決策管理的公交IC卡數據分析方法研究

李慧珠

摘 要：公交IC的數據存在收集中會遇到數據數量龐大且采集時間復雜等對數據分析造成困難的現實問題存在。當研究關系復雜，潛在多維性規律時，會存在分析盲點。本文將發掘公交IC卡數據內容的深度聯系，使用科學的數據計算方式結合客觀事實規律做好全方位多角度的數據分析工作。

關鍵詞：決策管理;公交IC卡;數據分析方法

0 引言

一般乘坐公交車采取的計費方式分為分段計費和單一票制這兩種方式。有的公交線路存在上車下車同時刷卡的問題，具體情況需要根據城市當地政策進行有效判斷。使用二次刷卡模式的公交車IC卡記錄機主要能夠采集的記錄如下，乘車日期、卡類別、上車站號、卡號、卡余額、車輛號、上車劃卡時間、下車站號、線路號、本次消費額、卡類別。使用一次刷卡模式的公交車的數據分析也只能明確不同時段客流量的變化和不同站點客流量變化。這樣粗略的概括方式顯然無法得出科學的公交IC卡數據分析結論。對此需要深度發掘各項IC卡之間的隱含關系做好數據信息補齊工作，為決策管理提供準確的方向。

1 公交IC卡數據采集和預處理方法分析

但從公交車的IC卡機端提取信息數據，并不能滿足實現分析客流量分布規律的現實條件。對于從OD矩陣中存在的乘客乘車信息也同樣需要納入考量范圍之內。可以使用聚類分析手段實現對乘客上車信息的內部關聯性建立。統計學自身的數據歸納整理分析工作使得研究客觀對象的數量特征同數量關系更加清晰，整個過程離不開對數據地有效收集分類歸納。數據統計分析能夠實現對數據的監督管理，輔助決策和信息咨詢等，順利促進做出科學的決策管理意見。但是在進行數據采集和預處理的工程中要注意對數據的動態走勢，依存關系，評價方法做出初步判斷整理。數據統計分析僅能作為對數據的初步匯集預判工作，能夠從數據的整體數量上描述數據采集需要的速度變化和數據質量，以此明確各項數據關系之間的協調。公交IC卡數據之間通常具有一定的依存關系，結合未來的發展趨勢做好數據的客觀分析研究工作。通過統計指標如計算增長速度、發展速度、增長水平等來描述客觀現象發展的基本特征。通過數學模型或圖示來描述或分解各種現象的變化規律。利用聚類的分析方式將某一群體使用共性分類方式，保持這一群體內部的做好樣本相似性分析工作，結合相似性以及相應的標準，做出衡量判斷標準。事物之間的依存分析關系是指事物之間客觀存在的必然聯系，做好分析目標之間的內在聯系建立。動態分析是從時間發展變化的角度研究客觀現象的規律，并預測其未來發展變動的趨勢。通過統計指標如計算增長速度、發展速度、增長水平等來描述客觀現象發展的基本特征。

2 整理時間順序做好BP算法分析

公交車的客流記錄結合時間的先后順序做出了合理的觀察先后順利集合安排，

所謂時間序列就是根據數值類型做好事物的運動變化規律整合，幫助人們正確認識事物的內在關系，以求實現事物的內在聯系關系建立。時間序列模式表示的基本思想是從時間序列中提取特征，將時間序列變換到特征空間，采用特征空間的特征模式來表示原始時間序列。這樣的時間順序采集能夠建立線性自回歸滑動平均法的模型。這種模型詳細分類為滑動平均模型，AR模型（自回歸模型），自回歸滑動平均混合模型。結合實際數據分析的現實需要選擇合適的模型建立合理的模型建立方式，可以選擇BP算法進行分析計算。BP算法作為一個輸入到輸出的映射分析方式，能夠經由隱層和隱節點的理想分析方式做好非線性映射關系的建立。BP算法還具備很強的自主學習能力，能夠在整理匯集一定的正確答案分析案例之后做好合適的求解規則選擇工作。但是BP算法也一樣還存在一定的缺點并不能適用于所有的公交IC卡數據分析方式中去。為了應對現實中存在的不同數據方式需要適當的做好計算方式的結合統一，以求得到更好的結果。

3 BP算法的改進方法分析

為了使得BP算法能夠順利配適不同的公交IC卡數據分析方式，需要做好以BP算法為基礎的人工神經網絡學習計算方式的優化分析。需要注意的是，從數據樣本的采集開始就要做好數據錄入抽樣調查，網絡拓撲結構，學習分析等各個流程的質量控制工作，保證每個環節毫無疏漏保質保量。對于BP神經網絡，設計其拓撲結構就是對于給定的某個應用任務，確定網絡的層數、每層應選多少個結點（單元）和激活函數。網絡的結構對系統的信息處理能力有重要影響，因此網絡設計拓撲結構是系統成功運行的關鍵任務。BP算法的神經網絡建立需要結合拓撲結構做好特定工作任務的分析工作。結合需要的網絡層級，確定需要激活建立的數據函數和單元節點數量。做好網絡結構系統的信息處理，減少網絡設計拓撲結構的滯后。采用模擬自然界生物的遺傳進化規律得到啟發發明的全局化算法，能夠順利實現非導數的和自適應概率性搜索算法優化。一旦明確網絡結構建立合適的神經元和連接權重之間的有效闕值，減少網絡之間預測值的誤差形式順利解決算法需要面臨的難題。采用樣本數據進行簡單的測試，確認計算的成效，減少輸出和目標輸出之間的錯誤產生。根據以上啟示，為了更好的做出公交IC卡的數據采集分析工作，可以使用啟發式多目標優化算法。從啟發式多目標的優化算法的發展進程可知，其一共有三種組合方式。研究人員可以根據自己的現實需要做好選擇。第一種是指在啟發式多目標優化方法剛產生的階段，主要是利用帕累托等級排序的方式，以及個體的適應差值來保證整體參數的多樣性。涉及到的計算方法有矢量評價遺傳計算方法，多目標遺傳計算方法以及非支配形的多目標遺傳算法。第二階段是在第一種方法的優化之上，升級成具有一定科學性的降低算法復雜程度的同時能夠獲得最優的帕累托解集。一般分為具有第二代強度的帕累托進化計算以及根據區域劃分選擇的多目標進化算法以及非支配排序多目標遺傳計算方式。第三階段的啟發式多目標優化方式側重于解空間以及合理分布解集的角度處理方式實現多目標的共同處理，進而解決更高維度的系統優化問題。這一階段同之前兩種方法的明顯區別就是具有智能搜索的功能求解運算速率更快。涉及到的計算方法有多目標粒子群優化計算，分布式估計策略多目標計算以及第三代非支配排序多目標遺傳算法。為了更好的適應求解的深度和廣度當下的啟發式多目標優化方式方法總體呈現出多元化的發展態勢。

4 結語

對公交IC卡的相關數據進行采集有助于做出科學的決策管理工作，針對不同地區的公交車運行方式做出合理的信息采集工作。結合實際需要的數據關系建立做出合理的算法結合選擇工作，以求實現對公交線路的科學管理，實現增加營收的同時提供更好的便民利民服務。

參考文獻：

[1]崔誠靚.基于公交IC卡與GPS數據的乘客使用特征分析——以上海市為例[J].交通與運輸，2020，33（S1）：231-235.

[2]劉成梅.基于公交IC卡數據的乘客出行特征分析與挖掘[D].西南大學，2020.

[3]余坤，趙向宇，李韞慧.基于公交IC卡信息的城市公交滿載率指標計算方法[J].交通運輸研究，2019，5（5）：49-54.

[4]賈奕寧.基于下車和換乘行為一體化識別的公交客流OD推算研究[D].華中科技大學，2019.