《表5 OD推算结果Tab.5 The result of origin and destination inference》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于MapReduce的海量公交乘客OD并行推算方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本实验平台为Hadoop平台，该平台具有4个节点，每个节点为两核处理器，4 G内存和500 G磁盘空间，通过实现Map Reduce并行推算厦门公交乘客OD点。按照调查及经验值，在上车站点的推算中，a取值3 min，b取值7 min，获取刷卡时间前3 min，后7 min的所有车辆进出站记录。推算出1 280 607个IC卡用户，16 879 661条上车记录，占IC卡刷卡记录的92.4%，有7.6%的IC卡记录因为进出站时间的丢失和异常未能成功推算出上车站点。按照图6和图7所示的下车站点并行推算流程进行下车站点推算，其中刷卡时间间隔阈值α取值1 min，是为了区分代刷情况，β取值500 m，是由站点间距及乘客换乘步行最大接受范围确定的。共推算出1 085 853个IC卡用户，14 410 058条完整OD记录，占上车记录的85.3%，IC卡刷卡记录的78.9%。其余的14.7%的上车记录未能推算出下车站点原因有以下几点:（1）用户一天只有一次公交出行并且总体公交出行记录少。（2）用户一天公交出行两次，但第二次是公交换乘，无法推算第二次公交出行的下车站点。（3）部分用户两周时间内只有一次公交刷卡记录。表5为某个乘客OD推算结果，从中可以看出本文所提出的方法能够较为准确的推算公交乘客的上下车站点。