基于IC卡数据的公交乘客上下站点预测研究.pdf

第 48 卷 第 1 期燕山大学学报Vol.48 No.12024 年 1 月Journal of Yanshan UniversityJan.2024 文章编号:1007-791X(2024)01-0077-09基于 IC 卡数据的公交乘客上下站点预测研究迟 剑1,2,李秀云1,2,刘艳飞1,2(1.河北民族师范学院 数学与计算机科学学院,河北 承德 067000;2.河北省文化旅游大数据技术创新中心,河北 承德 067000)收稿日期:2022-06-01 责任编辑:温茂森基金项目:国家自然科学基金资助项目(62172352);河北省省级科技计划资助项目(20310301D);河北民族师范学院 2019 年度重大招标课题资助项目(ZD2019002)作者简介:迟剑(1979-),男(蒙古族),河北承德人,硕士,讲师,主要研究方向为软件工程与数据库;通信作者:李秀云(1966-),女(满族),河北承德人,硕士,教授,主要研究方向为动力系统,Email:1370803349 。摘 要:当前一票制的公交 IC 卡收费系统无法获取乘客的上车站点和下车站点,为公交线路客流量分析造成了一定困难。本文通过充分研究 IC 卡数据以及 GPS 数据,构建了以 IC 卡数据为基础的乘客上下车站点匹配模型,挖掘数据中包含的公交运行特征以及乘客出行特征。模型同时考虑封闭式公交出行链以及非封闭式公交出行链,并采用二分算法以及多概率融合的方法在乘客乘车特征基础上推测乘客的上下车站点,可有效提升公交的高效化运行管理。以承德市 7 号线路为例进行验证,采用线性回归方程对上下车站点匹配结果进行分析,相关系数高达 0.977,校验回归方程系数值为 0.978 5。结果表明该模型可实现对公交车乘客上下车站点的有效匹配,具有较好的可靠性。关键词:上下车站点;IC 卡数据;GPS 数据;数据挖掘;数据分析中图分类号:TP31;U491 文献标识码:A DOI:10.3969/j.issn.1007-791X.2024.01.0090 引言目前,随着公交出行人口流量的增大以及智能公交的快速发展,IC 卡成为乘客公交出行的主要方式。因此,通过 IC 卡统计乘客上下车相关数据变得可行。公交车 IC 智能系统具有交易数据量大、数据采集方便、样本量大以及数据连续性强等优点。通过对 IC 卡数据以及公交车行车GPS 数据分析,可以较为精准地判断乘客的上下车站点,对于城市的公交系统规划和管理具有重要意义1-2。但由于目前大多数公交采用单一票制,乘客仅在上车时刷卡,因此难以获取乘客下车站点的位置信息。吴祥国等3针对 IC 卡数据和公交 GPS 数据,提出可以根据乘客连续多日的出行数据构建出行链进行下车站点推断的思想。Yuan 等4通过 IC 卡数据以及车辆位置信息获得乘客下车站点的相关约束条件,随后采用随机场模型和协同滤波算法提取乘客出行链并推荐乘客下车站点。Wang 等5通过 IC 卡数据以及公交车辆 GPS 定位数据,采用不间断出行的方法,推断乘客的乘车规律从而获得相匹配的下车站点。刘玮轩等6在 IC 卡数据的基础上,通过建立时间偏移模型和客流量偏移模型对上车站点进行匹配,通过将乘客进行精准分类,提出不同的下车站点匹配算法。Zhou 等7通过 IC 卡数据以及客流量对北京的通勤出行时间和分时段的客流分布进行了深入分析。翁剑成等8通过融合 IC 卡数据和公交 GPS 等数据,分析公共交通的行车路线信息,并建立了基于乘客单体的通勤出行链提取模型,从而挖掘乘客上下车站点信息。Zhang 等9同样利用 IC 卡数据与 GPS 技术分析乘客的上车站点位置,并在 Transcad 模型中采用最短路径算法推导出原站和站间距离矩阵,以出行链为基本原理推导出中转站与目的地。陈君等10根据公交乘客出行的时空规律性,提出了基于通勤出行模式和关联出行模式判断下车78 燕山大学学报2024站点的算法。胡继华等11将乘客的出行特征与下车站点吸引权重相融合,然后根据乘客出行链的完整程度建立概率模型来判断乘客的下车站点。Li 等12全面回顾了使用 IC 卡数据的论文研究,分析出大多数研究没有引入土地利用因素以及应用敏感性分析,从而提出未来的研究方向。Yap M 等13针对公共交通拥挤可能会对乘客的出行体验产生重大影响,从而做出对路线和交通方式的选择进行了研究。Bai 等14通过开发基于人工智能的深度学习模型来预测公交车站点的客流量,该模型基于广州的一条公交线路 IC 卡售票系统获得的实际乘客数据来预测客流量的大小。文献15-17同样在 IC 卡数据和 GPS 数据融合的基础上引入时空特性对乘客上下车站点进行推断。大多数依据 IC 卡数据进行上下车站点匹配的模型都是针对封闭式公交出行链进行推断,然而乘客出行仍存在一定量的非封闭式公交出行链。本模型通过多概率融合的方式对于非封闭式公交出行链的下车站点判断,并取得了较好的效果。1 数据预处理1.1 数据介绍由于承德公交集团 GPS 数据仅在服务器保存三天,我们针对该数据进行了实时采集并保存到本地。本文所使用的数据是承德 7 号线路2018 年采集的 GPS 数据以及 IC 卡数据,并筛选出 5 月 1 日至 5 月 7 日的数据作为研究数据。首先,承德市公交 IC 卡数据主要包括乘客卡号数据、IC 卡类别、公交线路编号、车牌号、刷卡时间、处置时间,如表 1 所示。其中,IC 卡类别可分为储值卡、成人月票卡、老年卡、残疾卡等 13 种类型;公交线路编号中 100500007 表示 7 号线路;刷卡时间为乘客上车刷卡的即时时间;处置时间则为 POS 机的处理时间。其次,GPS 数据主要包括 GPS 运行时间、车辆编号(车牌号)、实时速度、站点名称、站点坐标等,其中站点坐标采用经纬度显示,如表 2 所示。表 1 IC 卡数据样例Tab.1 IC card data samples乘客卡号IC 卡类别公交线路编号车牌号刷卡时间处置时间67002109018406510100500301HZ15102018/5/1 8:242018/5/1 8:2667002109018406510100200009HZ20512018/5/1 18:202018/5/1 18:21表 2 GPS 数据样例Tab.2 GPS data samplesGPS 运行时间车辆编号实时速度站点名称站点坐标2018/5/5 09:03:30HZ766622.824市中心医院(117.925 496,40.979 900)2018/5/3 08:27:29HZ766632.904二道牌楼(117.921 923,40.982 160)1.2 数据处理及标准化本文采用承德公交 7 号线路 2018 年 5 月1 日-2018 年 5 月 7 日的一周数据作为数据集。首先,对于 GPS 数据,采用上述规定时间段内的数据,由于公交在停靠主站期间,车辆处于停滞状态即速度为 0 时表示车辆未运行,此类数据过多会导致数据检索时时间复杂度的过高且属于无效数据,因此将该类数据作为冗余数据进行清洗;公交在行驶过程中会存在违规行为,忽略违规行为导致的公交车的“滞站”行为数据;为方便时间比较,将 GPS 运行时间换算为时间戳表示,处理后数据如表 3 所示。其次,对于 IC 卡数据,筛选刷卡时间位于 2018 年 5 月 1 日至 2018 年 5 月 7 日的数据并将刷卡时间换算为相应的时间戳表示,处理后数据如表 4 所示。表 3 处理后 GPS 数据Tab.3 Processed GPS dataGPS 运行时间车牌号站点名称站点信息15251524218596轻小型修理厂到站15251524628596轻小型修理厂离站15251525008596下营房到站15251525738596下营房离站第 1 期迟 剑 等 基于 IC 卡数据的公交乘客上下站点预测研究79 表 4 处理后 IC 卡数据Tab.4 Processed IC card data乘客卡号车牌号刷卡时间67002130002800085961525653606.067002130002800688761525659409.0 经数据处理,承德市 7 号线路 2018 年 5 月1 日-7 日 IC 卡数据和 GPS 数据中,IC 卡数据共65 084 条,其中共有 25 727 名乘客乘坐该线路公交车。GPS 数据共 40 805 条,包含公交车共 22辆,经历公交站点 25 个。2 乘客公交出行分析公交出行链作为交通出行链定义的延伸,通常认为乘客在一天内至少连续两次乘坐公交并按照顺序排序从而构成公交出行链。公交出行链可分为封闭式公交出行链和非封闭式公交出行链。封闭式公交出行链具体定义为:乘客在一天之内存在多次乘坐公交出行,且首次出行站点与末次出行站点属于同一个站点。广义的封闭式公交出行链存在中间非换乘和换乘两种情况。非换乘公交出行链表明乘客在首次出行和末次出行期间不存在换乘行为,即乘坐一辆公交便可到达目的地,如图 1(a)所示,乘客首次出行在站点 A 乘坐 L1 线路公交车到达目的站点 E 下车到达目的地且在末次出行中乘坐同一路线公交车于出发站点 E 返回目的站点 A;换乘公交出行表明乘客乘坐一辆公交无法到达目的地,乘坐期间需换乘其他公交或线路才可到达,如图 1(b)所示,乘客首次出行在站点 A 乘坐 L1 线路公交车并在站点 D换乘 L2 线路公交车到达目的站点 E,并且在末次出行乘坐相同线路返回站点 A,该乘坐方式中间存在换乘行为,但仍属于封闭式公交出行链。现实生活中,封闭式公交出行链可表现为上下班通勤、上下学等日常行为。非封闭式公交出行链具体定义为:乘客在一天内仅从某出发站点搭乘一次公交,或乘客搭乘多次公交但从未未返回出发站点等行为,这些行为导致公交出行链无法闭合。日常行为举例为,某乘客早上首次出行乘坐公交车到达目的地,并在下一次出行中采用非公共交通方式返回首次出行的出发站点,或者在首次出行后不再返回。因此,在构成封闭式公交出行链时,应符合以下约束条件。1)组成约束:乘客每日出行至少存在两次由出发站点至目的站点的公交乘坐行为。2)时空约束:前一次乘坐公交车的下车时间戳需小于后一次乘坐公交的上车时间戳;前一次乘坐公交车的下车站点距离后一次乘坐公交车站点应小于某距离阈值,如图 2 所示。3)换乘约束:真实生活中,乘坐公交车外出时的换乘次数应小于某换乘阈值 d,即在可接受的换乘次数之内。图 1 封闭式公交出行链Fig.1 Closed bus travel chain图 2 空间约束示意图Fig.2 Schematic of spatial constraints80 燕山大学学报20243 乘客上车站点推断针对处理后的 IC 卡数据和 GPS 数据,采用二分时间匹配算法推断乘客的上车站点。具体来说,由于 IC 卡数据中存在车牌号和刷卡时间,GPS数据中存在车牌号以及每个站点公交车的到站时间和离站时间。以 IC 卡数据中某乘客刷卡信息进行说明,IC 卡记录乘客编号为 p1所乘公交车的车牌号为 c1,刷卡时间为 t1。首先,筛选 GPS 数据中车牌号为 c1的数据,然后顺序查找 ts1t1te1所对应的站点 s1即为乘客 p1的上车站点,其中 ts1表示公交车 c1在站点 s1的到站时间,te1表示公交车c1在站点 s1的离站时间。经数据分析,在对少量数据进行匹配时,该算法可快速推断乘客的上车站点。然而,针对于几十万条甚至更多 IC 卡数据以及 GPS 数据,顺序检索存在时间复杂度过高的问题,考虑到 IC 卡数据和 GPS 数据均按时间进行有序排列,本算法融合二分查找算法进行上车站点推断,可将时间复杂度由 O(n)降为 O(log n)。定义 GPS 数据为四元组组成形式。G=(ts1,c1,s1,到站),(te1,c1,s1,离站),(ts2,c2,s1,到站),(te2,c2,s1,离站),(ts3,c1,s2,到站),(te3,c2,s2,离站),站点推断流程图如图 3 所示。经过对 IC 卡 65 084 条乘客数据进行统计,可得到5 月1 日-5 月7 日各个站点上车人数如图4 所示。经观察可知,7 号线首站轻小型修理厂上车人数最多,于承德市中医院站点站上车人数最少。综合分析,上车人数最多的车站位于公交行车线路中部。将公交车完整线路运行时间进行序列化,并进行以下定义:“轻小型修理厂”“下营房”记作路段A;“下营房”“头道楼牌”记作路段 B。统计各路段 7 日内双向公交车累计运行时间,如图 5 所示,该运行时间柱状图表示在中部站点相对运行时间最长。综合各站点上车人数和公交线路运行时间可知,在公交车完整行车时间中,中段时间上车人数相对最多,因此采用二分查找推断策略可有效降低算法的时间复杂度,提高匹配效率。图 3 上车站点推断流程图Fig.3 Inferred flow chart of bus boarding stop图 4 各站上车人数统计折线图Fig.4 Line chart of the numbers of passenger boarding at each stop第 1 期迟 剑 等 基于 IC 卡数据的公交乘客上下站点预测研究81 图 5 公交车上下行路段运行时间统计图Fig.5 Statistical chart of the uplink and downlink segment running time 4 乘客下车站点推断乘客公交出行链存在封闭式出行链和非封闭式出行链两种情况,因此做出以下分类对下车站点进行推断:1)封闭式公交出行链,即一天内至少存在两次出行,且出行的出发站点非同一站点,包含乘客换乘线路和不换乘线路两种情况。2)非封闭式公交出行链,存在以下几种情况:乘客单向出行,即一天内仅存在一次出行情况,记作情况 1;乘客多次出行,且每次出行站点属于同一站点,记作情况 2。4.1 封闭式公交出行链日常中的上班通勤和上下学等行为大多是往返出行的形式。假设乘客 p1第 i 次刷卡记录显示在线路 L1 上的 A 站点上车,且第 i+1 次刷卡记录显示在线路 L1 上的 E 站点上车,则表示 E 为乘客 p1第 i 次乘车的下车站点。值得注意的是,乘客在 E 站点下车后可能存在换乘情况,由于本文采用数据集为 7 号线单线路数据集,因此对下车站点与目的站点不做区分,统称为下车站点。4.2 非封闭式公交出行链针对非封闭式公交出行链,采用多概率融合的方式对下车站点进行推断。首先计算乘客在某时间段内于每个站点刷卡上车的频率,由此计算在每个站点下车的概率;其次采用车站距离泊松分布计算每个站点的下车频率;最后根据每个站点当日刷卡人数即上车人数计算各站点下车概率,通过将三种概率按一定权重比例融合的方式推断乘客最有可能的下车站点。假设某线路 L1 共有站点 m 个,记作车站集合M=s1,s2,sm,根据乘客在某时间段内的刷卡记录统计在每个站点的上车频率 Ni。并计算每个站点可能下车的概率 f1i,即f1i=Nimi=1Ni,(1)最终 各 站 点 下 车 概 率 集 合 表 示 为 D1=f11,f12,f1m。根据现有研究18-19,乘客在某站点下车的概率与已乘坐过站的站点数之间呈泊松分布,即f2ij=(j-i)e-(j-i)!。(2)由于由泊松分布获取的各站点下车概率之和不为 1,因此将该概率分布进行归一化处理:f2ij=(j-i)e-(j-i)!m-1i=1(j-i)e-(j-i)!,(3)其中,f2ij表示乘客在站点 i 上车且在站点 j 下车的概率。为该线路乘客在一段时间内平均出行经过的站点的数量。若乘客上车站点 i 的下游站点小于,即 m-i,此时令=m-i。由此可得乘客在每个站点下车的概率矩阵 D2=f2ijmm。乘客有较大概率在日常乘客流量最大的站点下车,即某站点上车人数越多表示吸引行人的概率越大。因此可根据上述上车站点的推断计算每个站点的乘客流量。具体计算公式为f3i=vimi=1vi,(4)其中,vi表示在站点 i 上车的人数。则乘客在各个站点下车的概率可记作集合 D3=f31,f32,f3m。综合考虑乘客高频上车站点,站点泊松分布以及站点乘客流量,并赋予不同权重,可以得到乘客在某站点 i 下车概率模型为fi=1f1i+2f2ji+(1-1-2)f3i,(5)其中,1和 2为可调参数,并满足 1+20.5,2可采用随机大小(020.5)。最终对非封闭式出行乘客上下车站点举例,如表 6 所示。表 6 非封闭出行链下车站点推断举例Tab.6 Examples of the alighting stop in non-closed travel linksIC 卡号上车站点下车站点670021090942982下营房新居宅670021300027410新居宅福隆小区670021090394160新居宅世纪东路670021090238513新居宅二仙居670021150203916市中心医院二仙居670021560000545市中心医院世纪城 2 期670021090943023火神庙世纪城 2 期图 7 强主观下车站点概率折线图Fig.7 Line chart of Strong-subjective alighting stop probability 通过对 2018 年 5 月 1 日 IC 卡全天刷卡记录进行上车站点和下车站点推断并统计各站点的上车人数和下车人数,结果如表 7 所示。从公交出行链的角度出发,乘客每天的首次出行和末次出行会形成一个闭环结构。因此,各个站点的出行量和下车量在理论上应该基本一致3。根据皮尔逊相关系数式R=mi=1(Xi-X-)(Yi-Y-)mi=1(Xi-X-)2mi=1(Yi-Y-)2(6)计算相关系数 为 0.977,并进行线性回归分析如图 8 所示。校验回归方程 y=0.978 5x+1.815 4,说明该算法结果在机理分析层面较稳定,并且推断的承德市 7 号线路各站点上下车人数在很大程度上处于平衡状态,可以取得较高的推断精度。图 8 线性回归分析Fig.8 Linear regression analysis84 燕山大学学报2024表 7 上下车站点统计结果Tab.7 Statistics of the boarding and alighting stop站点上车人数下车人数轻小型修理厂315328下营房186182头道牌楼164160美风小区139135安定里115110城隍庙93108二道牌楼163159市中心医院200210火神庙313306文化大厦118113裕华路口西184168新华路206174温州批发市场121114新居宅390331承德市中医院818福隆小区5365中居宅3745老居宅1724新建居宅1418世纪城 2 期1427世纪东路1417府前路5888世纪城3272小佟沟口159106二仙居1411765 结论本文通过对乘客公交上下车站点进行预测,提出了融合多因素和出行特征的乘客上下车站点预测模型并利用实际数据进行实例分析。结果表明,本文提出的算法模型能够针对不同的出行链的公交乘客进行有效的上下车站点预测。通过本算法预测得出的上下车人数符合生活中上下车站点人数很大程度上处于平衡状态的实际情况,本算法可以取得较高的预测精度,并具有较高的有效性和可靠性。参考文献 1 BAGCHI M WHITE P R.The potential of public transport smart card data J.Transport Policy 2005 12 5 464-474.2 PELLETIER M P TRPANIER M MORENCY C.Smart card data use in public transit a literature review J.Transportation Research Part C Emerging Technologies 2011 19 4 557-568.3 吴祥国.基于公交 IC 卡和 GPS 数据的居民公交出行 OD 矩阵推导与应用 D.济南 山东大学 2011.WU X G.Derivation and application of OD matrix of residents bus trip based on bus IC card and GPS data D.Jinan Shandong University 2011.4 YUAN N J WANG Y ZHANG F et al.Reconstructing individual mobility from smart card transactions a space alignment approach C/IEEE 13th International Conference on Data Mining Dallas USA 2013 877-886.5 WANG W ATTANUCCI J P WILSON N.Bus passenger origin-destination estimation and related analyses using automated data collection systems J.Journal of Public Transportation 2011 14 4 131-150.6 刘玮轩.基于 IC 卡数据的站点关联度解析及公交调度方法研究 D.淄博 山东理工大学 2019.LIU W X.Research on site correlation degree analysis and bus scheduling method based on IC card data D.Zibo Shandong University of Technology 2019.7 ZHOU Y YAO L JIANG Y et al.GIS-based commute analysis using smart card data a case study of multi-mode public transport for smart city M/Geo-Informatics in Resource Management and Sustainable Ecosystem.Berlin/Heidelberg Springer 2015 83-94.8 翁剑成 王昌 王月玥 等.基于个体出行数据的公共交通出行链提取方法 J.交通运输系统工程与信息 2017 17 3 67-73.WENG J C WANG C WANG Y Y et al.Extraction method of public transportation travel chain based on individual travel data J.Transportation System Engineering and Information 2017 17 3 67-73.9 ZHANG R H WU X G CHEN S P.Public transportation trip OD matrix inference using IC card data and GPS information C/11th International Conference of Chinese Transportation Professionals Nanjing China 2011 587-597.10 陈君 吕玉坤 崔美莉.基于出行模式的公交 IC 卡乘客下车站点判断方法 J.西安建筑科技大学学报 自然科学版 2018 50 1 23-29.CHEN J LV Y K CUI M L.Judgment method of bus IC card passenger alighting station based on travel mode J.Journal of Xian University of Architecture and Technology Natural Science Edition 2018 50 1 23-29.11 胡继华 邓俊 黄泽.结合出行链的公交 IC 卡乘客下车站点判断概率模型 J.交通运输系统工程与信息 2014 14 2 62-67.第 1 期迟 剑 等 基于 IC 卡数据的公交乘客上下站点预测研究85 HU J H DENG J HUANG Z.Probabilistic model of bus IC card alighting station judgment combined with travel chain J.Transportation Systems Engineering and Information 2014 14 2 62-67.12 LI T SUN D JING P et al.Smart card data mining of public transport destination a literature review J.Information 2018 9 1 18-23.13 YAP M CATS O VAN AREM B.Crowding valuation in urban tram and bus transportation based on smart card data J.Transportmetrica A Transport Science 2020 16 1 23-42.14 BAI Y SUN Z ZENG B et al.A multi-pattern deep fusion model for short-term bus passenger flow forecasting J.Applied Soft Computing 2017 58 669-680.15 左精力 王秋平 陈君.城市公交 GPS 数据与 IC 卡数据时空特性融合算法 J.交通信息与安全 2021 39 2 101-108.ZUO J J WANG Q P CHEN J.Fusion algorithm of urban bus GPS data and IC card data spatiotemporal characteristics J.Traffic Information and Security 2021 39 2 101-108.16 陈娴 龚小林 邬岚.基于 IC 卡和稀疏 GPS 数据的中小城市公交乘客上下车站点推算方法 J.交通运输研究 2022 8 1 79-88.CHEN X GONG X L WU L.Calculation method of bus passengers getting on and off in small and medium-sized cities based on IC card and sparse GPS data J.Transportation Research 2022 8 1 79-88.17 李淑庆 刘耀鸿 邱豪基.基于 IC 卡与 GPS 数据的公交通勤出行特征分析 J.重庆交通大学学报 自然科学版 2021 40 10 171-177.LI S Q LIU Y H QIU H J.Analysis of the characteristics of public transportation based on IC card and GPS data J.Journal of Chongqing Jiaotong University Natural Science Edition 2021 40 10 171-177.18 赵锦焕 李文权 张健 等.公交客流 OD 矩阵推算 J.交通运输工程与信息学报 2009 7 4 124-128.ZHAO J H LI W Q ZHANG J et al.Calculation of bus passenger flow OD matrix J.Journal of Transportation Engineering and Information 2009 7 4 124-128.19 孙凯 郑长江.基于公交 IC 卡刷卡数据的站点客流推算 J.贵州大学学报 自然科学版 2021 38 2 104-110.SUN K ZHENG C J.Calculation of station passenger flow based on bus IC card swiping data J.Journal of Guizhou University Natural Science Edition 2021 38 2 104-110.20 CASCETTA E.Estimation of trip matrices from traffic counts and survey data a generalized least squares estimator J.Transportation Research Part B Methodological 1984 18 4/5 289-299.Boarding and alighting stop inference based on transit IC card dataCHI Jian1 2 LI Xiuyun1 2 LIU Yanfei1 2 1.College of Mathematics and Computer Science Hebei Normal University for Nationalities Chengde Hebei 067000 China2.The Technology Innovation Center of Cultural Tourism Big Data of Hebei Province Chengde Hebei 067000 China Abstract At present IC card charging system cannot obtain the passengers boarding and alighting stop points which has caused certain difficulties for the analysis of the passenger flow of bus lines.By fully studying the IC card data and GPS data a passenger boarding and alighting station matching model based on IC card data is constructed to excavate the bus operation characteristics and passenger travel characteristics contained in the data.The model considers both the closed bus travel chain and the non-closed bus travel chain and uses the binary algorithm and multi-probability fusion method to speculate on the passengers boarding and alighting station based on the passenger s riding characteristics which can effectively improve the efficient operation and management of the bus.Taking Chengde No.7 Line as an example for verification the matching results of the boarding and alighting stations are analyzed by using a linear regression equation and the correlation coefficient is as high as 0.977 and the regression equation coefficient value is 0.978 5.The results show that the model can achieve effective matching of bus passengers boarding and alighting stops and have good reliability.Keywords boarding and alighting stops IC card data GPS data data mining data analysis