智能调度系统和乘客刷卡记录并用的线路站点客流统计——利用Excel函数关联数据统计站点客流量

徐州公共交通有限责任公司 沈 静 姚 萍

客流量是公交系统制定行车作业计划和规划线路的重要依据。对于客流量的统计，公交企业传统的做法是进行客流调查，即把调查人员在调查的时间段内分布在相应的站点上，利用查数和目测的方式进行记录，记录汇总后进行分析。这样做的弊端在于准确性差，时间不连续，无法做到经常性和系统性的调查。

公交企业已陆续从传统调度模式过渡到智能调度模式，智能调度系统借助于GPS定位技术、3G通信技术、GIS地理信息系统技术，可详细记录车辆在行驶过程中的数据并根据管理需要生成相应报表。例如根据线路站点的经纬度坐标，智能调度系统的车辆到离站信息采集记录了车辆驶入站点和驶出站点的时间点（以秒为单位记录）。

乘客刷卡记录（其中包括移动支付），是公交IC卡收单管理系统记录的乘车数据，具体刷卡记录时间也以秒为单位，每日统计汇总运量和收入。

智能调度系统采集数据真实准确，其中根据数据生成的车辆到离站信息以秒为采集单位，和刷卡记录时间单位一致。车辆到离站信息采集信息中站点信息经纬度为坐标标识，弥补了刷卡记录信息只记录刷卡时间没有刷卡地点的不足，从而使通过智能调度系统生成数据结合乘客刷卡记录来分析统计站点的乘车人数和构成成为可能。

本文以徐州公共交通有限公司新区分公司11路附线为例，收集相关数据，探讨如何利用Excel函数功能统计和分析客流量。

1 参数收集

徐州公交11路附线上下行全程31.9km（下行15.6km，上行16.3km），上下行各22个站点，首站铜山新区总站，末站徐州站，固定配车数24辆。途经工业区、成熟小区、菜市场、江苏师范大学、中国矿业大学老校区和重点中小学、三级甲等医院、市中心繁华商业圈直至徐州火车站。线路长，客流大，且乘客构成复杂，服务时间长，包含夜班。首班6∶10，末班22∶10，道路状况复杂。11路附线站点情况详见表1。

表1 11路附线站点

（1）车辆到离站信息。车辆到离站信息是智能调度系统使用后新生成的信息，详细记载了每辆车每个营运车次、进场出场、进站出站的详细时间点，借助GPS定位技术、3G通信技术，记录时间单位为秒。因记录详细，数据庞大，实际使用中，在寻人寻物领域发挥了重要的作用，能根据筛选条件迅速缩小查找范围，条件越精确，范围锁定目标越小，节省了大量的查找时间和人力物力。

在优化行车计划编制过程中，车辆到离站信息把每个车次周转时间以站点为划分基础，以到达站点时间和驶出站点时间为节点把周转时间划分若干段。以11路附线下行为例，下行场站是铜山新区总站，出场时间点记为A，到达首站铜山新区总站时间点为B，驶离铜山新区总站时间点为C，到达居乐园站时间为D，驶离居乐园时间为E，以此类推直至终点站徐州站。其中圆圈代表场和站的坐标范围。从铜山新区总站发车，到驶离居乐园的时间划分A-B、B-C、C-D、D-E四段，如图1所示。若以站点划分，其中B-D的时间段内乘客所刷卡记录可以记录为铜山新区总站上车的乘客，为分析客流规律提供依据。

图1 从总站到达居乐园的时间划分

（2）乘客刷卡记录（含移动支付）。收集乘客刷卡记录的目的是为了粗估高峰和平峰的客流量，刷卡的乘客一般有稳定出行需求，相对客流的变化有很强代表性。根据徐州无人售票线路的运量统计，刷卡运量占总运量的70%左右。

刷卡记录数据来自IC卡数据统计汇总部门。刷卡记录包括日期、线路、车辆、刷卡时间、卡号、金额，其中一条记录代表一人次。

数据分析主要是利用Excel的函数功能，把相

2 数据分析

关数据潜在联系找出来，根据时间的排列组合来分析各时间段的客流变化趋势。

本文采用的是2018年3月份11路附线刷卡记录（表2）。

表2 乘客刷卡记录

根据分析需求，保留乘客刷卡记录的必要因素：刷卡时间、卡类型、刷卡线路、车辆编号等。添加部分因素：天气、星期等。

利用数据透视表的功能，进行排列组合，得到想要分析的结果。

（1）根据（月平均）星期的因素统计客流变化汇总后的客流数据：星期日33754人次；星期一31361人次；星期二34403人次；星期三34210人次；星期四41947人次；星期五46081人次；星期六46752人次。月总计268508人次。

图2 月均客流星期柱形图

从月均客流星期柱形图（图2）中可看出，客流集中在周五，周六。这只是一个月的数据，若把数据放大到一个季度，一年，则可作为分析客流变化的依据。

因为刷卡要素全面，可以根据分析需求进行排列组合，得到优化行车作业计划等目的分析结果。

例如，刷卡构成主要是成人、学生、老年人。残疾人持有的爱心卡坐车，因数量少，所占比小，可以忽略，或者统计时不包括在内。刷卡构成见表3。

表3 月均星期刷卡构成表

图3 月均星期刷卡各卡走势图

从图3中可以看出，成人卡的刷卡趋势和星期刷卡走势趋同，老年卡刷卡次数基本不受工作日影响。

（2）按照小时划分每个时间段的刷卡量见表4。

从图4中可看到，早7时进入客流高峰状态，下午16时、17时处于最高峰，晚20时有一波小高峰。像这样分析结果对于制定行车作业计划有着重要的作用。

（3）根据天气原因分析客流变化，同样利用数据透视表的功能，得到的数据见表5。

表4 各时间段刷卡量统计

图4 3月份分时刷卡次数统计图

表5 不同天气刷卡统计

图5 天气影响平均刷卡人次

从图5可以看出天气对客流的影响，中雨天气的客流明显低于晴天的客流。对于公交企业在组织生产营运过程中，制定行车作业计划具有一定的指导意义。

因客流量影响因素较多，通过以上简单的排列组合分析可以得到不同因素作为分析原因的结果。不仅是以上3种可能，像具体区分各时间段的刷卡构成，高峰时间段的刷卡构成等也可作为影响因素进行分析。

3 结合智能调度系统分析

乘客刷卡记录记载了乘客刷卡的时间点，但是无法具体区分乘客刷卡上车的站点，我们通过刷卡记录加上一些客观的因素，按照不同的因素分析只能得到刷卡的次数和构成。结合调度系统记录的车辆到离站信息，可以具体分析到站点的刷卡次数，对于调整线路站点，开辟大站快车线路都有着积极的意义。表6为车辆到离站信息表。

表6 车辆到离站信息表

从表6中可以看出，车辆的进站时间和驶出站点时间单位是秒，和乘客刷卡时间一致。理论上前一站的进站时间到下一站的进站时间这个时间段的刷卡次数应记录为前一站的刷卡次数。根据此条件，利用多条件统计函数countifs，可以汇总各站点上下行的刷卡次数。统计汇总见表7。

表7 各站点上下行刷卡次数汇总

（1）上行各站点刷卡人次汇总如图6所示。

（2）下行各站点刷卡人次汇总如图7所示。

从图中可以直观看出上下行各站点乘车人数的差异，也可以看出上下站点的乘车人数并不是相对称的，这对大站快车站点的设置有着指导意义。

（3）各站点时间段乘车人数的统计。根据时间段来划分各站点的乘车人数，表8是上行方向风华南苑站的各时间段乘车人数汇总。

也可以根据分析需求进行排列组合汇总刷卡次数或刷卡构成。

从统计的次数为267459人次（上下行合计）与刷卡汇总人次268508人次存在1049人次的出入，这是因为硬件设备损坏没及时更换或GPS因通讯或信号等原因定位不准确而造成，占总刷卡人次0.39%，影响不明显。

表8 上行方向风华南苑站的各时间段乘车人数汇总

4 结语

图6 上行站点乘客刷卡汇总

以上方法是利用智能调度系统采集的数据结合乘客刷卡记录来简单的分析客流的构成，和各站点时间段的客流统计等，可以看做人工统计客流量到安装客流分析仪之间统计客流量的过渡。因无法统计各站点的零票收入，不能全部覆盖，仍具有一定的局限性。

图7 下行站点乘客刷卡汇总

无论是乘客刷卡记录还是车辆到离站信息的采集，其数量巨大，且分析时间跨度较长，有季度分析、年度分析等，因此利用Excel函数分析还存在一定的局限性，期待可以利用数据库直接输入参数，得到分析结果会更便捷。