Resumen

Comprender las pautas de desplazamiento de los usuarios del transporte público es importante para mejorar la calidad del servicio, fomentar su uso y planificar mejor el sistema de transporte público. Los datos de las tarjetas inteligentes, con su amplia cobertura y relativa abundancia, podrían ofrecer nuevas oportunidades para estudiar los comportamientos y patrones de viaje de los usuarios del transporte público con un coste mucho menor que el de las fuentes de datos convencionales. Sin embargo, la principal limitación de los datos de tarjetas inteligentes es la ausencia de atributos sociales de los titulares de las tarjetas, por lo que no pueden extraer claramente los viajeros de transporte público y explicar el mecanismo de sus comportamientos de viaje. En este estudio se empleó un método de aprendizaje automático denominado clasificador bayesiano ingenuo (NBC) para identificar a los usuarios del transporte público basándose tanto en los datos de la tarjeta inteligente como en los de la encuesta, demostrados en Xiamen (China). En comparación con los métodos existentes, que adolecían de la validación de la exactitud de los resultados de identificación, el enfoque adoptado fue un algoritmo de aprendizaje automático con funciones de comprobación de la exactitud. El clasificador se entrenó y probó con datos de encuestas obtenidos a partir de 532 cuestionarios válidos. El índice de precisión para la identificación de los viajeros en transporte público fue del 92% en las instancias de prueba. A continuación, con una baja carga de cálculo, identificó los objetivos en los datos de la tarjeta inteligente sin necesidad de supuestos sobre la regularidad de los desplazamientos de los usuarios del transporte público. Se clasificaron casi 290.000 titulares de tarjetas como usuarios del transporte público. Se obtuvieron estadísticas como el tiempo medio de primer embarque y la frecuencia de viaje de los días laborables durante las horas punta. Por último, los datos de la tarjeta inteligente se fusionaron con los datos de localización de los autobuses para revelar la distribución espacial de los lugares de residencia y trabajo de estos usuarios del transporte público, lo que podría utilizarse para mejorar la planificación y las operaciones del transporte público.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:viajeros en transporte público, datos de tarjetas inteligentes, datos de encuestas, patrones de viaje, tiempo medio del primer embarque, clasificador bayesiano ingenuo, datos de localización de autobuses, fuente de datos convencional, baja carga de cálculo, planificación del transporte público.
• Keywords:public transit commuters, smartcard data, survey data, travel patterns, average first boarding time, naive bayesian classifier, bus location data, conventional data source, low calculation load, public transit planning