公共交通系统中车辆自动定位数据的验证

可在www.sciencedirect.com在线获取理论计算机科学电子笔记318（2015）31-51www.elsevier.com/locate/entcs公共交通系统中车辆自动定位数据的验证斯蒂芬·吉尔摩和丹·伊尔·雷斯·伯根爱丁堡大学计算机科学基础实验室苏格兰爱丁堡摘要公共交通系统的性能指标可以从自动车辆定位（AVL）数据中计算出来，但数据收集子系统可能会在数据中引入错误，从而使这些计算无效，从而产生误导性结论。 在本文中，我们提出了一系列的可视化方法，以及在计算性能度量之前验证AVL数据。我们用以下内容来说明我们的演示文稿：Lothian Buses Airlink巴士是连接爱丁堡市中心的频繁服务的具体例子。爱丁堡机场 频繁服务的性能指标基于车头时距，即服务于路线的后续公交车之间的空间和时间间隔。本文提供了一个实际的经验报告与真实的车辆位置数据的工作，并说明了在清洗数据之前，需要注意的地方护理和注意的数据计算的结果，可能不正确地反映所提供的服务的真实水平。关键词：公共交通测量和建模，数据清理，车头时距计算1引言现代工程系统是反应灵敏的。通过仪器和传感器，他们收集有关其功能和性能的数据，用于评估其进度和安全操作。运输系统是这样工作的：现代的公共汽车车队配备了丰富的仪表，可以报告他们的纬度和经度，速度和方向。这些数据通过数据连接流回自动车辆位置跟踪系统，该系统为其他系统提供信息，例如公交车乘客的实时从自适应系统领域的最新进展来看，未来似乎给我们带来了一个自我组织、自我修复的系统的愿景，这些系统由它们的数据收集子系统来调节和控制。不幸的是，这些数据收集子系统本身通常是复杂的系统，具有其自身的故障和问题，以及其工程的内在限制。直到人们开始使用这样的子系统时，这些问题中的一些才开始变得明显。当监管机构开始计算http://dx.doi.org/10.1016/j.entcs.2015.10.0181571-0661/© 2015作者。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。32S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31从历史自动车辆定位（AVL）数据跟踪的公共交通服务的性能指标直到最近，确定服务性能一直是由路边的人类观察员完成的，记录车辆离开并应用智能和经验来解释和记录事件。该方法的好处是确保在计算绩效指标之前对数据进行审查。相反，在不应用人类智能的情况下（如在历史AVL数据跟踪的自动处理中），可能会发生解释错误，我们在这里关注的正是这些错误在本文中，我们提出了一个经验报告使用AVL数据获得车头时距和频率测量。AVL数据由位于苏格兰的Lothian Buses公司提供给我们，该公司在爱丁堡经营着广泛的公交网络。我们在这里考虑连接爱丁堡市中心和爱丁堡机场的Airlink巴士服务的具体例子。频繁服务的一个不可取的特征是集群，即两辆或更多辆公共汽车长时间保持靠近。因此，连续公交车之间的间隔是法规和服务运营商的重要指标特别是，我们讨论了车头时距测量的计算，以评估公交线路在特定准时性方面的表现。我们使用了一系列方法来可视化地表示数据和计算出的航向，包括使用Google Maps API的可视化工具，该工具是在爱丁堡大学开发的[1]。我们所得到的AVL数据记录了每辆巴士的位置根据英国东向和北向测量的Ordos Survey，可以很容易地转换为更熟悉的纬度和经度坐标。AVL数据是特定于特定总线的，由称为队列号的唯一总线标识符确定。巴士路线的分配载于一个时间表，该时间表在巴士服务开始前制定，但在白天可能会因运营问题而改变，恕不另行通知。关于哪些总线在服务中以及哪些不在服务中的这种不确定性引起了在计算度量之前解释AVL数据的部分问题本文其余部分的结构如下。我们首先在第2节中讨论AVL数据的可视化，然后在第3节中继续隔离和删除数据错误。我们将在第4节讨论车头时距数据的可视化，并在第5节讨论车头时距测量在服务水平协议中的应用。我们将在第7节中讨论使用相同数据或工具的相关工作，并在第8节中总结论文。2数据可视化我们正在进行一项以数据为基础的建模工作。这里一个至关重要的子任务是了解数据、其范围和限制。在我们的工作与洛锡安巴士数据，我们已经开发了一个可视化工具，使我们能够从字面上查看数据的地理背景下，对S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3133Fig. 1.用户界面允许用户选择感兴趣的巴士路线以及感兴趣的日期和时间，并逐步浏览数据以查看在爱丁堡市的所选部分中发生的事件爱丁堡市地图这个可视化工具使我们能够重新访问有关巴士移动的历史跟踪数据，并播放或单步浏览数据，仅可视化感兴趣的巴士服务通过这种方式，它将数据带入生活，使人们很容易确认正在寻找正确的公交路线。如图1、2和3所示。可视化工具没有预测能力，它只能呈现测量数据。它也没有任何逻辑、推理、演绎或验证能力。尽管如此，这是非常有价值的，让我们发现了数据中的一些重大错误，然后我们开始在系统的数据清理过程中删除图二. 数据可以足够准确，通过目视检查侧面来确认总线的方向它行驶的道路在处理来自洛锡安巴士的巴士运动数据时，我们很幸运地拥有关于巴士可以做什么和不能做什么的有用的领域知识。例如，我们知道公共汽车不能远距传送，所以当我们看到一些爱丁堡的公共汽车似乎访问威尔士时（如图4所示），我们知道这只是来自数据收集子系统的幻影GPS同样，爱丁堡的公共汽车也不是水陆两用的，所以它们在福斯湾游泳的测量数据也将被丢弃。最后，爱丁堡的公交车无法行驶，所以当我们看到地图上显示的数据时，34S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31就像罗恩·韦斯莱的神奇汽车一样飞过屋顶，我们知道不能相信。我们的可视化帮助我们理解这类错误的数据，它显示出这是一条直线，从车辆夜间最后一次旅行的最后一这些错误的位置报告来自不在服务中的车辆，或者来自没有像它们应该的那样完全断电的测量传感器，或者它们是由系统中的内插引起的伪像，该系统试图填充数据点以补偿由在车辆的一天使用结束时位置跟踪子系统被切换为关闭然而，这些数据并不记录哪些巴士正在使用，哪些没有，所以如果将数据用于收集目的以外的目的2.1单个总线轨迹的可视化我们将进行的服务提供的验证完全取决于数据、其质量和完整性以及我们对数据的解释为了图三.爱丁堡市中心的热图表示，显示了王子街沿线公交车停留时间最长的见图4。 可视化工具可用于识别出现在特殊位置的公共汽车，例如场地在盎格鲁-威尔士边境S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3135为了使我们自己尽可能透彻地理解数据，我们对数据提出了不同的看法，每一种看法都有助于我们对数据有一定的理解，并为我们带来有用的见解我们的第一个可视化，如图5所示，在传统的地图视图中呈现数据。这有助于我们看到该总线在感兴趣的当天提供Airlink服务，但它没有使用测量跟踪的时间内容。图五. 从机场到市中心的一辆公共汽车上的AVL样本数据，以传统的地图视图，绘制纬度对经度。 这种观点既抽象了事件的时间，时间上的相对顺序我们的第二个可视化，如图6所示，在抽象意义上代表时间，因为我们使用不同的颜色来代表连续发生的旅程阶段。颜色是以固定的顺序分配的，从红色开始，继续橙色，黄色，绿色，蓝色，靛蓝和紫色，然后再次返回红色。从这个可视化中，我们可以看到公共汽车从西部的机场行驶到东部的市中心，但不知道这段旅程发生在白天（或晚上）见图6。一个可视化的机场巴士路线显示巴士的路线从爱丁堡机场在西至爱丁堡市中心。该可视化表示从机场到市中心的一辆巴士的AVL数据样本。 点上的颜色使我们能够确定方向的旅程。为了让我们更清楚地看到旅程，有时通过在数据点之间进行插值来更详细地填充路线是有帮助的。图7给出了这样的插值。根据这种插值的使用情况，如图7所示，由“偷工减料”引入的测量误差最后，图8显示了AVL数据的时间序列。在这个视图中，纬度和经度是相对于时间单独绘制的。这样做的好处是，我们可以看到巴士旅行发生的时间，并确定长时间静止的位置，这在地图视图中更难看到。与此相反，我们对城市中公交车位置的直觉36S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31见图7。一些简单的插值计算，但天真。这些插值点的位置表明，公共汽车从东菲尔德路到格拉斯哥路的过渡是通过驾驶穿过一个场地，而不是像它当然做的那样，通过环岛和支路连接时间点丢失了，因为我们已经远离了地图视图。因此，这一观点是对我们已经看到的其他观点的补充，并为我们提供了对数据的补充理解，而不是取代我们已经看到的观点见图8。从机场到市中心的一辆公共汽车的样本AVL数据，呈现为时间序列。当经度和纬度都没有变化时，公共汽车是静止的，如图中的12：13和12：25之间。静止点在55 ° 57 ′ 05。北纬5 ′′，东经3 ° 11 ′ 30。3′′ W是爱丁堡市中心威弗利桥（Waverley Bridge）上的Airlink巴士站。对数据的不同看法给了我们不同的见解，但集体行为的识别在事件不依赖于但是对于长期的行为，或者从一系列观察中获得的总体测量，那么表示单个个体轨迹就没有什么意义了。更深刻的见解来自于对个人行为的汇总，以寻找趋势和模式。2.2集体系统如果我们希望了解Airlink巴士路线的拓扑结构，以确定它如何以及在哪里转弯，以便执行回程，那么这种集体视图比我们之前看到的个人视图更有帮助如果S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3137我们简单地绘制出我们所给出的公共汽车位置的所有观测值，如图9所示，然后在没有插值或近似的情况下绘制出路线（直到可用的GPS数据的分辨率图第九章11辆公交车两天的经纬度数据在此视图中可以看到与计划路线的偏差。在这种情况下，可以确定一些道路相对不频繁地行驶（在这种情况下，每天一次，从公共汽车站到路线的起点的行程，以及每天一次，从路线的终点到公共汽车站的夜间行程）。由于难以预测的事件，例如交通事故、车辆故障或甚至极端天气条件的情况，这些偏离也将显示在该视图中，只要偏离路线足够长，在偏离期间记录公共汽车的位置。另一个长期的数据集合视图是热图， 我们来确定在城市公共汽车花费大部分时间（通过注意更多的观察在这个地区比其他地区检测）。为了实现这一点，我们在城市地图上放置一个规则的网格，网格中的每个方格都有一个计数器。每当我们看到GPS测量结果将一辆公共汽车放置在这个正方形中时，我们就递增计数器，直到每平方格100个观测值的上限。将这些数字映射到色谱中，我们看到更频繁占用的正方形将显示为比较少占用的正方形更热。这可能会证实（或反驳）我们对沿途延误发生地点的预期。图10显示了我们的数据的这样一个视图由此我们可以看出，路线中最不频繁行驶的部分是前往安南代尔街（右上角）的车厂的旅程，因为38S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31在该区域中对公共汽车的观测非常少：在两天的时间段内对每辆公共汽车只有一次或两我们还可以推断，路线是在格拉斯哥路通往机场（在左下角）。这里的观测比车站的观测要多，而且这里的路线没有可能的分支，所以在这个区域的观测必须来自这里行驶得更快的公共汽车图10. 两天11辆公交车的热图数据3隔离数据GPS数据可能包含遗漏误差和包含误差。图11演示了这两种情况。GPS数据错过了对市场街的观测，因为这条街落在土丘上高层建筑的GPS阴影下，从王子街向上攀登的一座陡峭的小山。这在图11的底部靠近中心的地方可以看到，在市场街上没有数据点，直到与Cockburn街和Waverley桥的环形交叉路口。图11还包含虚假数据点，这些数据点似乎是由Waverley Bridge和AnnandaleStreet上的Lothian Buses车库之间的观测插值生成的（请注意，这些是公交公司提供给我们的报告数据点，而不是我们在图7中介绍的插值数据点）。这些在地图上表现为一条直线，插入点穿过约克广场和东伦敦街，没有明显的道路布局。与这些数据点相关联的时间戳要么都是从清晨（04：30）服务开始，要么都是从晚上（23：55）服务结束。因此，我们认为这些数据点是GPS跟踪硬件冷启动或断电一旦识别和隔离，错误的GPS数据可以使用GPS轨迹编辑器（如GPSprune [2]）删除，如图12所示。应用表明S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3139见图11。空中巴士的GPS数据显示王子街，韦弗利站和洛锡安巴士车库在安南代尔街。导出GPS轨迹的统计数据，以及在地图视图中显示轨迹，并将路线上的位置与其高度相关联。使用此工具，我们可以方便地消除错误的清晨和深夜插值数据点。这是一个手动编辑过程，但它变得更加方便，因为我们可以在标准地图视图中查看上下文中的数据点。我们可以用几何方法定义一个区域，然后消去该区域内的所有点。一旦这个过程完成，我们就得到了一个干净的数据集，其中我们可以识别的所有错误数据都已被消除，使我们能够继续考虑感兴趣的性能和以前一样，我们使用可视化来帮助我们更深入地了解数据。40S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31图12个。 正在GPSprune应用程序中编辑GPS数据图13岁11辆公交车一小时的平均经度数据4可视化进展为了使我们能够接近基于车头时距的度量的计算，我们可以开始查看服务于Airlink巴士路线的11辆巴士的集合。将注意力集中在11：30到12：30之间的一个小时内，并仅考虑经度数据作为路线进展的代表（因为从市中心到机场的旅程大多是大致由东向西），我们可以从图13中获得连续巴士之间的时间间隔观察在两天的不同粒度上服务于Airlink路线的相同的11辆巴士，出现了不同的模式。从图14中我们开始了解到，当这些公共汽车存放在车库中时，这些公共汽车在车队中的服务天数被通宵缺席服务所请注意，从公布的时间表信息来看，巴士运营应遵循昼夜模式并不明显。Airlink巴士服务每天24小时运营，原则上，任何来自机场的巴士都可以在以下任何时间使用：S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3141图14个。11辆巴士两天的平均经度数据图15.两天内950号巴士的平均经纬度数据。在第二天中午不上班的时候，这辆公共汽车停在安南代尔街的洛锡安公共汽车车库里。天实际上，一组巴士用于白天服务，另一组用于夜间服务。在计算车头时距时，了解总线是否在服务中是数据清理与非服务中的巴士广泛分离远不如与服务中的巴士广泛分离重要。只有当我们欣赏昼夜模式时，我们才能注意到没有遵循模式的公共汽车。在图15中，将950号巴士的数据隔离在队列中，我们可以看到它没有遵循既定的模式，因为它的第二天服务被一次缺席（大约从09：30到16：00）打断(We可以分别42S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31图16.时间序列运行的平均距离在937和938，939，941，943，944和945之间。这辆公共汽车被带到车库，原因不明，例如对车辆进行某种机械修理，或者可能是例行服务。4.1服务实例作为将车头时距视为时间间隔的替代方案，我们可以将车头时距视为路线上的间隔，或者至少是GPS位置上的间隔。我们使用半正矢函数来计算一辆公共汽车与另一辆公共汽车的空间距离，由它们的纬度和经度确定，给出它们的大圆距离，这在导航和球面三角学中是常用的在图16中，我们以英里为单位显示了从937号彗星到地球的半正矢距离S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3143作为三天观测数据的时间函数。这样做的好处是提供了一个相对巴士运动的简洁总结。我们可以看到，对于所提供的三天数据中的每一天，937号公共汽车在很长一段时间内都不接近其他公共汽车。在每一天，它移动接近和远离其他巴士，因为他们使他们的旅程，从机场。在我们观察的第二天，离937号彗星最近的公共汽车是945号彗星，它离937号彗星很少超过三尽管如此，即使在这种情况下，我们也可以看到公共汽车并没有“聚集”，因为两辆公共汽车之间的相对距离全天在零到三英里之间振荡。虽然半正矢距离具有相对容易计算的优点，但它并不是用来真正计算公交车之间距离的理想距离度量。首先，它不考虑道路布局和路线，并会一直低估巴士之间的距离，因为它计算的距离“作为乌鸦的乌鸦”。 第二，它不考虑行进方向考虑：两辆彼此靠近但位于道路两侧的公共汽车将被报告为靠近，而在语义上，它们可能相距几英里。最后，由于路线上速度限制的变化，相同的距离表示路线不同部分的不同时间间隔一个更相关的距离度量将是时间位移，询问这种时间间隔对于系统的乘客来说更重要，因为公交车到达之间的规则时间间隔降低了乘客不幸的是，考虑到道路布局、路线、行驶方向和时间间隔的这些更重要的语义距离测量比简单的半正矢距离更难以计算。对于运行良好的服务，我们希望看到的总体结果是时空分离，根据一些相关的语义定义，公共汽车在很长一段时间内不经常靠近彼此。这样的度量标准有一些优点。它允许对服务提供方面的问题进行合理调整（例如，在某些情况下，公共汽车可以在很长一段时间内靠近其他公共汽车，这是可能发生的）。然而，这并非监管机构在此情况下定义的指标之一5基于车头时距 服务级别协议我们现在考虑由苏格兰政府公布的监管机构为服务确定的服务水平协议。首先，监管机构确定了两类巴士服务：频繁和非频繁。频繁的公共汽车至少每10分钟一班。我们在这份文件中所关注的只是频繁的服务。Airlink巴士服务是一种频繁的服务，在04：00至午夜之间至少每十分钟频繁服务的一个关键特征是，监管机构主要关心的不是时间表的遵守，而是公交车之间的时间量。44S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31到达-进展。我们专注于苏格兰政府的巴士准时改善伙伴关系指导文件[3]中确定的三个常用服务准时指标中的两个;所有三个指标均与车头时距有关(i) 在95%的情况下，6辆或以上的巴士(ii) 从起点出发的连续巴士之间的间隔将在95%的情况下不超过15分钟其中第一项是对发车频率的要求，第二项规定了巴士之间的最大允许间隔这些服务级别协议本身就是关于集体责任的声明。它们并没有规定服务的特定个体实例必须是正确的，但是，作为一个观察集合，这个集合的很大一部分（在本例中是95%）必须符合规定。守时对监管机构来说很重要，但对乘客来说也很重要。准时性的重要性是这样的，已经观察到，准时性下降对乘客满意度的负面影响可以超过每天出发次数增加的积极影响[4]。5.1确定服务级别协议通过可视化，我们已经能够探索可用数据的各个方面，并调查需要解决的数据问题，但频率和车头时距的最重要的集体系统指标尚未得到充分探索。一个建模工具，如Traviando [5]允许我们处理跟踪数据，并计算跟踪上的感兴趣的措施。Traviando的主要目的是充当事后仿真跟踪调试器，通过输出跟踪的统计、结构、基于不变量和模型检查分析来诊断仿真模型的问题。然而，由于Traviando使用定时跟踪输出，因此即使在构建仿真模型之前，也可以在测量数据（例如我们的公交车位置的GPS观测时间序列）上调用它。图17显示了以这种方式获得的车头时距观测值该时间序列的线性回归集中在476.13秒，约为8分钟，并且小于监管机构要求的连续总线之间的15分钟间隔此外，我们在图17中观察到，超过15分钟（900秒）的车头时距很少被观察到，在这种情况下，90次观察中只有一次我们定义了一个有限状态过程，将发车数据转换为一种形式，在这种形式下，我们可以计算出每小时至少有六辆公交车发车的频率这个过程代表了一个健忘的观察者，他计算了离开次数，但是忘记了一个多小时前发生的离开，如图18所示。也就是说，观察者注意到公共汽车每次从S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3145图十七岁使用Traviando作为时间间隔绘制的车头时距观测值图18. 观察员在计算离港航班时，应注意离港航班的时间，并忘记离港航班，超过1小时（t+1h）。记录行程开始的时间，并记录此事件发生的时间在观察到任何离境后一小时这个过程这个过程允许我们跟踪与公交车发车相关的频率度量，如图19所示，使用Traviando绘制了计数器值-事件跟踪。在白天，观测值介于6（最小允许值）和10之间。第二天的低时段对应于950号公共汽车在车库的时间。在这个视图中，时间被抽象出来，尽管事件的相对顺序被保持。这决定了上述第（i）条在本观察期内已得到满足6仿真模型图18中的健忘观察者自动机为我们提供了一个过程的概念模型，我们使用它来记录（并忘记）发车，以计算每小时6辆公交车的度量。然而，为了更深入地分析该系统，我们需要开发一种模拟算法，并生成轨迹，以估计沿路线每小时发车的公交车数量的概率分布模拟算法对于路线上的每个出发点都是相同的，只是46S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31图19. 从George Street的数据中获得的过去一小时内公交车的频率度量汽车站改变算法的数值参数以在公共汽车站之间区分我们的目标是模拟Z-过程，记录（并忘记）离开事件.仿真算法在算法1中给出，runZ仿真算法。 该算法的目标是产生模拟轨迹X时间变量t的（t，z）个观测值和每小时偏离计数变量z。此外，该算法计算整数k的概率分布πk，给出每小时有k次runZ模拟算法在时间上向前模拟事件。离开事件可能发生在一天八小时的过程中。在此时间之后，不会发生其他的离开，并且z计数器的唯一变化将是递减，以反映一小时前发生的离开该算法由事件列表指导，由变量L0和L1给出。 L0是下一个离开事件的时间。L1是最早记录的出发时间应该被遗忘的时间。根据这些时间的相对值• 如果L03600μL0∞，则<11：τz：= τz+ L0 t;12：t：= t+ L0 t;13：如果结束14：z：=z+ 1;t：=L0;prev：=;d递增z以记录偏离15：随机：=σ<$· Φ1（random（））;16：如果3600μL0∞，则<28：τz：= τz+ L1t;29：t：=t+L1t;30：如果结束31：z：= z1; t：= L1;d减小z以忘记偏离32：如果D=0，则33：L1：=∞;d没有要忘记的34：其他35：L1= minD;D：=D\{L1};选择第一次的离开去忘记36：如果结束37：如果结束38：X：=X<${（t，z）};d记录时间t时z的值第39章：结束四十： n∈N：πk：=τk;41：return（πk）k∈N，X48S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31在动物园站，以及在乔治街站的范围{6， 7， 8， 9， 10}内。显然，随着巴士沿着从机场到动物园再到乔治街的路线行驶，过程的方差会增加。图20. 每小时10个样本运行的出发站的空中连接路线。图21显示了Z过程在机场、动物园和乔治街公交车站的概率分布πk正如我们预期的那样，这些分布反映了服务的方差沿着路线增加的行为，正如其他人在其他背景下对其他公交路线所观察到的那样。然而，每小时发车少于六次的问题情况在路线沿线的所有公共汽车站的概率是可以忽略的7相关工作所提出的数据分析和可视化方法已在最近的几篇论文中使用。在[6]中，使用模型检查工具Traviando对通过刮取爱丁堡S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）3149见图21。基于使用runZ算法模拟的一天，对Airlink航线上停靠的每小时起飞的概率估计。Bus Tracker网站在[7]中，本文的AVL数据集被用来获得爱丁堡市中心土地斑块的公交车逗留时间分布，然后用于进行 在 [8]，使用相同的AVL数据集，根据第5节中讨论的服务水平协议，使用了几种统计分析技术来评估爱丁堡的几种频繁服务（包括Airlink）8结论与高级模型的结果相比，测量数据具有巨大的权威性。它充满了细节和怪癖，似乎代表了物理真理，但正如我们在上面的例子中看到的那样，它不是全部真理，它不是什么都没有，而是50S. Gilmore，D.Reijsbergen/Electronic Notes in Theoretical Computer Science 318（2015）31真相根据我们迄今为止在QUANTICOL项目中处理数据的经验，我们总是需要在任何自动化处理开始之前使用人类智能来清理数据。只有当对其他数据点进行解释我们在这个例子中看到的是，在任何反射和相应的适应发生之前，通过以一系列方式处理数据，我们的理解得到了增强。此外，还有复杂的基于集体斗争的性能指标需要满足，这甚至需要我们的一些独创性来计算。在某些方面，我们的智能交通案例研究相对容易使用。 数据是现成的，纬度和经度数据相对容易解释和可视化，使我们能够看到数据中的问题并应用数据清理。我们对公共汽车和交通有直觉，对实际发生的事情有当地的知识。此外，我们还可以接触到洛锡安巴士公司实际操作该系统的人员。 我们可以问他们，他们所关心的问题是什么。我们有可能对公司的做法产生一些影响，即使只是轻微的影响。 基于根据我们的计算和更详细的推理[8]，我们认为洛锡安巴士目前符合Tra Bucc专员在未来，我们希望使用类似于图10中的热图来自动学习公交路线，使用[9]中描述的算法的变体使用图形式的路线表示，我们将能够通过删除距离路线边缘这将使我们能够自动化数据过滤过程，目前主要是手动完成确认这项工作得到了欧盟项目QUANTICOL的支持：集体和适应性行为的管理和设计的定量方法，600708。作者感谢洛锡安巴士的比尔约翰斯顿和城市的斯图尔特洛瑞爱丁堡市议会提供访问用于案例研究的数据。我们还要感谢Allan Clark对本文件草稿提出的有益意见。