Origin-destination travel demand matrix is the signature of travel dynamics in transportation networks. Many fundamental analyses of transportation systems rely on the origin–destination demand matrix of the network. Although extraction of origin–destination travel demand for public transportation networks from ticketing data is not a new problem, yet it entails challenges, such as ‘alighting transaction inference’ and ‘transfer identification’ which are worthy of further attention. This is mainly because the state-of-the-art solutions to these challenges, are often heavily reliant on network-specific expert knowledge and extensive parameter setting, or multiple data sources. In this paper, we propose a procedure that effectively applies statistical pattern recognition techniques to address the main challenges in extracting the origin–destination demand from passenger smartcard records. Learning from patterns in the available data allows the procedure to perform well under minimum case-specific assumptions, thus it becomes applicable to smartcard data from various public transportation systems. The performance of the proposed framework is tested on a dataset of over 100 million smartcard transaction records from Melbourne’s multi-modal public transportation network. Evaluations on different aspects of the proposed procedure, suggest that the identified tasks are well addressed, and the framework is able to extract an accurate estimation of the origin–destination demand matrix for the system.

出发地-目的地旅行需求矩阵是交通网络中旅行动态的特征。交通系统的许多基本分析依赖于网络的起点-终点需求矩阵。尽管从票务数据中提取公共交通网络的起点-终点出行需求并不是一个新问题，但它带来了挑战，例如“下车交易推理”和“转移识别”，值得进一步关注。这主要是因为针对这些挑战的最先进的解决方案通常严重依赖于特定于网络的专家知识和广泛的参数设置或多个数据源。在本文中，我们提出了一个程序，可以有效地应用统计模式识别技术来解决从乘客智能卡记录中提取出发地-目的地需求的主要挑战。从可用数据中的模式中学习允许该程序在最小特定案例假设下良好执行，因此它适用于来自各种公共交通系统的智能卡数据。所提出框架的性能在来自墨尔本多模式公共交通网络的超过 1 亿条智能卡交易记录的数据集上进行了测试。对拟议程序的不同方面的评估表明，确定的任务得到了很好的解决，并且该框架能够准确估计系统的起点-终点需求矩阵。从可用数据中的模式中学习允许该程序在最小特定案例假设下良好执行，因此它适用于来自各种公共交通系统的智能卡数据。所提出框架的性能在来自墨尔本多模式公共交通网络的超过 1 亿条智能卡交易记录的数据集上进行了测试。对拟议程序的不同方面的评估表明，确定的任务得到了很好的解决，并且该框架能够准确估计系统的起点-终点需求矩阵。从可用数据中的模式中学习允许该程序在最小特定案例假设下良好执行，因此它适用于来自各种公共交通系统的智能卡数据。所提出框架的性能在来自墨尔本多模式公共交通网络的超过 1 亿条智能卡交易记录的数据集上进行了测试。对拟议程序的不同方面的评估表明，确定的任务得到了很好的解决，并且该框架能够准确估计系统的起点-终点需求矩阵。所提出框架的性能在来自墨尔本多模式公共交通网络的超过 1 亿条智能卡交易记录的数据集上进行了测试。对拟议程序的不同方面的评估表明，确定的任务得到了很好的解决，并且该框架能够准确估计系统的起点-终点需求矩阵。所提出框架的性能在来自墨尔本多模式公共交通网络的超过 1 亿条智能卡交易记录的数据集上进行了测试。对拟议程序的不同方面的评估表明，确定的任务得到了很好的解决，并且该框架能够准确估计系统的起点-终点需求矩阵。