CN103729560A - 一种基于时空特征的乘客检测分析方法及系统 - Google Patents
一种基于时空特征的乘客检测分析方法及系统 Download PDFInfo
- Publication number
- CN103729560A CN103729560A CN201310750210.8A CN201310750210A CN103729560A CN 103729560 A CN103729560 A CN 103729560A CN 201310750210 A CN201310750210 A CN 201310750210A CN 103729560 A CN103729560 A CN 103729560A
- Authority
- CN
- China
- Prior art keywords
- passenger
- time
- bus
- riding
- passengers
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于通信领域,提供了一种基于时空特征的乘客检测分析方法,包括:依次从所有乘客的乘车记录中读取一位乘客的乘车记录;根据乘客的乘车记录计算乘客的乘车特征组中的多个特征数据;判断乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;若是,则标记乘客为物流乘客;判断所有乘客是否都标记处理完;若是,则将所有标记的乘客进行归类统计;将归类统计后的最终结果发送给车站管理系统;根据归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。本发明还提供了一种基于时空特征的乘客检测分析系统。本发明所提供的基于时空特征的乘客检测分析方法及系统能极大的提高车站疏导乘客流的效率。
Description
技术领域
本发明涉及通信领域,尤其涉及一种基于时空特征的乘客检测分析方法及系统。
背景技术
由于智能卡的方便性、快捷性、成本低等优点,智能卡在我们生活中几乎无处不在,例如:金融、医疗、交通、校园等。智能卡作为一种公共交通付费手段已经广泛应用于城市公共交通例如公交、地铁、停车场等,与传统的付费方式(例如人工售票和现金支付)以及传统的乘客行为分析(例如人工调查)相比,使用智能卡付费已经带来了非常明显的方便性和优势,例如使用智能卡可以提高上下车效率,减小数据收集和调查成本。因选择交通智能卡省钱、便捷等特点,现在选择刷智能卡作为公共交通出行付款方式的乘客也日益增多,乘客的交易数据也愈发完整和准确。
但是,目前交通智能卡也仅仅作为一种公共交通刷卡付费的应用,缺少通过对交通智能卡收集到的丰富的乘客消费数据的分析,缺少通过分析交通智能卡的乘客消费数据以挖掘市民生活特征及规律,尤其缺少在当地铁或者车站存在大批量的客流时,如何通过分析交通智能卡的乘客消费数据对大批量的客流进行及时、有效、快速的分流管理。
因此,亟需设计一种基于时空特征的乘客检测分析方法及系统,从而可以实现在出现大批量客流时能及时、有效、快速的分流管理。
发明内容
有鉴于此,本发明实施例的目的在于提供一种基于时空特征的乘客检测分析方法及系统,旨在解决现有技术中在出现大批量客流时分流管理的效率较低的问题。
本发明实施例是这样实现的,一种基于时空特征的乘客检测分析方法,包括:
依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
判断所有乘客是否都标记处理完;
若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
将归类统计后的最终结果发送给车站管理系统;
根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
优选的,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
优选的,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
优选的,在所述判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一的步骤之后,所述方法还包括:
若不满足物流乘客的六个特征之一,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
优选的,在所述判断所有乘客是否都标记处理完的步骤之后,所述方法还包括:
若所有乘客没有标记处理完,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
另一方面,本发明还提供一种基于时空特征的乘客检测分析系统,包括:
读取模块,用于依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
计算模块,用于根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
第一判断模块,用于判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
标记模块,用于若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
第二判断模块,用于判断所有乘客是否都标记处理完;
归类统计模块,用于若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
发送模块,用于将归类统计后的最终结果发送给车站管理系统;
调整模块,用于根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
优选的,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
优选的,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
优选的,所述读取模块,还用于若不满足物流乘客的六个特征之一,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
优选的,所述读取模块,还用于若所有乘客没有标记处理完,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
在本发明实施例中,本发明提供的技术方案,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
附图说明
图1为本发明一实施方式中基于时空特征的乘客检测分析方法流程图;
图2为本发明一实施方式中基于时空特征的乘客检测分析系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下给出几个后面内容中经常用到的一些概念的定义:
OD时间矩阵:其中O为起点(original),D为终点(destination),时间为从O出发到达D正常情况下所花费的平均时间,由于地铁本身的属性,及时、可靠、不受天气等外界因素所影响,这个时间可以估算;
完全规律天:针对某类时空规律乘客,如果某天乘客在高峰规律时段(即针对此乘客的高峰时段)都有乘车记录且符合空间规律特征,则这天为完全规律天,例如第二类时空规律乘客,通过统计分析,乘客有两个高峰规律时段,但是某天YYYY-MM-DD只在第一个高峰规律时段有乘车记录但在第二个乘车时段没有乘车记录,则这一天不属于完全规律天,两个高峰规律时段都有乘车记录的才属于完全规律天;
完全规律天数:在测试的时间内,完全规律的天数;
OD时间异常次数:某乘客在测试时间内,某趟乘车花费的时间远远大于正常情况下所花费时间的次数,通过将某趟乘车时间与OD矩阵所对应的乘车时间比较,如果大于某个阈值,则为不正常;
OD时间异常天数:某乘客在测试时间内,某趟乘车花费的时间远远大于正常情况下所花费时间的天数;
平均乘车次数:在完全规律天中所乘车的次数总和与完全规律天数的比值;
平均每趟乘车时间:在完全规律天中所乘车的总时间与在完全规律天中所乘车的总次数的比值;
出入站点相同但乘车时间异常的次数:乘客在同一站进出且乘车时间大于某个阈值的次数;
出入站点相同但乘车时间异常的天数:乘客在同一站进出且乘车时间大于某个阈值的天数。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明具体实施方式提供了一种基于时空特征的乘客检测分析方法,主要包括如下步骤:
S11、依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
S12、根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
S13、判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
S14、若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
S15、判断所有乘客是否都标记处理完;
S16、若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
S17、将归类统计后的最终结果发送给车站管理系统;
S18、根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
本发明所提供的一种基于时空特征的乘客检测分析方法,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
以下将对本发明所提供的一种基于时空特征的乘客检测分析方法进行详细说明。
请参阅图1,为本发明一实施方式中基于时空特征的乘客检测分析方法流程图。
在步骤S11中,依次从所有乘客的乘车记录中读取一位乘客的乘车记录。
在本实施方式中,OD时间矩阵计算是判断乘客乘车时间异常的一个关键判断依据,通过将乘客的乘车时间与OD时间矩阵所对应的乘车时间做比较,来判断乘客乘车是否有异常。通常,OD时间矩阵可以由两种方法得到:(1)通过地铁的到站时间表推算,由于地铁的特性,快捷、及时、不受天气等外界因素的影响,所以两站之间的乘车时间的浮动区间一般比较小,所以通过这种方法获得的值的误差比较小,也比较准确。OD时间=推算得到的值+等车+进出站所花费的时间。等车、进出站所花费的时间本发明给出一个固定值,如果需要更精确,可以结合各个站的地理特征等因素;(2)通过乘客乘车的交易记录,计算从入站到出站平均所用的时间,作为两站之间的乘车时间。
在本实施方式中,通过地铁营运时间表,推算OD时间矩阵M1,这个包括需要换乘的和不需要换乘两种情况,例如:AB=AC+CD+DA,表示乘客从A站到B站,需要先从A站到C站,再从C站换乘另一条线到D站,再从D站换乘到B站,从A到B所用的时间T(AB)=T(AC)+T(CD)+T(DA)+3*Tfix,其中3为换乘的次数,Tfix为一个定值时间,用来表示等车时间+进出站所花费的时间。
在本实施方式中,使用乘客的乘车记录计算两站之间的平均时间,得到OD平均时间矩阵M2,通过对所有进站相同,出站相同的乘车记录聚类,记录次数和总时间,从而求出平均乘车时间。
在本实施方式中,通过以上两种方法得到的矩阵M1和M2,并将矩阵M1和M2做比较,将OD时间存在较大误差的OD归为异常OD,差异较小的OD归为非异常OD。
在本实施方式中,对异常OD簇中所有的乘车记录做进一步分析发现这些乘车记录在时间和空间上有一个共同属性,在时间上的异常表现在:在O进站D出站的乘客中,有相当大一部分乘客在乘车时间上存在异常,即:从O进站从D出站所花费的时间远大于正常情况下所花费的时间。在空间上的异常表现在:大部分OD中O和D是同一站的,将此时空特性作为异常乘客特征分析的依据。存在此时空异常行为的乘客可能是从事物流行业相关的人员,之所以存在这种现象,长时间不出站的情况是因为站点出口处有同行的人接应,即有一部分物流人员在站内做运输,站点外也有一部分人负责从站内同行那里接到的东西送到目的地,从同一站进出和地铁的收费标准有关。这些特征的发现也为后期物流行业的乘客或其他类型行业的乘客的检测提供了依据。
在本实施方式中,利用边缘簇特征分析算法,通过比较边缘簇在时空特征上的相似性以及属性之间的关联性得到边缘簇的时空特征,并将这些时空特征和实际物流乘客的时空特征做比较,最终进一步证实了物流乘客的一些共性,边缘簇特征分析算法把分析的乘客局限于时空规律的乘客中边缘乘客来分析物流人员的特性,是为了将数据更贴近物流人员的时空特性,之所以空间规律,是因为大部分的物流公司对物流人员所服务的区域做了划分,所以乘车的空间比较规律,由于物流工作本身的属性,每天乘车的次数比其他职业的人员要更多,所以对时间规律峰值比较多的乘客做分析。
在本实施方式中,边缘簇特征分析算法具体包括如下步骤:将按规律峰值时段的数量对时空规律乘客聚类,最终将时空规律乘客做聚类,并按聚类后类的大小将类划分为边缘类和非边缘类;然后依次从边缘类中取出一位乘客的乘车记录(即经过预处理后的结果),计算乘客完全规律天数,OD时间异常次数,OD时间异常天数,平均乘车次数,平均每趟乘车时间,出入站点相同但乘车时间异常的次数,出入站点相同但乘车时间异常的天数;直到边缘类中的所有乘客都处理完才进入下一步;然后对OD时间异常次数,OD时间异常天数,平均乘车次数,平均每趟乘车时间,出入站点相同但乘车时间异常的次数,出入站点相同但乘车时间异常的天数分别做统计;最后根据所有处理完的结果进行统计,分析属性特征以及属性之间的关联性,最终得到物流乘客的特征属性。
在步骤S12中,根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据。
在本实施方式中,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
在步骤S13中,判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一。
在本实施方式中,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
在本实施方式中,判断步骤S12中计算的值是否满足物流乘客的六种特征时,一般用六个布尔值C[6]表示这六个特征,例如C[6]的值为{1,0,0,1,0,1},表示乘客满足第一条和第四条和最后一条的要求,如果至少满足一条要求,则将次乘客标识为物流行业人员相关乘客,否则标识为非物流相关乘客。
在步骤S14中,若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客。
在步骤S15中,判断所有乘客是否都标记处理完。
在步骤S16中,若所有乘客都标记处理完,则将所有标记的乘客进行归类统计。
在步骤S17中,将归类统计后的最终结果发送给车站管理系统。
在步骤S18中,根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。在本实施方式中,这种通过将乘客进行检测、分析、标记、统计等步骤后,可以为后续对乘客的分类疏通调整管理提供参考依据。
在本实施方式中,在所述判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一的步骤S13之后,或者在所述判断所有乘客是否都标记处理完的步骤S15之后,所述方法还包括步骤S19即:从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
本发明所提供的一种基于时空特征的乘客检测分析方法,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
本发明具体实施方式还提供一种基于时空特征的乘客检测分析系统10,主要包括:
读取模块101,用于依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
计算模块102,用于根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
第一判断模块103,用于判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
标记模块104,用于若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
第二判断模块105,用于判断所有乘客是否都标记处理完;
归类统计模块106,用于若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
发送模块107,用于将归类统计后的最终结果发送给车站管理系统;
调整模块108,用于根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
本发明所提供的一种基于时空特征的乘客检测分析系统10,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
以下将对本发明所提供的一种基于时空特征的乘客检测分析系统10进行详细说明。
请参阅图2,所示为本发明一实施方式中基于时空特征的乘客检测分析系统10的结构示意图。在本实施方式中,基于时空特征的乘客检测分析系统10包括读取模块101、计算模块102、第一判断模块103、标记模块104、第二判断模块105、归类统计模块106、发送模块107以及调整模块108。
读取模块101,用于依次从所有乘客的乘车记录中读取一位乘客的乘车记录。
在本实施方式中,OD时间矩阵计算是判断乘客乘车时间异常的一个关键判断依据,通过将乘客的乘车时间与OD时间矩阵所对应的乘车时间做比较,来判断乘客乘车是否有异常。通常,OD时间矩阵可以由两种方法得到:(1)通过地铁的到站时间表推算,由于地铁的特性,快捷、及时、不受天气等外界因素的影响,所以两站之间的乘车时间的浮动区间一般比较小,所以通过这种方法获得的值的误差比较小,也比较准确。OD时间=推算得到的值+等车+进出站所花费的时间。等车、进出站所花费的时间本发明给出一个固定值,如果需要更精确,可以结合各个站的地理特征等因素;(2)通过乘客乘车的交易记录,计算从入站到出站平均所用的时间,作为两站之间的乘车时间。
在本实施方式中,通过地铁营运时间表,推算OD时间矩阵M1,这个包括需要换乘的和不需要换乘两种情况,例如:AB=AC+CD+DA,表示乘客从A站到B站,需要先从A站到C站,再从C站换乘另一条线到D站,再从D站换乘到B站,从A到B所用的时间T(AB)=T(AC)+T(CD)+T(DA)+3*Tfix,其中3为换乘的次数,Tfix为一个定值时间,用来表示等车时间+进出站所花费的时间。
在本实施方式中,使用乘客的乘车记录计算两站之间的平均时间,得到OD平均时间矩阵M2,通过对所有进站相同,出站相同的乘车记录聚类,记录次数和总时间,从而求出平均乘车时间。
在本实施方式中,通过以上两种方法得到的矩阵M1和M2,并将矩阵M1和M2做比较,将OD时间存在较大误差的OD归为异常OD,差异较小的OD归为非异常OD。
在本实施方式中,对异常OD簇中所有的乘车记录做进一步分析发现这些乘车记录在时间和空间上有一个共同属性,在时间上的异常表现在:在O进站D出站的乘客中,有相当大一部分乘客在乘车时间上存在异常,即:从O进站从D出站所花费的时间远大于正常情况下所花费的时间。在空间上的异常表现在:大部分OD中O和D是同一站的,将此时空特性作为异常乘客特征分析的依据。存在此时空异常行为的乘客可能是从事物流行业相关的人员,之所以存在这种现象,长时间不出站的情况是因为站点出口处有同行的人接应,即有一部分物流人员在站内做运输,站点外也有一部分人负责从站内同行那里接到的东西送到目的地,从同一站进出和地铁的收费标准有关。这些特征的发现也为后期物流行业的乘客或其他类型行业的乘客的检测提供了依据。
在本实施方式中,利用边缘簇特征分析算法,通过比较边缘簇在时空特征上的相似性以及属性之间的关联性得到边缘簇的时空特征,并将这些时空特征和实际物流乘客的时空特征做比较,最终进一步证实了物流乘客的一些共性,边缘簇特征分析算法把分析的乘客局限于时空规律的乘客中边缘乘客来分析物流人员的特性,是为了将数据更贴近物流人员的时空特性,之所以空间规律,是因为大部分的物流公司对物流人员所服务的区域做了划分,所以乘车的空间比较规律,由于物流工作本身的属性,每天乘车的次数比其他职业的人员要更多,所以对时间规律峰值比较多的乘客做分析。
在本实施方式中,边缘簇特征分析算法具体包括如下步骤:将按规律峰值时段的数量对时空规律乘客聚类,最终将时空规律乘客做聚类,并按聚类后类的大小将类划分为边缘类和非边缘类;然后依次从边缘类中取出一位乘客的乘车记录(即经过预处理后的结果),计算乘客完全规律天数,OD时间异常次数,OD时间异常天数,平均乘车次数,平均每趟乘车时间,出入站点相同但乘车时间异常的次数,出入站点相同但乘车时间异常的天数;直到边缘类中的所有乘客都处理完才进入下一步;然后对OD时间异常次数,OD时间异常天数,平均乘车次数,平均每趟乘车时间,出入站点相同但乘车时间异常的次数,出入站点相同但乘车时间异常的天数分别做统计;最后根据所有处理完的结果进行统计,分析属性特征以及属性之间的关联性,最终得到物流乘客的特征属性。
计算模块102,用于根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据。
在本实施方式中,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
第一判断模块103,用于判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一。
在本实施方式中,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
在本实施方式中,第一判断模块103判断计算的值是否满足物流乘客的六种特征时,一般用六个个布尔值C[6]表示这六个特征,例如C[6]的值为{1,0,0,1,0,1},表示乘客满足第一条和第四条和最后一条的要求,如果至少满足一条要求,则将次乘客标识为物流行业人员相关乘客,否则标识为非物流相关乘客。
标记模块104,用于若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客。
第二判断模块105,用于判断所有乘客是否都标记处理完。
归类统计模块106,用于若所有乘客都标记处理完,则将所有标记的乘客进行归类统计。
发送模块107,用于将归类统计后的最终结果发送给车站管理系统。
调整模块108,用于根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。在本实施方式中,这种通过将乘客进行检测、分析、标记、统计等处理后,可以为后续对乘客的分类疏通调整管理提供参考依据。
在本实施方式中,读取模块101,还用于若不满足物流乘客的六个特征之一,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
在本实施方式中,读取模块101,还用于若所有乘客没有标记处理完,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
本发明所提供的一种基于时空特征的乘客检测分析系统10,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
在本发明实施例中,本发明提供的技术方案,通过分析交通智能卡的乘客消费数据,能实现对大批量的客流进行及时、有效、快速的分流管理。
值得注意的是,上述实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空特征的乘客检测分析方法,其特征在于,所述方法包括:
依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
判断所有乘客是否都标记处理完;
若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
将归类统计后的最终结果发送给车站管理系统;
根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
2.如权利要求1所述的基于时空特征的乘客检测分析方法,其特征在于,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
3.如权利要求1所述的基于时空特征的乘客检测分析方法,其特征在于,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
4.如权利要求1所述的基于时空特征的乘客检测分析方法,其特征在于,在所述判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一的步骤之后,所述方法还包括:
若不满足物流乘客的六个特征之一,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
5.如权利要求1所述的基于时空特征的乘客检测分析方法,其特征在于,在所述判断所有乘客是否都标记处理完的步骤之后,所述方法还包括:
若所有乘客没有标记处理完,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
6.一种基于时空特征的乘客检测分析系统,其特征在于,所述系统包括:
读取模块,用于依次从所有乘客的乘车记录中读取一位乘客的乘车记录;
计算模块,用于根据所述乘客的乘车记录计算所述乘客的乘车特征组中的多个特征数据;
第一判断模块,用于判断计算得到的所述乘客的乘车特征组中的多个特征数据是否满足物流乘客的六个特征之一;
标记模块,用于若满足物流乘客的六个特征之一,则标记所述乘客为物流乘客;
第二判断模块,用于判断所有乘客是否都标记处理完;
归类统计模块,用于若所有乘客都标记处理完,则将所有标记的乘客进行归类统计;
发送模块,用于将归类统计后的最终结果发送给车站管理系统;
调整模块,用于根据所述归类统计后的最终结果对当前各个车站的乘客流进行相应的疏通调整管理。
7.如权利要求6所述的基于时空特征的乘客检测分析系统,其特征在于,所述乘客的乘车特征组中的多个特征数据包括计算乘客完全规律天数、OD时间异常次数、OD时间异常天数、平均乘车次数、平均每趟乘车时间、出入站点相同但乘车时间异常的次数、出入站点相同但乘车时间异常的天数。
8.如权利要求6所述的基于时空特征的乘客检测分析系统,其特征在于,所述物流乘客的六个特征包括:
OD时间异常次数大于第一阈值;
OD时间异常天数大于第二阈值;
从同一站进出的次数大于第三阈值;
从同一站进出的天数大于第四阈值;
对于时空规律乘客,在完全规律天内,平均每天的乘车次数大于第五阈值;
对于时空规律乘客,在完全规律天内,每天乘车的平均时间大于第六阈值。
9.如权利要求6所述的基于时空特征的乘客检测分析系统,其特征在于,所述读取模块,还用于若不满足物流乘客的六个特征之一,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
10.如权利要求6所述的基于时空特征的乘客检测分析系统,其特征在于,所述读取模块,还用于若所有乘客没有标记处理完,则从所有乘客的乘车记录中读取另外一位乘客的乘车记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310750210.8A CN103729560B (zh) | 2013-12-31 | 2013-12-31 | 一种基于时空特征的乘客检测分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310750210.8A CN103729560B (zh) | 2013-12-31 | 2013-12-31 | 一种基于时空特征的乘客检测分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103729560A true CN103729560A (zh) | 2014-04-16 |
CN103729560B CN103729560B (zh) | 2017-11-14 |
Family
ID=50453631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310750210.8A Active CN103729560B (zh) | 2013-12-31 | 2013-12-31 | 一种基于时空特征的乘客检测分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103729560B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318113A (zh) * | 2014-10-29 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 基于乘客换乘的时空特征推算乘客上车站点的方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013163A (zh) * | 2010-11-25 | 2011-04-13 | 广州通易科技有限公司 | 使用手机基站数据与营运车辆gps数据进行公交od调查的方法 |
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN102467819A (zh) * | 2011-11-18 | 2012-05-23 | 厦门市鼎朔信息技术有限公司 | 一种优化公交线路以解决交通拥堵的系统及方法 |
CN103198645A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于乘客出行分布的高峰期公交线路跳站运行方法 |
CN103198104A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于城市智能公交系统的公交站点od获取方法 |
CN103279669A (zh) * | 2013-05-31 | 2013-09-04 | 北京交通大学 | 一种城市轨道交通路网运输能力仿真计算方法和系统 |
CN103280100A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 |
CN103279534A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 基于智能公交系统数据的公交卡乘客通勤od分布估计方法 |
-
2013
- 2013-12-31 CN CN201310750210.8A patent/CN103729560B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013163A (zh) * | 2010-11-25 | 2011-04-13 | 广州通易科技有限公司 | 使用手机基站数据与营运车辆gps数据进行公交od调查的方法 |
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN102467819A (zh) * | 2011-11-18 | 2012-05-23 | 厦门市鼎朔信息技术有限公司 | 一种优化公交线路以解决交通拥堵的系统及方法 |
CN103198645A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于乘客出行分布的高峰期公交线路跳站运行方法 |
CN103198104A (zh) * | 2013-03-25 | 2013-07-10 | 东南大学 | 一种基于城市智能公交系统的公交站点od获取方法 |
CN103279669A (zh) * | 2013-05-31 | 2013-09-04 | 北京交通大学 | 一种城市轨道交通路网运输能力仿真计算方法和系统 |
CN103280100A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 |
CN103279534A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 基于智能公交系统数据的公交卡乘客通勤od分布估计方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318113A (zh) * | 2014-10-29 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 基于乘客换乘的时空特征推算乘客上车站点的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103729560B (zh) | 2017-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10482093B2 (en) | Data mining method | |
US20170032291A1 (en) | Bus Planning Method Using Mobile Communication Data Mining | |
WO2021088499A1 (zh) | 一种基于动态网络表征的发票虚开识别方法及系统 | |
CN104933870A (zh) | 基于车辆行为分析的车辆套牌识别方法与装置 | |
CN105023437A (zh) | 一种公交od矩阵的构建方法及系统 | |
CN105095223A (zh) | 文本分类方法及服务器 | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN104766215B (zh) | 一种综合性、多维度的货主选择量化方法 | |
CN106934412A (zh) | 一种用户行为分类方法及系统 | |
CN108108897B (zh) | 一种轨道交通客流清分方法、系统及电子设备 | |
CN105589911A (zh) | 客户价值评估方法及系统 | |
CN115169985A (zh) | 一种移动充电机器人的远程调度方法和系统 | |
CN109446881A (zh) | 一种基于异构数据的高速公路路段交通状态检测方法 | |
CN113033909A (zh) | 携转用户分析方法、装置、设备及计算机存储介质 | |
Ma et al. | Public transportation big data mining and analysis | |
He et al. | Space–time classification of public transit smart card users’ activity locations from smart card data | |
CN207650887U (zh) | 一种基于指纹认证的无卡过闸系统 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN103729560A (zh) | 一种基于时空特征的乘客检测分析方法及系统 | |
CN105590140A (zh) | 电力系统短期负荷的预测方法和装置 | |
CN110020666B (zh) | 一种基于乘客行为模式的公共交通广告投放方法及系统 | |
CN114494843A (zh) | 通行口检测方法、装置、电子设备和存储介质 | |
CN112434877A (zh) | 一种基于云计算的智慧城市数据处理方法及装置 | |
CN113344355A (zh) | 业务的机器人流程自动化需求评估方法及相关装置 | |
Yang et al. | Urban freight performance evaluation using gps data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |