CN105868860A - 基于聚类的区域出行意愿强度分析方法、装置及选址方法 - Google Patents
基于聚类的区域出行意愿强度分析方法、装置及选址方法 Download PDFInfo
- Publication number
- CN105868860A CN105868860A CN201610217598.9A CN201610217598A CN105868860A CN 105868860 A CN105868860 A CN 105868860A CN 201610217598 A CN201610217598 A CN 201610217598A CN 105868860 A CN105868860 A CN 105868860A
- Authority
- CN
- China
- Prior art keywords
- trip
- cluster
- wish
- target area
- intensity
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007621 cluster analysis Methods 0.000 claims description 54
- 238000013480 data collection Methods 0.000 claims description 18
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 abstract description 2
- 238000003012 network analysis Methods 0.000 abstract description 2
- 230000029305 taxis Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 15
- 238000010276 construction Methods 0.000 description 6
- 239000013589 supplement Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于聚类的区域出行意愿强度分析方法,解决了现有技术的不足,技术方案为:数据采集步骤,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,数据分拣步骤,对由数据采集步骤采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,聚类分析步骤,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,出行意愿强度分析步骤,根据聚类分析结果计算各个目标区域的出行意愿强度。
Description
技术领域
本发明涉及一种区域出行意愿强度分析方法、装置及选址方法,特别涉及一种基于聚类的区域出行意愿强度分析方法、装置及选址方法。
背景技术
随着新能源汽车行业的快速发展,充电桩数量有限的瓶颈逐渐显现出来,同时由于充电桩的位置明显不合理而导致其使用率偏低。为使电动汽车充电桩得到合理利用,目前主要基于在已有充电桩的基础上,采用0-1规划及覆盖的数学模型对充电桩的位置进行分配,采取动态调整与静态增设的方法,使得目标函数(即对规划后的电动汽车充电桩的利用率)最大。然而,我们并没有更多关注充电桩建站地点在市民出行意愿网络中的重要性,导致现有的充电桩建设利用效率低,用地较多,使用和维护的成本较高。
发明内容
本发明的目的在于解决上述现有技术选址后部分充电桩的位置明显不合理而导致其使用率偏低的问题,提供了一种基于聚类的区域出行意愿强度分析方法、装置及选址方法。
本发明解决其技术问题所采用的技术方案是:一种基于聚类的区域出行意愿强度分析方法,包括以下步骤:
数据采集步骤,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣步骤,对由数据采集步骤采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析步骤,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析步骤,根据聚类分析结果计算各个目标区域的出行意愿强度。
本发明可以对某一个区域内多种不同的交通工具进行整体统计,而不是仅仅局限与某一个点的一种交通工具进行数据统计,根据聚类分析,可以在一定范围内统计所有种类的公共交通工具的出行记录,对市民出行强度分析的实时性以及准确性较高,对市民出行轨迹进行时空分析,同时提供了市民出行意愿强度计算方法,最终为充电桩选址部署提供参考依据,同时也可对现有公共交通网络进行调整,应用范围广阔,是现有技术的完美补充。
作为优选,所述数据采集步骤中,采集的数据包括身份ID、出发地点经纬度、目的地点经纬度、出发时间和到达时间。该装置部署在互联网环境下,通过数据采集器自行爬取互联网中的出行数据,并通过数据分拣器进行数据清洗,清洗后的出行数据存入海量数据存储器、基于爬虫技术,采集公交、出租车、自行车等出行数据,支持分布式部署。
作为优选,在数据分拣步骤中,将采集到的出发时间结构化为出发时间集:sttime[0..n-1],出发地点经纬度结构化为出发地点集:location[0..n-1]={(x0,y0),(x1,y1),…,(xn-1,yn-1)},n为采集到的所有出行轨迹记录的条数,在聚类分析步骤中,以出发地点为维度和出发时间为维度分别进行聚类分析。
由于出现意愿不仅仅与地域相关还与节假日、休息日相关因此,在分类时不仅以出发地点为维度进行聚类分析,还以出发时间为维度进行聚类分析。
作为优选,以出发时间为维度的聚类分析步骤,包括,
时间聚类步骤一,首先选取出行轨迹记录出发时间的m个初始中心,记为a[0]=sttime[0],a[1]=sttime[1],…,a[m-1]=sttime[m-1](m<n);
时间聚类步骤二,将sttime[0]至sttime[n-1]内所有出发时间,分别与a[0],a[1]至a[m-1]进行比较,sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i],并标记为i,对于所有标记为i的点重新计算a[i]={所有标记为i的sttime[j]之和}/标记为i的个数;
时间聚类步骤三,重复时间聚类步骤二,直到所有a[i]的变化小于给定的阈值,完成以出发时间为维度的聚类分析;
同时以出发地点为维度的聚类分析包括,
地点聚类步骤一,首先选取出行轨迹记录出发地点的k个初始中心,分别记为b[0]=location[0],b[1]=location[1],…,b[k-1]=location[k-1](k<n);
地点聚类步骤二,将location[0]至location[n-1]内所有经纬度数据,分别与b[0],b[1],至,b[k-1]比较,location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i],并标记为i;对于所有标记为i的点,重新计算b[i]={所有标记为i的location[j]之和}/标记为i的个数;
地点聚类步骤三,重复地点聚类步骤二,直到所有b[i]的变化小于给定的阈值,完成以出发地点为维度的聚类分析。
作为优选,根据聚类分析后所得的分类结果,计算出各个目标区域的时间权值和区域权值,时间权值=所在区域类的出行时间总和/总出行时间总和;区域权值=所在区域类的记录数/总记录数;目标区域的出行意愿强度为目标区域所属的时间权值与区域权值的乘积。本发明可以对某一个区域内多种不同的交通工具进行整体统计,而不是仅仅局限与某一个点的一种交通工具进行数据统计,根据聚类分析,可以在一定范围内统计所有种类的公共交通工具的出行记录,出行意愿强度可以明确对各个区域的出行意愿进行排名也能够反应出各个区域出行情况的大致比例,对市民出行轨迹进行时空分析,同时提供了市民出行意愿强度计算方法,最终为充电桩选址部署提供参考依据,同时也可对现有公共交通网络进行调整,应用范围广阔,是现有技术的完美补充。
一种基于聚类的区域出行意愿强度分析装置,其特征在于:采用如权利要求6所述的基于聚类的区域出行意愿强度分析方法,包括以下器件:
数据采集器,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣器,对由数据采集器采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析器,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析器,根据聚类分析结果计算各个目标区域的出行意愿强度。
本发明可以对某一个区域内多种不同的交通工具进行整体统计,而不是仅仅局限与某一个点的一种交通工具进行数据统计,根据聚类分析,可以在一定范围内统计所有种类的公共交通工具的出行记录,对市民出行强度分析的实时性以及准确性较高,对市民出行轨迹进行时空分析,同时提供了市民出行意愿强度计算方法,最终为充电桩选址部署提供参考依据,同时也可对现有公共交通网络进行调整,应用范围广阔,是现有技术的完美补充。
一种基于聚类的区域出行意愿强度分析的选址方法,用于充电桩选址,采用如权利要求7所述的基于聚类的区域出行意愿强度分析装置,根据目标区域的出行意愿强度进行充电桩布置,当目标区域出行意愿强度大于设定阈值时布置充电桩。本发明充电桩选址充分考虑了市民的出行意愿,建设的充电桩,有更好的利用效率,可以节约用地,降低使用和维护的成本。
作为优选,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,当目标区域的机动车出行意愿强度大于设定阈值时布置充电桩。本发明中至采取了机动车的公共交通的出行轨迹记录,以与电动汽车相类似的机动车作为参考,对于充电桩的选址更为精准。
作为优选,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公共自行车在内的非机动车公共交通的出行轨迹记录,并以非机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的非机动车出行意愿强度,目标区域的机动车出行意愿强度与非机动车出行意愿强度的差值为目标区域的目标区域出行意愿强度,当目标区域出行意愿强度大于设定阈值时布置充电桩。本发明在选址时充分考虑非机动车的公共出行,因为非机动车和机动车之间的最佳适用距离是有差异的,当非机动车公共出行意愿较为强烈时,相对降低电动汽车充电桩的建设,可以将有限的资源进行更好的分配,可以进一步提高每个充电桩的利用效率。
本发明的实质性效果是:本发明可以对某一个区域内多种不同的交通工具进行整体统计,而不是仅仅局限与某一个点的一种交通工具进行数据统计,根据聚类分析,可以在一定范围内统计所有种类的公共交通工具的出行记录,对市民出行强度分析的实时性以及准确性较高,对市民出行轨迹进行时空分析,同时提供了市民出行意愿强度计算方法,最终为充电桩选址部署提供参考依据,同时也可对现有公共交通网络进行调整,应用范围广阔,是现有技术的完美补充,本发明充电桩选址充分考虑了市民的出行意愿,建设的充电桩,有更好的利用效率,可以节约用地,降低使用和维护的成本。
附图说明
图1为本发明中基于聚类的区域出行意愿强度分析装置的一种结构示意图。
图中:1、数据采集器,2、数据分拣器,3、聚类分析器,4、出行意愿强度分析器,5、互联网。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
实施例:
一种基于聚类的区域出行意愿强度分析方法,其特征在于:包括以下步骤:
数据采集步骤,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣步骤,对由数据采集步骤采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析步骤,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析步骤,根据聚类分析结果计算各个目标区域的出行意愿强度。
所述数据采集步骤中,采集的数据包括身份ID、出发地点经纬度、目的地点经纬度、出发时间和到达时间。
在数据分拣步骤中,对出行轨迹记录的出发时间转化为十进制,将采集到的出发时间结构化为出发时间集:sttime[0..n-1],出发地点经纬度结构化为出发地点集:location[0..n-1]={(x0,y0),(x1,y1),…,(xn-1,yn-1)},n为采集到的所有出行轨迹记录的条数,
在聚类分析步骤中,以出发地点为维度和出发时间为维度分别进行聚类分析。
以出发时间为维度的聚类分析步骤,包括,
时间聚类步骤一,首先选取出行轨迹记录出发时间的m个初始中心,记为a[0]=sttime[0],a[1]=sttime[1],…,a[m-1]=sttime[m-1](m<n);
时间聚类步骤二,将sttime[0]至sttime[n-1]内所有出发时间,分别与a[0],a[1]至a[m-1]进行比较,sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i],并标记为i,对于所有标记为i的点重新计算a[i]={所有标记为i的sttime[j]之和}/标记为i的个数;
时间聚类步骤三,重复时间聚类步骤二,直到所有a[i]的变化小于给定的阈值,完成以出发时间为维度的聚类分析;
同时以出发地点为维度的聚类分析包括,
地点聚类步骤一,首先选取出行轨迹记录出发地点的k个初始中心,分别记为b[0]=location[0],b[1]=location[1],…,b[k-1]=location[k-1](k<n);
地点聚类步骤二,将location[0]至location[n-1]内所有经纬度数据,分别与b[0],b[1],至,b[k-1]比较,location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i],并标记为i;对于所有标记为i的点,重新计算b[i]={所有标记为i的location[j]之和}/标记为i的个数;
地点聚类步骤三,重复地点聚类步骤二,直到所有b[i]的变化小于给定的阈值,完成以出发地点为维度的聚类分析。
根据聚类分析后所得的分类结果,计算出各个目标区域的时间权值和区域权值,时间权值=所在区域类的出行时间总和/总出行时间总和;区域权值=所在区域类的记录数/总记录数;目标区域的出行意愿强度为目标区域所属的时间权值与区域权值的乘积。
一种基于聚类的区域出行意愿强度分析装置,其特征在于:采用如上述实施例的基于聚类的区域出行意愿强度分析方法,包括以下器件:
数据采集器1,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣器2,对由数据采集器采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析器3,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析器4,根据聚类分析结果计算各个目标区域的出行意愿强度。
一种基于聚类的区域出行意愿强度分析的选址方法,用于充电桩选址,采用如上述实施例的基于聚类的区域出行意愿强度分析装置,根据目标区域的出行意愿强度进行充电桩布置,当目标区域出行意愿强度大于设定阈值时布置充电桩。
本实施例还可以是采用动态调整方式进行首批次的充电桩建设,当目标区域的机动车出行意愿强度大于设定阈值时,建设充电桩,同时在一个周期内继续进行出行意愿强度的分析,并根据调整后的出行意愿强度进行第二批次的充电桩选址建设,重复进行。直到交通状态达到预定目标或是成本达到上限为止。
本实施例可以对某一个区域内多种不同的交通工具进行整体统计,而不是仅仅局限与某一个点的一种交通工具进行数据统计,根据聚类分析,可以在一定范围内统计所有种类的公共交通工具的出行记录,对市民出行强度分析的实时性以及准确性较高,对市民出行轨迹进行时空分析,同时提供了市民出行意愿强度计算方法,最终为充电桩选址部署提供参考依据,同时也可对现有公共交通网络进行调整,应用范围广阔,是现有技术的完美补充,本发明充电桩选址充分考虑了市民的出行意愿,建设的充电桩,有更好的利用效率,可以节约用地,降低使用和维护的成本。
实施例2:
本实施例与实施例1基本相同,不同之处在于,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,当目标区域的机动车出行意愿强度大于设定阈值时布置充电桩。本实施例中,阈值可以为多重阈值,阈值与充电桩数目存在对应关系。例如,当目标区域的机动车出行意愿强度大于第一设定阈值时,建设30个充电桩,目标区域的机动车出行意愿强度大于第二设定阈值时,建设20个充电桩。
实施例3:
本实施例与实施例1基本相同,不同之处在于,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公共自行车在内的非机动车公共交通的出行轨迹记录,并以非机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的非机动车出行意愿强度,目标区域的机动车出行意愿强度与非机动车出行意愿强度的差值为目标区域的目标区域出行意愿强度,当目标区域出行意愿强度大于设定阈值时布置充电桩。若非机动车出行意愿强度大于设定值,则在相应区域增设非机动车交通工具。非机动车交通工具包括公共自行车和公共自行车还车点。
本发明在选址时充分考虑非机动车的公共出行,因为非机动车和机动车之间的最佳适用距离是有差异的,当非机动车公共出行意愿较为强烈时,相对降低电动汽车充电桩的建设,可以将有限的资源进行更好的分配,可以进一步提高每个充电桩的利用效率。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (9)
1.一种基于聚类的区域出行意愿强度分析方法,其特征在于:包括以下步骤:
数据采集步骤,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣步骤,对由数据采集步骤采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析步骤,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析步骤,根据聚类分析结果计算各个目标区域的出行意愿强度。
2.根据权利要求1所述的基于聚类的区域出行意愿强度分析方法,其特征在于:所述数据采集步骤中,采集的数据包括身份ID、出发地点经纬度、目的地点经纬度、出发时间和到达时间。
3.根据权利要求2所述的基于聚类的区域出行意愿强度分析方法,其特征在于:在数据分拣步骤中,将采集到的出发时间结构化为出发时间集:sttime[0..n-1],出发地点经纬度结构化为出发地点集:location[0..n-1]={(x0,y0),(x1,y1),…,(xn-1,yn-1)},n为采集到的所有出行轨迹记录的条数,在聚类分析步骤中,以出发地点为维度和出发时间为维度分别进行聚类分析。
4.根据权利要求3所述的基于聚类的区域出行意愿强度分析方法,其特征在于:
以出发时间为维度的聚类分析步骤,包括,
时间聚类步骤一,首先选取出行轨迹记录出发时间的m个初始中心,记为a[0]=sttime[0],a[1]=sttime[1],…,a[m-1]=sttime[m-1](m<n);
时间聚类步骤二,将sttime[0]至sttime[n-1]内所有出发时间,分别与a[0],a[1]至a[m-1]进行比较,sttime[0]至sttime[n-1]内所有出发时间对应有一个最小差值a[i],并标记为i,对于所有标记为i的点重新计算a[i]={所有标记为i的sttime[j]之和}/标记为i的个数;
时间聚类步骤三,重复时间聚类步骤二,直到所有a[i]的变化小于给定的阈值,完成以出发时间为维度的聚类分析;
同时以出发地点为维度的聚类分析包括,
地点聚类步骤一,首先选取出行轨迹记录出发地点的k个初始中心,分别记为b[0]=location[0],b[1]=location[1],…,b[k-1]=location[k-1](k<n);
地点聚类步骤二,将location[0]至location[n-1]内所有经纬度数据,分别与b[0],b[1],至,b[k-1]比较,location[0]至location[n-1]内所有经纬度数据对应有一个最小距离b[i],并标记为i;对于所有标记为i的点,重新计算b[i]={所有标记为i的location[j]之和}/标记为i的个数;
地点聚类步骤三,重复地点聚类步骤二,直到所有b[i]的变化小于给定的阈值,完成以出发地点为维度的聚类分析。
5.根据权利要求4所述的基于聚类的区域出行意愿强度分析方法,其特征在于:根据聚类分析后所得的分类结果,计算出各个目标区域的时间权值和区域权值,时间权值=所在区域类的出行时间总和/总出行时间总和;区域权值=所在区域类的记录数/总记录数;目标区域的出行意愿强度为目标区域所属的时间权值与区域权值的乘积。
6.一种基于聚类的区域出行意愿强度分析装置,其特征在于:采用如权利要求5所述的基于聚类的区域出行意愿强度分析方法,包括以下器件:
数据采集器,采用爬虫技术采集各个目标区域的公交、出租车、自行车或其他公共交通的出行轨迹记录,
数据分拣器,对由数据采集器采集到的出行轨迹记录进行数据清洗,得到以结构化形式存储的出行轨迹记录,
聚类分析器,采用聚类算法,对结构化存储的出行轨迹记录进行时空网络分析,得出聚类分析结果,
出行意愿强度分析器,根据聚类分析结果计算各个目标区域的出行意愿强度。
7.一种基于聚类的区域出行意愿强度分析的选址方法,用于充电桩选址,其特征在于:采用如权利要求6所述的基于聚类的区域出行意愿强度分析装置,根据目标区域的出行意愿强度进行充电桩布置,当目标区域出行意愿强度大于设定阈值时布置充电桩。
8.根据权利要求7所述的基于聚类的区域出行意愿强度分析的选址方法,其特征在于:所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,当目标区域的机动车出行意愿强度大于设定阈值时布置充电桩。
9.根据权利要求7所述的基于聚类的区域出行意愿强度分析的选址方法,其特征在于:所述数据采集步骤中采用爬虫技术采集各个目标区域包括公交、出租车在内的机动车公共交通的出行轨迹记录,并以机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的机动车出行意愿强度,所述数据采集步骤中采用爬虫技术采集各个目标区域包括公共自行车在内的非机动车公共交通的出行轨迹记录,并以非机动车公共交通的出行轨迹记录作为数据来源依次执行数据分拣步骤、聚类分析步骤,采用聚类算法和出行意愿强度分析步骤得出各个目标区域的非机动车出行意愿强度,目标区域的机动车出行意愿强度与非机动车出行意愿强度的差值为目标区域的目标区域出行意愿强度,当目标区域出行意愿强度大于设定阈值时布置充电桩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217598.9A CN105868860A (zh) | 2016-04-07 | 2016-04-07 | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610217598.9A CN105868860A (zh) | 2016-04-07 | 2016-04-07 | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105868860A true CN105868860A (zh) | 2016-08-17 |
Family
ID=56637141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610217598.9A Pending CN105868860A (zh) | 2016-04-07 | 2016-04-07 | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105868860A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106571036A (zh) * | 2016-11-14 | 2017-04-19 | 中国联合网络通信集团有限公司 | 公共交通站点确定方法和装置 |
CN106570160A (zh) * | 2016-11-04 | 2017-04-19 | 北方工业大学 | 一种海量时空数据清洗方法及装置 |
CN107292798A (zh) * | 2017-06-29 | 2017-10-24 | 国信优易数据有限公司 | 一种共享单车停放点的确定方法及装置 |
CN107491895A (zh) * | 2017-08-30 | 2017-12-19 | 国信优易数据有限公司 | 一种共享单车停放点的确定方法及装置 |
CN107909180A (zh) * | 2017-09-30 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 公共交通出行用时的处理方法、设备及可读介质 |
CN109238271A (zh) * | 2018-08-23 | 2019-01-18 | 中国科学院电子学研究所苏州研究院 | 一种基于时间的线路拟合方法 |
CN110414751A (zh) * | 2018-04-26 | 2019-11-05 | 观相科技(上海)有限公司 | 一种基于地理位置的酒店行业选址评价系统及评价方法 |
CN110751356A (zh) * | 2018-12-07 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种服务设备选址方法及装置 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN112883291A (zh) * | 2021-02-05 | 2021-06-01 | 上海钧正网络科技有限公司 | 目的地位置的推荐方法、装置和服务器 |
CN113095709A (zh) * | 2021-04-23 | 2021-07-09 | 飞友科技有限公司 | 一种计算旅客出行意愿指数的方法及系统 |
CN115891740A (zh) * | 2022-12-30 | 2023-04-04 | 交通运输部规划研究院 | 一种高速公路新能源汽车电量预警系统 |
-
2016
- 2016-04-07 CN CN201610217598.9A patent/CN105868860A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570160A (zh) * | 2016-11-04 | 2017-04-19 | 北方工业大学 | 一种海量时空数据清洗方法及装置 |
CN106570160B (zh) * | 2016-11-04 | 2020-06-26 | 北方工业大学 | 一种海量时空数据清洗方法及装置 |
CN106571036A (zh) * | 2016-11-14 | 2017-04-19 | 中国联合网络通信集团有限公司 | 公共交通站点确定方法和装置 |
CN107292798A (zh) * | 2017-06-29 | 2017-10-24 | 国信优易数据有限公司 | 一种共享单车停放点的确定方法及装置 |
CN107491895A (zh) * | 2017-08-30 | 2017-12-19 | 国信优易数据有限公司 | 一种共享单车停放点的确定方法及装置 |
CN107909180B (zh) * | 2017-09-30 | 2022-03-25 | 百度在线网络技术(北京)有限公司 | 公共交通出行用时的处理方法、设备及可读介质 |
CN107909180A (zh) * | 2017-09-30 | 2018-04-13 | 百度在线网络技术(北京)有限公司 | 公共交通出行用时的处理方法、设备及可读介质 |
CN110414751A (zh) * | 2018-04-26 | 2019-11-05 | 观相科技(上海)有限公司 | 一种基于地理位置的酒店行业选址评价系统及评价方法 |
CN109238271A (zh) * | 2018-08-23 | 2019-01-18 | 中国科学院电子学研究所苏州研究院 | 一种基于时间的线路拟合方法 |
CN109238271B (zh) * | 2018-08-23 | 2020-08-14 | 中国科学院电子学研究所苏州研究院 | 一种基于时间的线路拟合方法 |
CN110751356A (zh) * | 2018-12-07 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种服务设备选址方法及装置 |
CN111275296A (zh) * | 2020-01-14 | 2020-06-12 | 北京交通大学 | 一种基于轨迹数据的单向共享汽车系统选址优化方法 |
CN112883291A (zh) * | 2021-02-05 | 2021-06-01 | 上海钧正网络科技有限公司 | 目的地位置的推荐方法、装置和服务器 |
CN112883291B (zh) * | 2021-02-05 | 2023-04-07 | 上海钧正网络科技有限公司 | 目的地位置的推荐方法、装置和服务器 |
CN113095709A (zh) * | 2021-04-23 | 2021-07-09 | 飞友科技有限公司 | 一种计算旅客出行意愿指数的方法及系统 |
CN115891740A (zh) * | 2022-12-30 | 2023-04-04 | 交通运输部规划研究院 | 一种高速公路新能源汽车电量预警系统 |
CN115891740B (zh) * | 2022-12-30 | 2023-09-12 | 交通运输部规划研究院 | 一种高速公路新能源汽车电量预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105868860A (zh) | 基于聚类的区域出行意愿强度分析方法、装置及选址方法 | |
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
CN104102953B (zh) | 一种物流送货线路优化生成方法及系统 | |
CN105938514A (zh) | 基于0-1整数规划模型的充电桩部署选址方法及装置 | |
CN104778508B (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
Adnan | Passenger car equivalent factors in heterogenous traffic environment-are we using the right numbers? | |
CN106781479B (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
CN104408924B (zh) | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 | |
CN108198425A (zh) | 一种电动汽车行驶工况的构建方法 | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN105389996A (zh) | 一种基于大数据的交通运行状态特征参数提取方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN110070720B (zh) | 提高交叉口占道施工区通行能力模型拟合度的计算方法 | |
CN110807926B (zh) | 一种基于混合交通的道路阻抗预测方法及装置 | |
CN107832910B (zh) | 一种评价道路交通特征对一氧化碳排放浓度影响的方法 | |
CN113435777B (zh) | 一种电动运营车辆充电站规划方法及系统 | |
CN108564257B (zh) | 一种基于gis的城市共享单车回收方法 | |
CN112863182A (zh) | 基于迁移学习的跨模态数据预测方法 | |
CN107798440B (zh) | 一种基于线路候选集的地铁接驳巴士线路规划方法 | |
CN104464280B (zh) | 车辆行进开销的预测方法及系统 | |
CN109389243A (zh) | 结合联网收费数据的高速公路交通情况调查站点布设方法 | |
CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
CN108985488A (zh) | 个体出行目的地预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 311305 Ling'an City, Zhejiang province Qingshan Lake Street, city street, the ground floor of the 33 (4 1-3 layer) Applicant after: Zhejiang Wanma New Energy Co., Ltd. Address before: Hangzhou City, Zhejiang province 310000 Yuhang Zhongtai Industrial Park Xianqiao Road No. 10 Applicant before: Zhejiang Wanma New Energy Co., Ltd. |
|
COR | Change of bibliographic data | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |
|
RJ01 | Rejection of invention patent application after publication |