CN106874432A - 一种公共交通乘客出行时空轨迹提取方法 - Google Patents

一种公共交通乘客出行时空轨迹提取方法 Download PDF

Info

Publication number
CN106874432A
CN106874432A CN201710059434.2A CN201710059434A CN106874432A CN 106874432 A CN106874432 A CN 106874432A CN 201710059434 A CN201710059434 A CN 201710059434A CN 106874432 A CN106874432 A CN 106874432A
Authority
CN
China
Prior art keywords
bus
passenger
trip
website
stop
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
Application number
CN201710059434.2A
Other languages
English (en)
Other versions
CN106874432B (zh
Inventor
翁小雄
刘永鑫
李莹
呙娟
姚树申
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710059434.2A priority Critical patent/CN106874432B/zh
Publication of CN106874432A publication Critical patent/CN106874432A/zh
Application granted granted Critical
Publication of CN106874432B publication Critical patent/CN106874432B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Abstract

本发明公开了一种公共交通乘客出行时空轨迹提取方法，融合全样本乘客乘车记录与车辆运行记录的数据资源，在连续出行链法的基础上，从每一名乘客每天的公交站点轨迹相似性分析入手，提取相似出行日，构建统计样本空间挖掘乘客活动规律，借助贝叶斯估计法，更为合理、准确的提取一票制公交乘客刷卡乘车记录的下车站点，从缺失的信息中还原乘客的出行轨迹。本发明方法可充分利用全样本刷卡数据中的隐含的乘客个体活动规律，合理的推断出每一个乘客的刷卡下车站点，有利于后续公交线网断面流量统计和数据挖掘。

Description

一种公共交通乘客出行时空轨迹提取方法
技术领域
本发明涉及智能化公共交通技术领域，尤其涉及一种公共交通乘客出行时空轨迹提取方法。
背景技术
近年来，公交IC卡得到了广泛应用，提高了持卡乘客的上车效率和支付的便捷性。随着持卡乘客数量的增加，公交IC卡的刷卡记录成为低成本获取客流信息的新途径，受到了国内外公交研究者的高度关注。
当前，针对刷卡记录较为热门的应用有：在指定的一个或多个时间尺度下，针对特定线路，获取每个站点的上车客流量、下车客流量以及站点之间的OD客流量；针对指定的某些线路，获取其各站点之间的换乘客流量；针对特定区域内的所有线路，获取其各站点的上车客流量、下车客流量以及站点之间的OD客流量；针对特定区域内的所有线路，可以按照另行划定的交通小区，获取各小区的上车客流量、下车客流量以及小区之间的OD客流量。由此可见，刷卡记录对数据统计、挖掘和分析有重要作用。
但是，刷卡系统往往将设计重点放在运营清分功能上，而忽视记录刷卡站点，特别是目前使用最为广泛的一票制公交，只能记录乘客的上车时刻与车号、线路号，无上下车站点信息，无法提取乘客的出行轨迹。因此，在上述数据处理过程中，需要先要将刷卡记录结合GPS行车记录系统的报站记录进行时间匹配与时间误差矫正(见发明专利CN105574137A)来推断公交乘客刷卡上车站点，再基于最短距离换乘假设、连续出行链假设推断乘客的下车站点，最后，对于无法找到下车站点的刷卡记录，通过站点吸引权法估计下车站点。该方法存在两个问题：1)对每个乘客，单个出行日的最后一条上车刷卡记录难以判断下车站点。2)站点吸引权法用于提取站点对间宏观的客流态势，无法提取甚至忽略了全样本刷卡数据揭示的乘客个体动态变化的出行特征。3)现有的方法，若乘客出行的上车站点匹配失败则无法利用其它信息提取下车站点。
发明内容
为了克服现有技术存在的缺点与不足，本发明提供一种公共交通乘客出行时空轨迹提取方法，本方法充分利用全样本刷卡数据中的隐含的乘客个体活动规律，合理的推断出每一个乘客的刷卡下车站点，有利于后续公交线网断面流量统计和数据挖掘。
为解决上述技术问题，本发明提供如下技术方案：一种公共交通乘客出行时空轨迹提取方法，包括如下步骤：
S1、获取全样本的乘客乘车记录数据，在全样本的乘客乘车记录数据中提取每一个乘客的乘车记录，并对乘客按照时间先后进行排序；
S2、扫描每个出行日，若在一个出行日内有两次及两次以上乘车记录的乘客，此时，记相邻两次乘车的上车站点分别为Bk与Bk+1，k代表第k次乘车，k+1代表与第k+1次乘车；其中
若Bk与Bk+1均存在，且Bk≠Bk+1，刷卡时刻为tk与tk+1，查询所乘车辆在tk至tk+1时段内车辆运行记录，提取Bk下游站点构成集合为Sk；若：1)Bk+1∈Sk，则认为第k次乘车的下车站点为Bk+1，即第k+1次乘车的上车站点为Bk+1；2)则在Sk中寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak；
若Bk存在，而Bk+1缺失，则提取Bk与车辆在tk至tk+1时段内下游站点构成集合Sk，形成待处理乘车记录数据集，留待步骤S6步处理；
若Bk缺失，而Bk+1存在，则提取第k次出行的线路中所有站点形成集合Rk，在Rk中寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak
S3、提取此乘客每天第一次刷卡的上车站点，统计所述提取每个上车站点的概率分布，将概率最高的两个站点定为此乘客的可能居住地；
S4、对该乘客每天的最后一条公交线路含上车站点信息的刷卡记录，在此公交线路下游站点中寻找满足以下条件之一的站点：1)步骤S3中所提取乘客居住地；2)第二天第一次出行的上车站点；3)当天第一次出行的上车站点，
从而构建成下车站点的候选列表；若候选列表元素不唯一，则将该乘车记录加入待处理乘车记录集，留待第S5、S6步处理；
S5、提取此乘客在每个出行日Di的访问站点序列，即Di的轨迹，计算Di与其它出行日的轨迹相似度；将相似度高于ε的出行日定义为轨迹相似出行日；
S6、在待处理乘车记录数据集中，对每一条待处理的乘车记录及其候选下车站点列表，找出其相似出行日中访问的站点，并统计其访问概率，找出包含于候选下车站点集合且访问概率最大的下车站点，作为待处理乘车记录的下车站点；
S7、对每一条匹配出下车站点的乘车记录，通过车辆标识找到对应车辆的运行记录，根据该乘车记录上车站点名称与刷卡时刻，找到运行记录中该车辆车辆进站时刻；
S8、在步骤S7中，通过车辆进站时刻与下车站点，在该车辆的运行记录中，寻找时间上最临近的下车站点的进站时刻，作为本次出行的下车时刻；
S9、重复步骤S2-S8处理下一个乘客的乘车记录，直至处理完所有乘客的乘车记录。
进一步地，所述步骤S1中的全样本的乘客乘车记录数据，包括：乘客标识,乘客标识采用IC卡卡号标识；乘客刷卡上车时刻，所述上车时刻包括日期和时间的时分秒；乘客的上车站点；乘客所乘车辆标识，所述车辆标识包括车牌号；所乘车辆的线路标识；乘客的下车站点；下车时刻，所述下车时刻包括日期和时间的时分秒；乘客所乘公交的各公交站点的地理坐标信息。
进一步地，所述步骤S2中步行换乘条件指两公交车站间距离不超过500m且步行时间不超过15min；所述待处理乘车记录数据集中每个元素包括：未能匹配出下车站点的乘车记录以及该乘车记录的候选下车站点列表。
进一步地，所述步骤S5中以乘客个体每天的公交出行访问站点形成的空间轨迹为比较单元，提取相似度高的出行日轨迹，构建样本集合；所述计算Di与其它出行日的轨迹相似度，采用相似性指标方法计算，所述相似性指标方法包括Jaccard方法；所述ε数值具体为0.7。
进一步地，所述采用相似性指标方法计算时，若两站点Si、Sj空间距离小于一定距离或存在一条公交线路，使Si、Sj成为相邻站点，则认为两站点等价；所述一定距离为300或者500m。
进一步地，所述步骤S6中访问概率最大的下车站点，采用贝叶斯估计法求取。
采用上述技术方案后，本发明至少具有如下有益效果：
1、本发明下车站点推断的概率估计过程基于个体乘客的出行特性构建统计样本空间，避免现有的下车站点吸引权法用宏观统计规律覆盖个体特征的缺陷，充分发挥海量数据的优势，特别适合样本量巨大的场合；
2、本发明相比传统的方法，可以有效应对部分出行记录上车站点缺失带来的干扰；
3、本发明与传统算法相比，进行最后一次出行的下车站点推断时，综合考虑乘客的居住地、当天第一次出行的上车站点与第二天第一出行的上车站点，提高了下车站点匹配的准确度与算法的合理性；
4、与传统算法相比，本发明采用了轨迹相似出行日构建统计样本空间，
可灵活准确的应对个体乘客多种活动规律。
附图说明
图1是本发明一种公共交通乘客出行轨迹提取方法的步骤流程图；
图2是本发明一种公共交通乘客出行轨迹提取方法中上车站点缺少示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本申请作进一步详细说明。
实施例
一种公共交通乘客出行时空轨迹提取方法，其步骤流程如图1所示，包括以下步骤：
第一步，对全样本的乘客乘车记录数据中每一个乘客，提取其乘车记录，并按照时间先后排序。其中每一条乘客乘车记录数据，包括：乘客标识,乘客标识采用IC卡卡号标识；乘客刷卡上车时刻，所述上车时刻包括日期和时间的时分秒；乘客的上车站点；乘客所乘车辆标识，所述车辆标识包括车牌号；所乘车辆的线路标识；乘客的下车站点；下车时刻，所述下车时刻包括日期和时间的时分秒；乘客所乘公交的各公交站点的地理坐标信息。
第二步，扫描每个出行日，若该出行日有两次以上的乘车记录，此处，记相邻的两次乘车(第k次与第k+1次)记录的上车站点为Bk与Bk+1。在实际公交大数据系统中，存在数据缺失的情况，即，有出行记录但没有上车站点，引起的原因是：1)乘客所乘坐的车辆只有刷卡机，没有报站设备。2)车辆报站数据传输过程中丢失。一个典型的例子如图2所示，图中，最左边起，第一列是乘客IC卡号，第二列为线路号，第三列为车牌号，可以看到，第二行记录，无有效的上车站点。
若Bk与Bk+1均存在，且Bk≠Bk+1，刷卡时刻为tk与tk+1，查询所乘车辆在tk至tk+1时段内车辆运行记录，提取Bk下游站点构成集合为Sk，若：1)Bk+1∈Sk，则可认为第k次乘车的下车站点为Bk+1，即第k+1次乘车的上车站点；2)则在Sk中寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak。
若Bk存在，而Bk+1缺失，则提取Bk与车辆在tk至tk+1时段内下游站点构成集合Sk，形成待处理乘车记录数据集，留待第5、6步处理。
若Bk缺失，而Bk+1存在，则提取第k次出行的线路中所有站点形成集合Rk，在Rk中寻找与寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak。
第三步，提取该乘客每天第一次刷卡的上车站点，统计每个站点的概率分布，将概率最高的两个站点定为该乘客的可能居住地。
所述相似度指标计算时，若两站点Si、Sj空间距离小于300m或存在一条公交线路，使Si、Sj成为相邻站点，则认为两站点等价。
第四步，对每天的最后一条乘车记录记录，在该公交线路下游站点中寻找满足以下条件之一的站点：1)步骤3中提取的乘客居住地。2)第二天第一次出行的上车站点。3)当天第一次出行的上车地点，构建成下车站点候选列表。若候选列表元素不唯一，则将该乘车记录加入待处理乘车记录集，留待第5、6步处理。
第五步，提取该乘客在每个出行日Di的访问站点序列，即Di的轨迹，利用Jaccard相似性指标计算Di与其它出行日的轨迹相似度。将相似度高于ε(如0.7)的出行日定义为轨迹相似出行日。
所述步行换乘条件指两公交车站间距离不超过500m，步行时间不超过15min。
第六步，对待处理乘车记录集中每一条待处理的乘车记录及其候选下车站点列表，找出其相似出行日(步骤五)中访问的站点，并统计其访问概率，找出包含于候选下车站点集合且访问概率(或条件访问概率)最大的站点，作为待处理乘车记录的下车站点。
第七步，对每一条匹配出下车站点的乘车记录，通过车辆标识找到对应车辆的运行记录，根据该乘车记录上车站点名称与刷卡时刻，找到运行记录中该车辆车辆进站时刻。
第八步，通过车辆进站时刻(步骤七)与下车站点((步骤七))，在该车辆的运行记录中(步骤七)，寻找时间上最临近的下车站点的进站时刻，作为本次出行的下车时刻。
第九步，继续处理下一个乘客的乘车记录，直到处理完所有乘客的乘车记录。
本发明方法数据挖掘针对的对象为每一个乘客个体及其在给定时间跨度(大于一个月)内的全部乘车记录(含上车站点信息的刷卡记录)。输出结果为该乘客在给定时间跨度内的时空轨迹。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解的是，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。

Claims (6)

1.一种公共交通乘客出行时空轨迹提取方法，其特征在于，包括如下步骤：
S1、获取全样本的乘客乘车记录数据，在全样本的乘客乘车记录数据中提取每一个乘客的乘车记录，并对乘客按照时间先后进行排序；
S2、扫描每个出行日，若在一个出行日内有两次及两次以上乘车记录的乘客，此时，记相邻两次乘车的上车站点分别为Bk与Bk+1，k代表第k次乘车，k+1代表与第k+1次乘车；其中
若Bk与Bk+1均存在，且Bk≠Bk+1，刷卡时刻为tk与tk+1，查询所乘车辆在tk至tk+1时段内车辆运行记录，提取Bk下游站点构成集合为Sk；若：1)Bk+1∈Sk，则认为第k次乘车的下车站点为Bk+1，即第k+1次乘车的上车站点为Bk+1；2)则在Sk中寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak；
若Bk存在，而Bk+1缺失，则提取Bk与车辆在tk至tk+1时段内下游站点构成集合Sk，形成待处理乘车记录数据集，留待步骤S6步处理；
若Bk缺失，而Bk+1存在，则提取第k次出行的线路中所有站点形成集合Rk，在Rk中寻找与Bk+1间满足步行换乘条件且距离最短的站点作为第k次出行的下车站点，记为Ak
S3、提取此乘客每天第一次刷卡的上车站点，统计所述提取每个上车站点的概率分布，将概率最高的两个站点定为此乘客的可能居住地；
S4、对该乘客每天的最后一条公交线路含上车站点信息的刷卡记录，在此公交线路下游站点中寻找满足以下条件之一的站点：1)步骤S3中所提取乘客居住地；2)第二天第一次出行的上车站点；3)当天第一次出行的上车站点，从而构建成下车站点的候选列表；若候选列表元素不唯一，则将该乘车记录加入待处理乘车记录集，留待第S5、S6步处理；
S5、提取此乘客在每个出行日Di的访问站点序列，即Di的轨迹，计算Di与其它出行日的轨迹相似度；将相似度高于ε的出行日定义为轨迹相似出行日；
S6、在待处理乘车记录数据集中，对每一条待处理的乘车记录及其候选下车站点列表，找出其相似出行日中访问的站点，并统计其访问概率，找出包含于候选下车站点集合且访问概率最大的下车站点，作为待处理乘车记录的下车站点；
S7、对每一条匹配出下车站点的乘车记录，通过车辆标识找到对应车辆的运行记录，根据该乘车记录上车站点名称与刷卡时刻，找到运行记录中该车辆车辆进站时刻；
S8、在步骤S7中，通过车辆进站时刻与下车站点，在该车辆的运行记录中，寻找时间上最临近的下车站点的进站时刻，作为本次出行的下车时刻；
S9、重复步骤S2-S8处理下一个乘客的乘车记录，直至处理完所有乘客的乘车记录。
2.根据权利要求1所述的一种公共交通乘客出行时空轨迹提取方法，其特征在于，所述步骤S1中的全样本的乘客乘车记录数据，包括：乘客标识，乘客标识采用IC卡卡号标识；乘客刷卡上车时刻，所述上车时刻包括日期和时间的时分秒；乘客的上车站点；乘客所乘车辆标识，所述车辆标识包括车牌号；所乘车辆的线路标识；乘客的下车站点；下车时刻，所述下车时刻包括日期和时间的时分秒；乘客所乘公交的各公交站点的地理坐标信息。
3.根据权利要求1所述的一种公共交通乘客出行时空轨迹提取方法，其特征在于，所述步骤S2中步行换乘条件指两公交车站间距离不超过500m且步行时间不超过15min；所述待处理乘车记录数据集中每个元素包括：未能匹配出下车站点的乘车记录以及该乘车记录的候选下车站点列表。
4.根据权利要求1所述的一种公共交通乘客出行时空轨迹提取方法，其特征在于，所述步骤S5中以乘客个体每天的公交出行访问站点形成的空间轨迹为比较单元，提取相似度高的出行日轨迹，构建样本集合；所述计算Di与其它出行日的轨迹相似度，采用相似性指标方法计算，所述相似性指标方法包括Jaccard方法；所述ε数值具体为0.7。
5.根据权利要求4所述的一种公共交通乘客出行时空轨迹提取方法，其特征在于，所述采用相似性指标方法计算时，若两站点Si、Sj空间距离小于一定距离或存在一条公交线路，使Si、Sj成为相邻站点，则认为两站点等价；所述一定距离为300或者500m。
6.根据权利要求1所述的一种公共交通乘客出行时空轨迹提取方法，其特征在于，所述步骤S6中访问概率最大的下车站点，采用贝叶斯估计法求取。
CN201710059434.2A 2017-01-24 2017-01-24 一种公共交通乘客出行时空轨迹提取方法 Expired - Fee Related CN106874432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710059434.2A CN106874432B (zh) 2017-01-24 2017-01-24 一种公共交通乘客出行时空轨迹提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710059434.2A CN106874432B (zh) 2017-01-24 2017-01-24 一种公共交通乘客出行时空轨迹提取方法

Publications (2)

Publication Number Publication Date
CN106874432A true CN106874432A (zh) 2017-06-20
CN106874432B CN106874432B (zh) 2019-08-20

Family

ID=59158900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710059434.2A Expired - Fee Related CN106874432B (zh) 2017-01-24 2017-01-24 一种公共交通乘客出行时空轨迹提取方法

Country Status (1)

Country Link
CN (1) CN106874432B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609701A (zh) * 2017-09-11 2018-01-19 东南大学 一种基于ic卡数据的公共自行车出行链提取方法
CN108960684A (zh) * 2018-08-17 2018-12-07 华南理工大学 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN109410568A (zh) * 2018-09-18 2019-03-01 广东中标数据科技股份有限公司 基于用户画像和换乘规律的下车站点推测方法及系统
CN109885765A (zh) * 2019-01-31 2019-06-14 曾国进 一种适用于固定线路交通工具的乘客信息分析推送系统
CN110020740A (zh) * 2018-12-18 2019-07-16 阿里巴巴集团控股有限公司 一种确定乘客到下车站点的概率的方法和装置
CN110189180A (zh) * 2019-05-31 2019-08-30 中国联合网络通信集团有限公司 车票处理方法及平台
CN110222892A (zh) * 2019-06-06 2019-09-10 武汉元光科技有限公司 乘客的下车站点预测方法及装置
CN110337067A (zh) * 2019-07-25 2019-10-15 深圳市口袋网络科技有限公司 一种运动轨迹生成方法、装置及相关组件
CN110400177A (zh) * 2019-07-26 2019-11-01 厦门卫星定位应用股份有限公司 公交乘客出行信息匹配方法、介质、设备及装置
CN110874668A (zh) * 2018-09-03 2020-03-10 深圳先进技术研究院 一种轨道交通od客流预测方法、系统及电子设备
CN111047858A (zh) * 2019-11-20 2020-04-21 青岛海信网络科技股份有限公司 一种融合算法的公交客流出行od确定方法及装置
CN111339159A (zh) * 2020-02-24 2020-06-26 交通运输部科学研究院 一种一票制公交数据的分析挖掘方法
CN111445145A (zh) * 2020-03-27 2020-07-24 北京嘀嘀无限科技发展有限公司 一种公交下车站点的确定方法、装置、存储介质和电子设备
CN111798354A (zh) * 2020-06-17 2020-10-20 广州通达汽车电气股份有限公司 一种公共交通的乘车人员信息管理方法及装置
WO2020215759A1 (zh) * 2019-04-23 2020-10-29 中国科学院深圳先进技术研究院 面向地铁乘客的朋友推荐方法及系统
CN111858806A (zh) * 2020-07-09 2020-10-30 武汉译码当先科技有限公司 乘客出行轨迹检测方法、装置、设备及存储介质
CN112102644A (zh) * 2019-06-18 2020-12-18 腾讯科技（深圳）有限公司 一种乘车定位方法和装置
CN112927547A (zh) * 2021-01-21 2021-06-08 广州羊城通有限公司 下车时间的补充方法及装置
CN113642625A (zh) * 2021-08-06 2021-11-12 北京交通大学 一种城市轨道交通乘客个体出行目的推断的方法及系统
CN113658433A (zh) * 2021-08-18 2021-11-16 苏州工业园区测绘地理信息有限公司 一种基于公交刷卡扫码数据提取客流特征的方法
WO2022027748A1 (zh) * 2020-08-04 2022-02-10 中国科学院深圳先进技术研究院 乘客的识别方法和识别装置、电子设备和可读存储介质
CN114495491A (zh) * 2021-12-31 2022-05-13 深圳云天励飞技术股份有限公司 跨线出行路线确定方法、装置、计算机设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
CN104134343A (zh) * 2014-06-23 2014-11-05 上海城市交通设计院有限公司 一种基于交通卡数据的乘客上下车时间和位置的获取方法
CN104463364A (zh) * 2014-12-04 2015-03-25 中国科学院深圳先进技术研究院 一种地铁乘客实时分布和地铁实时密度预测方法及系统
CN104537052A (zh) * 2014-12-26 2015-04-22 西南交通大学 基于小波分析模极大值算法的交通出行换乘点识别方法
CN105206048A (zh) * 2015-11-05 2015-12-30 北京航空航天大学 一种基于交通od数据的城市居民群体换乘模式发现系统及方法
CN105320997A (zh) * 2015-09-22 2016-02-10 上海川昱信息科技有限公司 一种基于大数据的公交客流轨迹实时跟踪方法
CN105320998A (zh) * 2015-09-22 2016-02-10 中山大学 一种基于ic卡刷卡数据的最优公交出行路径获取方法
CN105550789A (zh) * 2016-02-19 2016-05-04 上海果路交通科技有限公司 一种公交出行客流的预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
CN104134343A (zh) * 2014-06-23 2014-11-05 上海城市交通设计院有限公司 一种基于交通卡数据的乘客上下车时间和位置的获取方法
CN104463364A (zh) * 2014-12-04 2015-03-25 中国科学院深圳先进技术研究院 一种地铁乘客实时分布和地铁实时密度预测方法及系统
CN104537052A (zh) * 2014-12-26 2015-04-22 西南交通大学 基于小波分析模极大值算法的交通出行换乘点识别方法
CN105320997A (zh) * 2015-09-22 2016-02-10 上海川昱信息科技有限公司 一种基于大数据的公交客流轨迹实时跟踪方法
CN105320998A (zh) * 2015-09-22 2016-02-10 中山大学 一种基于ic卡刷卡数据的最优公交出行路径获取方法
CN105206048A (zh) * 2015-11-05 2015-12-30 北京航空航天大学 一种基于交通od数据的城市居民群体换乘模式发现系统及方法
CN105550789A (zh) * 2016-02-19 2016-05-04 上海果路交通科技有限公司 一种公交出行客流的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张孜 等: "《基于公交IC卡的公交换乘数据获取方法研究》", 《交通信息与安全》 *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609701A (zh) * 2017-09-11 2018-01-19 东南大学 一种基于ic卡数据的公共自行车出行链提取方法
CN108960684A (zh) * 2018-08-17 2018-12-07 华南理工大学 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN109308546B (zh) * 2018-08-31 2021-09-17 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统
CN110874668A (zh) * 2018-09-03 2020-03-10 深圳先进技术研究院 一种轨道交通od客流预测方法、系统及电子设备
CN110874668B (zh) * 2018-09-03 2022-11-18 深圳先进技术研究院 一种轨道交通od客流预测方法、系统及电子设备
CN109410568B (zh) * 2018-09-18 2022-04-22 广东中标数据科技股份有限公司 基于用户画像和换乘规律的下车站点推测方法及系统
CN109410568A (zh) * 2018-09-18 2019-03-01 广东中标数据科技股份有限公司 基于用户画像和换乘规律的下车站点推测方法及系统
CN110020740A (zh) * 2018-12-18 2019-07-16 阿里巴巴集团控股有限公司 一种确定乘客到下车站点的概率的方法和装置
CN109885765A (zh) * 2019-01-31 2019-06-14 曾国进 一种适用于固定线路交通工具的乘客信息分析推送系统
WO2020215759A1 (zh) * 2019-04-23 2020-10-29 中国科学院深圳先进技术研究院 面向地铁乘客的朋友推荐方法及系统
CN110189180A (zh) * 2019-05-31 2019-08-30 中国联合网络通信集团有限公司 车票处理方法及平台
CN110189180B (zh) * 2019-05-31 2021-08-17 中国联合网络通信集团有限公司 车票处理方法及平台
CN110222892A (zh) * 2019-06-06 2019-09-10 武汉元光科技有限公司 乘客的下车站点预测方法及装置
CN110222892B (zh) * 2019-06-06 2021-07-06 武汉元光科技有限公司 乘客的下车站点预测方法及装置
CN112102644A (zh) * 2019-06-18 2020-12-18 腾讯科技（深圳）有限公司 一种乘车定位方法和装置
CN110337067A (zh) * 2019-07-25 2019-10-15 深圳市口袋网络科技有限公司 一种运动轨迹生成方法、装置及相关组件
CN110337067B (zh) * 2019-07-25 2021-08-13 深圳市口袋网络科技有限公司 一种运动轨迹生成方法、装置及相关组件
CN110400177A (zh) * 2019-07-26 2019-11-01 厦门卫星定位应用股份有限公司 公交乘客出行信息匹配方法、介质、设备及装置
CN111047858A (zh) * 2019-11-20 2020-04-21 青岛海信网络科技股份有限公司 一种融合算法的公交客流出行od确定方法及装置
CN111339159A (zh) * 2020-02-24 2020-06-26 交通运输部科学研究院 一种一票制公交数据的分析挖掘方法
CN111339159B (zh) * 2020-02-24 2023-08-18 交通运输部科学研究院 一种一票制公交数据的分析挖掘方法
CN111445145A (zh) * 2020-03-27 2020-07-24 北京嘀嘀无限科技发展有限公司 一种公交下车站点的确定方法、装置、存储介质和电子设备
CN111798354A (zh) * 2020-06-17 2020-10-20 广州通达汽车电气股份有限公司 一种公共交通的乘车人员信息管理方法及装置
CN111858806A (zh) * 2020-07-09 2020-10-30 武汉译码当先科技有限公司 乘客出行轨迹检测方法、装置、设备及存储介质
WO2022027748A1 (zh) * 2020-08-04 2022-02-10 中国科学院深圳先进技术研究院 乘客的识别方法和识别装置、电子设备和可读存储介质
CN112927547A (zh) * 2021-01-21 2021-06-08 广州羊城通有限公司 下车时间的补充方法及装置
CN113642625A (zh) * 2021-08-06 2021-11-12 北京交通大学 一种城市轨道交通乘客个体出行目的推断的方法及系统
CN113642625B (zh) * 2021-08-06 2024-02-02 北京交通大学 一种城市轨道交通乘客个体出行目的推断的方法及系统
CN113658433A (zh) * 2021-08-18 2021-11-16 苏州工业园区测绘地理信息有限公司 一种基于公交刷卡扫码数据提取客流特征的方法
CN114495491A (zh) * 2021-12-31 2022-05-13 深圳云天励飞技术股份有限公司 跨线出行路线确定方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN106874432B (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN106874432A (zh) 一种公共交通乘客出行时空轨迹提取方法
Luan et al. Partition-based collaborative tensor factorization for POI recommendation
Zhao et al. Clustering analysis of ridership patterns at subway stations: A case in Nanjing, China
CN109785629A (zh) 一种短时交通流量预测方法
CN110532480B (zh) 一种用于人读威胁情报推荐的知识图谱构建方法及威胁情报推荐方法
Gu et al. Topic-factorized ideal point estimation model for legislative voting network
CN113010578B (zh) 社区数据分析方法、装置、社区智能交互平台及存储介质
Bao et al. Short‐term FFBS demand prediction with multi‐source data in a hybrid deep learning framework
CN109584555A (zh) 基于afc数据的公交乘客下车站点推测方法
CN110502694A (zh) 基于大数据分析的律师推荐方法及相关设备
CN111259167B (zh) 用户请求风险识别方法及装置
CN112800210A (zh) 基于海量公交数据的人群画像算法
CN107944866A (zh) 交易记录排重方法及计算机可读存储介质
CN106781467B (zh) 一种基于协同过滤的公交乘客刷卡站点信息提取方法
CN110147482A (zh) 用于获取突发热点主题的方法和装置
CN107742256A (zh) 一种基于组合优化决策树的网络伪舆情识别方法
Chen et al. Traffic travel pattern recognition based on sparse Global Positioning System trajectory data
Ullah et al. A smart secured framework for detecting and averting online recruitment fraud using ensemble machine learning techniques
Zhang et al. Deep learning for demographic prediction based on smart card data and household survey
Ku et al. Trip-pair based clustering model for urban mobility of bus passengers in Macao
Liang et al. Combining individual travel preferences into destination prediction: A multi-module deep learning network
CN111143653B (zh) 海量科普资源的可信度验证方法
CN109583210A (zh) 一种水平权限漏洞的识别方法、装置及其设备
Vivek et al. Spatio-temporal crime analysis and forecasting on twitter data using machine learning algorithms
CN112416922A (zh) 一种团伙关联数据挖掘方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190820