CN107656987B - 一种基于lda模型的地铁站点功能挖掘方法 - Google Patents
一种基于lda模型的地铁站点功能挖掘方法 Download PDFInfo
- Publication number
- CN107656987B CN107656987B CN201710817833.0A CN201710817833A CN107656987B CN 107656987 B CN107656987 B CN 107656987B CN 201710817833 A CN201710817833 A CN 201710817833A CN 107656987 B CN107656987 B CN 107656987B
- Authority
- CN
- China
- Prior art keywords
- site
- matrix
- cluster
- function
- poi
- 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.)
- Expired - Fee Related
Links
- 238000005065 mining Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000002759 z-score normalization Methods 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于数据挖掘技术领域,一种基于LDA模型的地铁站点功能挖掘方法,步骤如下:1)数据收集:包括地铁刷卡数据、地铁POI数据等。经过筛选提取预处理以后,得到实验所需的潜在主题分布向量,以保证分析结果的普适性;2)语义挖掘:应用LDA主题模型,以乘客出行模式分布矩阵和POI相对含量矩阵为输入挖掘动静语义;3)站点聚类:在功能挖掘方面,本发明使用先进的聚类算法获得按功能的站点聚类簇;4)站点分类标识:本发明从类间客流转移、地理功能占比分布、簇间相似度3个角度提出站点功能标识方法,使得分析结果权威可靠。以上海地铁为例进行的地铁站点功能挖掘实验表明,本方法对于处理类似问题具有出色表现。
Description
技术领域
本发明属于数据挖掘技术领域,尤其在揭示地铁沿线区域功能、把握城市交通系统规划、建设智慧城市等领域具有重要意义,具体涉及一种基于LDA模型的地铁站点功能挖掘方法。
背景技术
随着信息技术革命的不断深入,信息化与数字化的浪潮席卷了现代城市。然而,现代化和城市化的迅猛发展也带来了诸如交通拥堵、资源配置、环境污染等棘手问题。如今,大数据的发展为解决这些问题提供了思路和可能。利用城市大数据和城市计算为城市管理者和规划者提供有价值的信息参考,提升城市管理、服务效率,可以处理城市发展中遇到的问题和挑战。基础设施方面,传感技术的大范围扩散、智能交通系统以及基于地理位置的IT服务不但为城市生活带来了智能和极大的便捷,还使我们获得了大量的城市数据,例如人类移动轨迹信息、社会活动信息及环境信息等,同时,数据中心和云计算的建设和发展也在技术上使我们具备了处理这些大规模异构数据的能力。
数据挖掘是一门结合了统计学、人工智能、机器学习和数据库系统的发现巨大的数据集中模式的计算过程,是计算机科学下的一门交叉学科。数据挖掘的总目标是从数据集中提取信息并将其转化为可理解的结构为未来所用。
在现代城市交通系统中,地铁凭借载客量大、快速高效、低环境污染的特点成为当今都市最优的交通方式。作为一座城市交通的脉搏,一方面,地铁系统方便了城市中心地带间的互通往来,因此,地铁站点往往是一座城市执行其城市功能最中心的地标性地带,另一方面,地铁也促进了地铁线路沿线经过的区域的发展,故而新的功能区在地铁站点处聚集成型。众所周知,城市的不同区域在城市发展的进程中渐渐孕育出了各类的城市功能,以满足居民某种特定的社会经济活动需求,这些区域既可以是人为的被规划者所设计,也可能是由于人类实际生活方式所自然形成,同时,在一个城市发展的过程中,这些功能区的区域和功能都可以被改变。在地铁沿线的站点所在区域的功能形成和演化正是以上过程的典型代表,加以地铁系统在城市发展中不可或缺的地位,使得地铁沿线地区的功能相较其他区域更为特殊重要。
发明内容
本发明的目的是运用数据挖掘的方法揭示地铁沿线区域功能。挖掘地铁站点这一城市重要的特殊区域的功能,可以让我们了解城市核心功能分布,把握城市生命线发展脉络,进而为诸如城市交通系统规划、区域发展规划、资源配置等城市规划提供宝贵的参考,建设智慧城市,具有重要的实际意义。
本发明的技术方案:
一种基于LDA模型的地铁站点功能挖掘方法,步骤如下:
(1)收集地铁客流数据作为乘客出行模式矩阵,收集地铁POI数据作为POI相对含量矩阵;
(2)以乘客出行模式矩阵和POI相对含量矩阵为输入,应用LDA主题模型挖掘站点静动语义;
(3)移动语义挖掘与位置语义挖掘
a)将所有站点的出行模式的频率通过一个形为m*n的矩阵Msp来表示,其中m为站点的总数目,n为所有可能出现的出行模式的总数目;
b)将站点出行模式矩阵Msp作为LDA的输入,得到一个m*k的站点功能矩阵,其中,k为潜在功能的数目,k设为20;
c)建立一个m*t的站点POI矩阵MSPOI,其中m为站点的数目,t为POI类别标签数目;
d)对矩阵MSPOI的每一列进行min-max标准化,以将每个POI类别的数值映射到0至1之间,具体公式如下:
其中,min(MSPOI[,j])表示矩阵第j列的最小值,max(MSPOI[,j])表示第j列的最大值;i=1,2,3,…,m;j=1,2,3,…,t;
(4)联合步骤(3)所得移动语义及位置语义,提取每个站点的功能特征向量,得到站点功能矩阵F
a)将移动语义与位置语义作为站点两大特征,得到一个m×2k的矩阵MSF,其中m为站点的总数目,k为潜在功能的数目;
b)对MSF按列进行Z-Score标准化处理,计算方法如下:
其中μj为MSF第j列的期望,σj为MSF第j列的方差;
c)使用稀疏主成份分析方法SPCA提取每个站点的功能特征向量,得到站点功能矩阵F;
(5)使用优化的K均值算法对站点的功能特征向量进行聚类
a)使用轮廓系数s来评估聚类性能,轮廓系数s通过以下两个指标来计算:
指标a:一个样本点和同一聚类中所有其他样本点的平均距离,反映了簇内凝聚度;
指标b:一个样本点和离其最近的聚类中所有样本点的平均距离,反映了簇间分离度;
对于一个样本的轮廓系数计算公式为:
b)使用KMeans++的聚类中心选取方法来代替原始K均值算法随机选取初始聚类中心的方式,步骤如下:
A.从样本集中随机选取一个点作为第一个聚类中心;
B.重复以下步骤,直至生成k个聚类中心:
①计算样本集中每个样本点xi和与之最近的已有聚类中心之间的距离di;
②选取一个新的聚类中心,选择时每个点xi被选中的概率与di成正比;
c)以这k个点为初始聚类中心执行K均值算法;
对站点功能矩阵F聚类,得到M个聚类中心向量μi,每个簇都是具有某种相同功能站点的集合;
(6)从多个角度分析站点功能标识,确定站点功能
a)类间客流转移:
分析类间不同时段的出入客流量特征以进行类型标注;在时间段t内由聚类ci中站点到达聚类cj中站点的平均客流量为这段时间内由聚类ci到达聚类cj的客流量总数除以两个聚类包含站点数的积;
b)地理功能占比分布:
统计一个站点类别内平均每个站点所含有的POI数目占全市总数目的百分比,以分析出每个类别的功能;第i种POI标签点在站点分类j的地理功能占比其中ni为所有i类POIs的数目,nj为j类站点的数目,ni,j为j类站点所在地区内所有i类POIs的数目;
c)簇间相似度:
根据已经获得的M个聚类中心向量μi,计算簇间余弦相似度矩阵MS,MS是一个M×M的方阵,其中每个元素MS.mi,j的具体计算方法如下:
MS.mi,j=cos<μi,μj>
在进行站点功能标识时,簇间相似度越大的两个簇承担的功能就越相似。
本发明的有益效果:
(1)首次将语义模型应用到地铁站点功能挖掘的场景中,并将已有的LDA输入模式扩展为4元组,将平时和周末一同纳入考虑。
(2)首次使用标准化和稀疏主成分分析的方法从站点的静动语义提取功能特征。
(3)从三个方面提出了功能标识的分析方法,标识相应的站点功能。
附图说明
图1是本发明的整体流程图。
图2是本发明所使用的LDA模型概率图。
图3是本发明实例中对上海地铁站点分类以后的结果。
图4是本发明实例中单独成类的上海火车站和人民广场。
图5(a)是本发明实例中上海地铁旅游娱乐类站点工作日离开客流转移。
图5(b)是本发明实例中上海地铁旅游娱乐类站点休息日离开客流转移。
图5(c)是本发明实例中上海地铁旅游娱乐类站点工作日到达客流转移。
图5(d)是本发明实例中上海地铁旅游娱乐类站点休息日到达客流转移。
图6(a)是本发明实例中上海地铁商业公司类站点工作日离开客流转移。
图6(b)是本发明实例中上海地铁商业公司类站点工作日到达客流转移。
图6(c)是本发明实例中上海地铁商业公司类站点休息日离开客流转移。
图6(d)是本发明实例中上海地铁商业公司类站点休息日到达客流转移。
图7(a)是本发明实例中上海地铁一般居住类站点工作日离开客流转移。
图7(b)是本发明实例中上海地铁一般居住类站点工作日到达客流转移。
图7(c)是本发明实例中上海地铁一般居住类站点休息日离开客流转移。
图7(d)是本发明实例中上海地铁一般居住类站点休息日到达客流转移。
图8是本发明实例中上海地铁站点地理功能占比分布。
图9是本发明实例中上海地铁站点簇间相似度矩阵可视化。
具体实施方式
下面结合上海地铁站点功能挖掘实例对本发明进行进一步描述。
本实例中的地铁站点功能挖掘方法整体框架如图1所示,具体包括以下步骤:
(1)从上海市地铁系统乘客刷卡数据集中提取乘客出行模式矩阵;从上海市POI数据集中得到相对POI含量矩阵。
(2)使用LDA算法处理客流信息矩阵和POI信息矩阵,获得地铁站点移动语义和位置语义的潜在主题分布向量,具体包括如下步骤:
a).移动语义挖掘:
将客流数据看作一条条行程记录的集合,每条行程记录J由如下五项组成:出发站点SL、目的站点SA、出发时间TL、到达时间TA和日期D,即J=(SL,SA,TL,TA,D)。根据以上行程记录提取出行模式P,并将出行模式频率用m*n矩阵Msp表示,其中m是站点的总数目,n为所有可能出现的出行模式的总数目,矩阵中的元素MSP.mi,j表示站点Si出行模式Pj出现的次数,其中i=1,2,3,…,m,j=1,2,3,…,n。最后使用LDA主题模型对站点从客流信息中表现出的潜在功能(即移动语义)进行挖掘。
b).位置语义挖掘:
首先统计每个站点区域中每种POI类别标签的数量分别是多少,即首先建立一个m×t的站点-POI矩阵MSPOI,其中m为站点的数目,t为POI类别标签数目,第i行第j列的元素MSPOI.mi,j为站点i所在区域含有第j类POI标签的数目;之后对矩阵MSPOI每一列进行min-max标准化,计算公式为:
其中min(MSPOI[,j])表示矩阵第j列的最小值,max(MSPOI[,j])表示第j列的最大值,i=1,2,3,…,m,j=1,2,3,…,t;最后将MSPOI作为LDA模型的输入,得到一个由站点附近静态设施反映出的m×k的站点-功能矩阵,其中m为站点的数目,k为潜在功能的数目,其中每一行都表示了一个站点的k个潜在位置语义的分布。
(3)拼接移动语义和位置语义矩阵并进行Z-Score标准化,将所有列向量处理为满足期望μ为0,方差σ为1的标准正态分布,即去除了数据量纲对后续分析的影响。之后使用稀疏主成分分析(Sparse PCA)处理所得矩阵,获得站点功能特征矩阵F,具体计算公式如下:
其中μj为MSF第j列的期望,σj为MSF第j列的方差。
(4)使用K均值聚类算法获得按功能的站点聚类簇,并对该结果进行地图可视化,具体过程如下:
1)从样本集中随机选取一个点作为第一个聚类中心;
2)重复以下步骤,直至生成k个聚类中心:
①计算样本集中每个样本点xi和与之最近的已有聚类中心之间的距离di;
②选取一个新的聚类中心,选择时每个点xi被选中的概率与di成正比;
3)以这k个点为初始聚类中心执行K均值算法。
对站点功能特征矩阵F聚类后得到的10个聚类记作c1,c2,…,c10,每个簇都是具有某种相同功能站点的集合。
(5)为每一个站点簇添加语义标签,具体包括以下几个角度:
a).类间客流转移:在时间段t内由聚类ci中站点到达聚类cj中站点的平均客流量为这段时间内由聚类ci到达聚类cj的客流量总数除以两个聚类包含站点数的积。
c).簇间相似度:根据已经获得的10个聚类中心向量μi(i=1,2,3,…,10)计算簇间余弦相似度矩阵MS,MS是一个10×10的方阵,其中每个元素MS.mi,j的具体计算方法如下:
MS.mi,j=cos<μi,μj>。
Claims (1)
1.一种基于LDA模型的地铁站点功能挖掘方法,其特征在于,步骤如下:
(1)收集地铁客流数据作为乘客出行模式矩阵,收集地铁POI数据作为POI相对含量矩阵;
(2)以乘客出行模式矩阵和POI相对含量矩阵为输入,应用LDA主题模型挖掘站点静动语义;
(3)移动语义挖掘与位置语义挖掘
a)将所有站点的出行模式的频率通过一个形为m*n的矩阵Msp来表示,其中m为站点的总数目,n为所有可能出现的出行模式的总数目;
b)将站点出行模式矩阵Msp作为LDA的输入,得到一个m*k的站点功能矩阵,其中,k为潜在功能的数目,k设为20;
c)建立一个m*t的站点POI矩阵MSPOI,其中m为站点的数目,t为POI类别标签数目;
d)对矩阵MSPOI的每一列进行min-max标准化,以将每个POI类别的数值映射到0至1之间,具体公式如下:
其中,min(MSPOI[,j])表示矩阵第j列的最小值,max(MSPOI[,j])表示第j列的最大值;i=1,2,3,…,m;j=1,2,3,…,t;
(4)联合步骤(3)所得移动语义及位置语义,提取每个站点的功能特征向量,得到站点功能矩阵F
a)将移动语义与位置语义作为站点两大特征,得到一个m×2k的矩阵MSF,其中m为站点的总数目,k为潜在功能的数目;
b)对MSF按列进行Z-Score标准化处理,计算方法如下:
其中μj为MSF第j列的期望,σj为MSF第j列的方差;
c)使用稀疏主成份分析方法SPCA提取每个站点的功能特征向量,得到站点功能矩阵F;
(5)使用优化的K均值算法对站点的功能特征向量进行聚类
a)使用轮廓系数s来评估聚类性能,轮廓系数s通过以下两个指标来计算:
指标a:一个样本点和同一聚类中所有其他样本点的平均距离,反映了簇内凝聚度;
指标b:一个样本点和离其最近的聚类中所有样本点的平均距离,反映了簇间分离度;
对于一个样本的轮廓系数计算公式为:
b)使用KMeans++的聚类中心选取方法来代替原始K均值算法随机选取初始聚类中心的方式,步骤如下:
A.从样本集中随机选取一个点作为第一个聚类中心;
B.重复以下步骤,直至生成k个聚类中心:
①计算样本集中每个样本点xi和与之最近的已有聚类中心之间的距离di;
②选取一个新的聚类中心,选择时每个点xi被选中的概率与di成正比;
c)以这k个点为初始聚类中心执行K均值算法;
对站点功能矩阵F聚类,得到M个聚类中心向量μi,每个簇都是具有某种相同功能站点的集合;
(6)从多个角度分析站点功能标识,确定站点功能
a)类间客流转移:
分析类间不同时段的出入客流量特征以进行类型标注;在时间段t内由聚类ci中站点到达聚类cj中站点的平均客流量为这段时间内由聚类ci到达聚类cj的客流量总数除以两个聚类包含站点数的积;
b)地理功能占比分布:
统计一个站点类别内平均每个站点所含有的POI数目占全市总数目的百分比,以分析出每个类别的功能;第i种POI标签点在站点分类j的地理功能占比其中ni为所有i类POIs的数目,nj为j类站点的数目,ni,j为j类站点所在地区内所有i类POIs的数目;
c)簇间相似度:
根据已经获得的M个聚类中心向量μi,计算簇间余弦相似度矩阵MS,MS是一个M×M的方阵,其中每个元素MS.mi,j的具体计算方法如下:
MS.mi,j=cos<μi,μj>
在进行站点功能标识时,簇间相似度越大的两个簇承担的功能就越相似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710817833.0A CN107656987B (zh) | 2017-09-13 | 2017-09-13 | 一种基于lda模型的地铁站点功能挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710817833.0A CN107656987B (zh) | 2017-09-13 | 2017-09-13 | 一种基于lda模型的地铁站点功能挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107656987A CN107656987A (zh) | 2018-02-02 |
CN107656987B true CN107656987B (zh) | 2020-07-14 |
Family
ID=61129688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710817833.0A Expired - Fee Related CN107656987B (zh) | 2017-09-13 | 2017-09-13 | 一种基于lda模型的地铁站点功能挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107656987B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489530A (zh) * | 2018-05-10 | 2019-11-22 | 上海申通地铁集团有限公司 | 基于word2vec的相似站点获取方法及系统 |
CN110517177A (zh) * | 2018-05-21 | 2019-11-29 | 上海申通地铁集团有限公司 | 模型的生成方法、轨道交通车站的画像方法及系统 |
CN109034474A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于poi数据和客流数据的地铁站聚类与回归分析方法及系统 |
CN109408615B (zh) * | 2018-09-30 | 2021-04-30 | 北京工业大学 | 基于有界区域多样性和等比例性的站点提取top-k个POI的方法 |
CN109508749B (zh) * | 2018-11-30 | 2023-07-25 | 重庆大学 | 一种基于深度知识表达的聚类分析系统及方法 |
CN109977322B (zh) * | 2019-03-05 | 2021-03-23 | 百度在线网络技术(北京)有限公司 | 出行方式推荐方法、装置、计算机设备和可读存储介质 |
CN110348133B (zh) * | 2019-07-15 | 2022-08-19 | 西南交通大学 | 一种高速列车三维产品结构技术功效图构建系统及方法 |
CN110738244B (zh) * | 2019-09-29 | 2022-06-21 | 中国科学院深圳先进技术研究院 | 一种基于刷卡数据的地铁站点功能及其演化识别方法、系统及电子设备 |
CN113392652B (zh) * | 2021-03-30 | 2023-07-25 | 中国人民解放军战略支援部队信息工程大学 | 基于语义聚类的签到热点功能特征识别方法 |
CN114780670B (zh) * | 2022-03-07 | 2024-07-12 | 合肥工业大学 | 基于出行目的的驾驶人出行模式挖掘方法和系统 |
CN118332509B (zh) * | 2024-06-13 | 2024-10-11 | 南京邮电大学 | 一种基于两阶段聚类的地铁站点特性挖掘方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106294679A (zh) * | 2016-08-08 | 2017-01-04 | 大连理工大学 | 一种基于地铁数据进行站点聚类的可视化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9123259B2 (en) * | 2013-03-14 | 2015-09-01 | Microsoft Technology Licensing, Llc | Discovering functional groups of an area |
-
2017
- 2017-09-13 CN CN201710817833.0A patent/CN107656987B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106294679A (zh) * | 2016-08-08 | 2017-01-04 | 大连理工大学 | 一种基于地铁数据进行站点聚类的可视化方法 |
Non-Patent Citations (1)
Title |
---|
IS2Fun: Identification of Subway Station Functions Using Massive Urban;Jinzhong Wang et al.;《IEEE Access》;20170101;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107656987A (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107656987B (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN107481511A (zh) | 一种计算候选公交站点的方法及系统 | |
CN107766983B (zh) | 一种城市轨道交通车站应急救援驻车点的设置方法 | |
CN113806419A (zh) | 基于时空大数据的城市区域功能识别模型及识别方法 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
Li et al. | Classifications of stations in urban rail transit based on the two-step cluster | |
Tang et al. | FISS: function identification of subway stations based on semantics mining and functional clustering | |
Jiao et al. | Understanding the land use function of station areas based on spatiotemporal similarity in rail transit ridership: A case study in Shanghai, China | |
CN109740957B (zh) | 一种城市交通网络节点分类方法 | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
CN115100395A (zh) | 一种融合poi预分类和图神经网络的城市街区功能分类方法 | |
CN114723596A (zh) | 一种基于多源交通出行数据和主题模型的城市功能区识别方法 | |
Wang et al. | Relationship between urban road traffic characteristics and road grade based on a time series clustering model: a case study in Nanjing, China | |
CN114238491A (zh) | 一种基于异质图的多模式交通运行态势关联规则挖掘方法 | |
Schoier et al. | Individual movements and geographical data mining. Clustering algorithms for highlighting hotspots in personal navigation routes | |
CN115510056B (zh) | 一种利用手机信令数据进行宏观经济分析的数据处理系统 | |
Zhou et al. | Big data for intrametropolitan human movement studies A case study of bus commuters based on smart card data | |
Li et al. | Traffic peak period detection using traffic index cloud maps | |
CN114612800A (zh) | 一种核算城市群建筑物质存量及时空变化的方法、系统 | |
CN113850295A (zh) | 一种基于Weighted-LeaderRank和GMM聚类的站点选址预测方法 | |
Zheng et al. | Discovering urban functional regions with call detail records and points of interest: A case study of Guangzhou city |
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 |
Granted publication date: 20200714 |
|
CF01 | Termination of patent right due to non-payment of annual fee |