CN108960684A - 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 - Google Patents

Abstract

本发明公开了一种基于不完全轨迹片段的公交乘客出行链挖掘方法，该方法整合乘客在公交系统中零散的轨迹片段，形成出行拓扑关系图，并借助改进的深度优先算法得到乘客在公交系统中的闭合出行链，并给出了乘客不闭合的出行轨迹片段、闭合出行链以及进行关联的方法。本发明的方法可从当前各大城市公交系统严重碎片化的轨迹片段中还原出乘客的闭合出行链，有利于从个体的角度分析乘客的出行特征与行为规律。

Description

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

技术领域

本发明涉及智能化公共交通技术领域，更具体地说，涉及一种基于不完全 轨迹片段的公交乘客出行链挖掘方法。

背景技术

随着智能交通系统的快速发展，尤其是可记录乘客活动位置信息的IC卡在 公交行业的大规模应用，通过刷卡记录低成本提取宏观市域以至中观交通小区 层面客流分布信息已成为了交管部门获知客流动态的新途径。然而，对公交系 统进行科学合理的运营规划不仅需要得到大范围的客流态势，更需要深入挖掘 每个乘客在站点空间上的出行模式，即闭合出行链。闭合出行链描述了出行者 从起始点出发，经过若干个目的地，再返回起始点的出行全过程。它摒弃了传 统交通行为模型中表征每一次出行的孤立静态性，真实揭示了城市交通出行全 过程的连续性特征，体现了乘客交通出行的连续动态特性。

然而，通过乘客出行刷卡记录获知每一名乘客的闭合出行链，仍存在较大 困难。究其原因，一方面，随着城市公交线网日渐发达，乘客可以选择多种不 同的线路甚至合理步行距离内完全不同的车站作为起终点完成相同的目的出行， 给信息处理带来困难；另一方面，城市公交系统是一个开放的巨系统，乘客可 以在多种交通方式(如共享自行车、出租车)间做出选择，公交票卡所反映的 轨迹数据仅仅反映乘客在城市中活动的轨迹片段，成链特性不显著。因此需要 对片段化的轨迹数据进行深度整合与处理方能去除冗余信息还原每一位乘客在 公交系统中闭合出行链。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于不完全轨 迹片段的公交乘客出行链挖掘方法，该方法不仅整合乘客在公交系统中碎片化 的轨迹片段，得到乘客在公交系统中的闭合出行链，还给出了乘客不闭合的出 行轨迹片段、闭合出行链以及进行关联的实现方案，有利于从个体的角度分析 乘客的出行特征与行为规律。

为了达到上述目的，本发明采用以下技术方案：

本发明一种基于不完全轨迹片段的公交乘客出行链挖掘方法，包括下述步 骤：

S1、采用聚类的方法合并乘客的等价出行，所述等价出行是指乘客出行记 录在出行空间上相似但首末站名不相同的出行站点轨迹，所述空间上相似是指 起点、终点均具有非常近的地理距离；

S2、扫描每一名乘客合并等价出行后的站点轨迹集合，考察出行站点轨迹 间两两的时空可连接性，构建出行拓扑关系图数据结构；

S3、借助深度优先搜索算法，从出行拓扑关系图中提取乘客闭合出行链；

S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合 出行链进行关联。

作为优选的技术方案，步骤S1具体为：

对于每一名乘客任意两条出行站点轨迹记录T₁、T₂，计算起点间的距离δ_O与 终点间的距离δ_D，若δ_O+δ_D小于预先设定的距离ε，则认为T₁、T₂为等价出行， 将其归入一个簇u中，所述u＝{T₁，T₂，...，T_k}，并用簇中被使用频次最高的出行 作为代表元素，替换掉其它出行记录。

作为优选的技术方案，所述ε为500-800米，即成年人以步行速度1.2m/s，20 分钟步行的距离。

作为优选的技术方案，步骤S2中，构建出行拓扑关系图数据结构以及拓扑 关系图局部的特征如下：

(i)以乘客的每一段出行为节点，所述每一段出行包含起点、换乘和终点， 出行拓扑关系图中各节点的连边由节点间的时空关联性决定；

(ii)出行拓扑关系图节点空间可连接定义为：对于出行拓扑关系图中任两 个节点轨迹记录T₁、轨迹记录T₂，所述任两个节点代表一次完整的出行，若T₁的 终点与T₂起点间距离小于ε，或者T₁的起点与T₂终点间距离小于ε，则T₁、T₂空间 上可连接；

(iii)出行拓扑关系图节点时间可连接定义为：对于该乘客至少能在k个 独立出行日观察到T_i在T_j后发生；

(iiii)出行拓扑关系图中任两个T₁，T₂，若时空可连接，则T₁、T₂可连接。

作为优选的技术方案，步骤S3具体为：

S31、计算步骤S2中生成的乘客出行拓扑关系图中各节点被使用的频数， 生成节点的可访问次数表；

S32、从第一个节点v_o开始，依次选定出行拓扑关系图中任一节点v_k，将v_k加 入链表ODL，利用深度优先法则寻找下一个可连接的节点v_k+1；

S33、若v_k+1与ODL中所有元素均无法构成闭合出行链，则将v_k+1加入ODL， 继续利用深度优先搜索算法寻找下一个可连接的节点v_k+2；

S34、若v_k+n与ODL中任一元素可连接且构成闭合出行链TC_k，则提取该闭 合链并输出，同时，TC_k中所有涉及的节点可访问次数减1；

S35、若某节点v_m可访问次数为零，则从拓扑关系图与ODL中移除该节点；

S36、若ODL无法再获取到新节点且仍不闭合，则将最后一个进入链表的节 点移出再次利用深度优先搜索算法获取新节点；

S37、若ODL中所有元素均被移出，则重新选择开始点，直到拓扑关系图中 所有可访问的节点都被当作过开始点用过为止，保证搜索到 乘客OTD出行拓扑关系图HTG_p中所有的连通分量。

作为优选的技术方案，步骤S4具体为：

S41、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其 支持度为TC_i与T_nc共有的等价出行个数比上TC_i中所有的出行；

S42、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其 覆盖度为TC_i与T_nc共有的等价出行个数比上T_nc中所有的出行个数；

S43、将关联问题转化为：寻找尽量少的闭合链TC_x∈D_p，将T_nc所包含的非 闭合出行全部覆盖，同时要求每个TC_x拥有尽量高的支持度，并借助贪婪算法求 解。

作为优选的技术方案，步骤S43中所述借助贪婪算法求解，具体步骤为：

S431、计算该乘客每个闭合链在T_nc中的支持度与覆盖度，取出支持度与覆 盖度乘积最大的闭合链TC_m，与从T_nc中移出相应被覆盖的记录同时将TC_m与 建立关联；

S432、重复第S431步，直到T_nc中所有的出行均已被关联。

本发明与现有技术相比，具有如下优点和有益效果：

本发明采用把每段出行轨迹作为一个结点，设定结点连接定义，利用深度 优先算法的技术方案，实现了碎片化轨迹信息背景下公交乘客闭合出行链的提 取，摒弃了传统碎片化的OTD出行特征分析，为深入挖掘个体乘客的出行模式 与出行规律提供了坚实基础。

附图说明

图1是本发明的算法流程如图；

图2是本实施例出行拓扑关系图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方 式不限于此。

实施例

如图1所示，本实施例一种基于不完全轨迹片段的公交乘客出行链挖掘方 法，主要包括以下步骤：

S1、聚类法合并等价的出行。在公交线网繁密的城市中，乘客出行记录会 出现大量空间上相似但首末站名不相同的站点，所述空间上相似即起点、终点 均具有非常近的地理距离，为保证得到客观真实的公交闭合出行链，需要合并 相似的出行。

本实施例中，采用聚类法合并等价出行的具体方法为：

对于每一名乘客任意两条出行站点轨迹记录T₁、T₂，计算起点间的距离δ_O与 终点间的距离δ_D，若δ_O+δ_D小于预先设定的距离ε(一合理距离可为700米，步 行速度1.2m/s，约20分钟步行时间)，则认为T₁、T₂为等价出行，将其归入一个 簇u，其中u＝{T₁，T₂，...，T_k}，并用簇中被使用频次最高的出行作为代表元 素，替换掉其它出行记录。

S2、扫描每一名乘客合并等价出行后的站点轨迹集合，考察出行站点轨迹 间两两的时空可连接性，构建出行拓扑关系图数据结构。

如图2所示，所述出行拓扑关系图的特点，包括下述内容：

(i)以乘客的每一段出行为节点，所述每一段出行包含起点、换乘、终点， 出行拓扑关系图中各节点的连边由节点间的时空关联性决定。

从图中可知，该乘客共有5种不同的乘车记录，其中，O表示起点，T表示 换乘，D表示终点，这些乘车记录组成了3段不同的出行，分别为Trip1、Trip2、 Trip3，这些出行被转化成拓扑图中三个不同的节点。

(ii)出行拓扑关系图节点空间可连接定义为：对于出行拓扑关系图中任 两个T₁、T₂，所述任两个节点代表一次完整的出行，若T₁的终点与T₂起点间距离 小于700m，或者T₁的起点与T₂终点间距离小于ε，则T₁、T₂空间上可连接。

(iii)出行拓扑关系图节点时间可连接定义为：对于该乘客至少能在k个 独立出行日观察到T_i在T_j后发生。

(iiii)出行拓扑关系图中任两个T₁、T₂，若时空可连接，则T₁、T₂可连接。

S3、借助深度优先搜索算法，从出行拓扑关系图中提取乘客闭合出行链。 该步骤包含以下子步骤：

S31、计算步骤S2生成的该乘客出行拓扑关系图中各节点被使用的频数， 生成节点的可访问次数表；

S32、从第一个节点v_o开始，依次选定出行拓扑关系图中任一节点v_k，将v_k加 入链表ODL，利用深度优先法则寻找下一个可连接的节点v_k+1；

S33、若v_k+1与ODL中所有元素均无法构成闭合出行链，则将v_k+1加入ODL， 继续利用深度优先搜索算法寻找下一个可连接的节点v_k+2；

S34、若v_k+n与ODL中任一元素可连接且构成闭合出行链TC_k，则提取该闭 合链并输出，同时，TC_k中所有涉及的节点可访问次数减1；

S35、若某节点v_m可访问次数为零，则从拓扑关系图与ODL中移除该节点。

S36、若ODL无法再获取到新节点且仍不闭合，则将最后一个进入链表的节 点移出再次利用深度优先准则获取新节点。

S37、若ODL中所有元素均被移出，则重新选择开始点，直到拓扑关系图中 所有可访问的节点都被当作过开始点用过为止，保证搜索到 乘客OTD出行拓扑关系图HTG_p中所有的连通分量。

S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合 出行链进行关联，该步骤具体包括下述内容：

S41、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其 支持度为TC_i与T_nc共有的等价出行个数比上TC_i中所有的出行；

S42、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其 覆盖度为TC_i与T_nc共有的等价出行个数比上T_nc中所有的出行个数；

S43、将关联问题转化为：寻找尽肯能少的闭合链TC_x∈D_p，将T_nc所包含的 非闭合出行全部覆盖，同时要求每个TC_x拥有尽可能高的支持度。显然，该问题 是经典的集合覆盖问题，可以借助贪婪算法求解，具体步骤如下：

S431、计算该乘客每个闭合链在T_nc中的支持度与覆盖度，取出支持度与覆 盖度乘积最大的闭合链TC_m，与从T_nc中移出相应被覆盖的记录同时将TC_m与 建立关联。

S432、重复第S431步，直到T_nc中所有的出行均已被关联。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实 施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，包括下述步骤：

S1、采用聚类的方法合并乘客的等价出行，所述等价出行是指乘客出行记录在出行空间上相似但首末站名不相同的出行站点轨迹，所述空间上相似是指起点、终点均具有非常近的地理距离；

S2、扫描每一名乘客合并等价出行后的站点轨迹集合，考察出行站点轨迹间两两的时空可连接性，构建出行拓扑关系图数据结构；

S3、借助深度优先搜索算法，从出行拓扑关系图中提取乘客闭合出行链；

S4、将每天无法形成闭合出行链的出行站点轨迹记录与步骤S3得到的闭合出行链进行关联。

2.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，步骤S1具体为：

对于每一名乘客任意两条出行站点轨迹记录T₁、T₂，计算起点间的距离δ_O与终点间的距离δ_D，若δ_O+δ_D小于预先设定的距离ε，则认为T₁、T₂为等价出行，将其归入一个簇u中，所述u＝{T₁，T₂，...，T_k}，并用簇中被使用频次最高的出行作为代表元素，替换掉其它出行记录。

3.根据权利要求2所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，所述ε为500-800米，即成年人以步行速度1.2m/s，20分钟步行的距离。

4.根据权利要求1或3所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，步骤S2中，构建出行拓扑关系图数据结构以及拓扑关系图局部的特征如下：

(i)以乘客的每一段出行为节点，所述每一段出行包含起点、换乘和终点，出行拓扑关系图中各节点的连边由节点间的时空关联性决定；

(ii)出行拓扑关系图节点空间可连接定义为：对于出行拓扑关系图中任两个节点轨迹记录T₁、轨迹记录T₂，所述任两个节点代表一次完整的出行，若T₁的终点与T₂起点间距离小于ε，或者T₁的起点与T₂终点间距离小于ε，则T₁、T₂空间上可连接；

(iii)出行拓扑关系图节点时间可连接定义为：对于该乘客至少能在k个独立出行日观察到T_i在T_j后发生；

(iiii)出行拓扑关系图中任两个T₁，T₂，若时空可连接，则T₁、T₂可连接。

5.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，步骤S3具体为：

S31、计算步骤S2中生成的乘客出行拓扑关系图中各节点被使用的频数，生成节点的可访问次数表；

S32、从第一个节点v_o开始，依次选定出行拓扑关系图中任一节点v_k，将v_k加入链表ODL，利用深度优先法则寻找下一个可连接的节点v_k+1；

S33、若v_k+1与ODL中所有元素均无法构成闭合出行链，则将v_k+1加入ODL，继续利用深度优先搜索算法寻找下一个可连接的节点v_k+2；

S34、若v_k+n与ODL中任一元素可连接且构成闭合出行链TC_k，则提取该闭合链并输出，同时，TC_k中所有涉及的节点可访问次数减1；

S35、若某节点v_m可访问次数为零，则从拓扑关系图与ODL中移除该节点；

S36、若ODL无法再获取到新节点且仍不闭合，则将最后一个进入链表的节点移出再次利用深度优先搜索算法获取新节点；

S37、若ODL中所有元素均被移出，则重新选择开始点，直到拓扑关系图中所有可访问的节点都被当作过开始点用过为止，保证搜索到乘客OTD出行拓扑关系图HTG_p中所有的连通分量。

6.根据权利要求1所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，步骤S4具体为：

S41、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其支持度为TC_i与T_nc共有的等价出行个数比上TC_i中所有的出行；

S42、对每一个闭合出行链TC_i，与出行日d非闭合出行记录集T_nc，定义其覆盖度为TC_i与T_nc共有的等价出行个数比上T_nc中所有的出行个数；

S43、将关联问题转化为：寻找尽量少的闭合链TC_x∈D_p，将T_nc所包含的非闭合出行全部覆盖，同时要求每个TC_x拥有尽量高的支持度，并借助贪婪算法求解。

7.根据权利要求6所述基于不完全轨迹片段的公交乘客出行链挖掘方法，其特征在于，步骤S43中所述借助贪婪算法求解，具体步骤为：

S431、计算该乘客每个闭合链在T_nc中的支持度与覆盖度，取出支持度与覆盖度乘积最大的闭合链TC_m，与从T_nc中移出相应被覆盖的记录同时将TC_m与建立关联；

S432、重复第S431步，直到T_nc中所有的出行均已被关联。