CN109145989A - 公交站点布设方法、装置及计算机终端 - Google Patents
公交站点布设方法、装置及计算机终端 Download PDFInfo
- Publication number
- CN109145989A CN109145989A CN201810960322.9A CN201810960322A CN109145989A CN 109145989 A CN109145989 A CN 109145989A CN 201810960322 A CN201810960322 A CN 201810960322A CN 109145989 A CN109145989 A CN 109145989A
- Authority
- CN
- China
- Prior art keywords
- point
- trip
- coordinate
- travel
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000009471 action Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种公交站点布设方法、装置及计算机终端,该方法包括:S1根据m个出行点选取h个初始聚类中心点;S2根据出行点的属性修正系数计算每个出行点的出行作用量;S3根据出行作用量分别计算出行点到每一初始聚类中心点的距离及将出行点归属到距离最小的初始聚类中心点所在类中;S4根据每一类中的所有出行点坐标计算质心坐标及将该类中聚类中心点坐标更新为质心坐标,重复执行步骤S3及S4直至聚类中心点坐标变化在预定的误差范围内;S5根据每一聚类中心点以及每一聚类中心点周围至少一个可选点建立站点选址模型,根据站点选址模型的值确定最优站点选址坐标。本发明对出行点进行分析,建立迭代模型,从而实现公交运行和居民出行成本的最优化。
Description
技术领域
本发明涉及智能交通技术领域,具体而言,涉及一种公交站点布设方法、装置及计算机终端。
背景技术
随着经济社会的发展,城市的规模不断扩大,城市与乡镇的边界也日益模糊,相当大部分的工商产业和城区居民也在向城镇迁移,增加了相应区域民众的出行需求。根据机构统计数据,公共交通仍然是居民出行的首要选择,特别是如今交通拥堵的情况严重,道路建设用地资源紧张和节能减排的大趋势下,提升公共交通的运行效率和服务水准具有重要意义。
城郊区域人口和工商业分布密度明显低于城市中心区,站点的服务人口体量和民众对站点距离的容忍程度相比于城市中心区域将会有明显区别。传统的根据站点上下客流数据决策和简单在工商业场所附近设立站点的方式难以实现站点布设的最优化。
发明内容
鉴于上述问题,本发明实施例的目的在于提供一种公交站点布设方法、装置及计算机终端,以解决现有技术的不足。
根据本发明的一个实施方式,提供一种公交站点布设方法,包括:
S1根据m个出行点选取h个初始聚类中心点,其中,m为大于1的正整数,h为小于或等于m的正整数;
S2根据所述出行点的属性修正系数计算每个出行点的出行作用量;
S3根据所述出行作用量,分别计算所述出行点到每一初始聚类中心点的距离及将所述出行点归属到与所述出行点距离最小的初始聚类中心点所在的类中;
S4根据每一类中的所有出行点坐标计算质心的坐标值及将该类中所述聚类中心点的坐标值更新为所述质心的坐标值,重复执行步骤S3及S4直至所述聚类中心点的坐标值变化在预定的误差范围内;
S5根据每一聚类中心点以及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据所述站点选址模型的值确定最优的站点选址坐标。
在上述的公交站点布设方法中,所述出行作用量通过下式获得:
Zi=(1+αi)(1+βi)(1+γi)
其中,Zi为第i个出行点的出行作用量,所述属性修正系数包括商业属性修正系数、工业属性修正系数及生活属性修正系数,αi为第i个出行点的商业属性修正系数,αi∈[0,5),βi为第i个出行点的工业属性修正系数,βi∈[0,5),γi为第i个出行点的生活属性修正系数,γi∈[0,5),i=1,2,3,…m。
在上述的公交站点布设方法中,所述出行点到每一初始聚类中心点的距离通过下式获得:
其中,l(i)为第i个出行点到第j个初始聚类中心点的距离,Ωi(x,y)为第i个出行点坐标,Θj(x,y)为第j个初始聚类中心点的坐标,j=1,2,3,…h。
在上述的公交站点布设方法中,所述质心坐标通过下式获得:
其中,Ψ(x,y)为质心坐标,ξ为该类中所有出行点的个数。
在上述的公交站点布设方法中,所述“每一聚类中心点周围的至少一个可选点”包括:
根据所述聚类中心点建立Voronoi图;
根据所述Voronoi图在每一聚类中心点对应的分割区域内选取至少一个可选点。
在上述的公交站点布设方法中,所述站点选址模型为:
其中,εk为建设维修成本修正系数,εk≥0,ηk为线路交叠时间成本修正系数,ηk≥0,σk为其他因素修正系数,σk≥0,为在第o个聚类中心周围的第k个可选点坐标,o=1,2,3,…h,为可选点的冲激值,N为预先布设的站点数目。
在上述的公交站点布设方法中,所述“根据所述站点选址模型的值确定最优的站点选址坐标”包括:
将所有聚类中心点的坐标值及所有可选点的坐标值代入所述站点选址模型中,计算所述站点选址模型的值;
将所有站点模型的值进行对比,在所述站点选址模型的值最小时,判断所述可选点的冲激值是否为1;
若所述可选点的冲激值为1,确定所述可选点坐标为最优的站点选址坐标;
若所述可选点的冲激值为0,所述可选点未被选中。
在上述的公交站点布设方法中,还包括:
统计预设时间间隔内的预定区域内的人流量;
将人流量大于预定阈值的预定区域的中心点作为所述出行点。
根据本发明的另一个实施方式,提供一种公交站点布设装置,包括:
选取模块,用于根据m个出行点选取h个初始聚类中心点,其中,m为大于1的正整数,h为小于或等于m的正整数;
计算模块,用于计算每个出行点的出行作用量;
计算归属模块,用于根据所述出行作用量,分别计算所述出行点到每一初始聚类中心点的距离及将所述出行点归属到与所述出行点距离最小的初始聚类中心点所在的类中;
迭代模块,用于根据每一类中的所有出行点的坐标值计算质心的坐标值及将该类中所述聚类中心点的坐标值更新为所述质心的坐标值,且所述计算归属模块重新执行计算归属操作及所述迭代模块重新执行计算迭代操作直至所述聚类中心点的坐标值变化在预定的误差范围内;
建立确定模块,用于根据每一聚类中心点以及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据所述站点选址模型的值确定最优的站点选址坐标。
根据本发明的又一个实施方式,提供一种计算机终端,所述计算机终端包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机终端执行上述的公交站点布设方法。
根据本发明的再一个实施方式,提供一种计算机可读存储介质,其存储有上述的计算机终端中所使用的所述计算机程序。
本公开的实施例提供的技术方案可以包括如下有益效果:
本发明中一种公交站点布设方法、装置及计算机终端,通过对预定区域出行人口聚集点进行分析,以居民对站点距离的容忍程度、站点建设和维护成本等为约束条件,建立计算迭代模型,从而实现公交运行和居民出行的成本最优化。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的公交站点布设方法的流程示意图。
图2a至图2f示出了本发明实施例提供的出行点分类过程示意图。
图3a至图3c示出了本发明实施例提供的Voronoi图形成过程示意图。
图4示出了本发明实施例提供的公交站点布设装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
图1示出了本发明第一实施例提供的一种公交站点布设方法的流程示意图。该公交站点布设方法包括:
在步骤S110中,根据m个出行点选取h个初始聚类中心点。
本实施例中,可统计预设时间间隔内的预定区域内的人流量,将人流量大于预定阈值的预定区域的中心点作为出行点。在一些其他的实施例中,还可以将出行人流量最高的点作为出行点。
在预定的规划区域内选取m个出行点。其中,m为大于1的正整数。
具体地,可在地图上对预定的规划区域内的居民出行点进行标注并显示,同时创建二维坐标系Ω,Ωi(x,y)是第i个出行点的坐标,其中,i=1,2,…m。如图2a所示为预定的规划区域内所有出行点的分布图,“○”为出行点。
在m个出行点中选取h个初始聚类中心点,坐标为Θj(x,y),j=1,2,…h。
本实施例中,可在m个出行点中随机选取h个出行点作为初始聚类中心点。在一些其他的实施例中,还可以根据m个出行点绘制直方图,根据直方图选取h个初始聚类中心点。在另一些其他的实施例中,还可以选取m个出行点中前h个出行点作为初始聚类中心点。其中,h≤m。
如图2b所示,为了在图中更清楚的说明算法,令h=2,“+”对应坐标点为选取的第一个初始聚类中心点,“*”对应坐标点为选取的第二个初始聚类中心点。还可根据初始聚类中心点的坐标,通过移位操作使两初始聚类中心点的位置与其他出行点的位置之间的区别更明显,以使算法中的分类过程更明显的呈现出来,便于用户理解。
在步骤S120中,根据出行点的属性修正系数计算每个出行点的出行作用量。
在公交站点布设的时候,除了考虑出行点自身的坐标数据之外,还应考虑出行点的属性修正系数的影响,以使公交站点布设时向商业区域、工业区域或生活区域等靠近,增加站点布设的智能性。
所述属性修正系数可以包括商业属性修正系数(距离商业店铺、商业街道等商业区域越近,商业属性修正系数越高)、工业属性修正系数(距离工厂、企业、单位等工业区域越近,工业属性修正系数越高)、生活区属性修正系数(距离小区、市场、街道等生活区域越近,生活区属性修正系数越高)等。
进一步地,所述出行作用量可通过下式获得:
Zi=(1+αi)(1+βi)(1+γi)
其中,Zi为第i个出行点的出行作用量,αi为第i个出行点的商业属性修正系数,αi∈[0,5),βi为第i个出行点的工业属性修正系数,βi∈[0,5),γi为第i个出行点的生活属性修正系数,γi∈[0,5),i=1,2,…m。
在步骤S130中,根据出行作用量,分别计算出行点到每一初始聚类中心点的距离及将出行点归属到与出行点距离最小的初始聚类中心点所在的类中。
在所有出行点中选取第一个出行点,分别计算该第一个出行点到所有初始聚类中心点的距离,将计算的所有距离进行对比,选取距离最小的初始聚类中心点,将该第一个出行点归属到该距离最小的初始聚类中心点所在的类中。
根据上述方法将上述的第一个出行点归属到对应的类中后,继续选取第二个出行点,分别计算该第二个出行点到所有初始聚类中心点的距离,将计算的所有距离进行对比,选取距离最小的初始聚类中心点,将该第二个出行点归属到该距离最小的初始聚类中心点所在的类中。
第二个出行点归属到对应的类中后,继续选取第三个出行点,通过上述算法归属到对应的类中后,继续选取第四个出行点,直至所有出行点均归属到对应的类中。
如图2c中,在对所有出行点进行第一次归属后,包含“+”的圆为归属到第一个初始聚类中心点“+”所在类中的所有出行点,包含“*”的圆为归属到第二个初始聚类中心点“*”所在类中的所有出行点。
进一步地,所述出行点到初始聚类中心点的距离通过下式获得:
其中,l(i)为第i个出行点到第j个初始聚类中心点的距离,Ωi(x,y)为第i个出行点坐标,Θj(x,y)为第j个初始聚类中心点的坐标,j=1,2,…h。
一出行点到所有的初始聚类中心点的最小距离可通过下式表示:
在步骤S140中,根据每一类中的所有出行点的坐标值计算质心的坐标值及将该类中聚类中心点的坐标值更新为质心的坐标值。
所述出行点经过一次归属后,如图2c所示,有一部分出行点归属到第一个初始聚类中心点“+”所在的类中,另一部分出行点归属到第二个初始聚类中心点“*”所在的类中,定义第一个初始聚类中心点所在的类为第一个类,定义第二个初始聚类中心点所在的类为第二个类。
计算第一个类中所有出行点的质心的坐标值,并将该第一个类中的聚类中心点的坐标值更新为该类的质心的坐标值。
进一步地,所述质心的坐标值可通过下式获得:
其中,Ψ(x,y)为质心坐标,ξ为该类中所有出行点的个数。
如图2d所示,将每个类中的聚类中心点的坐标值更新为该类的质心的坐标值后,该聚类中心点较之未更新前更靠近出行点。
在步骤S150中,判断聚类中心点的坐标值变化是否在预定的误差范围内。
对所有出行点进行第一次归属后,计算该类的质心的坐标值与该类中初始的聚类中心的坐标值之间的差值,若所述差值在预定的误差范围内,前进至步骤S160。若所述差值不在预定的误差范围内,前进至步骤S130,对所述出行点进行第二次、第三次或更多次的归属。
在对所述出行点进行第二次归属时,计算所有出行点与每一更新后的聚类中心点之间的距离,将出行点归属到与所述出行点距离最小的聚类中心点对应的类中,及计算每一类中的质心的坐标值,并将该类中的聚类中心点的坐标值更新为所述质心的坐标值。如图2e所示,在经过第二次归属后,所述出行点的分类较之第一次归属后更分明。
每一次归属后,该聚类中心点对应的类中出行点出现变化,不断将距离聚类中心点最近的点归属到所述聚类中心点对应的类中,此时,由于该类中出行点的变化导致对应的该类中的聚类中心点的坐标同样发生变化。
在更新前的所述聚类中心点的坐标值与更新后聚类中心点的坐标值之间的变化在预设的误差范围内时,停止对所有出行点的归属操作,此时,如图2f所示,将所有出行点分为两类,每一类对应一个聚类中心点,该聚类中心点为该类的质点。
在步骤S160中,根据每一聚类中心点及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据站点选址模型的值确定最优站点选址坐标。
进一步地,“每一聚类中心点周围的至少一个可选点”包括:
根据所述聚类中心点建立Voronoi图;
根据所述Voronoi图在每一聚类中心点对应的分割区域内选取至少一个可选点。
例如,若通过上述步骤获取6个聚类中心点有A、B、C、D、E及F,该6个聚类中心点的位置如图3a所示。
以该6个聚类中心点绘制Voronoi图,该Voronoi图由一组由连接两相邻控制点直线的垂直平分线组成的连续多边形组成,如图3b所示。
如图3c所示,虚线部分即为连接两相邻控制点直线的垂直平分线组成的连续多边形,虚线将平面分成6个分割区域,每一分割区域内对应一聚类中心点。
在每一聚类中心点Θk(x,y)对应的分割区域内随机选取至少一个可选点其中,为第k个分割区域内第o个可选点。
进一步地,所述站点选址模型为:
其中,εk为建设维修成本修正系数,εk≥0,ηk为线路交叠时间成本修正系数,ηk≥0,σk为其他因素修正系数,σk≥0,为在第o个聚类中心周围的第k个可选点坐标,o=1,2,…h,为可选点的冲激值,N为预先设定的布设的站点数目。
进一步地,“根据站点选址模型的值确定最优站点选址坐标”包括:
将所有聚类中心点的坐标值及所有可选点的坐标值代入所述站点选址模型中,计算所述站点选址模型的值。
将所有站点模型的值进行对比,得到最小的站点选址模型的值,在所述站点选址模型的值最小时,判断所述可选点的冲激值是否为1。
若所述可选点的冲激值为1,所述可选点被选中,将所述可选点坐标作为最优的站点选址坐标;
若所述可选点的冲激值为0,所述可选点未被选中。
例如,可选点对应冲击值可通过下述方式表示:
值得注意的是,上述所有的修正系数,如商业属性修正系数αi、工业属性修正系数βi、生活属性修正系数γi、建设维修成本修正系数εk、线路交叠时间成本修正系数ηk、其他因素修正系数σk等均为预先根据统计数据获取的经验值,不同规划区域对应的所述修正系数均不相同。
实施例2
图4示出了本发明实施例提供的一种公交站点布设装置的结构示意图。该公交站点布设装置400对应于实施例1中的公交站点布设方法,实施例1中的任何可选项也适用于本实施例,这里不再详述。
所述公交站点布设装置400包括获取模块410、出行作用量计算模块420、计算归属模块430、迭代模块440及建立确定模块450。
获取模块410,用于用于根据m个出行点选取h个初始聚类中心点,其中,m为大于1的正整数,h为小于或等于m的正整数。
出行作用量计算模块420,用于根据所述出行点的属性修正系数计算每个出行点的出行作用量。
计算归属模块430,用于根据所述出行作用量,分别计算所述出行点到每一初始聚类中心点的距离及将所述出行点归属到与所述出行点距离最小的初始聚类中心点所在的类中。
迭代模块440,用于根据每一类中的所有出行点的坐标值计算质心的坐标值及将该类中所述聚类中心点的坐标值更新为所述质心的坐标值,且所述计算归属模块430重新执行计算归属操作及所述迭代模块440重新执行计算迭代操作直至所述聚类中心点的坐标值变化在预定的误差范围内;
建立确定模块450,用于根据每一聚类中心点以及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据所述站点选址模型的值确定最优的站点选址坐标。
本发明还提供了一种计算机终端,该计算机终端可以包括计算机、个人电脑、服务器等。该计算机终端包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使计算机终端执行上述公交站点布设方法或者上述公交站点布设装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据计算机终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机终端中使用的所述计算机程序。
至此,本发明实施例提供了一种公交站点布设方法公交站点布设方法、装置及计算机终端,通过对预定区域出行人口聚集点进行分析,以居民对站点距离的容忍程度、站点建设和维护成本等为约束条件,建立计算迭代模型,从而实现公交运行和居民出行的成本最优化。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种公交站点布设方法,其特征在于,包括:
S1根据m个出行点选取h个初始聚类中心点,其中,m为大于1的正整数,h为小于或等于m的正整数;
S2根据所述出行点的属性修正系数计算每个出行点的出行作用量;
S3根据所述出行作用量,分别计算所述出行点到每一初始聚类中心点的距离及将所述出行点归属到与所述出行点距离最小的初始聚类中心点所在的类中;
S4根据每一类中的所有出行点坐标计算质心的坐标值及将该类中所述聚类中心点的坐标值更新为所述质心的坐标值,重复执行步骤S3及S4直至所述聚类中心点的坐标值变化在预定的误差范围内;
S5根据每一聚类中心点以及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据所述站点选址模型的值确定最优的站点选址坐标。
2.根据权利要求1所述的公交站点布设方法,其特征在于,所述出行作用量通过下式获得:
Zi=(1+αi)(1+βi)(1+γi)
其中,Zi为第i个出行点的出行作用量,所述属性修正系数包括商业属性修正系数、工业属性修正系数及生活属性修正系数,αi为第i个出行点的商业属性修正系数,αi∈[0,5),βi为第i个出行点的工业属性修正系数,βi∈[0,5),γi为第i个出行点的生活属性修正系数,γi∈[0,5),i=1,2,3,…m。
3.根据权利要求2所述的公交站点布设方法,其特征在于,所述出行点到每一初始聚类中心点的距离通过下式获得:
其中,l(i)为第i个出行点到第j个初始聚类中心点的距离,Ωi(x,y)为第i个出行点坐标,Θj(x,y)为第j个初始聚类中心点的坐标,j=1,2,3,…h。
4.根据权利要求3所述的公交站点布设方法,其特征在于,所述质心坐标通过下式获得:
其中,Ψ(x,y)为质心坐标,ξ为该类中所有出行点的个数。
5.根据权利要求1所述的公交站点布设方法,其特征在于,所述“每一聚类中心点周围的至少一个可选点”包括:
根据所述聚类中心点建立Voronoi图;
根据所述Voronoi图在每一聚类中心点对应的分割区域内选取至少一个可选点。
6.根据权利要求1所述的公交站点布设方法,其特征在于,所述站点选址模型为:
其中,εk为建设维修成本修正系数,εk≥0,ηk为线路交叠时间成本修正系数,ηk≥0,σk为其他因素修正系数,σk≥0,为在第o个聚类中心周围的第k个可选点坐标,o=1,2,3,…h,
为可选点的冲激值,N为预先布设的站点数目。
7.根据权利要求6所述的公交站点布设方法,其特征在于,所述“根据所述站点选址模型的值确定最优的站点选址坐标”包括:
将所有聚类中心点的坐标值及所有可选点的坐标代入所述站点选址模型中,计算所述站点选址模型的值;
将所有站点模型的值进行对比,在所述站点选址模型的值最小时,判断所述可选点的冲激值是否为1;
若所述可选点的冲激值为1,确定所述可选点坐标为最优的站点选址坐标;
若所述可选点的冲激值为0,所述可选点未被选中。
8.一种公交站点布设装置,其特征在于,包括:
选取模块,用于根据m个出行点选取h个初始聚类中心点,其中,m为大于1的正整数,h为小于或等于m的正整数;
出行作用量计算模块,用于根据所述出行点的属性修正系数计算每个出行点的出行作用量;
计算归属模块,用于根据所述出行作用量,分别计算所述出行点到每一初始聚类中心点的距离及将所述出行点归属到与所述出行点距离最小的初始聚类中心点所在的类中;
迭代模块,用于根据每一类中的所有出行点的坐标值计算质心的坐标值及将该类中所述聚类中心点的坐标值更新为所述质心的坐标值,且所述计算归属模块重新执行计算归属操作及所述迭代模块重新执行计算迭代操作直至所述聚类中心点的坐标值变化在预定的误差范围内;
建立确定模块,用于根据每一聚类中心点以及每一聚类中心点周围的至少一个可选点建立站点选址模型,根据所述站点选址模型的值确定最优的站点选址坐标。
9.一种计算机终端,其特征在于,所述计算机终端包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机终端执行权利要求1至7任一项所述的公交站点布设方法。
10.一种计算机存储介质,其特征在于,其储存有权利要求9所述计算机终端中所用的所述计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960322.9A CN109145989B (zh) | 2018-08-22 | 2018-08-22 | 公交站点布设方法、装置及计算机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810960322.9A CN109145989B (zh) | 2018-08-22 | 2018-08-22 | 公交站点布设方法、装置及计算机终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145989A true CN109145989A (zh) | 2019-01-04 |
CN109145989B CN109145989B (zh) | 2021-07-06 |
Family
ID=64790796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810960322.9A Expired - Fee Related CN109145989B (zh) | 2018-08-22 | 2018-08-22 | 公交站点布设方法、装置及计算机终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145989B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127284A (zh) * | 2019-11-11 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 交通停靠站点的选址方法、推荐方法、设备及存储介质 |
CN111476409A (zh) * | 2020-03-30 | 2020-07-31 | 海南太美航空股份有限公司 | 一种新航线开通的预测方法、系统及设备 |
CN111597277A (zh) * | 2019-02-21 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 电子地图中的站点聚合方法、装置、计算机设备和介质 |
CN116452245A (zh) * | 2023-06-15 | 2023-07-18 | 跨越速运集团有限公司 | 一种物流场站选址方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166895A (zh) * | 2014-07-28 | 2014-11-26 | 浙江工业大学 | 公共自行车调度区域划分方法 |
CN105243837A (zh) * | 2015-11-03 | 2016-01-13 | 东南大学 | 一种公交客流走廊甄别方法 |
CN105654206A (zh) * | 2016-01-06 | 2016-06-08 | 南通大学 | 基于乘客出行空间分布的公交站点选址布局优化方法 |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
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 |
CN107392360A (zh) * | 2017-07-01 | 2017-11-24 | 广东电网发展研究院有限责任公司 | 一种电动公交车充电站的规划方法 |
CN107590560A (zh) * | 2017-09-04 | 2018-01-16 | 佛山佳牧乐科技有限公司 | 一种配送中心的选址方法和装置 |
CN107703847A (zh) * | 2017-09-29 | 2018-02-16 | 泰华智慧产业集团股份有限公司 | 一种集控器选址方法及传感器监控系统 |
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
CN107833083A (zh) * | 2017-09-25 | 2018-03-23 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
CN107832779A (zh) * | 2017-12-11 | 2018-03-23 | 北方工业大学 | 一种轨道站点分类系统 |
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
CN107958298A (zh) * | 2016-10-18 | 2018-04-24 | 上海师范大学 | 一种基于聚类算法的物流网点的选取方法 |
CN108182446A (zh) * | 2017-12-13 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于聚类算法的司机常驻地预测方法及装置 |
-
2018
- 2018-08-22 CN CN201810960322.9A patent/CN109145989B/zh not_active Expired - Fee Related
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166895A (zh) * | 2014-07-28 | 2014-11-26 | 浙江工业大学 | 公共自行车调度区域划分方法 |
CN105243837A (zh) * | 2015-11-03 | 2016-01-13 | 东南大学 | 一种公交客流走廊甄别方法 |
CN105654206A (zh) * | 2016-01-06 | 2016-06-08 | 南通大学 | 基于乘客出行空间分布的公交站点选址布局优化方法 |
CN107958298A (zh) * | 2016-10-18 | 2018-04-24 | 上海师范大学 | 一种基于聚类算法的物流网点的选取方法 |
CN106503845A (zh) * | 2016-10-21 | 2017-03-15 | 国网山东省电力公司烟台供电公司 | 一种基于v图和hs算法的充电站布局规划方法 |
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 |
CN107392360A (zh) * | 2017-07-01 | 2017-11-24 | 广东电网发展研究院有限责任公司 | 一种电动公交车充电站的规划方法 |
CN107590560A (zh) * | 2017-09-04 | 2018-01-16 | 佛山佳牧乐科技有限公司 | 一种配送中心的选址方法和装置 |
CN107833083A (zh) * | 2017-09-25 | 2018-03-23 | 阿里巴巴集团控股有限公司 | 一种货物订单处理方法、装置、服务器、购物终端及系统 |
CN107703847A (zh) * | 2017-09-29 | 2018-02-16 | 泰华智慧产业集团股份有限公司 | 一种集控器选址方法及传感器监控系统 |
CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
CN107871184A (zh) * | 2017-11-16 | 2018-04-03 | 南京邮电大学 | 一种面向区域充电设施的电动汽车充电站的选址方法 |
CN107729938A (zh) * | 2017-12-11 | 2018-02-23 | 北方工业大学 | 一种基于公交接驳辐射区特征的轨道站点分类方法 |
CN107832779A (zh) * | 2017-12-11 | 2018-03-23 | 北方工业大学 | 一种轨道站点分类系统 |
CN108182446A (zh) * | 2017-12-13 | 2018-06-19 | 北京中交兴路信息科技有限公司 | 一种基于聚类算法的司机常驻地预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
朱广宇等: "一种基于Voronoi图的公交站点选址模型研究", 《交通运输研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597277A (zh) * | 2019-02-21 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 电子地图中的站点聚合方法、装置、计算机设备和介质 |
CN111597277B (zh) * | 2019-02-21 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 电子地图中的站点聚合方法、装置、计算机设备和介质 |
CN111127284A (zh) * | 2019-11-11 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 交通停靠站点的选址方法、推荐方法、设备及存储介质 |
CN111127284B (zh) * | 2019-11-11 | 2023-06-20 | 阿里巴巴集团控股有限公司 | 交通停靠站点的选址方法、推荐方法、设备及存储介质 |
CN111476409A (zh) * | 2020-03-30 | 2020-07-31 | 海南太美航空股份有限公司 | 一种新航线开通的预测方法、系统及设备 |
CN116452245A (zh) * | 2023-06-15 | 2023-07-18 | 跨越速运集团有限公司 | 一种物流场站选址方法、装置、设备及存储介质 |
CN116452245B (zh) * | 2023-06-15 | 2023-09-01 | 跨越速运集团有限公司 | 一种物流场站选址方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109145989B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145989B (zh) | 公交站点布设方法、装置及计算机终端 | |
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
US20170091350A1 (en) | Near real-time modeling of pollution dispersion | |
CN112325892B (zh) | 一种基于改进a*算法的类三维路径规划方法 | |
US8706458B2 (en) | Traffic sensor management | |
CN104731963B (zh) | 一种基于车联网的网格化路径推荐方法及系统 | |
KR101517898B1 (ko) | 도시형태결정요소 기반의 공간개발 패턴 추정 시스템 및 방법 | |
CN114815802A (zh) | 一种基于改进蚁群算法的无人天车路径规划方法和系统 | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
CN111814079A (zh) | 结合聚类与cmab的群智感知车联网用户筛选方法 | |
CN107220724A (zh) | 客流量预测方法及装置 | |
CN112348867A (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
CN116828515A (zh) | 一种车联网下基于时空图卷积的边缘服务器负载预测方法 | |
CN115829124A (zh) | 充电桩选址方法、装置、设备及存储介质 | |
CN115218916A (zh) | 一种安全性路径规划方法、装置 | |
CN114418606B (zh) | 基于时空卷积网络的网约车订单需求预测方法 | |
CN105243354A (zh) | 一种基于目标特征点的车辆检测方法 | |
CN110750573A (zh) | 一种基于网格化和时空聚类的交通拥堵演化规律的识别方法 | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
CN115499848B (zh) | 一种应用于车路协同路侧传感器部署优化方法 | |
Yang et al. | New efficient regression method for local AADT estimation via SCAD variable selection | |
CN116542692A (zh) | 网点选址方法、装置、电子设备及计算机可读存储介质 |
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: 20210706 |