CN109345117A - 一种多维数据驱动的交通运输主体综合画像方法 - Google Patents

Abstract

本发明公开了一种多维数据驱动的交通运输主体综合画像方法，该方法具体包括：对综合交通运输主体的原始运营数据进行采集；根据交通运输主体的原始运营数据，实现对核心画像元素的提取，并对核心画像元素进行分级；对交通运输主体的综合画像元素进行多维度的运营特征分析；结合各交通运输行业画像元素特征，建立交通运输主体的综合画像属性标签库，对画像元素进行综合评价；筛选交通运输主体的画像属性标签，生成基于交通运输主体的综合画像；通过绘制针对交通运输主体的综合画像，实现对综合交通运输企业运营特征的刻画和描述，加强对综合交通运输企业运营服务现状的全局掌控。

Description

一种多维数据驱动的交通运输主体综合画像方法

技术领域

本发明涉及一种多维数据驱动的交通运输主体综合画像技术，用以分析评价综合交通运输企业的运营特征，属于综合交通运输数据挖掘应用与数据可视化领域。

背景技术

传统的交通运输市场主体，缺乏对各个行业内部的运营企业的管理模式、系统智能程度、人员分配合理性、决策科学程度等方面定量化的评判，无法获取各企业的全局性评价结果，难以预估各企业的信用等级及企业质量。目前的企业质量信誉考核分散，未实现跨领域综合评分，难以对涵盖多领域企业进行科学、客观的评价。并且，其内部的管理运营系统生成的动静态数据未得到良好的挖掘，各个系统相对分隔，建设内容互相割裂，大量的数据信息资源和应用成果累积在各企业的各级管理部门中，形成了部门格局化；同时交通运输行业缺乏对多源异构数据信息资源的整合技术，制约了对交通运输市场综合特征的提取、发展的预测和异常行为的预警预判等；缺乏交通运输市场的画像技术，难以直观地展示各个交通运输市场的现状、信用等级和发展趋势，严重影响管理决策的准确性和及时性。

交通运输市场主体的综合画像能够全面、动态地展示企业的全生命周期的全过程化描述，直观地显示交通运输行业各企业的历史进程、运营现状及发展趋势，适应新的管理体制和发展战略要求，有效整合交通运输市场资源要素，提高交通运输监管效能。因此，研发交通运输市场的综合画像技术具有重要意义。

本方法利用交通运输综合静态数据库和交通运输动态监管数据库，针对交通运输主体开展不同交通运输行业运行特征辨识技术研究，通过对各领域交通运行特征的定义、提取和融合，构建反映交通运行特征的指标项。分析各交通运输行业核心影响因素，构建深度反映各领域运行服务特征的多等级的画像元素集，最终从业务需求出发，针对画像元素的应用情况构建了交通运输主体的综合画像属性标签库，支撑常态化运行特征分析，实现针对交通运输主题的综合画像，以及对交通运输服务现状的全局掌控。

发明内容

本发明的目的在于提出一种多维数据驱动的交通运输主体综合画像技术，用于分析评价综合交通运输主体所涵盖的各部分交通运输行业的运营特征，包括公交、出租、省际、货运、旅游、停车、水运、维修和租赁等多个交通运输行业，对各交通运输行业的运营数据进行提取和融合，从多角度综合反映综合交通运输主体的运营情况和运营特征，构建深度反映交通运输主体运营特征的综合画像技术。

为了实现上述目的，本发明采用的技术方案为一种多维数据驱动的交通运输主体综合画像方法，该方法具体包括如下步骤：

步骤1，交通运输主体的综合画像数据采集；

步骤1.1，对综合交通运输主体所涵盖各交通运输行业的原始运营数据进行采集；

基于不同时空维度的运输主体动、静态数据常态化的共享交换和综合利用，研发跨企业、跨系统企业动态监管数据交互架构技术，整合跨行业运营市场主体全生命周期生成的各类动静态多源数据，构建包括基础信息数据库、业务关联数据库等运输主体综合动、静态数据库，为运输主体多维度画像提供数据支撑。

数据库的主体框架中涵盖公交、出租、汽车租赁、旅游客运、省际客运、货运、水运(地方海事)、机动车维修、停车等多个交通运输行业，可根据实际企业的营业范围应用相应的子数据库。数据来源涉及政府、行业监管部门、企业运营部门及社会资源等复杂主体，实现不同时空维度动态数据常态化的抽取、格式转换迁移、内容过滤整合、内容转换、同异步传输、录入与存储、共享交换和动态部署等，多角度反映企业的实际情况。

表1道路运输数据库基本数据

表2城市客运数据库基本数据

步骤1.2，根据交通运输主体的原始运营数据，实现对核心画像元素的提取，并对核心画像元素进行分级。

核心画像元素共分为三级，分别为宏观画像元素集、中观画像元素集和微观画像元素集，宏观画像元素集为交通运输主体包含的公交、出租、汽车租赁、旅游客运、省际客运、货运、水运(地方海事)、机动车维修、停车等行业；中观画像元素为运输安全、经营行为、服务质量、企业管理、社会责任、运营监管等方面；微观画像元素为具体指标。

核心画像元素集涵盖运输安全、经营行为、服务质量、企业管理、社会责任、运营监管等6个方面，涵盖画像元素47项，如表3所示。

表3核心画像元素集

步骤2，交通运输主体的综合画像元素特征分析；

对画像元素数据进行统计、分析、评价，提取不同交通运输主体的运营特征。从运输安全、经营行为、服务质量、企业管理以及社会责任五个方面，对不同画像元素建立评分标准并进行打分，建立优秀、良好、中等、不合格等标签属性。运营监管画像元素不作为交通运输主体的评分标准，针对画像元素进行时空特征分析，提取各画像元素的时空分布属性，作为各行业的运营特征并生成综合画像属性标签。

表4微观画像元素属性提取

步骤3，结合各交通运输行业画像元素特征，建立交通运输主体的综合画像属性标签库；

步骤3.1，构建画像元素集及评语集；

根据画像元素集，设定宏观、中观、微观评价元素集：A＝{A₁，A₂，...，A_m}，A_i＝{A_i1，A_i2，...，A_ig},A_ij＝{A_ij1，A_ij2，...，A_ijh}，评语集V＝{V₁，V₂，...，V_q}。

步骤3.2，确定各画像元素权重；

分别计算各画像元素的主观权重和客观权重。设有m维画像元素向量A＝(A₁，A₂，...，A_m)，协方差矩阵为∑，分解成n维公因子F＝(F₁，F₂，...，F_n)^T和一个m维特殊因子ε＝(ε₁，ε₂，...，ε_m)^T，因子载荷矩阵为其模型可表示为公式：

A_i＝a_i1F₁+a_i2F₂+...+a_inF_n+ε_i，i＝1,2,…,m

满足n≤m；Cov(F，ε)＝0；E(f)＝0，V(f)＝I；

E(ε)＝0，V(ε)＝D＝diag(σ12，σ22，...，σp2)

n维公因子对第i个画像元素A_i的方差贡献率为：

随后，计算因子载荷矩阵，并进行最大方差正交旋转，得到旋转成分矩阵，最终通过回归法确立得分函数。

因此，最终微观画像元素集定量表示为S＝β₁A₁+β₂A₂+...+β_mA_m，β_i反映了各画像元素的变化对公因子的影响程度。

主观权重由层次分析法计算得出。

各画像元素的权重由乘法归一化公式求得，公式如下：

根据主观和客观的画像权重计算方法，分别得到宏观画像元素集的权重向量W＝(w₁，w₂，...，w_m)^T，中观画像元素集的权重向量W_i＝(w_i1，w_i2，...，w_im)^T，微观画像元素集的权重向量W_ij＝(w_ij1，w_ij2，…，w_ijm)^T。

步骤3.3，计算综合评价向量和综合评价值；

各微观元素的隶属度用各评价等级的评价企业数量占总企业数量的比例表示。模糊评价矩阵由中观画像元素下的微观画像元素对各评价等级的隶属度构成。

其中，r_ik1～r_ikn依次为微观元素集第k各元素对n个评价等级的隶属度。

对各画像元素集的权重向量与模糊评价矩阵进行加权平均型运算，获得模糊综合评价向量。宏观画像元素综合评价向量计算为Q_ij＝W_ij·R_ij，用Q_i1～Q_in构成的中观画像元素集的模糊评价矩阵R_i与权重向量W_i进行加权平均型运算，综合评价向量计算公式为Q_i＝W_i·R_i。同理，宏观画像元素及的综合评价向量计算公式为Q＝W·R，最后计算综合评价值C＝QV＝(b₁，b₂，...，b_q)^T·(V₁，V₂，...，V_q)^T。

将Q归一化，若q_t＝max(q₁，q₂，...，q₅)，则选择隶属度最大的等级，评价对象为t等级。

步骤4，基于交通运输主体的画像属性标签，生成基于交通运输主体的综合画像；

所述步骤1.1中，交通运输主体涵盖公交、出租、省际、货运、旅游、停车、水运、维修和租赁等多个交通运输行业，运营数据来源主要包括各行业动静态运行监测数据，行业统计报表数据，申请与审批、年检、客户评价、智能巡查、信用体系评价等数据，数据内容主要包括运输安全、经营行为、服务质量、企业管理、社会责任、运营监管六个方面。

所述步骤1.2中，基于综合交通运输主体所涵盖各交通运输行业的运营数据，通过对各交通运输行业数据特征提取、数据关联计算，提炼并定义涵盖不同维度的运营监测指标计算模型，作为该行业的核心画像元素，形成涵盖公交、出租、省际、货运、旅游、停车、水运、维修和租赁等九个行业的核心画像元素集，并分为运输安全、经营行为、服务质量、企业管理、社会责任、运营监管六大类。

所述步骤2中，对运输安全、经营行为、服务质量、企业管理以及社会责任五个方面画像元素进行打分，建立优秀、良好、中等、不合格等四个标签属性。对运营监管画像元素进行时空特征分析，提取各画像元素的时空分布属性，作为各行业的运营特征并生成综合画像属性标签。

所述步骤3中，基于模糊综合评价法和画像元素数据，根据交通运输主体涵盖的行业选择合适的中观元素集和微观元素集，从运输安全、经营行为、服务质量、企业管理、社会责任五个方面对企业进行质量信誉评价，不同层级分别打分。并根据运营监管的特征，从画像元素的时间变化特征反映企业的发展趋势；从画像元素的横向对比特征反映企业的运营现状，通过“发展趋势+运营现状”的方式，分别描绘各交通运输主体各行业的属性标签，并建立交通运输主体的综合画像属性标签库。

与现有技术相比，本发明具有以下明显的优势和有益效果：

(1)涵盖九大交通运输行业的多维动静态数据，形成对不同交通运输主体、不同交通行业数据的基础汇聚、主题汇聚和服务汇聚，实现跨平台的不同时空维度的动静态数据常态化互通、共享、交换和综合利用。

(2)结合不同交通运输主体、不同交通运输行业的多源交通运输动静态大数据，实现对不同交通运输主体所涵盖不同交通运输行业的综合评价，满足了互联网新业态下行业监管和企业运营的多角度分析需求。

(3)以综合交通运输运营监测数据为基础，通过对数据特征提取、数据关联计算，提炼并定义了涵盖不同时空维度的多维监测指标为核心画像元素集，实现对综合交通运输企业运营状态的常态化、连续性的刻画和描述。

(4)基于综合交通运输行业的多维动静态数据，对综合交通运输企业所涵盖交通运输行业的运营特征进行分析，提取核心画像元素并制定属性标签，绘制针对交通运输主体的综合画像，加强对综合交通运输企业运营服务现状的全局掌控。

附图说明

图1基于交通运输主体的综合画像方法流程图；

图2数据源构架图；

图3本方法的实施流程图。

具体实施方式

本发明以综合交通运输主体为研究对象，针对各综合交通运输主体所涵盖的交通运输行业，利用动静态运营监测数据和统计报表数据对综合交通运输主体进行综合画像绘制，该方法具体包括如下步骤，技术流程如图1所示：

步骤1，交通运输主体的综合画像数据采集；

步骤1.1，对综合交通运输主体所涵盖各交通运输行业的原始运营数据进行采集；

以“北京市交通委员会运输管理局行政许可执法及电子监察系统”、“运输行业信用信誉与监管巡查系统”、“北京市道路运输车辆动态信息公共服务平台”三个信息化基础平台为基础，结合租赁、维修、旅游等行业业务系统，形成了涵盖运输行业行政许可、事中事后监管执法、运营主体质量信誉考核、运输行业综合服务的信息化闭环，采集各领域行业静态、动态数据，获取经营业户、营运车辆、从业人员等基本信息，以及七大类车辆动态实时数据和车辆信息等动态信息和系统监管数据，汇聚和集成现有的多模式交通运输行业海量运营数据，以获取公交、出租、省际、货运、旅游、停车、水运、维修和租赁等九个交通运输行业的企业基本信息、财务状况、运营情况、业务需求、社会效益等方面的动静态运行监测数据、行业统计报表数据等。数据源系统构架如图2所示。

步骤1.2，根据交通运输主体的原始运营数据，实现对核心画像元素的提取，并对核心画像元素进行分级。

交通运输主体A共涵盖地面公交和省际客运两个行业。根据交通运输主体A的原始运营数据，能够提取的地面公交和省际客运行业的核心画像元素集如下表所示。

表5交通运输主体A核心画像元素集

步骤2，交通运输主体的综合画像元素特征分析；

对交通运输主体A的画像元素数据进行统计、分析、评价，提取不同交通运输主体的运营特征。从运输安全、经营行为、服务质量、企业管理以及社会责任五个方面，通过对画像元素进行打分，建立优秀(85-100分)、良好(75-84分)、中等(60-74分)、不合格(0-59分)等四个标签属性，画像元素评分及属性标签如下表所示：

表6交通运输主体A地面公交核心画像元素属性标签

步骤3，结合各交通运输行业画像元素特征，建立交通运输主体的综合画像属性标签库，生成基于交通运输主体的综合画像；

步骤3.1，构建画像元素集及评语集；

根据交通运输主体A的画像元素集，设定宏观画像元素集A＝{A₁，A₂}；中观画像元素集A_i＝{A_i1，A_i2，...，A_im}，i＝5；微观画像元素A_ij＝{A_ij1，A_ij2，...，A_ijm}；评语集V＝{V₁，V₂，V₃，V₄}。分别为优秀、良好、中等、不合格。

步骤3.2，确定各画像元素权重；

计算交通运输主体A画像元素的权重，结果如下表。

表7交通运输主体A核心画像元素集权重

步骤3.3，计算综合评价向量和综合评价值；

分别计算交通运输主体A的地面公交领域和省际客运领域的各级别画像元素的分数，结果如下表。

表8交通运输主体A各行业各级别元素得分

步骤4，基于交通运输主体的画像属性标签，生成基于交通运输主体的综合画像；

根据以上步骤建立交通运输主体A的画像属性标签库，并生成交通运输主体A的综合画像，如表所示。

表9交通运输主体A综合画像

以上对本发明的实施方式进行了详细描述，但是本发明并不局限于上述实施方式中的具体细节，上述实例只是用于帮助理解本发明的方法及思想。在本发明的技术构思范围中，可以对本发明的技术方案进行多种简单变形，这些简单变形均属于本发明的保护范围。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种多维数据驱动的交通运输主体综合画像方法，其特征在于，该方法具体包括如下步骤：

步骤1，交通运输主体的综合画像数据采集；

步骤1.1，对综合交通运输主体所涵盖各交通运输行业的原始运营数据进行采集；

基于不同时空维度的运输主体动、静态数据常态化的共享交换和综合利用，研发跨企业、跨系统企业动态监管数据交互架构技术，整合跨行业运营市场主体全生命周期生成的各类动静态多源数据，构建包括基础信息数据库、业务关联数据库运输主体综合动、静态数据库，为运输主体多维度画像提供数据支撑；

数据库的主体框架中涵盖公交、出租、汽车租赁、旅游客运、省际客运、货运、水运、机动车维修、停车多个交通运输行业，可根据实际企业的营业范围应用相应的子数据库；数据来源涉及政府、行业监管部门、企业运营部门及社会资源复杂主体，实现不同时空维度动态数据常态化的抽取、格式转换迁移、内容过滤整合、内容转换、同异步传输、录入与存储、共享交换和动态部署；

步骤1.2，根据交通运输主体的原始运营数据，实现对核心画像元素的提取，并对核心画像元素进行分级；

核心画像元素共分为三级，分别为宏观画像元素集、中观画像元素集和微观画像元素集，宏观画像元素集为交通运输主体包含的公交、出租、汽车租赁、旅游客运、省际客运、货运、水运、机动车维修、停车行业；中观画像元素为运输安全、经营行为、服务质量、企业管理、社会责任、运营监管方面；微观画像元素为具体指标；

核心画像元素集涵盖运输安全、经营行为、服务质量、企业管理、社会责任、运营监管6个方面，涵盖画像元素47项；

步骤2，交通运输主体的综合画像元素特征分析；

对画像元素数据进行统计、分析、评价，提取不同交通运输主体的运营特征；从运输安全、经营行为、服务质量、企业管理以及社会责任五个方面，对不同画像元素建立评分标准并进行打分，建立优秀、良好、中等、不合格标签属性；运营监管画像元素不作为交通运输主体的评分标准，针对画像元素进行时空特征分析，提取各画像元素的时空分布属性，作为各行业的运营特征并生成综合画像属性标签；

步骤3，结合各交通运输行业画像元素特征，建立交通运输主体的综合画像属性标签库；

步骤3.1，构建画像元素集及评语集；

根据画像元素集，分别设定宏观、中观、微观评价元素集：A＝{A₁，A₂，...，A_m}，A_i＝{A_i1，A_i2，...，A_ig}，A_ij＝{A_ij1，A_ij2，...，A_ijh}，评语集V＝{V₁，V₂，...，V_q}；

步骤3.2，确定各画像元素权重；

分别计算各画像元素的主观权重和客观权重；设有m维画像元素向量A＝(A₁，A₂，...，A_m)，协方差矩阵为∑，分解成n维公因子F＝(F₁，F₂，...，F_n)^T和一个m维特殊因子ε＝(ε₁，ε₂，...，ε_m)^T，因子载荷矩阵为其模型表示为公式：

A_i＝a_i1F₁+a_i2F₂+...+a_inF_n+ε_i，i＝1，2，...，m

满足n≤m；Cov(F，ε)＝0；E(f)＝0，V(f)＝I；

E(ε)＝0，V(ε)＝D＝diag(σ12，σ22，...，σp2)

n维公因子对第i个画像元素A_i的方差贡献率为：

随后，计算因子载荷矩阵，并进行最大方差正交旋转，得到旋转成分矩阵，最终通过回归法确立得分函数；

因此，最终微观画像元素集定量表示为S＝β₁A₁+β₂A₂+...+β_mA_m，β_i反映了各画像元素的变化对公因子的影响程度；

主观权重由层次分析法计算得出；

各画像元素的权重由乘法归一化公式求得，公式如下：

根据主观和客观的画像权重计算方法，分别得到宏观画像元素集的权重向量W＝(w₁，w₂，...，w_m)^T，中观画像元素集的权重向量W_i＝(w_i1，w_i2，...，w_im)^T，微观画像元素集的权重向量W_ij＝(w_ij1，w_ij2，...，w_ijm)^T；

步骤3.3，计算综合评价向量和综合评价值；

各微观元素的隶属度用各评价等级的评价企业数量占总企业数量的比例表示；模糊评价矩阵由中观画像元素下的微观画像元素对各评价等级的隶属度构成；

其中，r_ik1～r_ikn依次为微观元素集第k各元素对n个评价等级的隶属度；

对各画像元素集的权重向量与模糊评价矩阵进行加权平均型运算，获得模糊综合评价向量；宏观画像元素综合评价向量计算为Q_ij＝W_ij·R_ij，用Q_i1～Q_in构成的中观画像元素集的模糊评价矩阵R_i与权重向量W_i进行加权平均型运算，综合评价向量计算公式为Q_i＝W_i·R_i；同理，宏观画像元素及的综合评价向量计算公式为Q＝W·R，最后计算综合评价值C＝QV＝(b₁，b₂，...，b_q)^T·(V₁，V₂，...，V_q)^T；

将Q归一化，若q_t＝max(q₁，q₂，...，q₅)，则选择隶属度最大的等级，评价对象为t等级；

步骤4，基于交通运输主体的画像属性标签，生成基于交通运输主体的综合画像。

2.根据权利要求1所述的一种多维数据驱动的交通运输主体综合画像方法，其特征在于交通运输主体代指涵盖公交、出租、省际、货运、旅游、停车、水运、维修和租赁多个交通运输行业的交通运输企业。

3.根据权利要求1所述的一种多维数据驱动的交通运输主体综合画像方法，其特征在于分别对宏观、中观、微观画像元素建立评价元素集和评语集。

4.根据权利要求1所述的一种多维数据驱动的交通运输主体综合画像方法，其特征在于利用因子分析法计算各画像元素的客观权重，利用层次分析法计算各画像元素的主观权重，由乘法归一化公式计算确定最终权重，最后计算各画像元素的评价值和属性标签，建立交通运输主体的综合画像属性标签库。