CN109410568A - 基于用户画像和换乘规律的下车站点推测方法及系统 - Google Patents
基于用户画像和换乘规律的下车站点推测方法及系统 Download PDFInfo
- Publication number
- CN109410568A CN109410568A CN201811089549.7A CN201811089549A CN109410568A CN 109410568 A CN109410568 A CN 109410568A CN 201811089549 A CN201811089549 A CN 201811089549A CN 109410568 A CN109410568 A CN 109410568A
- Authority
- CN
- China
- Prior art keywords
- user
- stop
- portrait
- website
- bus
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开了基于用户画像和换乘规律的下车站点推测方法及系统,方法包括:根据用户的IC卡交易记录,对用户出行次数进行合并处理;对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;根据第一用户群的用户画像,推测第二用户群的乘客下车站点;系统包括合并模块、统计模块、获取模块、用户画像建立模块和推测模块。本发明能够推导出每张IC卡的出行规律,针对性强,且能够帮助公交运营系统分析乘客的出行习惯,实用性高,可广泛应用于智能交通领域。
Description
技术领域
本发明涉及智能交通领域,尤其是基于用户画像和换乘规律的下车站点推测方法及系统。
背景技术
公交车辆的轨迹数据和IC卡刷卡数据中蕴藏着城市客流、城市居民出行规律、城市居民的乘车需求等有用的信息。现有推算公交乘客OD(Origin-Destination)点的方法是通过手机信号来追踪乘客的上下车状态,这种方法通过关联公交站台和乘客的手机信号,当公交车到站时,通过判断站台上手机信号区的手机信号数量来获取乘客的下车数量。这种方法的缺点在于无法关联到公交IC卡,虽然基于手机信令可以估算大概的站点下车人数,但无法推导每张IC卡出行时对应的下车站点,针对性不高且实用性较低。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种针对性强且实用性高的,基于用户画像和换乘规律的下车站点推测方法及系统。
本发明所采取的技术方案的一方面为:
基于用户画像和换乘规律的下车站点推测方法,包括以下步骤:
根据用户的IC卡交易记录,对用户出行次数进行合并处理;
对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
进一步,所述根据用户的IC卡交易记录,对用户出行次数进行合并处理这一步骤,包括以下步骤:
判断用户是否在第一预设时间内发生了若干次乘车交易,若是,则执行下一步骤;反之,则不做处理;
判断用户若干次乘车交易的站点距离是否超过第一预设距离,若是,则不做处理;反之,则将若干次乘车交易合并为一次乘车交易。
进一步,所述对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录这一步骤,包括以下步骤:
记录用户的第一次上车站点和最后一次上车站点;
判断用户的出行次数是否为2,若是,则将用户加入第一用户群;反之,则对用户的乘车记录进行简化处理,然后将用户加入第二用户群。
进一步,所述对用户的乘车记录进行简化处理这一步骤,包括以下步骤:
根据用户的乘车记录,获取用户连续两次的上车站点信息;
判断用户连续两次交易的间隔时间是否小于第二预设时间,若是,则执行下一步骤;反之,则不做处理;
获取用户在第一个上车站点的对应行车路线中与第二个上车站点之间距离最短的站点,并将该站点标记为用户的第一个下车站点。
进一步,所述根据第一用户群的用户画像,推测第二用户群的乘客下车站点这一步骤,包括以下步骤:
根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率;
根据乘客在各个站点的下车概率,计算第二用户群的吸引矩阵;
对计算得到的吸引矩阵进行归一化处理,得到乘客下车站点的推测结果。
进一步,所述根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率这一步骤,包括以下步骤:
根据第一用户群的用户画像,计算乘客在早高峰上行线路中各个站点的第一下车概率;
根据第一用户群的用户画像,计算乘客在晚高峰上行线路中各个站点的第二下车概率;
根据第二用户群的乘客上车站点,计算乘客在晚高峰上行线路中各个站点的第三下车概率;
根据第二用户群的乘客上车站点,计算乘客在早高峰上行线路中各个站点的第四下车概率。
进一步,还包括以下步骤:
采用Key-Value的存储格式将用户画像存储至HBase中;
其中,所述Key包括IC卡ID、乘坐的车辆信息、上车站点信息、下车站点信息、行驶方向、交通高峰、交通平峰和工作日标志;
所述Value包括用户换乘时的下车站点信息以及出行次数。
进一步,所述用户出行次数根据IC卡的交易次数来确定。
本发明所采取的技术方案的另一方面是:
基于用户画像和换乘规律的下车站点推测系统,包括:
合并模块,用于根据用户的IC卡交易记录,对用户出行次数进行合并处理;
统计模块,用于对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
获取模块,用于根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
用户画像建立模块,用于根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
推测模块,用于根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
本发明所采取的技术方案的又一方面是:
基于用户画像和换乘规律的下车站点推测系统,包括:
存储器,用于存储程序;
处理器,用于加载程序,以执行本发明的基于用户画像和换乘规律的下车站点推测方法。
本发明的有益效果是:本发明通过利用用户的IC卡交易记录,在建立了第一用户群的用户画像之后,能够推测得到第二用户群的下车站点,相较于现有通过手机信号来追踪乘客上下车状态的方法,本发明能够推导出每张IC卡的出行规律,针对性强,且能够帮助公交运营系统分析乘客的出行习惯,实用性高。
附图说明
图1为本发明基于用户画像和换乘规律的下车站点推测方法的步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1,本发明基于用户画像和换乘规律的下车站点推测方法,包括以下步骤:
根据用户的IC卡交易记录,对用户出行次数进行合并处理;
对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
进一步作为优选的实施方式,所述根据用户的IC卡交易记录,对用户出行次数进行合并处理这一步骤,包括以下步骤:
判断用户是否在第一预设时间内发生了若干次乘车交易,若是,则执行下一步骤;反之,则不做处理;
判断用户若干次乘车交易的站点距离是否超过第一预设距离,若是,则不做处理;反之,则将若干次乘车交易合并为一次乘车交易。
进一步作为优选的实施方式,所述对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录这一步骤,包括以下步骤:
记录用户的第一次上车站点和最后一次上车站点;
判断用户的出行次数是否为2,若是,则将用户加入第一用户群;反之,则对用户的乘车记录进行简化处理,然后将用户加入第二用户群。
进一步作为优选的实施方式,所述对用户的乘车记录进行简化处理这一步骤,包括以下步骤:
根据用户的乘车记录,获取用户连续两次的上车站点信息;
判断用户连续两次交易的间隔时间是否小于第二预设时间,若是,则执行下一步骤;反之,则不做处理;
获取用户在第一个上车站点的对应行车路线中与第二个上车站点之间距离最短的站点,并将该站点标记为用户的第一个下车站点。
进一步作为优选的实施方式,所述根据第一用户群的用户画像,推测第二用户群的乘客下车站点这一步骤,包括以下步骤:
根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率;
根据乘客在各个站点的下车概率,计算第二用户群的吸引矩阵;
对计算得到的吸引矩阵进行归一化处理,得到乘客下车站点的推测结果。
进一步作为优选的实施方式,所述根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率这一步骤,包括以下步骤:
根据第一用户群的用户画像,计算乘客在早高峰上行线路中各个站点的第一下车概率;
根据第一用户群的用户画像,计算乘客在晚高峰上行线路中各个站点的第二下车概率;
根据第二用户群的乘客上车站点,计算乘客在晚高峰上行线路中各个站点的第三下车概率;
根据第二用户群的乘客上车站点,计算乘客在早高峰上行线路中各个站点的第四下车概率。
进一步作为优选的实施方式,还包括以下步骤:
采用Key-Value的存储格式将用户画像存储至HBase中;
其中,所述Key包括IC卡ID、乘坐的车辆信息、上车站点信息、下车站点信息、行驶方向、交通高峰、交通平峰和工作日标志;
所述Value包括用户换乘时的下车站点信息以及出行次数。
进一步作为优选的实施方式,所述用户出行次数根据IC卡的交易次数来确定。
与图1的方法相对应,本发明基于用户画像和换乘规律的下车站点推测系统,包括:
合并模块,用于根据用户的IC卡交易记录,对用户出行次数进行合并处理;
统计模块,用于对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
获取模块,用于根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
用户画像建立模块,用于根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
推测模块,用于根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
与图1的方法相对应,本发明基于用户画像和换乘规律的下车站点推测系统,包括:
存储器,用于存储程序;
处理器,用于加载程序,以执行本发明的基于用户画像和换乘规律的下车站点推测方法。
下面详细描述本发明基于用户画像和换乘规律的下车站点推测方法的具体实施步骤:
S1、根据用户的IC卡交易记录,对用户出行次数进行合并处理;
所述步骤S1具体包括以下步骤:
S11、判断用户是否在第一预设时间内发生了若干次乘车交易,若是,则执行下一步骤;反之,则不做处理;
S12、判断用户若干次乘车交易的站点距离是否超过第一预设距离,若是,则不做处理;反之,则将若干次乘车交易合并为一次乘车交易。
本实施例假设第一预设时间为1小时,第一预设距离为2公里,例如乘客在一小时内通过刷IC卡进行了多次乘车交易,且各条乘车线路彼此之间站点的最短距离不超过2公里,则认定该乘客的多次乘车交易属于换乘,此时,将多个乘车交易合并成一次乘车交易。参照表1,ID号为001的IC卡分别在10:10:10,10:40:00以及21:00:00进行了三次乘车交易,其中,前两次交易的时间间隔小于1小时,且经检验,线路B12和线路B4之间最近站点的距离也小于2公里,因此,将前两次的乘车次数(即出行次数)合并为一次,最终该ID的IC卡的乘车次数(即出行次数)确定为两次。
表1
IC卡ID | 站点ID | 线路ID | 时间 | 出行次数 |
001 | 02 | B12 | 10:10:10 | 1 |
001 | 07 | B4 | 10:40:00 | 1 |
001 | 08 | B4 | 21:00:00 | 2 |
S2、对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
其中,步骤S2具体包括以下步骤:
S21、记录用户的第一次上车站点和最后一次上车站点;
S22、判断用户的出行次数是否为2,若是,则将用户加入第一用户群;反之,则对用户的乘车记录进行简化处理,然后将用户加入第二用户群。
其中,所述对用户的乘车记录进行简化处理这一步骤,包括以下步骤:
S221、根据用户的乘车记录,获取用户连续两次的上车站点信息;
S222、判断用户连续两次交易的间隔时间是否小于第二预设时间,若是,则执行下一步骤;反之,则不做处理;
S223、获取用户在第一个上车站点的对应行车路线中与第二个上车站点之间距离最短的站点,并将该站点标记为用户的第一个下车站点。
以表1的001号IC卡的前两次乘车交易为例,前两次乘车交易的时间间隔小于1小时,根据B12线路中所有站点的地理经纬度信息,对B12线路的站点进行遍历查询,得到一个与B4线路中07站点距离最近的站点,则本发明将查询得到的这个站点标记为第一条乘车记录的下车站点。
S3、根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
其中,本发明统计在工作日期间,每天只有两次出行的乘客,如果两次出行的上车站点是相互可达的,则将这两个上车站点标记为乘客的住宅站点(即上班下车站点)和工作站点(即下班下车站点),并将相关数据存放至HBase。
S4、根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
其中,本发明采用Key-Value的存储格式将用户画像存储至HBase中;
所述Key包括IC卡ID、乘坐的车辆信息、上车站点信息、下车站点信息、行驶方向、交通高峰、交通平峰和工作日标志;
所述Value包括用户换乘时的下车站点信息以及出行次数。
具体的,本实施中的HBase结构如表2所示:
表2
其中,Key样例中的“001-B12-02-1-1-1”表示:在工作日高峰时段,001号的IC卡在B12车辆正向的第二个站上车);
Value样例中的“[{04,3},{06,7}]”表示:在第四个站下车3次,第六个站下车7次。
如表2所示,用户画像保存了用户历史乘车记录的所有汇总信息。
S5、根据第一用户群的用户画像,推测第二用户群的乘客下车站点;
其中,所述步骤S5具体包括以下步骤:
S51、根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率;
所述步骤S51具体包括以下步骤:
S511、根据第一用户群的用户画像,计算乘客在早高峰上行线路中各个站点的第一下车概率;所述第一下车概率的计算公式为:
其中,u代表上行线路;Tmp表示早高峰;表示乘客在上行线路u从站点i上车到站点j下车的概率;表示在上行线路u的早高峰时段,从站点i到站点j的乘客数;表示在上行线路u的早高峰时段,从站点i到站点m的乘客数;nu表示上行线路的n个站点。
S512、根据第一用户群的用户画像,计算乘客在晚高峰上行线路中各个站点的第二下车概率;所述第二下车概率的计算公式为:
其中,u代表上行线路;表示根据第一用户群推算乘客在上行线路u从站点i上车到站点j下车的概率;Tep表示晚高峰;表示在上行线路u的晚高峰时段,在第一用户群中从站点i到站点j的乘客数;
S513、根据第二用户群的乘客上车站点,计算乘客在晚高峰上行线路中各个站点的第三下车概率;所述第三下车概率的计算公式为:
其中,u代表上行线路;d代表下行线路;表示根据第二用户群推算乘客在上行线路u从站点i上车到站点j下车的概率;表示在下行线路d的晚高峰时段,在第二用户群中从站点i到站点j的乘客数;
S514、根据第二用户群的乘客上车站点,计算乘客在早高峰上行线路中各个站点的第四下车概率;所述第四下车概率的计算公式为:
其中,u代表上行线路;d代表下行线路;表示根据第二用户群推算乘客在上行线路u从站点i上车到站点j下车的概率;表示在下行线路d的早高峰时段,在第二用户群中从站点i到站点j的乘客数;
S52、根据乘客在各个站点的下车概率,计算第二用户群的吸引矩阵;
本实施例以早高峰为例,所述吸引矩阵的计算公式为:
P′i,j(Tmp)=Pki,j(Tmp)×Pwi,j(Tmp),
其中,P'i,j(Tmp)表示计算得到的吸引矩阵,吸引矩阵是指对站点用户群的吸引力的矩阵,其主要作用是推测出用户属于矩阵中的哪个站点;Pki,j(Tmp)表示在早高峰时段,第一用户群推算乘客从站点i上车到站点j下车的概率;Pwi,j(Tmp)表示在早高峰时段,第二用户群推算乘客从站点i上车到站点j下车的概率;
S53、对计算得到的吸引矩阵进行归一化处理,得到乘客下车站点的推测结果;
所述对吸引矩阵进行归一化处理的计算公式为:
其中,Pi,j(Tmp)表示归一化处理后得到的结果,归一化是一种无量纲处理手段,能够理系统数值的绝对值变成某种相对值关系,是一种简化计算并缩小量值的有效办法。
本发明不依赖外部数据,仅需对用户的IC卡消费记录进行分析,就可以获得每个用户的乘车习惯并进一步分析得到用户的消费习惯,最终建立起每个用户的用户画像,为公交系统的运营提供精准的决策指导,实用性很高。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于用户画像和换乘规律的下车站点推测方法,其特征在于:包括以下步骤:
根据用户的IC卡交易记录,对用户出行次数进行合并处理;
对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
2.根据权利要求1所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述根据用户的IC卡交易记录,对用户出行次数进行合并处理这一步骤,包括以下步骤:
判断用户是否在第一预设时间内发生了若干次乘车交易,若是,则执行下一步骤;反之,则不做处理;
判断用户若干次乘车交易的站点距离是否超过第一预设距离,若是,则不做处理;反之,则将若干次乘车交易合并为一次乘车交易。
3.根据权利要求1所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录这一步骤,包括以下步骤:
记录用户的第一次上车站点和最后一次上车站点;
判断用户的出行次数是否为2,若是,则将用户加入第一用户群;反之,则对用户的乘车记录进行简化处理,然后将用户加入第二用户群。
4.根据权利要求3所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述对用户的乘车记录进行简化处理这一步骤,包括以下步骤:
根据用户的乘车记录,获取用户连续两次的上车站点信息;
判断用户连续两次交易的间隔时间是否小于第二预设时间,若是,则执行下一步骤;反之,则不做处理;
获取用户在第一个上车站点的对应行车路线中与第二个上车站点之间距离最短的站点,并将该站点标记为用户的第一个下车站点。
5.根据权利要求1所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述根据第一用户群的用户画像,推测第二用户群的乘客下车站点这一步骤,包括以下步骤:
根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率;
根据乘客在各个站点的下车概率,计算第二用户群的吸引矩阵;
对计算得到的吸引矩阵进行归一化处理,得到乘客下车站点的推测结果。
6.根据权利要求5所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述根据第一用户群的用户画像和第二用户群的乘客上车站点,计算乘客在各个站点的下车概率这一步骤,包括以下步骤:
根据第一用户群的用户画像,计算乘客在早高峰上行线路中各个站点的第一下车概率;
根据第一用户群的用户画像,计算乘客在晚高峰上行线路中各个站点的第二下车概率;
根据第二用户群的乘客上车站点,计算乘客在晚高峰上行线路中各个站点的第三下车概率;
根据第二用户群的乘客上车站点,计算乘客在早高峰上行线路中各个站点的第四下车概率。
7.根据权利要求1所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:还包括以下步骤:
采用Key-Value的存储格式将用户画像存储至HBase中;
其中,所述Key包括IC卡ID、乘坐的车辆信息、上车站点信息、下车站点信息、行驶方向、交通高峰、交通平峰和工作日标志;
所述Value包括用户换乘时的下车站点信息以及出行次数。
8.根据权利要求1所述的基于用户画像和换乘规律的下车站点推测方法,其特征在于:所述用户出行次数根据IC卡的交易次数来确定。
9.基于用户画像和换乘规律的下车站点推测系统,其特征在于:包括:
合并模块,用于根据用户的IC卡交易记录,对用户出行次数进行合并处理;
统计模块,用于对合并处理后的用户出行次数进行统计分类,得到第一用户群的乘车记录和第二用户群的乘车记录;所述第一用户群为下车站点已知的乘客集合,所述第二用户群为下车站点未知的乘客集合;
获取模块,用于根据统计分类的结果,获取第一用户群的上班下车站点和下班下车站点;
用户画像建立模块,用于根据第一用户群的上班下车站点和下班下车站点,建立第一用户群的用户画像;
推测模块,用于根据第一用户群的用户画像,推测第二用户群的乘客下车站点。
10.基于用户画像和换乘规律的下车站点推测系统,其特征在于:包括:
存储器,用于存储程序;
处理器,用于加载程序,以执行如权利要求1-8任一项所述的基于用户画像和换乘规律的下车站点推测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089549.7A CN109410568B (zh) | 2018-09-18 | 2018-09-18 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811089549.7A CN109410568B (zh) | 2018-09-18 | 2018-09-18 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410568A true CN109410568A (zh) | 2019-03-01 |
CN109410568B CN109410568B (zh) | 2022-04-22 |
Family
ID=65465051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811089549.7A Active CN109410568B (zh) | 2018-09-18 | 2018-09-18 | 基于用户画像和换乘规律的下车站点推测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410568B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097138A (zh) * | 2019-05-11 | 2019-08-06 | 北京京投亿雅捷交通科技有限公司 | 一种线网乘客画像数据库应用系统及方法 |
CN110363591A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种归属站点识别方法、装置、设备及可读存储介质 |
CN111651529A (zh) * | 2020-05-26 | 2020-09-11 | 河北师范大学 | 基于手机信令数据的机场航空旅客分类识别方法 |
CN111695786A (zh) * | 2020-05-22 | 2020-09-22 | 广州地铁设计研究院股份有限公司 | 一种适用于城市轨道交通的乘客画像系统及其构建方法 |
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 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112783945A (zh) * | 2021-01-21 | 2021-05-11 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
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 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615340A (zh) * | 2009-07-24 | 2009-12-30 | 北京工业大学 | 公交动态调度中的实时信息处理方法 |
US9076165B2 (en) * | 2007-04-08 | 2015-07-07 | Enhanced Geographic Llc | Systems and methods to determine the name of a physical business location visited by a user of a wireless device and verify the authenticity of reviews of the physical business location |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 中山大学 | 一种基于ic卡数据的公交站点区间客流估计方法 |
CN104933157A (zh) * | 2015-06-26 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用于获取用户属性信息的方法、装置及服务器 |
CN105023437A (zh) * | 2015-08-21 | 2015-11-04 | 苏州大学张家港工业技术研究院 | 一种公交od矩阵的构建方法及系统 |
CN105046350A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 基于afc数据的公交客流od实时估计方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
CN106055607A (zh) * | 2016-05-25 | 2016-10-26 | 百度在线网络技术(北京)有限公司 | 用户到访预测模型建立、用户到访预测方法和装置 |
CN106296281A (zh) * | 2016-08-05 | 2017-01-04 | 中卓信(北京)科技有限公司 | 一种用户个性化行程信息推送方法、装置以及系统 |
CN106295868A (zh) * | 2016-08-03 | 2017-01-04 | 重庆市索美智能交通通讯服务有限公司 | 交通出行数据处理方法及装置 |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
CN106934412A (zh) * | 2015-12-31 | 2017-07-07 | 中国科学院深圳先进技术研究院 | 一种用户行为分类方法及系统 |
CN107391603A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 用于移动终端的用户画像建立方法及装置 |
CN107490385A (zh) * | 2017-08-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 出行路线规划方法及其装置 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
-
2018
- 2018-09-18 CN CN201811089549.7A patent/CN109410568B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9076165B2 (en) * | 2007-04-08 | 2015-07-07 | Enhanced Geographic Llc | Systems and methods to determine the name of a physical business location visited by a user of a wireless device and verify the authenticity of reviews of the physical business location |
CN101615340A (zh) * | 2009-07-24 | 2009-12-30 | 北京工业大学 | 公交动态调度中的实时信息处理方法 |
CN104809344A (zh) * | 2015-04-23 | 2015-07-29 | 中山大学 | 一种基于ic卡数据的公交站点区间客流估计方法 |
CN104933157A (zh) * | 2015-06-26 | 2015-09-23 | 百度在线网络技术(北京)有限公司 | 用于获取用户属性信息的方法、装置及服务器 |
CN105046350A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 基于afc数据的公交客流od实时估计方法 |
CN105023437A (zh) * | 2015-08-21 | 2015-11-04 | 苏州大学张家港工业技术研究院 | 一种公交od矩阵的构建方法及系统 |
CN106934412A (zh) * | 2015-12-31 | 2017-07-07 | 中国科学院深圳先进技术研究院 | 一种用户行为分类方法及系统 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
CN106055607A (zh) * | 2016-05-25 | 2016-10-26 | 百度在线网络技术(北京)有限公司 | 用户到访预测模型建立、用户到访预测方法和装置 |
CN106295868A (zh) * | 2016-08-03 | 2017-01-04 | 重庆市索美智能交通通讯服务有限公司 | 交通出行数据处理方法及装置 |
CN106296281A (zh) * | 2016-08-05 | 2017-01-04 | 中卓信(北京)科技有限公司 | 一种用户个性化行程信息推送方法、装置以及系统 |
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
CN107391603A (zh) * | 2017-06-30 | 2017-11-24 | 北京奇虎科技有限公司 | 用于移动终端的用户画像建立方法及装置 |
CN107490385A (zh) * | 2017-08-21 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 出行路线规划方法及其装置 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
Non-Patent Citations (5)
Title |
---|
吕明: "多源数据融合的出行者画像研究", 《科技创新导报》 * |
吕晓艳: "基于大数据平台的铁路旅客群体分析应用研究", 《铁路计算机应用》 * |
程歆: "基于大数据算法的交通行为研究", 《科学发展创新》 * |
胡继华: "结合出行链的公交lC卡乘客下车站点判断概率模型", 《交通运输系统工程与信息》 * |
高永,邓小勇: "《2007第三届中国智能交通年会论文集》", 31 December 2007 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097138A (zh) * | 2019-05-11 | 2019-08-06 | 北京京投亿雅捷交通科技有限公司 | 一种线网乘客画像数据库应用系统及方法 |
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 |
CN110363591A (zh) * | 2019-07-19 | 2019-10-22 | 广东工业大学 | 一种归属站点识别方法、装置、设备及可读存储介质 |
CN110363591B (zh) * | 2019-07-19 | 2022-05-10 | 广东工业大学 | 一种归属站点识别方法、装置、设备及可读存储介质 |
CN111695786A (zh) * | 2020-05-22 | 2020-09-22 | 广州地铁设计研究院股份有限公司 | 一种适用于城市轨道交通的乘客画像系统及其构建方法 |
CN111651529A (zh) * | 2020-05-26 | 2020-09-11 | 河北师范大学 | 基于手机信令数据的机场航空旅客分类识别方法 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112183815B (zh) * | 2020-08-28 | 2023-04-07 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112783945A (zh) * | 2021-01-21 | 2021-05-11 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
CN112783945B (zh) * | 2021-01-21 | 2023-09-08 | 广州羊城通有限公司 | 公交下车站点的判定方法及装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109410568B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410568A (zh) | 基于用户画像和换乘规律的下车站点推测方法及系统 | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
CN103106702B (zh) | 基于云计算的公交出行服务系统 | |
CN105279955B (zh) | 一种拼车方法及设备 | |
CN110398254B (zh) | 一种减缓交通拥挤的方法及系统 | |
Veloso et al. | Sensing urban mobility with taxi flow | |
Zamir et al. | Effects of transit-oriented development on trip generation, distribution, and mode share in Washington, DC, and Baltimore, Maryland | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN104240529B (zh) | 一种预测公交到站时间的方法及系统 | |
CN105303854A (zh) | 一种出行路线数据的处理方法和装置 | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
Gao et al. | A data-driven approach to estimate double parking events using machine learning techniques | |
CN110472999B (zh) | 基于地铁和共享单车数据的客流模式分析方法及装置 | |
CN113194138A (zh) | 基于ai深度学习的出行管理方法和系统 | |
CN112381472A (zh) | 一种地铁接驳公交线路优化方法、装置及存储介质 | |
CN112036757A (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
Hasan et al. | Smart peer car pooling system | |
CN106384022A (zh) | 出行行为预测方法及装置 | |
CN113573238B (zh) | 一种基于手机信令的联程旅客出行链识别方法 | |
Jang et al. | Pedestrian mode identification, classification and characterization by tracking mobile data | |
US20220165155A1 (en) | Parking Guidance Method Based on Temporal and Spatial Features and Its Device, Equipment, and Storage Medium | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN110245774A (zh) | 一种根据员工家庭住址进行班车线路优化的方法 | |
Djuric et al. | Parkassistant: An algorithm for guiding a car to a parking spot |
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 | ||
CP02 | Change in the address of a patent holder | ||
CP02 | Change in the address of a patent holder |
Address after: Room 606, No. 79, Wanbo Second Road, Nancun Town, Panyu District, Guangzhou, Guangdong 510000 Patentee after: GUANGDONG INTELLIGENT DATA TECHNOLOGY CO.,LTD. Address before: 510115 rooms 2708, 2709 AND 2710, No. 2, Danan Road, Yuexiu District, Guangzhou City, Guangdong Province Patentee before: GUANGDONG INTELLIGENT DATA TECHNOLOGY CO.,LTD. |