CN109784970A - 一种基于afc乘客乘车数据的服务推荐方法及装置 - Google Patents
一种基于afc乘客乘车数据的服务推荐方法及装置 Download PDFInfo
- Publication number
- CN109784970A CN109784970A CN201811523101.1A CN201811523101A CN109784970A CN 109784970 A CN109784970 A CN 109784970A CN 201811523101 A CN201811523101 A CN 201811523101A CN 109784970 A CN109784970 A CN 109784970A
- Authority
- CN
- China
- Prior art keywords
- passenger
- station
- target
- class cluster
- cluster
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明的实施例公开了一种基于AFC乘客乘车数据的服务推荐方法及装置，根据AFC中乘客在每一车站的进出站次数生成用于对乘客感兴趣车站进行分析的目标矩阵。基于目标矩阵进行聚类运算，使得具有相同出行习惯的乘客聚在同一类簇中。对于任一目标乘客，利用其所在类簇中其它乘客的出行对该目标乘客对各车站的感兴趣程度进行预测。按照乘客对各车站感兴趣程序的顺序，向乘客推荐各车站附近的商家信息，方便乘客在出行前及时了解目的地能够提供的服务，或者及时通过各车站提供的商家信息快速确定目的地，提高出行效率。该方法通过矩阵和聚类运算对AFC数据进行充分挖掘，对各乘客对各车站的感兴趣程度进行了精准预测，提供符合乘客需求的推荐服务。
Description
技术领域
本发明实施例涉及大数据分析技术领域，尤其是涉及一种基于AFC乘客乘车数据的服务推荐方法及装置。
背景技术
当前轨道交通领域数字化程度加深，地铁运营、维修等各个阶段积累了海量的设备、乘客历史数据，应将信息化智能化发展贯穿于交通建设、运行、服务、监管等全链条各环节，推动云计算、大数据、物联网、移动互联网、智能控制等技术与交通运输技术深度融合。
AFC(Automatic Fare Collection System，城市轨道交通自动售检票系统)乘客乘车数据数据质量高，尤其是一年来移动终端NFC、二维码等乘车进站技术的应用，使得票卡信息与乘车人员深度绑定，直观准确的定位了乘客的出行特点，为推荐系统在轨道交通领域的应用提供了良好的数据基础。然而，目前根据乘客历史数据，分析预测乘客行为的推荐系统相关方法多用于互联网电商，在轨道交通领域的应用尚未提及。虽然AFC乘客乘车数据数据质量高，但是轨道交通领域对乘客乘车数据的利用度不高，尚未对乘客出行进行有效的挖掘，对微观乘车个体的推荐、引导有明显不足。一方面是优质数据的尚未利用，另一方面是当前对乘客推荐引导服务较差，这样的矛盾启发了将互联网电商领域的推荐系统有效移植、改进、应用于轨道交通领域的思路
在实际应用中，发明人发现目前由于对乘客出行计划的分析未充分利用AFC数据，对乘客推荐引导服务的过程中无法准确定位乘客需求，服务质量较差。
发明内容
本发明要解决现有的目前由于对乘客出行计划的分析未充分利用AFC数据，对乘客推荐引导服务的过程中无法准确定位乘客需求，服务质量较差的问题。
针对以上技术问题，本发明的实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，包括：
从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本发明的实施例提供了一种基于AFC乘客乘车数据的服务推荐装置，包括：
获取模块，用于从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
运算模块，用于根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
处理模块，用于对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本发明的实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和终端的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行以上所述的方法。
本发明的实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行以上所述的方法。
本发明的实施例提供了一种基于AFC乘客乘车数据的服务推荐方法及装置，根据AFC中乘客在每一车站的进出站次数生成用于对乘客感兴趣车站进行分析的目标矩阵。基于目标矩阵进行聚类运算，使得具有相同出行习惯的乘客聚在同一类簇中。对于任一目标乘客，利用其所在类簇中其它乘客的出行对该目标乘客对各车站的感兴趣程度进行预测。按照乘客对各车站感兴趣程序的顺序，向乘客推荐各车站附近的商家信息，方便乘客在出行前及时了解目的地能够提供的服务，或者及时通过各车站提供的商家信息快速确定目的地，提高出行效率。该方法通过矩阵和聚类运算对AFC数据进行充分挖掘，对各乘客对各车站的感兴趣程度进行了精准预测，提供符合乘客需求的推荐服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1是本发明一个实施例提供的一种基于AFC乘客乘车数据服务推荐方法的流程示意图；
图2是本发明另一个实施例提供的一种基于AFC乘客乘车数据的服务推荐装置的结构框图；
图3是本发明另一个实施例提供的实现服务推荐的具体功能模块组成示意图；
图4是本发明另一个实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
图1是本实施例提供的一种基于AFC乘客乘车数据服务推荐方法的流程示意图，参见图1，该方法包括：
101：从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
102：根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
103：对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本实施例提供的方法由服务器执行。服务器从城市轨道交通自动售检票系统AFC中获取乘客乘车数据，通过对乘客乘车数据的分析得到各乘客的感兴趣车站。根据分析出的各乘客感兴趣的车站为乘客推荐其感兴趣车站的商业服务，为乘客的出行提供便利。当乘客打开相应的APP或者在终端上查看车站相关的信息时，终端从服务器获取与该乘客对应的服务推荐信息，在终端上显示该服务推荐信息。乘客在某一车站进出站次数指的是乘客在该车站进站次数和出站次数的总和。
目标乘客对各车站感兴趣程度的评分值是根据与目标乘客属于同一类簇的其它各乘客从各车站进出站的次数分析得到的，感兴趣程度的评分值越高的车站，目标乘客从该车站进出站的概率则越大，在服务推荐信息中该车站的商家信息则越靠前。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，根据AFC中乘客在每一车站的进出站次数生成用于对乘客感兴趣车站进行分析的目标矩阵。基于目标矩阵进行聚类运算，使得具有相同出行习惯的乘客聚在同一类簇中。对于任一目标乘客，利用其所在类簇中其它乘客的出行对该目标乘客对各车站的感兴趣程度进行预测。按照乘客对各车站感兴趣程序的顺序，向乘客推荐各车站附近的商家信息，方便乘客在出行前及时了解目的地能够提供的服务，或者及时通过各车站提供的商家信息快速确定目的地，提高出行效率。该方法通过矩阵和聚类运算对AFC数据进行充分挖掘，对各乘客对各车站的感兴趣程度进行了精准预测，提供符合乘客需求的推荐服务。
进一步地，在上述实施例的基础上，所述从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵，包括：
从AFC中获取乘客乘车数据，根据乘客乘车数据得到各乘客在不同车站进出站次数；
对所述目标乘客在不同车站进出站次数的数据进行设定优化操作；所述设定优化操作包括：获取在所有车站中所述目标乘客进出站次数大于预设进出站次数的车站，作为第一车站，对每一第一车站，获取所述目标乘客在所述第一车站的第一进出站次数，并获取与所述第一车站相邻的相邻车站，将所述目标乘客在与所述第一车站相邻的相邻车站的进出站次数设置为所述第一进出站次数和预设系数的差值；
对每一乘客在不同车站进出站次数的数据进行所述设定优化操作后，根据进行所述设定优化操作后各乘客在不同车站的进出站次数形成所述目标矩阵。
上述步骤101包括：
(1)从AFC获取乘客乘车数据，也就是从AFC数据采集系统的通信接口导出乘客乘车数据，表1为本实施例提供的从AFC数据采集系统输出的数据格式，需将从AFC获取的数据进行进一步处理得到各乘客在不同车站进出站次数的目标矩阵。
表1 AFC数据采集系统输出的数据格式
| 字段名称 | 示例 | 描述内容 |
| GRANT_CARD_CODE | 13715163 | 乘客ID |
| ENTRY_LINE_NUM | 2 | 乘客进站所属线路 |
| ENTRY_STATION_NUM | 10 | 乘客进站站点编号 |
| ENTRY_TIME | 2015/8/1 13:05 | 进站时间 |
| EXIT_LINE_NUM | 13 | 乘客出站所属线路 |
| EXIT_STATION_NUM | 14 | 乘客出站站点编号 |
| DEAL_TIME | 2015/8/1 13:15 | 出站时间 |
| CARD_TYPE | 2 | 卡类型 |
(2)获取如表1所示的AFC数据后，将数据存储为CSV格式。
(3)由于乘客进出站进站的信息为点式信息，为了避免在聚类运算时按照进出站的车站形成类簇，本实施例提供的方法对每一乘客进出站次数的数据进行处理，增强线路上相邻的车站之间的联系，得到目标矩阵。具体的处理方法是对每一乘客对应的各车站进出站次数进行设定优化操作。例如，对于目标乘客，执行的设定优化操作包括：找到该目标乘客进出站次数符合条件的第一车站，例如，进出站次数大于预设进出站次数的车站。对于每一个第一车站，找到在线路上与第一车站相邻的车站，将找到的每一相邻车站对应的进出站次数重新赋值。
例如，由于相比于地铁全部车站数量，每一乘客出行车站数极少，导致了每一乘客对应的真实进出站次数中存在较多0值，为增强站点间位置关系同时减少矩阵稀疏度，在相邻车站间增加了系数α，并可以执行如下流程对某一乘客对应的各车站进出站次数进行设定优化操作，该流程包括：
输入AFC乘客乘车数据集(统一名称)(A)
For乘客I in A
Do查找乘客I进进出站信息最大值和次大值对应站点m和n
If m属于第一列；
Do将下一列对应数值赋值为A(m)-α
Else if m属于最后一列
Do将上一列对应数值赋值为A(m)-α
Else
Do将上一列和下一列对应数值赋值为A(m)-α
End If
End For
对于n重复上过程
输出
格式化的AFC乘客乘车数据集(D)
对每一乘客进行设定优化操作后，得到的目标矩阵如下：
上述矩阵是将预设系数α的值设置为1时，执行上述的设定优化操作得到的目标矩阵。例如，对于乘客ID为“13569662”的乘客，在车站103-车站108中，该乘客进出站次数最大的车站为104，车站104具有两个相邻车站，分别是103和105，则按照设定优化操作将车站103和105对应的进出站次数均设置为第一进出站次数与预设系数α的差值4。对每一乘客对应的车站进出站次数均进行设定优化操作后，得到的矩阵即为目标矩阵。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，通过设定优化操作对每一乘客的进出站次数进行优化处理，增强了车站间的关联关系，避免了在聚类运算中仅将从某一车站进出站的乘客聚为一类，而无法实现乘客对其它车站感兴趣程度的计算。
进一步地，在上述各实施例的基础上，所述根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇，包括：
对所述目标矩阵中任意的目标乘客和第一乘客，通过公式计算出所述目标乘客和所述第一乘客之间的乘客距离，根据各乘客之间的乘客距离得到各乘客在二维空间中的位置分布关系；
根据所述位置分布关系通过聚类运算确定出每一乘客所属的类簇；
其中，乘客i为所述目标乘客，乘客j为所述第一乘客，xi,d表示在所述目标矩阵中乘客i在车站d的进出站次数，xj,d表示在所述目标矩阵中乘客j在车站d的进出站次数，D表示所有车站对应编号的集合，dist(xi,xj)表示乘客i和乘客j之间的乘客距离。
第一乘客指的是在目标矩阵的所有乘客中，除目标乘客之外的任一乘客，第一乘客和目标乘客之间的乘客距离可以通过计算得到。
上述步骤102通过(4)聚类运算实现，其中，聚类运算就是在给定类簇中心点后，将各点分到离其最近的类簇中心点形成类簇的过程。为了通过聚类运算将出行乘车习惯较为相近的乘客划分到同一类簇中，需要根据各乘客之间乘车习惯的差异得到各乘客之间的位置分布关系。本实施例提供的方法通过公式计算的值表示两个乘客之间的距离，即计算在所有车站中，以各车站为目的地时，两个乘客之间的进出站次数差的平方和，将该平方和的开方作为这两个乘客的乘客距离。在得到各个乘客之间的乘客距离后，可以将每一乘客映射为二维平面上的一个点，再通过聚类运算即可将这些点划分到不同的类簇中。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，由各乘客之间的乘客距离得到各乘客的位置分布关系，由各乘客的位置分布关系进行聚类运算，将乘客划分到不同的类簇中。
进一步地，在上述各实施例的基础上，
所述根据所述位置分布关系通过聚类运算确定出每一乘客所属的类簇，包括：
获取设定的初始类簇中心点，根据在二维空间中的所述位置分布关系和初始类簇中心点确定各乘客所属的类簇；
每次确定出各乘客所属的类簇后，根据当前的各乘客所属的类簇和计算出的各类簇之间的成本函数的值，若计算的成本函数的值大于预设阈值，则调整各类簇的类簇中心点，根据所述位置分布关系和调整后的各类簇中心点重新确定各乘客所属的类簇，否则，将当前的各乘客所属的类簇作为通过聚类运算确定的每一乘客所属的类簇；
其中，K为类簇的总数，Ck为第k个类簇中所有乘客的集合，Centerk为第k个类簇的类簇中心点的乘客，第k个类簇的类簇中心点的乘客为由确定的点对应的乘客或者距由确定的点最近的乘客，Centerk,d为第k个类簇的类簇中心点的乘客在车站d的进出站次数，xi为乘客i在各车站进出站次数的总和。
对于上述(4)，本实施例中采用的聚类算法可以是KMeans算法，KMeans算法的主要思想是：在给定K个初始类簇中心点的情况下，把每个点分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。
在本实施例中，在得到各个乘客的位置分布关系后，通过公式计算的成本函数的值不断调整类簇中心点的位置，直到成本函数的值小于或等于预设阈值，则将成本函数的值小于或等于预设阈值时确定的各类簇中心点和划分的类簇作为用于分析乘客对车站感兴趣程度的类簇。
dist(xi,Centerk)表示乘客i和第k个类簇的类簇中心点的乘客之间的乘客距离。在最终确定过的类簇中，通过计算出类簇中心点，表示第k个类簇中的乘客在各车站进出站次数的总和的平均值。若类簇的内部成员彼此间越紧凑则J值趋小，反之，若类簇的内部成员彼此间越分散则J值趋大。求解J最小化的过程也就是重复配置每个类簇内的乘客，并不断移动类簇中心点的乘客的过程。在聚类运算的过程中，首先随机分配类簇中心点的乘客。在算法迭代过程中，通过不断分配乘客到离他们近的类更新J值，然后更新中心乘客Centerk，最终获得算法的收敛。
通过上述聚类过程，能够将有共同出行特点的乘客进行聚类。在AFC乘客乘车数据中，对于上百的车站站点量级，大部分乘客仅能在有限车站附近乘车，这意味着数据具有缺失性特点，即乘客-地铁站点关系矩阵中存在大量缺失信息，对于乘客正确聚类非常不利。本发明的实施例通过对数据进行的设定优化操作，减少了矩阵中0元素的个数，提高了聚类效果。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，通过成本函数不断调整各乘客的类簇中心点，最终确定各乘客所属的类簇。
进一步地，在上述各实施例的基础上，所述对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，包括：
对任一目标乘客，根据通过聚类运算确定的每一乘客所属的类簇获取所述目标乘客所属的目标类簇，根据公式分别计算所述目标乘客和所述目标类簇中每一乘客之间的相似度；
根据公式计算所述目标乘客对各车站感兴趣程度的评分值；
其中，乘客p为在所述目标类簇中，除所述目标乘客之外的任一第二乘客，M为所述目标类簇中各乘客对应的进出站次数不为零的车站的并集，xi,m为乘客i在M中的车站m的进出站次数，xp,m为乘客p在M中的车站m的进出站次数，xi为乘客i在所有车站进出站次数总和，xp为乘客p在所有车站进出站次数总和，ri,m为目标乘客对车站m感兴趣程度的评分值。
上述步骤103通过(5)推荐算法实现，在通过(4)聚类运算对乘客进行了有效聚类之后，通过(5)对乘客进行精细化推荐。推荐的基本假设为地铁站点信息与附近商家信息绑定。针对某单个乘客，根据其所属聚类群体，可以获得与他有相同出行时空选择的其他乘客群。乘客所在的类簇中的其它乘客均是与该乘客具有相同出行计划的乘客，通过这些乘客可以对该乘客对各车站的感兴趣程度进行评分。
对同一类簇中的两个乘客，通过可以计算这两个乘客之间的相似度。遍历计算所有乘客与其聚类内其他乘客的相似度关系，可以获得乘客间相似度关系矩阵。针对某一乘客，对于其簇内其他乘客感兴趣车站有取值而其本身评价值缺失的情况，可以根据簇内其他乘客从该车站进出站的次数预测该乘客对该车站的感兴趣程度。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，对于每一乘客根据其所在的类簇中其它乘客从某一车站的进出站次数计算出该乘客对该车站的感兴趣程度评分值。由于同一类簇中的乘客具有相似的出行特征，因而采用其它乘客的出行预测某乘客对未去过的车站的感兴趣程度能够准确反应乘客需求，提供合理的服务推荐。
进一步地，在上述各实施例的基础上，所述根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息，包括：
将各车站按照所述目标乘客对车站感兴趣程度的评分值由高到低的顺序排序，得到车站有序列表，在所述车站有序列表中，添加车站对应的商家信息，得到与所述目标乘客对应的服务推荐信息。
车站和车站的商家信息绑定，在车站有序列表中靠前的车站是乘客感兴趣程度评分值较高的车站。当向乘客推荐服务时，该车站对应的服务在服务推荐信息中的位置与该车站在车站有序列表中的位置对应。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，通过服务推荐信息将乘客感兴趣程度较高的车站对应的商家信息靠前，以将这些商家信息显示在靠前的位置，便于乘客及时获取服务需求的信息。
进一步地，在上述各实施例的基础上，还包括：
若接收到所述目标乘客通过终端设备发送的查看车站的请求信息，则将与所述目标乘客对应的服务推荐信息发送到所述终端设备，以在所述终端设备上按照所述车站有序列表中的车站顺序显示所述服务推荐信息。
服务器与终端交互，将服务推荐信息发送到终端，乘客在终端首先看到其感兴趣程度较高的车站对应的商家信息，保证乘客及时获取有效信息。
本实施例提供了一种基于AFC乘客乘车数据的服务推荐方法，通过对乘客乘车数据的清洗、整理、分析，获得了乘客出行矩阵和乘客间相似度。针对乘客出行数据的稀疏性，通过地铁站点间空间关系，降低了数据稀疏性。应用了聚类算法和推荐算法完成了乘客的行为聚类和微观精准推荐，能够对乘客提供精细化推荐和引导服务，提高乘客服务水平，提升运营销售业绩。
总之，本实施例提供的方法针对海量AFC乘客乘车数据，实现轨道交通领域针对乘客信息在数据挖掘方向的突破；建立了便于维护、格式化的乘客乘车信息数据库，摆脱以往大量重复建模的工作模式；建立了基于乘客乘车数据的推荐系统模型，完成乘客乘车行为特征聚类，对微观乘客个体提供精准推荐服务；通过本实施例提供的方法，提高了运营公司对乘客乘客信息管理水平，提高了乘客乘车粘度，提升了运营销售业绩。
图2示出了本发明的实施例提供的一种基于AFC乘客乘车数据的服务推荐装置的结构框图，参见图2，本实施例提供的基于AFC乘客乘车数据的服务推荐装置包括获取模块201、运算模块202和处理模块203，其中，
获取模块201，用于从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
运算模块202，用于根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
处理模块203，用于对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本实施例提供的一种基于AFC乘客乘车数据的服务推荐装置适用于上述实施例中提供的一种基于AFC乘客乘车数据的服务推荐方法，在此不再赘述。
本发明的实施例提供了一种基于AFC乘客乘车数据的服务推荐装置，根据AFC中乘客在每一车站的进出站次数生成用于对乘客感兴趣车站进行分析的目标矩阵。基于目标矩阵进行聚类运算，使得具有相同出行习惯的乘客聚在同一类簇中。对于任一目标乘客，利用其所在类簇中其它乘客的出行对该目标乘客对各车站的感兴趣程度进行预测。按照乘客对各车站感兴趣程序的顺序，向乘客推荐各车站附近的商家信息，方便乘客在出行前及时了解目的地能够提供的服务，或者及时通过各车站提供的商家信息快速确定目的地，提高出行效率。该装置通过矩阵和聚类运算对AFC数据进行充分挖掘，对各乘客对各车站的感兴趣程度进行了精准预测，提供符合乘客需求的推荐服务。
图3为本实施例提供的实现服务推荐的具体功能模块组成示意图，参见图3，AFC数据源的数据通过上述(1)过程进入数据存储模块，在数据存储模块中按照(2)过程进行数据存储，并经过(3)过程经数据转换模块处理得到目标矩阵。然后，经过(4)聚类算法和(5)推荐算法生成服务推荐信息，即得到预测结果。最后将服务推荐信息发送到终端，通过终端的交互界面显示给乘客。
图4是示出本实施例提供的电子设备的结构框图。
参照图4，所述电子设备包括：处理器(processor)401、存储器(memory)402、通信接口(Communications Interface)403和总线404；
其中，
所述处理器401、存储器402、通信接口403通过所述总线404完成相互间的通信；
所述通信接口403用于该电子设备和终端的通信设备之间的信息传输；
所述处理器401用于调用所述存储器402中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种基于AFC乘客乘车数据的服务推荐方法，其特征在于，包括：
从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
2.根据权利要求1所述的方法，其特征在于，所述从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵，包括：
从AFC中获取乘客乘车数据，根据乘客乘车数据得到各乘客在不同车站进出站次数；
对所述目标乘客在不同车站进出站次数的数据进行设定优化操作；所述设定优化操作包括：获取在所有车站中所述目标乘客进出站次数大于预设进出站次数的车站，作为第一车站，对每一第一车站，获取所述目标乘客在所述第一车站的第一进出站次数，并获取与所述第一车站相邻的相邻车站，将所述目标乘客在与所述第一车站相邻的相邻车站的进出站次数设置为所述第一进出站次数和预设系数的差值；
对每一乘客在不同车站进出站次数的数据进行所述设定优化操作后，根据进行所述设定优化操作后各乘客在不同车站的进出站次数形成所述目标矩阵。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇，包括：
对所述目标矩阵中任意的目标乘客和第一乘客，通过公式计算出所述目标乘客和所述第一乘客之间的乘客距离，根据各乘客之间的乘客距离得到各乘客在二维空间中的位置分布关系；
根据所述位置分布关系通过聚类运算确定出每一乘客所属的类簇；
其中，乘客i为所述目标乘客，乘客j为所述第一乘客，xi,d表示在所述目标矩阵中乘客i在车站d的进出站次数，xj,d表示在所述目标矩阵中乘客j在车站d的进出站次数，D表示所有车站对应编号的集合，dist(xi,xj)表示乘客i和乘客j之间的乘客距离。
4.根据权利要求3所述的方法，其特征在于，所述根据所述位置分布关系通过聚类运算确定出每一乘客所属的类簇，包括：
获取设定的初始类簇中心点，根据在二维空间中的所述位置分布关系和初始类簇中心点确定各乘客所属的类簇；
每次确定出各乘客所属的类簇后，根据当前的各乘客所属的类簇和计算出的各类簇之间的成本函数的值，若计算的成本函数的值大于预设阈值，则调整各类簇的类簇中心点，根据所述位置分布关系和调整后的各类簇中心点重新确定各乘客所属的类簇，否则，将当前的各乘客所属的类簇作为通过聚类运算确定的每一乘客所属的类簇；
其中，K为类簇的总数，Ck为第k个类簇中所有乘客的集合，Centerk为第k个类簇的类簇中心点的乘客，第k个类簇的类簇中心点的乘客为由确定的点对应的乘客或者距由确定的点最近的乘客，Centerk,d为第k个类簇的类簇中心点的乘客在车站d的进出站次数，xi为乘客i在各车站进出站次数的总和。
5.根据权利要求1所述的方法，其特征在于，所述对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，包括：
对任一目标乘客，根据通过聚类运算确定的每一乘客所属的类簇获取所述目标乘客所属的目标类簇，根据公式分别计算所述目标乘客和所述目标类簇中每一乘客之间的相似度；
根据公式计算所述目标乘客对各车站感兴趣程度的评分值；
其中，乘客p为在所述目标类簇中，除所述目标乘客之外的任一第二乘客，M为所述目标类簇中各乘客对应的进出站次数不为零的车站的并集，xi,m为乘客i在M中的车站m的进出站次数，xp,m为乘客p在M中的车站m的进出站次数，xi为乘客i在所有车站进出站次数总和，xp为乘客p在所有车站进出站次数总和，ri,m为目标乘客对车站m感兴趣程度的评分值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息，包括：
将各车站按照所述目标乘客对车站感兴趣程度的评分值由高到低的顺序排序，得到车站有序列表，在所述车站有序列表中，添加车站对应的商家信息，得到与所述目标乘客对应的服务推荐信息。
7.根据权利要求1所述的方法，其特征在于，还包括：
若接收到所述目标乘客通过终端设备发送的查看车站的请求信息，则将与所述目标乘客对应的服务推荐信息发送到所述终端设备，以在所述终端设备上按照所述车站有序列表中的车站顺序显示所述服务推荐信息。
8.一种基于AFC乘客乘车数据的服务推荐装置，其特征在于，包括：
获取模块，用于从AFC中获取乘客乘车数据，根据获取的乘客乘车数据得到由各乘客在不同车站进出站次数形成的目标矩阵；
运算模块，用于根据所述目标矩阵中各乘客在不同车站进出站次数，通过聚类运算确定出每一乘客所属的类簇；
处理模块，用于对任一目标乘客，获取所述目标乘客所属的目标类簇，根据所述目标类簇中的各乘客在不同车站进出站次数计算表示所述目标乘客对车站感兴趣程度的评分值，根据所述目标乘客对车站感兴趣程度的评分值生成各车站的服务推荐信息。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和终端的通信设备之间的信息传输；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811523101.1A CN109784970B (zh) | 2018-12-13 | 2018-12-13 | 一种基于afc乘客乘车数据的服务推荐方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811523101.1A CN109784970B (zh) | 2018-12-13 | 2018-12-13 | 一种基于afc乘客乘车数据的服务推荐方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784970A true CN109784970A (zh) | 2019-05-21 |
| CN109784970B CN109784970B (zh) | 2020-09-25 |
Family
ID=66496909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811523101.1A Active CN109784970B (zh) | 2018-12-13 | 2018-12-13 | 一种基于afc乘客乘车数据的服务推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784970B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428101A (zh) * | 2019-07-31 | 2019-11-08 | 重庆长安汽车股份有限公司 | 基于历史出行规律的目的地预测方法及计算机可读存储介质 |
| CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
| CN111242692A (zh) * | 2020-01-16 | 2020-06-05 | 南京领行科技股份有限公司 | 一种信息推送方法及装置 |
| CN111506627A (zh) * | 2020-04-21 | 2020-08-07 | 成都路行通信息技术有限公司 | 一种目标行为聚类方法和系统 |
| CN111859178A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
| CN111967629A (zh) * | 2020-08-17 | 2020-11-20 | 交控科技股份有限公司 | 一种基于预约出行的行车组织方案制定方法 |
| CN112819578A (zh) * | 2021-01-29 | 2021-05-18 | 湖南安蓉科技有限公司 | 区域出行车辆座位共享系统 |
| CN115545996A (zh) * | 2022-12-02 | 2022-12-30 | 成都智元汇信息技术股份有限公司 | 一种基于相似度矩阵的地铁异常历史客流识别方法及装置 |
| CN111967629B (zh) * | 2020-08-17 | 2024-05-17 | 交控科技股份有限公司 | 一种基于预约出行的行车组织方案制定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130073389A1 (en) * | 2011-09-15 | 2013-03-21 | Stephan HEATH | System and method for providing sports and sporting events related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, gambling and/or services integrated with 3d spatial geomapping, company and local information for selected worldwide locations and social networking |
| CN106529711A (zh) * | 2016-11-02 | 2017-03-22 | 东软集团股份有限公司 | 用户行为预测方法及装置 |
| CN107316094A (zh) * | 2016-04-27 | 2017-11-03 | 滴滴（中国）科技有限公司 | 一种通勤线路挖掘方法及装置 |
-
2018
- 2018-12-13 CN CN201811523101.1A patent/CN109784970B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130073389A1 (en) * | 2011-09-15 | 2013-03-21 | Stephan HEATH | System and method for providing sports and sporting events related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, gambling and/or services integrated with 3d spatial geomapping, company and local information for selected worldwide locations and social networking |
| CN107316094A (zh) * | 2016-04-27 | 2017-11-03 | 滴滴（中国）科技有限公司 | 一种通勤线路挖掘方法及装置 |
| CN106529711A (zh) * | 2016-11-02 | 2017-03-22 | 东软集团股份有限公司 | 用户行为预测方法及装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428101A (zh) * | 2019-07-31 | 2019-11-08 | 重庆长安汽车股份有限公司 | 基于历史出行规律的目的地预测方法及计算机可读存储介质 |
| CN110941278A (zh) * | 2019-12-20 | 2020-03-31 | 交控科技股份有限公司 | 一种站内动态安全分析方法 |
| CN111242692A (zh) * | 2020-01-16 | 2020-06-05 | 南京领行科技股份有限公司 | 一种信息推送方法及装置 |
| CN111242692B (zh) * | 2020-01-16 | 2022-05-17 | 南京领行科技股份有限公司 | 一种信息推送方法及装置 |
| CN111506627B (zh) * | 2020-04-21 | 2023-05-30 | 成都路行通信息技术有限公司 | 一种目标行为聚类方法和系统 |
| CN111506627A (zh) * | 2020-04-21 | 2020-08-07 | 成都路行通信息技术有限公司 | 一种目标行为聚类方法和系统 |
| CN111859178A (zh) * | 2020-04-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
| CN111859178B (zh) * | 2020-04-22 | 2024-04-09 | 北京嘀嘀无限科技发展有限公司 | 一种推荐上车点的方法和系统 |
| CN111967629A (zh) * | 2020-08-17 | 2020-11-20 | 交控科技股份有限公司 | 一种基于预约出行的行车组织方案制定方法 |
| CN111967629B (zh) * | 2020-08-17 | 2024-05-17 | 交控科技股份有限公司 | 一种基于预约出行的行车组织方案制定方法 |
| CN112819578A (zh) * | 2021-01-29 | 2021-05-18 | 湖南安蓉科技有限公司 | 区域出行车辆座位共享系统 |
| CN115545996B (zh) * | 2022-12-02 | 2023-03-10 | 成都智元汇信息技术股份有限公司 | 一种基于相似度矩阵的地铁异常历史客流识别方法及装置 |
| CN115545996A (zh) * | 2022-12-02 | 2022-12-30 | 成都智元汇信息技术股份有限公司 | 一种基于相似度矩阵的地铁异常历史客流识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784970B (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109784970A (zh) | 一种基于afc乘客乘车数据的服务推荐方法及装置 | |
| Hörl et al. | Fleet operational policies for automated mobility: A simulation assessment for Zurich | |
| Bertsimas et al. | Online vehicle routing: The edge of optimization in large-scale applications | |
| Wang et al. | Solving multitrip pickup and delivery problem with time windows and manpower planning using multiobjective algorithms | |
| Billhardt et al. | Taxi dispatching strategies with compensations | |
| CN105096006A (zh) | 一种智能电能表的配送车辆路径优化方法 | |
| CN107094165A (zh) | 配送能力确定、配送任务获取、配送资源调度方法和设备 | |
| Festa et al. | An annotated bibliography of GRASP | |
| CN106897801A (zh) | 司机分类的方法、装置、设备以及存储介质 | |
| CN110097218B (zh) | 一种时变环境下无人商品配送方法及系统 | |
| CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
| Rashidi Komijan et al. | A new school bus routing problem considering gender separation, special students and mix loading: a genetic algorithm approach | |
| Berghida et al. | EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows | |
| CN113128744A (zh) | 配送规划方法和装置 | |
| CN113327424A (zh) | 交通需求的预测方法、预测装置及电子设备 | |
| CN110992123B (zh) | 一种订单派发方法及装置 | |
| CN111667693A (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| CN110889738B (zh) | 一种订单派发方法及装置 | |
| CN114862209A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
| Li et al. | Meal delivery routing optimization with order allocation strategy based on transfer stations for instant logistics services | |
| CN109583634A (zh) | 一种基于现代投资组合理论的外卖配送路径选择方法 | |
| CN109525404A (zh) | 一种流量池资费优化方法、装置、计算机设备及介质 | |
| La Rocca et al. | Heuristics for electric taxi fleet management at Teo Taxi | |
| CN112819394B (zh) | 运单处理方法、装置、计算机可读存储介质及电子设备 | |
| CN116109234B (zh) | 一种基于预测与决策一体化的快递系统智能订单分配方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210707 Address after: Room 2108, block B, Hengda Yayuan 8-1 business block, Huaiyin District, Jinan City, Shandong Province Patentee after: Shandong Traffic Control Technology Co.,Ltd. Address before: No.2 and No.3 building, Beijing headquarters international, No.6 Haiying Road, science and Technology Park, Fengtai District, Beijing 100070 Patentee before: Traffic Control Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |