CN110134865A - 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 - Google Patents
一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 Download PDFInfo
- Publication number
- CN110134865A CN110134865A CN201910345427.8A CN201910345427A CN110134865A CN 110134865 A CN110134865 A CN 110134865A CN 201910345427 A CN201910345427 A CN 201910345427A CN 110134865 A CN110134865 A CN 110134865A
- Authority
- CN
- China
- Prior art keywords
- commuting
- passenger
- grid
- public transport
- urban public
- 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 32
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 235000019580 granularity Nutrition 0.000 claims description 21
- 238000002955 isolation Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (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)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,包括提取各乘客的城市公共交通出行数据;选择合适的网格粒度,将城市公共交通覆盖区域进行网格划分;利用通勤乘客的出行行为特征,识别所有城市公共交通乘客中的通勤乘客;将通勤乘客序列中任意两个通勤乘客进行通勤时间、通勤地点以及兴趣类型进行相似度计算,从而获得通勤乘客间的相似度;确定通勤乘客的通勤乘客相似性序列,按照相似度大小排列通勤乘客;根据相似性序列对所有通勤乘客进行社交推荐;本发明还公开了一种社交推荐平台,本发明利用真实的城市公共交通数据,根据通勤乘客的出行行为,有效提供了一种新型社交模式,用于满足现代人立足生活圈和工作圈的社交需求。
Description
技术领域
本发明属于智能交通领域,具体涉及一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,还涉及一种通勤乘客社交推荐平台。
背景技术
随着经济的高速发展,人民生活水平日益提高。与此同时也产生了生活节奏加快,生存压力增加,人际关系淡薄等系列问题。物质越发丰富的时代,都市人越来越注重精神生活的质量,社交需求也愈加强烈,但是互联网时代诸如网络骗局、手机依赖的现象似乎加剧了“社交孤岛”效应。这种现象在大型城市中反应尤为明显,严重的职住地分离导致通勤乘客在平均会花费2个小时的时间在通勤途中。在这部分时间中,社交需求也是强烈的。因此,建立一种基于出行行为的精准社交具有十分重要的意义,既能解决满足通勤乘客碎片化时间的社交需求,又能立足于当前工作圈和生活圈进行好友的精准推荐。
城市公共交通主要包括公共汽车、轨道交通以及出租车。作为受众最多、占用资源量最少的城市出行方式,城市公共交通在日载人数、低碳节能方面具有私家车不可比拟的优势。近年来,随着车辆数据采集系统和通信技术的成熟发展,城市公共交通自助收费系统在许多城市得到了广泛应用,随之而来的是海量的乘客城市公共交通出行数据。城市公共交通出行数据记录了每一个乘客详细的出行行为,这种行为表现了乘客出行的时空分布特性,这也为基于相似时空分布的通勤乘客社交推荐提供了数据前提。
现在的社交推荐主要是基于在线社会网络进行的,也就是发现网络虚拟空间中具有相似行为的乘客并进行推荐,这种相似行为往往基于现实生活中真实存在的社交关系或相似的居民画像。基于居民画像相似性的社交推荐是现今学者研究的主要方面,而使用居民出行行为构建居民画像的研究鲜少,基于城市公共交通出行数据构建居民画像更是没有发现相关文献。
针对社交推荐缺乏利用居民出行行为构建居民画像的问题,需要提出一种新型的基于城市公共交通出行数据的通勤乘客社交推荐方法,能够有效解决在通勤过程中“社交孤岛”的现象。本发明适用于所有使用城市公共交通智能卡的通勤用户,覆盖范围广,社会经济效益高,成本低廉。
发明内容
有鉴于此,本发明的目的之一是提供一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,利用城市公共交通出行数据,重构通勤用户的出行行为,旨在对相似时空分布的通勤乘客进行社交推荐;本发明的目的之二是提供一种社交推荐平台。
本发明的目的之一是通过以下技术方案实现的:
一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,包括以下步骤:
步骤S1:将城市公共交通出行数据record=<cardId,t0,s0,t1,s1>按智能卡卡号cardId分组,其中,cardId表示城市公共交通智能卡,每一张智能卡唯一对应一个乘客;t0和s0分别代表乘客上车的时间和站点,相对的t1和s1分别代表乘客下车的时间和站点;
步骤S2:选择合适的网格粒度对城市公共交通覆盖区域进行网格划分为n个网格G={g1,g2,…,gn},g=<gridId,functionType,stopList>,其中,gridId表示网格编号;functionType 表示网格对应的功能区类型;stopList表示网格内包含的站点列表;
步骤S3:识别所有城市公共交通乘客中的m个通勤乘客commuter={c1,c2,…,cm},c=<cardId,To,Td,Tra(go,gd),interest>,interest={r1,r2,…,r8}其中,cardId表示通勤乘客对应的智能卡卡号,To和Td分别代表通勤乘客的早晚通勤时段,go和gd分别代表通勤乘客居住地和工作地附近站点对应的网格,Tra(go,gd)是通勤乘客的通勤路径,是从网格go到网格gd的网格序列,interest表示通勤乘客所有乘车记录中途经八类功能区所占的比例;
步骤S4:对通勤乘客序列中任意两个通勤乘客进行通勤时间、通勤地点以及兴趣类型进行相似度计算,分别得到时间相似度TSim、空间相似度SSim、语义相似度SemSim,从而获得通勤乘客间的相似度Sim=TSim×SSim×SemSim;
步骤S5:确定任一通勤乘客的相似性序列,按照与其他通勤乘客相似度大小排列通勤乘客序列,不包括相似度为0的通勤乘客;
步骤S6:根据相似性序列对通勤乘客进行社交推荐。
进一步,所述步骤S2具体包括以下子步骤:
步骤S21:确定城市公共交通覆盖区域D=[latmin,latmax]×[lonmin,lonmax],初始网格粒度kinit,最大网格粒度kmax,步长step网格密度阈值λ,其中,latmin和latmax分别表示区域维度的最大值和最小值,相对地,lonmin和lonmax分别表示区域经度的最大值和最小值;网格密度阈值λ表示最小的密网格密度,网格密度是指网格内城市公共交通站点的疏密程度,根据阈值λ网格单元可分为密网格和稀疏网格,网格密度den(g)可通过以下公式计算:
其中ng和Isolationg分别表示网格内的城市公共交通站点个数和网格隔离度,在计算网格隔离度Isolationg时,space(gi,gj)、road(gi,gj)分表表示空间数据点gi和gj间的路网实际距离和空间距离,空间距离通过pi和pj经纬度计算得出,实际路网距离指pi和pj之间的步行距离或驾车距离;θ为修正因子,保证在网格单元内空间数据点为0时,网格隔离度大于0,以我们经验,一般取θ∈(0,1];
步骤S22:获得不同网格粒度下密网格个数,并将最多密网格个数对应的网格粒度视为最优网格粒度kopt;
步骤S23:按照最优网格粒度kopt划分城市公共交通覆盖区域,并将城市公共交通站点映射到网格中,获得各网格包含的站点序列stopList;
步骤S24:利用地图软件获取城市公共交通覆盖区域的POI信息(Point ofInterest,兴趣点),POI=<poiName,functionType,lon,lat>,其中,poiName表示POI点的名称;functionType 表示POI所属的功能区类型;lon、lat分别表示POI点对应的经纬度,并确定每一个网格所属的功能区类型;
步骤S25:确定城市公共交通覆盖区域内所有网格属性g=<gridId,functionType,stopList>。
进一步,所述步骤S21中网格密度阈值λ利用单峰分布阈值选取方法确定,具体包括以下子步骤:
步骤S211:映射城市公共交通站点,得到各网格密度分布直方图;
步骤S212:将频数峰值点与频数为0时的最小网格密度连成一条直线;
步骤S213:求取直方图各网格密度到该直线的距离,并将最长距离所在点的网格密度设置为阈值。
进一步,所述步骤S24中确定网格所属功能区具体包括以下子步骤:
步骤S241:计算网格内第i类(标准GB50137-2011规定的8类用地类型)POI数据占该类POI总数的频数密度其中,ni表示网格内第i类POI兴趣点的数量,Ni表示第i 类POI兴趣点的总量;
步骤S242:计算网格单元内第i种类型POI的频数密度Fi占单元内所有类型的POI频数密度的比例其中,Fi是步骤S241计算得到的频率密度,是八类城市用地类型 POI频数密度的总和;
步骤S243:若网格单元内第i种类型POI兴趣点的类型比例Ri大于50%,则将网格单元对应的城市功能区划分为类型i;当网格单元内所有POI类型比例均小于50%且不全为0时,将该网格单元视为混合功能区;否则,该网格单元判定为城市非建筑用地。
进一步,所述步骤S3具体包括以下子步骤:
步骤S31:判断出行乘客是否属于通勤乘客,通勤乘客定义为一周内保证最少具有d天在通勤时间内从一个区域移动到另一个区域,其中d为一周最少通勤次数,d∈[2,5]。
步骤S32:确定通勤乘客通勤轨迹Tra(go,gd),其中go是通勤乘客在所有通勤记录中早上出发站点所对应的网格,gd是通勤乘客在所有通勤记录中晚上出发站点所对应的网格, Tra(go,gd)是网格go到网格gd通勤乘客途经的网格序列;
步骤S33:确定通勤乘客早晚通勤时段To和Td,To表示通勤乘客在所有通勤记录中从居住地最早出发时间和最晚出发时间,Td表示通勤乘客在所有记录中从工作地最早出发时间和最晚出发时间;
步骤S34:确定通勤乘客的兴趣类别interest;
步骤S35:确定所有通勤乘客属性c=<cardId,To,Td,go,gd,interest>。
进一步,所述步骤S34中,确定通勤乘客兴趣类别interest的具体步骤如下:
步骤S341:提取通勤乘客k条城市公共交通出行记录上下车站点S={s01,s11,s02,s12,…,s0k, s1k},确定通勤乘客上下车站点所属的l个网格(重复网格编号不重复记录)G={g1,g2,…,gl},除去工作地和居住地所属网格,得到新的网格序列G’={g1,g2,…,g(l-2)};
步骤S342:确定通勤乘客途经八类功能区占比序列,获得interest={r1,r2,…,r8}。
进一步,所述步骤S4具体包括以下子步骤:
步骤S41:选择任意两个通勤乘客ci=<cardIdi,Toi,Tdi,goi,gdi,interesti>和 cj=<cardIdj,Toj,Tdj,goj,gdj,interestj>;
步骤S42:用Jaccard系数计算通勤乘客ci和cj的时间相似度
TSim(Ti,Tj)=ωoTSim(Toi,Toj)+ωdTSim(Tdi,Tdj)
其中TSim(Toi,Toj)和TSim(Tdi,Tdj)分别表示通勤乘客ci和cj早晚通勤时段的相似性,利用 Jaccard系数的形式计算,而通勤乘客ci和cj的时间相似性是早晚通勤时段相似性之和,ωo和ωd分别表示早晚通勤时段相似性的权重,常态下ωo=ωd=0.5;可以发现通勤乘客ci和cj的时间相似性取值范围为[0,1];
步骤S43:利用最长公共子序列计算通勤乘客ci和cj的空间相似度
其中,TraSim(Trai(m),Traj(n))表示通勤轨迹Trai和Traj内网格数量分别为m、n的子网格序列的相似度,GSim(gi(m),gj(n))表示网格单元gi(m)和gj(n)的相似度,gi(m)和gj(n)分别代表轨迹Trai和Traj中的第m和n个网格单元,当gi(m)和gj(n)为同一网格时GSim(gA(i),gB(j))为1,否则为0; SSim(ci,cj)通勤乘客ci和cj的空间相似性,可以发现通勤乘客ci和cj的空间相似性取值范围为 [0,1];
步骤S44:利用余弦相似性计算通勤乘客ci和cj的语义相似度
其中,计算向量间余弦相似度时采用欧几里得距离。和分别表示通勤乘客ci和cj在第k类功能区的网格个数比例,可以发现通勤乘客ci和cj的语义相似性取值范围为[0,1];
步骤S45:根据步骤S42、步骤S43、步骤S44计算通勤乘客ci和cj的相似度
Sim(ci,cj)=TSim(ci,cj)×SSim(ci,cj)×SemSim(ci,cj)。
进一步,所述步骤S2中,所述功能区类型包括居住用地、公共管理与公共服务设施用地、商业服务业设施用地、工业用地、物流仓储用地、交通与道路设施用地、公用设施用地以及绿地与广场用地八个大类。
本发明的目的之二是通过以下技术方案实现的:
该种基于城市公共交通出行大数据的通勤乘客社交推荐平台,采用如权利要求1-8任一所述的方法,根据乘客画像进行通勤乘客通勤轨迹、通勤时段以及兴趣类型进行相似度分析,并向通勤乘客推荐相似度较高的其余通勤乘客。
进一步,还包括轨迹监测模块,实现对特定群体的轨迹监控服务。
本发明的有益效果是:
本发明利用真实的城市公共交通数据,根据通勤乘客的出行行为,向其推荐相似度较高的其他通勤乘客。基于城市公共交通出行数据的通勤乘客社交推荐方法,构建用于通勤乘客社交推荐的平台,利用微信小程序,各通勤乘客凭借城市公共交通智能卡卡号登录平台,实现好友推荐、轨迹监测以及路上聊天室的服务。本发明可基于居民出行行为,提供一种新型的社交模式来解决现代人立足生活圈和工作圈的社交需求,以缓解“社交孤岛”效应。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明基于城市交通出行数据的社交推荐方法流程图;
图2为本发明的结构框图;
图3为本发明基于城市公共交通覆盖区域网格划分方法流程图;
图4为本发明城市公共交通通勤乘客发现方法流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
参见图1所示,本实施例提供的一种基于城市交通出行数据的社交推荐方法,包括以下步骤:
步骤S1:将城市公共交通出行数据record=<cardId,t0,s0,t1,s1>按智能卡卡号cardId分组,其中,cardId表示城市公共交通智能卡,每一张智能卡唯一对应一个乘客(不考虑一个乘客具有多张智能卡的情况);t0和s0分别代表乘客上车的时间和站点,相对的t1和s1分别代表乘客下车的时间和站点。
步骤S2:选择合适的网格粒度对城市公共交通覆盖区域进行网格划分为n个网格G={g1,g2,…,gn},g=<gridId,functionType,stopList>,如图3所示。其中,gridId表示网格编号; functionType表示网格对应的功能区类型,按照标准GB50137-2011《城市用地分类与规划建设用地标准》,包括居住用地、公共管理与公共服务设施用地、商业服务业设施用地、工业用地、物流仓储用地、交通与道路设施用地、公用设施用地以及绿地与广场用地八个大类; stopList表示网格内包含的站点列表。具体包括以下步骤:
S21.确定城市公共交通覆盖区域D=[latmin,latmax]×[lonmin,lonmax],初始网格粒度kinit,最大网格粒度kmax,步长step网格密度阈值λ。其中,latmin和latmax分别表示区域维度的最大值和最小值,相对地,lonmin和lonmax分别表示区域经度的最大值和最小值;网格密度阈值λ表示最小的密网格密度,网格密度是指网格内城市公共交通站点的疏密程度,根据阈值λ网格单元可分为密网格和稀疏网格。网格密度den(g)可通过以下公式计算:
其中ng和Isolationg分别表示网格内的城市公共交通站点个数和网格隔离度。在计算网格隔离度Isolationg时,space(gi,gj)、road(gi,gj)分表表示空间数据点gi和gj间的路网实际距离和空间距离,空间距离通过pi和pj经纬度计算得出,实际路网距离指pi和pj之间的步行距离或驾车距离;θ为修正因子,保证在网格单元内空间数据点为0时,网格隔离度大于0,以我们经验,一般取θ∈(0,1]。具体而言,网格密度阈值λ通过以下步骤确定:
S211.映射城市公共交通站点,得到各网格密度分布直方图;
S212.将频数峰值点与频数为0时的最小网格密度连成一条直线;
S213.求取直方图各网格密度到该直线的距离,并将最长距离所在点的网格密度设置为阈值;
S22.获得不同网格粒度下密网格个数,并将最多密网格个数对应的网格粒度视为最优网格粒度kopt;
S23.按照最优网格粒度kopt划分城市公共交通覆盖区域,并将城市公共交通站点映射到网格中,获得各网格包含的站点序列stopList;
S24.利用地图软件获取城市公共交通覆盖区域的POI信息(Point of Interest,兴趣点), POI=<poiName,functionType,lon,lat>,其中,poiName表示POI点的名称;functionType表示 POI所属的功能区类型;lon、lat分别表示POI点对应的经纬度,并确定每一个网格所属的功能区类型。其中,网格功能区通过以下步骤确定:
S241.计算网格内第i类(标准GB50137-2011规定的8类用地类型)POI数据占该类POI 总数的频数密度
其中,ni表示网格内第i类POI兴趣点的数量,Ni表示第i类POI兴趣点的总量;
S242.计算网格单元内第i种类型POI的频数密度Fi占网格内所有类型的POI频数密度的比例
其中,Fi是步骤S241计算得到的频率密度,是八类城市用地类型POI频数密度的总和;
S243.若网格单元内第i种类型POI兴趣点的类型比例Ri大于50%,则将网格单元对应的城市功能区划分为类型i;当网格单元内所有POI类型比例均小于50%且不全为0时,将该网格单元视为混合功能区;否则,该网格单元判定为城市非建筑用地。
S25.确定网格单元属性g=<gridId,functionType,stopList>。
步骤S3:识别所有城市公共交通乘客中的m个通勤乘客commuter={c1,c2,…,cm},c=<cardId,To,Td,Tra(go,gd),interest>,interest={r1,r2,…,r8},如图4所示。其中,cardId表示通勤乘客对应的智能卡卡号,To和Td分别代表通勤乘客的早晚通勤时段,go和gd分别代表通勤乘客居住地和工作地附近站点对应的网格,Tra(go,gd)是通勤乘客的通勤路径,是从网格go到网格gd的网格序列,interest表示通勤乘客所有乘车记录中途经八类功能区所占的比例。
S31.判断出行乘客是否属于通勤乘客。通勤乘客定义为一周内保证最少具有d天在通勤时间内从一个区域移动到另一个区域。一般而言,早通勤时间定义为06:00-12:00,相对地,晚通勤时段定义为16:00-22:00。其中d为一周最少通勤次数,d∈[2,5]。
S32.确定通勤乘客通勤轨迹Tra(go,gd),其中go是通勤乘客在所有通勤记录中早上出发站点所对应的网格,gd是通勤乘客在所有通勤记录中晚上出发站点所对应的网格,Tra(go,gd)是网格go到网格gd通勤乘客途经的网格序列。
S33.确定通勤乘客早晚通勤时段To和Td,To表示通勤乘客在所有通勤记录中从居住地最早出发时间和最晚出发时间,Td表示通勤乘客在所有记录中从工作地最早出发时间和最晚出发时间。
S34.确定通勤乘客的兴趣类别interest,兴趣类别通过以下步骤实现:
S341.提取通勤乘客k条城市公共交通出行记录上下车站点S={s01,s11,s02,s12,…,s0k,s1k},确定通勤乘客上下车站点所属的l个网格(重复网格编号不重复记录)G={g1,g2,…,gl},除去工作地和居住地所属网格,得到新的网格序列G’={g1,g2,…,g(l-2)}。
S342.确定通勤乘客途经八类功能区占比序列(标准GB50137-2011),获得interest={r1,r2,…,r8}。
S35.确定所有通勤乘客属性c=<cardId,To,Td,go,gd,interest>。
步骤S4:对通勤乘客序列中任意两个通勤乘客进行通勤时间、通勤地点以及兴趣类型进行相似度计算,分别得到时间相似度TSim、空间相似度SSim、语义相似度SemSim,从而获得通勤乘客间的相似度Sim=TSim×SSim×SemSim。具体而言,步骤S4包括以下子步骤:
S41.选择任意两个通勤乘客ci=<cardIdi,Toi,Tdi,goi,gdi,interesti>和 cj=<cardIdj,Toj,Tdj,goj,gdj,interestj>。
S42.用Jaccard系数计算通勤乘客ci和cj的时间相似度
TSim(Ti,Tj)=ωoTSim(Toi,Toj)+ωdTSim(Tdi,Tdj) (5)
其中TSim(Toi,Toj)和TSim(Tdi,Tdj)分别表示通勤乘客ci和cj早晚通勤时段的相似性,利用Jaccard 系数的形式计算,而通勤乘客ci和cj的时间相似性是早晚通勤时段相似性之和,ωo和ωd分别表示早晚通勤时段相似性的权重,一般情况下,ωo=ωd=0.5。可以发现通勤乘客ci和cj的时间相似性取值范围为[0,1]。
S43.利用最长公共子序列计算通勤乘客ci和cj的空间相似度
其中,TraSim(Trai(m),Traj(n))表示通勤轨迹Trai和Traj内网格数量分别为m、n的子网格序列的相似度,GSim(gi(m),gj(n))表示网格单元gi(m)和gj(n)的相似度,gi(m)和gj(n)分别代表轨迹Trai和 Traj中的第m和n个网格单元,当gi(m)和gj(n)为同一网格时GSim(gA(i),gB(j))为1;否则为0。 SSim(ci,cj)通勤乘客ci和cj的空间相似性,可以发现通勤乘客ci和cj的空间相似性取值范围为 [0,1]。
S44.利用余弦相似性计算通勤乘客ci和cj的语义相似度
其中,计算向量间余弦相似度时采用欧几里得距离。和分别表示通勤乘客ci和cj在第k 类功能区的网格个数比例,可以发现通勤乘客ci和cj的语义相似性取值范围为[0,1]。
S45.根据步骤S42、步骤S43、步骤S44计算通勤乘客ci和cj的相似度
Sim(ci,cj)=TSim(ci,cj)×SSim(ci,cj)×SemSim(ci,cj) (11)
S46.重复所有通勤乘客中任意两个通勤乘客间的相似度直至计算完毕
步骤S5:确定任一通勤乘客的相似性序列,按照与其他通勤乘客相似度大小排列通勤乘客序列(不包括相似度为0的通勤乘客)。
步骤S6:根据相似性序列对通勤乘客进行社交推荐。
参见图2,本实施例提供一种基于城市公共交通出行数据的社交推荐平台,其包括有好友推荐模块,所述好友推荐模块内部设置有根据前述的方法设计而成的相关程序,用于实现好友推荐功能,该功能根据乘客画像进行通勤乘客通勤轨迹、通勤时段以及兴趣类型进行相似度分析,并向通勤乘客推荐相似度较高的其余通勤乘客。推荐的通勤乘客间具有三种状态,相互关注状态下通勤乘客间可进行相互交流;未关注时,通勤乘客可进行5条信息以内的信息留言;“黑名单”状态下,通勤乘客不可进行交互。
另外,该系统还包括有轨迹监测模块,用于实现对特殊群体(包括但不限于老人、学生等)的轨迹监控服务。轨迹由城市公共交通出行数据产生,在出行乘客开通轨迹监测服务后为乘客提供更加系统、全面的特性化服务。
作为平台,还设置有路上聊天室模块,该功能对每一辆城市公共交通车辆搭建路上聊天室,出行乘客完成数卡后,根据记录进入乘坐的城市公共交通车辆的公共聊天室进行畅聊。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术- 包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的动态配置基于城市公共交通出行数据的社交推荐技术时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述方法包括以下步骤:
步骤S1:将城市公共交通出行数据record=<cardId,t0,s0,t1,s1>按智能卡卡号cardId分组,其中,cardId表示城市公共交通智能卡,每一张智能卡唯一对应一个乘客;t0和s0分别代表乘客上车的时间和站点,相对的t1和s1分别代表乘客下车的时间和站点;
步骤S2:选择合适的网格粒度对城市公共交通覆盖区域进行网格划分为n个网格G={g1,g2,…,gn},g=<gridId,functionType,stopList>,其中,gridId表示网格编号;functionType表示网格对应的功能区类型;stopList表示网格内包含的站点列表;
步骤S3:识别所有城市公共交通乘客中的m个通勤乘客commuter={c1,c2,…,cm},c=<cardId,To,Td,Tra(go,gd),interest>,interest={r1,r2,…,r8}其中,cardId表示通勤乘客对应的智能卡卡号,To和Td分别代表通勤乘客的早晚通勤时段,go和gd分别代表通勤乘客居住地和工作地附近站点对应的网格,Tra(go,gd)是通勤乘客的通勤路径,是从网格go到网格gd的网格序列,interest表示通勤乘客所有乘车记录中途经八类功能区所占的比例;
步骤S4:对通勤乘客序列中任意两个通勤乘客进行通勤时间、通勤地点以及兴趣类型进行相似度计算,分别得到时间相似度TSim、空间相似度SSim、语义相似度SemSim,从而获得通勤乘客间的相似度Sim=TSim×SSim×SemSim;
步骤S5:确定任一通勤乘客的相似性序列,按照与其他通勤乘客相似度大小排列通勤乘客序列,不包括相似度为0的通勤乘客;
步骤S6:根据相似性序列对通勤乘客进行社交推荐。
2.根据权利要求1所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S2具体包括以下子步骤:
步骤S21:确定城市公共交通覆盖区域D=[latmin,latmax]×[lonmin,lonmax],初始网格粒度kinit,最大网格粒度kmax,步长step网格密度阈值λ,其中,latmin和latmax分别表示区域维度的最大值和最小值,相对地,lonmin和lonmax分别表示区域经度的最大值和最小值;网格密度阈值λ表示最小的密网格密度,网格密度是指网格内城市公共交通站点的疏密程度,根据阈值λ网格单元可分为密网格和稀疏网格,网格密度den(g)可通过以下公式计算:
其中ng和Isolationg分别表示网格内的城市公共交通站点个数和网格隔离度,在计算网格隔离度Isolationg时,space(gi,gj)、road(gi,gj)分表表示空间数据点gi和gj间的路网实际距离和空间距离,空间距离通过pi和pj经纬度计算得出,实际路网距离指pi和pj之间的步行距离或驾车距离;θ为修正因子,保证在网格单元内空间数据点为0时,网格隔离度大于0,以我们经验,一般取θ∈(0,1];
步骤S22:获得不同网格粒度下密网格个数,并将最多密网格个数对应的网格粒度视为最优网格粒度kopt;
步骤S23:按照最优网格粒度kopt划分城市公共交通覆盖区域,并将城市公共交通站点映射到网格中,获得各网格包含的站点序列stopList;
步骤S24:利用地图软件获取城市公共交通覆盖区域的POI信息(Point of Interest,兴趣点),POI=<poiName,functionType,lon,lat>,其中,poiName表示POI点的名称;functionType表示POI所属的功能区类型;lon、lat分别表示POI点对应的经纬度,并确定每一个网格所属的功能区类型;
步骤S25:确定城市公共交通覆盖区域内所有网格属性g=<gridId,functionType,stopList>。
3.根据权利要求2所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S21中网格密度阈值λ利用单峰分布阈值选取方法确定,具体包括以下子步骤:
步骤S211:映射城市公共交通站点,得到各网格密度分布直方图;
步骤S212:将频数峰值点与频数为0时的最小网格密度连成一条直线;
步骤S213:求取直方图各网格密度到该直线的距离,并将最长距离所在点的网格密度设置为阈值。
4.根据权利要求2所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S24中确定网格所属功能区具体包括以下子步骤:
步骤S241:计算网格内第i类(标准GB50137-2011规定的8类用地类型)POI数据占该类POI总数的频数密度其中,ni表示网格内第i类POI兴趣点的数量,Ni表示第i类POI兴趣点的总量;
步骤S242:计算网格单元内第i种类型POI的频数密度Fi占单元内所有类型的POI频数密度的比例其中,Fi是步骤S241计算得到的频率密度,是八类城市用地类型POI频数密度的总和;
步骤S243:若网格单元内第i种类型POI兴趣点的类型比例Ri大于50%,则将网格单元对应的城市功能区划分为类型i;当网格单元内所有POI类型比例均小于50%且不全为0时,将该网格单元视为混合功能区;否则,该网格单元判定为城市非建筑用地。
5.根据权利要求1所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S3具体包括以下子步骤:
步骤S31:判断出行乘客是否属于通勤乘客,通勤乘客定义为一周内保证最少具有d天在通勤时间内从一个区域移动到另一个区域,其中d为一周最少通勤次数,d∈[2,5];
步骤S32:确定通勤乘客通勤轨迹Tra(go,gd),其中go是通勤乘客在所有通勤记录中早上出发站点所对应的网格,gd是通勤乘客在所有通勤记录中晚上出发站点所对应的网格,Tra(go,gd)是网格go到网格gd通勤乘客途经的网格序列;
步骤S33:确定通勤乘客早晚通勤时段To和Td,To表示通勤乘客在所有通勤记录中从居住地最早出发时间和最晚出发时间,Td表示通勤乘客在所有记录中从工作地最早出发时间和最晚出发时间;
步骤S34:确定通勤乘客的兴趣类别interest;
步骤S35:确定所有通勤乘客属性c=<cardId,To,Td,go,gd,interest>。
6.根据权利要求5所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S34中,确定通勤乘客兴趣类别interest的具体步骤如下:
步骤S341:提取通勤乘客k条城市公共交通出行记录上下车站点S={s01,s11,s02,s12,…,s0k,s1k},确定通勤乘客上下车站点所属的l个网格(重复网格编号不重复记录)G={g1,g2,…,gl},除去工作地和居住地所属网格,得到新的网格序列G’={g1,g2,…,g(l-2)};
步骤S342:确定通勤乘客途经八类功能区占比序列,获得interest={r1,r2,…,r8}。
7.根据权利要求1所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S4具体包括以下子步骤:
步骤S41:选择任意两个通勤乘客ci=<cardIdi,Toi,Tdi,goi,gdi,interesti>和cj=<cardIdj,Toj,Tdj,goj,gdj,interestj>;
步骤S42:用Jaccard系数计算通勤乘客ci和cj的时间相似度
TSim(Ti,Tj)=ωoTSim(Toi,Toj)+ωdTSim(Tdi,Tdj)
其中TSim(Toi,Toj)和TSim(Tdi,Tdj)分别表示通勤乘客ci和cj早晚通勤时段的相似性,利用Jaccard系数的形式计算,而通勤乘客ci和cj的时间相似性是早晚通勤时段相似性之和,ωo和ωd分别表示早晚通勤时段相似性的权重,常态下ωo=ωd=0.5;可以发现通勤乘客ci和cj的时间相似性取值范围为[0,1];
步骤S43:利用最长公共子序列计算通勤乘客ci和cj的空间相似度
其中,TraSim(Trai(m),Traj(n))表示通勤轨迹Trai和Traj内网格数量分别为m、n的子网格序列的相似度,GSim(gi(m),gj(n))表示网格单元gi(m)和gj(n)的相似度,gi(m)和gj(n)分别代表轨迹Trai和Traj中的第m和n个网格单元,当gi(m)和gj(n)为同一网格时GSim(gA(i),gB(j))为1,否则为0;SSim(ci,cj)通勤乘客ci和cj的空间相似性,可以发现通勤乘客ci和cj的空间相似性取值范围为[0,1];
步骤S44:利用余弦相似性计算通勤乘客ci和cj的语义相似度
其中,计算向量间余弦相似度时采用欧几里得距离;和分别表示通勤乘客ci和cj在第k类功能区的网格个数比例,可以发现通勤乘客ci和cj的语义相似性取值范围为[0,1];
步骤S45:根据步骤S42、步骤S43、步骤S44计算通勤乘客ci和cj的相似度Sim(ci,cj)=TSim(ci,cj)×SSim(ci,cj)×SemSim(ci,cj)。
8.根据权利要求1或2或3所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐方法,其特征在于:所述步骤S2中,所述功能区类型包括居住用地、公共管理与公共服务设施用地、商业服务业设施用地、工业用地、物流仓储用地、交通与道路设施用地、公用设施用地以及绿地与广场用地八个大类。
9.一种基于城市公共交通出行大数据的通勤乘客社交推荐平台,其特征在于:采用如权利要求1-8任一所述的方法,根据乘客画像进行通勤乘客通勤轨迹、通勤时段以及兴趣类型进行相似度分析,并向通勤乘客推荐相似度较高的其余通勤乘客。
10.如权利要求9所述的一种基于城市公共交通出行大数据的通勤乘客社交推荐平台,其特征在于:还包括轨迹监测模块,实现对特定群体的轨迹监控服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345427.8A CN110134865B (zh) | 2019-04-26 | 2019-04-26 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910345427.8A CN110134865B (zh) | 2019-04-26 | 2019-04-26 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134865A true CN110134865A (zh) | 2019-08-16 |
CN110134865B CN110134865B (zh) | 2023-03-24 |
Family
ID=67575202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910345427.8A Active CN110134865B (zh) | 2019-04-26 | 2019-04-26 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134865B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888951A (zh) * | 2019-11-09 | 2020-03-17 | 华东师范大学 | 一种基于语义轨迹的区域内兴趣点需求挖掘和选址方法及排名和分析系统 |
CN111966769A (zh) * | 2020-07-14 | 2020-11-20 | 北京城市象限科技有限公司 | 基于生活圈的信息推荐方法、装置、设备和介质 |
CN113642625A (zh) * | 2021-08-06 | 2021-11-12 | 北京交通大学 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
WO2022027748A1 (zh) * | 2020-08-04 | 2022-02-10 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
CN114202254A (zh) * | 2022-02-15 | 2022-03-18 | 中国矿业大学(北京) | 一种城市轨道交通通勤分布估计方法及系统 |
CN114595345A (zh) * | 2022-03-04 | 2022-06-07 | 江苏锐天智能科技股份有限公司 | 一种基于兴趣点的机载娱乐信息推荐系统及方法 |
CN114937215A (zh) * | 2022-06-10 | 2022-08-23 | 中国科学院地理科学与资源研究所 | 一种城市功能区的识别方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290339A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | User modeling for personalized generalized content recommendations |
CN103684994A (zh) * | 2013-12-19 | 2014-03-26 | 宇龙计算机通信科技(深圳)有限公司 | 一种向即时通信用户推荐好友的方法及系统 |
CN103699601A (zh) * | 2013-12-12 | 2014-04-02 | 深圳先进技术研究院 | 基于时空数据挖掘的地铁乘客分类方法 |
US20140330505A1 (en) * | 2012-09-18 | 2014-11-06 | Amazon Technologies, Inc. | Predictive travel notifications |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
WO2015127312A1 (en) * | 2014-02-21 | 2015-08-27 | Open Garden Inc. | Passive social networking using location |
CN104881459A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种移动社会网络的好友推荐方法 |
CN105679009A (zh) * | 2016-02-03 | 2016-06-15 | 西安交通大学 | 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法 |
CN107038858A (zh) * | 2017-05-25 | 2017-08-11 | 厦门大学 | 通勤私家车动态拼车推荐方法 |
CN108122131A (zh) * | 2017-12-15 | 2018-06-05 | 东南大学 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
-
2019
- 2019-04-26 CN CN201910345427.8A patent/CN110134865B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130290339A1 (en) * | 2012-04-27 | 2013-10-31 | Yahoo! Inc. | User modeling for personalized generalized content recommendations |
US20140330505A1 (en) * | 2012-09-18 | 2014-11-06 | Amazon Technologies, Inc. | Predictive travel notifications |
CN103699601A (zh) * | 2013-12-12 | 2014-04-02 | 深圳先进技术研究院 | 基于时空数据挖掘的地铁乘客分类方法 |
CN103684994A (zh) * | 2013-12-19 | 2014-03-26 | 宇龙计算机通信科技(深圳)有限公司 | 一种向即时通信用户推荐好友的方法及系统 |
WO2015127312A1 (en) * | 2014-02-21 | 2015-08-27 | Open Garden Inc. | Passive social networking using location |
CN104765873A (zh) * | 2015-04-24 | 2015-07-08 | 百度在线网络技术(北京)有限公司 | 用户相似度确定方法和装置 |
CN104881459A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种移动社会网络的好友推荐方法 |
CN105679009A (zh) * | 2016-02-03 | 2016-06-15 | 西安交通大学 | 一种基于出租车gps数据挖掘的打车/接单poi推荐系统及方法 |
CN107038858A (zh) * | 2017-05-25 | 2017-08-11 | 厦门大学 | 通勤私家车动态拼车推荐方法 |
CN108122131A (zh) * | 2017-12-15 | 2018-06-05 | 东南大学 | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 |
Non-Patent Citations (2)
Title |
---|
郑林江等: "基于出租车轨迹数据的城市热点出行区域挖掘", 《计算机应用与软件》 * |
隋正伟等: "基于签到数据的用户空间出行相似性度量方法研究", 《地理信息世界》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888951A (zh) * | 2019-11-09 | 2020-03-17 | 华东师范大学 | 一种基于语义轨迹的区域内兴趣点需求挖掘和选址方法及排名和分析系统 |
CN110888951B (zh) * | 2019-11-09 | 2023-06-09 | 华东师范大学 | 一种基于语义轨迹的区域内兴趣点需求挖掘和选址方法及排名和分析系统 |
CN111966769A (zh) * | 2020-07-14 | 2020-11-20 | 北京城市象限科技有限公司 | 基于生活圈的信息推荐方法、装置、设备和介质 |
CN111966769B (zh) * | 2020-07-14 | 2024-01-02 | 北京城市象限科技有限公司 | 基于生活圈的信息推荐方法、装置、设备和介质 |
WO2022027748A1 (zh) * | 2020-08-04 | 2022-02-10 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
CN113642625A (zh) * | 2021-08-06 | 2021-11-12 | 北京交通大学 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
CN113642625B (zh) * | 2021-08-06 | 2024-02-02 | 北京交通大学 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
CN114202254A (zh) * | 2022-02-15 | 2022-03-18 | 中国矿业大学(北京) | 一种城市轨道交通通勤分布估计方法及系统 |
CN114595345A (zh) * | 2022-03-04 | 2022-06-07 | 江苏锐天智能科技股份有限公司 | 一种基于兴趣点的机载娱乐信息推荐系统及方法 |
CN114937215A (zh) * | 2022-06-10 | 2022-08-23 | 中国科学院地理科学与资源研究所 | 一种城市功能区的识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110134865B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134865A (zh) | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 | |
Xia et al. | Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities | |
Zhong et al. | Inferring building functions from a probabilistic model using public transportation data | |
Jelokhani-Niaraki et al. | A group multicriteria spatial decision support system for parking site selection problem: A case study | |
CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN104881800A (zh) | 一种基于移动群智感知的激励机制实现方法 | |
CN114548811B (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
Song et al. | Subway network expansion and transit equity: A case study of Gwangju metropolitan area, South Korea | |
Xue et al. | Multi-source data-driven identification of urban functional areas: A case of Shenyang, China | |
Mendiola et al. | The link between urban development and the modal split in commuting: The case of Biscay | |
Grigorescu et al. | Assessing spatio-temporal dynamics of urban sprawl in the Bucharest metropolitan area over the last century | |
Uddin et al. | A framework to measure transit-oriented development around transit nodes: Case study of a mass rapid transit system in Dhaka, Bangladesh | |
CN112949997A (zh) | 用于城市规划设计中的社区画像的系统和方法 | |
Su et al. | Differential impacts of urbanization characteristics on city-level carbon emissions from passenger transport on road: Evidence from 360 cities in China | |
Yang | The nonlinear effects of multi-scale built environments on CO2 emissions from commuting | |
Gao et al. | Portraying business district vibrancy with mobile phone data and optimal parameters-based geographical detector model | |
Bikdeli et al. | Accessibility modeling for land use, population and public transportation in Mashhad, NE Iran | |
Zhou et al. | Village-town system in suburban areas based on cellphone signaling mining and network hierarchy structure analysis | |
Gecchele et al. | A flexible approach to select road traffic counting locations: system design and application of a fuzzy Delphi analytic hierarchy process | |
Brussel et al. | Can the urban poor reach their jobs? Evaluating equity effects of relocation and public transport projects in Ahmedabad, India | |
CN116957280A (zh) | 基于供需平衡的山地村镇社区生活圈公服设施配置方法 | |
CN115115198A (zh) | 站城融合项目评价方法、系统、电子设备、存储介质 | |
Hong et al. | Carbon emission characteristics of urban trip based on multi-layer network modeling |
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 |