CN110175691B - 规划区域交通运营线路的方法、装置和电子设备 - Google Patents

规划区域交通运营线路的方法、装置和电子设备 Download PDF

Info

Publication number
CN110175691B
CN110175691B CN201910282260.5A CN201910282260A CN110175691B CN 110175691 B CN110175691 B CN 110175691B CN 201910282260 A CN201910282260 A CN 201910282260A CN 110175691 B CN110175691 B CN 110175691B
Authority
CN
China
Prior art keywords
designated area
information
matrix
potential users
trip
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.)
Active
Application number
CN201910282260.5A
Other languages
English (en)
Other versions
CN110175691A (zh
Inventor
李隽颖
赵星
张亚楠
张云刚
张国伟
莫林剑
周聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201910282260.5A priority Critical patent/CN110175691B/zh
Publication of CN110175691A publication Critical patent/CN110175691A/zh
Application granted granted Critical
Publication of CN110175691B publication Critical patent/CN110175691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请实施例公开了一种规划区域交通运营线路的方法、装置和电子设备，包括：基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；基于所述OD矩阵，确定所述指定区域的多个候选站点；基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。

Description

规划区域交通运营线路的方法、装置和电子设备
技术领域
本申请涉及计算机软件技术领域，尤其涉及一种规划区域交通运营线路的方法、装置和电子设备。
背景技术
定制公交是根据乘客个性化需求，通过集合这些需求的共同点，以多人共用车辆的形式设定线路，为出行起终点、出行时间、服务水平需求相似的人群提供量身定制的客运服务方式。
目前定制化公交线路的设计方法最常采用的是进行居民出行问卷调查投票，该调查通过互联网端开放投票系统及推荐候选线路，获取居民的潜在出行需求，然后根据收集上来的数据进行若干条定制公交线路的排序和确定。该设计方法首先是确定若干条候选的公交线路，然后进行投票。该确定线路的方法更多地是采用用户定位数据热力图结合人工经验的方式，由于用户定位数据受天气状况、线路偶发运营情况、节假日等影响很大，而且，更多考虑的是短期特性，没有系统地分析用户侧中长期出行模式的倾向性和特点，容易使得误差比较大，线路设计的随意性也很大。
发明内容
本申请实施例的目的是提供一种规划区域交通运营线路的方法、装置和电子设备，以合理规划区域的交通运营线路，满足区域内用户的中长期出行需求。
为解决上述技术问题，本申请实施例是这样实现的：
第一方面，提出了一种规划区域交通运营线路的方法，该方法包括：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
第二方面，提出了一种交通运营线路规划装置，该装置包括：
构建模块，基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
确定模块，基于所述OD矩阵，确定所述指定区域的多个候选站点；
线路规划模块，基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
第三方面，提出了一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
本申请实施例中，通过基于区域内的出行起止地点信息、历史出行信息及用户画像信息确定区域内的潜在用户的OD矩阵，并根据OD矩阵确定候选站点，进而基于区域的出行代价最小的原则，从候选站点中规划区域的交通运营线路，从而能够基于区域内用户的长期出行模式的倾向性和特点，合理规划区域的交通运营线路，以减少区域内潜在用户的整体出行代价。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例提供的规划区域交通运营线路的方法步骤示意图。
图2是本申请的一个实施例提供的电子设备的结构示意图。
图3是本申请的一个实施例提供的交通运营线路规划装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
参照图1所示，本申请实施例提供了规划区域交通运营线路的方法的步骤示意图。该方法的执行主体可以是交通运营线路规划装置，具体可以是一种应用系统，或者是安装有该应用系统的设备，例如，计算机、智能手机等具备数据处理以及存储能力的电子设备。所述方法可以包括以下步骤：
S110，基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息。
应理解，在本申请实施例中，出行起止地点信息的内容可以包括：表示地理位置的经纬度信息，表示用户唯一性的用户ID等。应理解，出行起止地点信息可包括居住地信息和工作地信息。当然，还可能包括其它与用户出行相关的位置信息，本申请实施例对此不作限制。
应理解，在本申请实施例中，历史出行信息，可包括如下至少一种：
历史通勤频次；
历史交通工具换乘次数；
历史通勤时间。
历史通勤频次，例如，每周10次(周一至周五，上下午各一次)，等等。
历史交通工具换乘次数，例如，3次(1路公交换乘3路公交，再换乘5路公交，等等)、5次，等等。
历史通勤时间，例如，早上6:30，下午18:15，等等。
当然，应理解，历史出行信息还可包括其它信息，例如，历史通勤支付行为、历史单次出行时长，历史单次出行距离，等等。
应理解，在本申请实施例中，用户画像信息至少包括如下的一种或多种：
消费能力；
年龄；
性别；
工作属性。
消费能力，是指用户的消费水平，例如，使用支付宝进行消费的月交易笔数或交易金额，等等。
工作属性，是指用户的工作特点，例如职业、级别等等。以医院的工作人员为例，按职业可以分为医生、护士、助工、保安等等；再以护士为例，按级别还可分为普通护士和护士长等等。职业、等级的不同，也从另一方面间接体现了用户的消费能力、用户的通勤时间等。
在本申请实施例中，所涉及的样本数据可以通过用户的历史行为数据获取。具体的，例如可以通过用户使用的各类应用软件合法记录的用户历史行为数据获取。例如，可以通过支付宝沉淀的用户历史行为数据，从中获取所属用户的出行起止地点信息、历史出行信息以及用户画像信息等。
S120，基于所述OD矩阵，确定所述指定区域的多个候选站点。
S130，基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
本申请实施例中，通过基于区域内的出行起止地点信息、历史出行信息及用户画像信息确定区域内的潜在用户的OD矩阵，并根据OD矩阵确定候选站点，进而基于区域的出行代价最小的原则，从候选站点中规划区域的交通运营线路，从而能够基于区域内用户的长期出行模式的倾向性和特点，合理规划区域的交通运营线路，以减少区域内潜在用户的整体出行代价。
可选地，步骤S110具体可实现为：
基于指定区域内用户的出行起止地点信息、历史出行信息及用户画像信息，确定潜在用户；
对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的源点终点OD矩阵。
应理解，在确定潜在用户时，可基于指定区域内多个用户的样本数据，按照预设筛选规则从所述多个用户中确定潜在用户。
所述预设筛选规则可以是由样本数据分析得到的，满足以下预设筛选规则中的全部或部分，即可视为用户为潜在用户：
(1)、历史出行信息中公交出行频次大于预定出行频次阈值；
(2)、出行起止地点中的起点或终点中的至少一个的预定距离内存在公交站点；
(3)、历史出行信息中存在工作地到居住地或居住地到工作地的记录；
(4)、用户画像信息中的消费能力指标小于预定消费能力指标值。
应理解，预定出行频次阈值，可作为潜在用户的筛选条件，以过滤掉部分不常采用或不采用公共交通出行的用户。例如，可设置为0，即有历史通勤频次的，即可作为潜在用户的筛选条件。当然，还可设置更大的数值，以过滤掉部分不常采用公共交通出行的用户。
应理解，用户居住地和工作地附近如果没有公交站点，用户一般不会选择公交出行。因此，出行起止地点附近存在公交站点，显然也适合作为潜在用户的筛选条件。
应理解，如果历史出行信息中不存在通勤记录，说明用户一般也不会选择公交出行，因此，历史出行信息中存在工作地到居住地或居住地到工作地的记录，也适合作为潜在用户的筛选条件。
此外，消费水平也可作为一个选择潜在用户的指标。一般情况下，消费水平不高的用户作为潜在用户的概率较高，因此，可以将消费水平不高于一定阈值的用户视为潜在用户。
应理解，确定潜在用户后，要根据潜在用户的出行起止地点信息，进行区域聚类，以确定潜在用户的OD矩阵。
在本申请的一个实施例中，可通过如下方式确定OD矩阵。
获取所述指定区域内潜在用户的源点位置和终点位置的OD观测数据；
基于区域生长技术对所述指定区域内潜在用户的源点位置和终点位置进行区域聚类以得到多个聚类后区域，所述聚类后区域中至少包含源点位置或终点位置；
基于所述多个聚类后区域中区域间OD观测数据，确定所述OD矩阵，其中，所述OD矩阵中i行j列的元素用于表征多个聚类后区域中第i个聚类后区域到第j个聚类后区域的OD观测数据的统计和值，i、j为正整数，1≤i≤N，1≤j≤N，N表示所述多个聚类后区域的个数。
区域生长的基本思想是将具有相似性质的元素集合起来构成区域。具体先对每个需要分割的区域找一个种子网格作为生长的起点，然后将种子网格周围邻域中与种子网格具有相同或相似性质的网格(根据某种事先确定的生长或相似准则来判定)合并到种子网格所在的区域中。将这些新网格当做新的种子元素继续进行上面的过程，直到再没有满足条件的网格可被包括进来，这样，一个区域就长成了。
为便于理解区域生长技术的具体实现，本申请实施例列举的区域生长实现的步骤如下:
a，对区域网格顺序扫描，找到第1个还没有归属的网格，设该网格为(x0，y0)；
b，以(x0，y0)为中心，考虑(x0，y0)的8邻域网格(x，y)，如果(x，y)满足生长准则，将(x，y)与(x0，y0)合并(在同一区域内)，同时将(x，y)压入堆栈；
注明：生长准则是指(x，y)与(x0，y0)是相邻的，且该区域类已包含网格个数未达到设定最大值。(最大值是防止区域不能过大，否则用户步行距离误差会大)
c，从堆栈中取出一个网格，把它当作(x0，y0)返回到步骤b；
d，当堆栈为空时，返回到步骤a；
e，重复步骤a-d，直到区域中的每个网格都有归属时，生长结束。
当然，应理解，本申请实施例中，还可通过其它区域聚类方式进行区域聚类，本申请实施例对此不作限制。
应理解，在针对于指定区域的潜在用户进行工作地/居住地的区域聚类方法之后，可将聚类结果作为即将生成的图模型的节点，图模型的边权重weight由该边对应的两个节点(区域)之间的用户数量(OD观测数据)得到。在已经获得图模型的节点和边权重的基础上，可进一步构建潜在用户出行需求的OD矩阵。
可选地，步骤S120具体可实现为：
选择所述OD矩阵中取值大于预定阈值的元素；
确定所述取值大于预定阈值的元素对应的区域中的站点为候选站点。
应理解，OD矩阵中的元素，是指OD矩阵中的行、列对应的取值，元素对应的区域，即元素所在的行对应的区域和元素所在的列对应的区域。元素的取值所表示的含义，即元素所在的行对应的区域和元素所在的列对应的区域之间的潜在用户OD观测统计值。
应理解，在规划交通运营线路时，应选择上下车较多的地点作为站点，以使得交通运营线路能够尽量满足大多数人的出行需求。选择取值大于预定阈值的元素对应的区域中的站点作为候选站点，能够避免选择上车、下车人数都较少的站点作为交通运营线路的站点。
应理解，在本申请实施例中，所述指定区域的出行代价基于如下至少一种确定：
基于规划线路的预估公交人流量确定的第一出行代价，其中，所述第一出行代价与所述预估公交人流量负相关；
基于所述指定区域内各潜在用户的指定比值的和值或平方和确定的第二出行代价，其中，潜在用户的指定比值为潜在用户的公交起止站点的直线距离与线路距离的比值，所述第二出行代价与所述指定区域内各潜在用户的指定比值的和值或平方和正相关；
基于所述指定区域内各潜在用户的步行距离的和值或平方和确定的第三出行代价，其中，潜在用户的步行距离为潜在用户乘坐公交时从出行起止地点到公交起止站点的步行距离，所述第三出行代价与所述指定区域内各潜在用户的步行距离的和值或平方和正相关。
可选的，作为一个实施例，第一出行代价可用如下客流量函数表示：
1/count(V)。
其中，count(V)表示指定区域的客流量。
显然，客流量越大，出行代价越小。
当然，还可以采用其它客流量函数表示第一出行代价，本申请实施例对此不作限制。
可选的，作为一个实施例，第二出行代价可用如下线路距离函数表示：∑(dis_plan(xo_i，xd_i)/dis_line(xo_i，xd_i))
其中，xo_i表示出行起点站点，xd_i表示出行终点站点，函数dis_plan表示站点xo_i到站点xd_i规划线路的距离，函数dis_line表示站点xo_i到站点xd_i直线距离。
当然，类似地，还可以采用其它线路距离函数表示第二出行代价，本申请实施例对此不作限制。
可选的，作为一个实施例，第三出行代价可用如下步行距离函数表示：
(∑min{oi-xj∈X})2+(∑min{di-xj∈X})2
其中，oi表示用户出行起点的位置，xj表示站点的位置，di表示用户出行终点的位置，min{oi-xj∈X}表示用户出行起点位置到最近的用户出行起点站点的距离，min{di-xj∈X})表示用户出行终点位置到最近的用户出行终点站点的距离。
当然，类似地，还可以采用其它步行距离函数表示第三出行代价，本申请实施例对此不作限制。
当然，应理解，所述第一出行代价、所述第二出行代价、所述第三出行代价在所述指定区域的出行代价中分别具有不同的加权因子。本申请实施例中，可根据交通运营关注的各个出行代价的不同优先级程度，分配不同的加权因子，不妨假设三种出行代价的加权因子分别为k1,、k2、k3，则本申请实施例的一种规划交通运行线路的方法，即可通过求解如下出行代价函数实现：
Min{(1/count(V))*k1+(∑(dis_plan(xo_i，xd_i)/dis_line(xo_i，xd_i)))*k2
+((∑min{oi-xj∈X})2+(∑min{di-xj∈X})2)*k3}。
具体地，在求解最优交通运营线路的过程中，可采用启发式优化算法，求解出行代价函数(例如前述的出行代价函数)，从所述多个候选站点中选择使得所述指定区域的出行代价的最优变量对应的交通运营线路，以作为所述指定区域规划的交通运营线路。
应理解，所述启发式优化算法可包括如下至少一种：遗传算法、粒子群算法、蚁群算法。
当然，也不排除采用其它启发式优化算法，或者是启发式优化算法以外的其它算法求解出行代价函数以确定规划后交通运行线路。例如，可以采用穷举法，将所有的站点排列组合都选择出来，计算出对应的目标函数值，最小函数目标值对应的站点排列组合就是最优变量。本申请实施例对此不作限制。
可选地，所述方法还包括：
基于所述指定区域内潜在用户的历史通勤时间，确定所述指定区域规划的交通运营线路的运营时间。
本申请实施例中，还可根据区域内潜在用户的群体通勤时间，合理规划交通运营线路的运营时间，以在保障大部分用户出行的同时，尽量减少运营成本。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成交通运营线路规划装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
上述如本申请图1所示实施例揭示的交通运营线路规划装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法，并实现交通运营线路规划装置在图1、所示实施例的功能，本申请实施例在此不再赘述。
当然，除了软件实现方式之外，本申请实施例的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示实施例的方法，并具体用于执行以下方法：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
图3为本申请的一个实施例提供的交通运营线路规划装置300的结构示意图。请参考图3，在一种软件实施方式中，交通运营线路规划装置300可包括：
构建模块310，基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息；
确定模块320，基于所述OD矩阵，确定所述指定区域的多个候选站点；
线路规划模块330，基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
本申请实施例中，通过基于区域内的出行起止地点信息、历史出行信息及用户画像信息确定区域内的潜在用户的OD矩阵，并根据OD矩阵确定候选站点，进而基于区域的出行代价最小的原则，从候选站点中规划区域的交通运营线路，从而能够基于区域内用户的长期出行模式的倾向性和特点，合理规划区域的交通运营线路，以减少区域内潜在用户的整体出行代价。
应理解，本申请实施例的交通运营线路规划装置300还可执行图1的方法，并实现交通运营线路规划装置在图1所示实施例的功能，在此不再赘述。
总之，以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (15)

1.一种规划区域交通运营线路的方法，包括：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息，所述OD矩阵通过如下方式构建：基于指定区域内用户的出行起止地点信息、历史出行信息及用户画像信息，确定潜在用户；对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的OD矩阵；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
2.如权利要求1所述的方法，
所述潜在用户满足以下全部或部分条件：
历史出行信息中公交出行频次大于预定出行频次阈值；
出行起止地点中的起点或终点中的至少一个的预定距离内存在公交站点；
历史出行信息中存在工作地到居住地或居住地到工作地的记录；
用户画像信息中的消费能力指标小于预定消费能力指标值。
3.如权利要求1所述的方法，对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的OD矩阵，包括：
获取所述指定区域内潜在用户的源点位置和终点位置的OD观测数据；
基于区域生长技术对所述指定区域内潜在用户的源点位置和终点位置进行区域聚类以得到多个聚类后区域，所述聚类后区域中至少包含源点位置或终点位置；
基于所述多个聚类后区域中区域间OD观测数据，确定所述OD矩阵，其中，所述OD矩阵中i行j列的元素用于表征多个聚类后区域中第i个聚类后区域到第j个聚类后区域的OD观测数据的统计和值，i、j为正整数，1≤i≤N，1≤j≤N，N表示所述多个聚类后区域的区域个数。
4.如权利要求1所述的方法，基于所述OD矩阵，确定所述指定区域的多个候选站点，包括：
选择所述OD矩阵中取值大于预定阈值的元素；
确定所述取值大于预定阈值的元素对应的区域中的站点为候选站点。
5.如权利要求1所述的方法，所述指定区域的出行代价基于如下至少一种确定：
基于规划线路的预估公交人流量确定的第一出行代价，其中，所述第一出行代价与所述预估公交人流量负相关；
基于所述指定区域内各潜在用户的指定比值的和值或平方和确定的第二出行代价，其中，潜在用户的指定比值为潜在用户的公交起止站点的直线距离与线路距离的比值，所述第二出行代价与所述指定区域内各潜在用户的指定比值的和值或平方和正相关；
基于所述指定区域内各潜在用户的步行距离的和值或平方和确定的第三出行代价，其中，潜在用户的步行距离为潜在用户乘坐公交时从出行起止地点到公交起止站点的步行距离，所述第三出行代价与所述指定区域内各潜在用户的步行距离的和值或平方和正相关。
6.如权利要求5所述的方法，
所述第一出行代价、所述第二出行代价、所述第三出行代价在所述指定区域的出行代价中分别具有不同的加权因子。
7.如权利要求1、5、6中任一项所述的方法，基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路，包括：
基于启发式优化算法，从所述多个候选站点中选择使得所述指定区域的出行代价的最优变量对应的交通运营线路，以作为所述指定区域规划的交通运营线路。
8.如权利要求7所述的方法，所述启发式优化算法包括如下至少一种：
遗传算法、粒子群算法、蚁群算法。
9.如权利要求1所述的方法，所述方法还包括：
基于所述指定区域内潜在用户的历史通勤时间，确定所述指定区域规划的交通运营线路的运营时间。
10.如权利要求1所述的方法，所述出行起止地点信息至少包括：工作地信息、居住地信息。
11.如权利要求1所述的方法，所述历史出行信息至少包括如下的一种或多种：
历史通勤频次；
历史交通工具换乘次数；
历史通勤时间。
12.如权利要求1所述的方法，所述用户画像信息至少包括如下的一种或多种：
消费能力；
年龄；
性别；
工作属性。
13.一种交通运营线路规划装置，包括：
构建模块，基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息，所述OD矩阵通过如下方式构建：基于指定区域内用户的出行起止地点信息、历史出行信息及用户画像信息，确定潜在用户；对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的OD矩阵；
确定模块，基于所述OD矩阵，确定所述指定区域的多个候选站点；
线路规划模块，基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
14.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息，所述OD矩阵通过如下方式构建：基于指定区域内用户的出行起止地点信息、历史出行信息及用户画像信息，确定潜在用户；对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的OD矩阵；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
15.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
基于指定区域内用户的样本数据，构建所述指定区域内潜在用户的源点终点OD矩阵，所述样本数据至少包括出行起止地点信息、历史出行信息及用户画像信息，所述OD矩阵通过如下方式构建：基于指定区域内用户的出行起止地点信息、历史出行信息及用户画像信息，确定潜在用户；对潜在用户的出行起止地点信息进行区域聚类，以确定潜在用户的OD矩阵；
基于所述OD矩阵，确定所述指定区域的多个候选站点；
基于所述指定区域的出行代价最小的原则，从所述多个候选站点中选择站点以规划所述指定区域的交通运营线路。
CN201910282260.5A 2019-04-09 2019-04-09 规划区域交通运营线路的方法、装置和电子设备 Active CN110175691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910282260.5A CN110175691B (zh) 2019-04-09 2019-04-09 规划区域交通运营线路的方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910282260.5A CN110175691B (zh) 2019-04-09 2019-04-09 规划区域交通运营线路的方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN110175691A CN110175691A (zh) 2019-08-27
CN110175691B true CN110175691B (zh) 2023-06-02

Family

ID=67689521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910282260.5A Active CN110175691B (zh) 2019-04-09 2019-04-09 规划区域交通运营线路的方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN110175691B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570254B (zh) * 2019-09-12 2023-04-07 创优数字科技(广东)有限公司 一种基于人脸识别数据的商品结构控制方法及系统
CN112700073B (zh) * 2019-10-22 2024-04-12 华为云计算技术有限公司 公交线路规划方法和装置
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
CN110928975B (zh) * 2019-12-03 2022-11-08 支付宝(杭州)信息技术有限公司 用于确定公交站点之间的距离的方法和装置
CN111461489A (zh) * 2020-03-05 2020-07-28 支付宝(杭州)信息技术有限公司 路线生成方法、装置、电子设备及可读存储介质
CN111738484B (zh) * 2020-04-28 2024-05-14 腾讯科技（深圳）有限公司 一种公交站点选址的方法、装置及计算机可读存储介质
CN112598338B (zh) * 2021-03-03 2021-06-29 深圳市城市交通规划设计研究中心股份有限公司 路径选择模型的构建方法及客流分配方法
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825383B1 (en) * 2010-12-10 2014-09-02 Google Inc. Extracting patterns from location history
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
CN108492565A (zh) * 2018-04-20 2018-09-04 广东亿迅科技有限公司 基于用户出行数据分析的公共交通控制方法和系统
CN108805356A (zh) * 2018-06-11 2018-11-13 苏州规划设计研究院股份有限公司 小区域公交线路优化方法及系统
CN108831149A (zh) * 2018-06-14 2018-11-16 重庆同济同枥信息技术有限公司 一种基于历史od信息定制公交线路开行方法及系统
WO2018217161A1 (en) * 2017-05-26 2018-11-29 Grabtaxi Holdings Pte. Ltd. Systems and methods for managing shuttle services and deriving of shuttle service routes and services

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825383B1 (en) * 2010-12-10 2014-09-02 Google Inc. Extracting patterns from location history
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
WO2018217161A1 (en) * 2017-05-26 2018-11-29 Grabtaxi Holdings Pte. Ltd. Systems and methods for managing shuttle services and deriving of shuttle service routes and services
CN108492565A (zh) * 2018-04-20 2018-09-04 广东亿迅科技有限公司 基于用户出行数据分析的公共交通控制方法和系统
CN108805356A (zh) * 2018-06-11 2018-11-13 苏州规划设计研究院股份有限公司 小区域公交线路优化方法及系统
CN108831149A (zh) * 2018-06-14 2018-11-16 重庆同济同枥信息技术有限公司 一种基于历史od信息定制公交线路开行方法及系统

Also Published As

Publication number Publication date
CN110175691A (zh) 2019-08-27

Similar Documents

Publication Publication Date Title
CN110175691B (zh) 规划区域交通运营线路的方法、装置和电子设备
Krumm Real time destination prediction based on efficient routes
RU2406158C2 (ru) Способы предсказания пунктов назначения из частичных траекторий, применяющие способы моделирования открытого и замкнутого мира
US20120047102A1 (en) Predicting or recommending a users future location based on crowd data
Zhang et al. Inferring passenger denial behavior of taxi drivers from large-scale taxi traces
Xu et al. DESTPRE: a data-driven approach to destination prediction for taxi rides
Yang et al. A GIS‐based method to identify cost‐effective routes for rural deviated fixed route transit
Salon Cars and the city: an investigation of transportation and residential location choices in New York City
CN116431923B (zh) 一种针对城市道路的交通出行预测方法、设备及介质
Ayala et al. Spatio-temporal matching for urban transportation applications
Lu et al. Prediction-based parking allocation framework in urban environments
US9898876B2 (en) Method and apparatus for vehicle usage recording
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN117056620A (zh) 一种基于职业信息处理业务的方法、装置、设备及介质
Bhuyan et al. Causal analysis at extreme quantiles with application to London traffic flow data
Baird et al. Mobile device data for parks and public lands transportation planning: A framework for evaluation and applications
Rahaman et al. MoParkeR: Multi-objective parking recommendation
CN114448813A (zh) 一种网络扩容比例的确定方法、装置、服务器及介质
US20200143269A1 (en) Method and Apparatus for Determining a Travel Destination from User Generated Content
CN111833595B (zh) 共享汽车辅助车辆配置方法、电子设备及存储介质
CN112836121A (zh) 一种出行目的识别方法及系统
Ho et al. Solving time-dependent dial-a-ride problem using greedy ant colony optimization
JP6458537B2 (ja) 位置推定方法、位置推定プログラム、及び位置推定装置
CN114691758B (zh) 一种盲点停车场库问题诊断方法、装置和应用
CN116862097B (zh) 一种信息确定方法及设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200922

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

Effective date of registration: 20200922

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant