CN110222892A - 乘客的下车站点预测方法及装置 - Google Patents

乘客的下车站点预测方法及装置 Download PDF

Info

Publication number
CN110222892A
CN110222892A CN201910490631.9A CN201910490631A CN110222892A CN 110222892 A CN110222892 A CN 110222892A CN 201910490631 A CN201910490631 A CN 201910490631A CN 110222892 A CN110222892 A CN 110222892A
Authority
CN
China
Prior art keywords
passenger
stop
similarity
website
feature
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
Application number
CN201910490631.9A
Other languages
English (en)
Other versions
CN110222892B (zh
Inventor
邵凌霜
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.)
Wuhan Yuanguang Technology Co Ltd
Original Assignee
Wuhan Yuanguang Technology 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 Wuhan Yuanguang Technology Co Ltd filed Critical Wuhan Yuanguang Technology Co Ltd
Priority to CN201910490631.9A priority Critical patent/CN110222892B/zh
Publication of CN110222892A publication Critical patent/CN110222892A/zh
Application granted granted Critical
Publication of CN110222892B publication Critical patent/CN110222892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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"
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种乘客的下车站点预测方法及装置，方法包括：将乘客在任一线路上的上车站点之后的任一站点作为候选下车站点，将上车站点之后的站点中除候选下车站点以外的站点作为非候选下车站点；根据乘客的特征和候选下车站点的特征，基于预先构建的相似度函数计算乘客与候选下车站点之间的第一相似度，根据乘客的特征和各非候选下车站点的特征，基于相似度函数计算乘客与各非候选下车站点之间的第二相似度；根据第一相似度和第二相似度计算乘客与线路的整体相似度，获取上车站点之后的每个站点对应的整体相似度中的最大值，将最大值对应的候选下车站点作为乘客的最终下车站点。本发明实现了乘客下车站点的预测，且预测精度高。

Description

乘客的下车站点预测方法及装置
技术领域
本发明属于智能交通技术领域，尤其涉及一种乘客的下车站点预测方法及装置。
背景技术
随着我国经济的迅速发展与城市化进程的加快，城市道路中各类车辆日益增多，给城市交通带来了极大的压力。公交出行作为一种绿色节能的出行方式，是城市居民出行最重要的交通方式之一。因此，了解居民的公交出行特征对公交线路的规划、公交调度等具有重要意义。
目前公交乘客的预测问题中，一般只能预测“某一站有多少人下车”。这种类型的预测好处在于，可以为广大乘客提供基本的客流信息以供出行参考，但这种预测太过笼统，无法为每一类用户提供出行参考。比如对于通勤上班的乘客，流量预测不会影响他们的上班行为，也不会为拥挤的公交乘坐体验带来任何改变。但是对于“在某一站上车的人会在哪一站下车”目前尚未提出相关的预测方法。然而，这对城市公交人口的出行规律以及公交规划具有重要指导意义。如果可以获知特定用户的常用下车位置，不但可以为特定属性的乘客提供定制的服务，如下车站的属性推荐特定服务，还可根据乘客的乘车规律制定公交线路调度方案。
综上所述，预测某一站上车的乘客的下车站点具有重要作用，亟需提出一种乘客的下车站点预测方法以为乘客提供定制服务，并确定乘客详细的出行规律。
发明内容
为克服上述现有技术无法预测某一站上车的乘客的下车站点的问题或者至少部分地解决上述问题，本发明实施例提供一种乘客的下车站点预测方法及装置。
根据本发明实施例的第一方面，提供一种乘客的下车站点预测方法，包括：
获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
根据本发明实施例第二方面提供一种乘客的下车站点预测装置，包括：
获取模块，用于获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
计算模块，用于根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
预测模块，用于根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
根据本发明实施例的第三个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的乘客的下车站点预测方法。
根据本发明实施例的第四个方面，还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第一方面的各种可能的实现方式中任一种可能的实现方式所提供的乘客的下车站点预测方法。
本发明实施例提供一种乘客的下车站点预测方法及装置，该方法通过假设某一站点为下车站点，将假设的下车站点作为候选下车站点，上车站点之后除假设的下车站点以后的站点为非下车站点，将假设的非下车站点作为非候选站点，基于预先构建的相似度函数计算乘客的特征与候选下车站点的特征之间，以及乘客特征与各非候选下车站点特征之间的相似度，从而计算乘客与线路的整体相似度，根据整体相似度确定下车站点，本实施例综合考虑两种相似度确定下车站点，使得预测结果更精确，可为乘客提供定制化的下车站点服务，并可根据同一类型乘客的乘车行为确定线路调度方案。
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为本发明实施例提供的乘客的下车站点预测方法整体流程示意图；
图2为本发明实施例提供的乘客的下车站点预测装置整体结构示意图；
图3为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
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。
在本发明的一个实施例中提供一种乘客的下车站点预测方法，图1为本发明实施例提供的乘客的下车站点预测方法整体流程示意图，该方法包括：S101，获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
其中，该乘客为某一类型的乘客，乘客的类型根据乘客的特征确定。获取乘客在某一条线路L上上车的上车站点，以及该条线路上该上车站点之后的每个站点。将上车站点之后的某一站点作为候选下车站点，将该条线路上上车站点之后的站点中除该候选下次站点以外的站点作为非候选下车站点。即假设某一站点为下车站点，将假设的下车站点作为候选下车站点，上车站点之后除假设的下车站点以后的站点为非下车站点，将假设的非下车站点作为非候选站点。将上车站点之后每个站点均进行一次下车站点假设。本实施例在已知乘客的特征、乘客上车站点和所乘车辆的行驶线路的情况下预测乘客的下车站点。
S102，根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
其中，将乘客的特征和候选下车站点的特征作为相似度函数的变量，计算出乘客与候选下车站点之间的相似度，将该相似度作为第一相似度。对于任一非候选下车站点，将乘客的特征和该非候选下车站点的特征作为相似度函数的变量，计算出乘客该非候选下车站点之间的相似度，将该相似度作为第二相似度。第一相似度和第二相似度计算所使用的相似度函数相同。乘客的特征如职业、乘车地和乘车时间等，候选下车站点的特征和非候选下车站点的特征如途径站点的位置属性以及历史客流信息等。在使用乘客的特征、候选下车站点的特征和非候选下车站点的特征进行相似度计算之前，先将乘客的特征、候选下车站点的特征和非候选下车站点的特征抽象为特征向量，转化为特征向量之间的相似度计算。
S103，根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
将第一相似度和第二相似度进行综合计算，将综合计算的结果作为乘客与该线路的整体相似度。由于将上车站点之后的每个站点进行一次候选下车站点假设，因此上车站点之后的每个站点对应计算有一个整体相似度，从这些站点的整体相似度中的最大整体相似度对应的站点作为最终的下车站点，即预测结果。
本实施例通过假设某一站点为下车站点，将假设的下车站点作为候选下车站点，上车站点之后除假设的下车站点以后的站点为非下车站点，将假设的非下车站点作为非候选站点，基于预先构建的相似度函数计算乘客的特征与候选下车站点的特征之间，以及乘客特征与各非候选下车站点特征之间的相似度，从而计算乘客与线路的整体相似度，根据整体相似度确定下车站点，本实施例综合考虑两种相似度确定下车站点，使得预测结果更精确，可为乘客提供定制化的下车站点服务，并可根据同一类型乘客的乘车行为确定线路调度方案。
在上述实施例的基础上，本实施例中所述乘客的特征包括固定特征和动态特征；所述固定特征包括职业、收入、年龄和家庭信息；所述动态特征包括乘车时间和乘车目的；所述乘车目的包括上班和回家；所述线路上每个站点的特征包括静态特征和功能特征；所述静态特征包括地理特征；所述地理特征包括是否企业聚集地和是否为住宅区；所述功能特征包括换乘站、非换乘站和当前时段的历史客流量。
在上述实施例的基础上，本实施例中所述相似度函数的公式为：
其中，Useri表示第i种类型的乘客，Stopj表示所述上车站点之后第j个站点，S(Useri,Stopj)表示Useri和Stopj之间的相似度，n表示乘客的特征数量，m表示站点的特征数量，ua表示Useri的第a个特征，wa表示所述第a个特征的权重，sb表示所述Stopj的第b个特征，wb表示所述第b个特征的权重，σ表示函数x为σ函数的变量。
具体地，构建相似度函数S(Useri,Stopj)，即乘客与各站点的相似度。相似度越高，乘客与该站点的匹配度越高，乘客在该站点下车的概率也越大。
在上述实施例的基础上，本实施例中根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度的步骤之前还包括：获取多个乘客样本在所述上车站点后的下车站点；根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征，基于梯度下降算法计算所述相似度函数中的wa和wb。
其中，乘客样本为在该上车站点上车，且已知下车站点的乘客，并收集各乘客样本的特征。根据乘客样本的信息和乘客样本的下车站点信息，对相似度函数进行训练。具体通过梯度下降算法求解，得到相似度函数中各类参数的数值。
在上述实施例的基础上，本实施例中根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征，基于梯度下降算法计算所述相似度函数中的wa和wb的步骤具体包括：将所述上车站点与该乘客样本的下车站点之间的站点作为该乘客样本的中间站点；对于任一所述乘客样本，将该乘客样本的特征和该乘客样本的下车站点的特征作为所述相似度函数的输入，以及将该乘客样本的特征和各所述中间站点的特征作为所述相似度函数的输入，基于所述梯度下降算法对所述相似度函数进行训练，获取所述相似度函数中的wa和wb。
具体地，对相似度函数训练的目标为当相似度函数的输入为乘客样本的特征和该乘客样本的下车站点的特征时，使得相似度函数输出的相似度趋近1；当相似度函数的输入为乘客样本的特征和各中间站点的特征时，使得相似度函数输出的相似度趋近0。训练的过程为基于梯度下降算法对相似度函数中的参数进行调整，以达到相似度函数训练的目标。
在上述各实施例的基础上，本实施例通过以下公式根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度：
其中，L(Useri,Line)表示第i种类型的乘客Useri与线路Line的整体相似度，S(Useri,Stopj)表示Useri与候选下车站点Stopj之间的第一相似度，候选下车站点Stopj为所述乘客的上车站点之后的第j个站点，表示Useri与所有非候选下车站点之间的第二相似度的平均值，非候选下车站点为所述乘客的上车站点之后的站点中除Stopj以外的站点，α1为第一相似度的权重，α2为第二相似度的权重。
具体地，为了更准确地确定候选下车站点是否为最终的下车站点，本实施例限定最终的下车站点能够满足乘客的特征与该下车站点的相似度更大，同时与非下车站点之间的相似度更小。因此，将第一相似度和第二相似度的平均值乘以相应权重后相减，将相减结果作为乘客与该线路的整体相似度。其中，α1和α2可以初始定义为α1＝α2＝0.5，但是不限于这种定义，用于平衡第一相似度和第二相似度的比重，可根据实际问题进行更改。
在上述实施例的基础上，本实施例所述乘客样本包括通勤乘客样本和非通勤乘客样本；相应地，获取多个乘客样本在所述上车站点上车后的下车站点，根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb的步骤具体包括：获取多个通勤乘客样本在所述上车站点上车后的下车站点，根据各所述通勤乘客样本的下车站点的特征和各所述通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述通勤乘客样本对应的相似度函数作为生存出行模型；获取多个非通勤乘客样本在所述上车站点上车后的下车站点，根据各所述非通勤乘客样本的下车站点的特征和各所述非通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述非通勤乘客样本对应的相似度函数作为生活出行模型；相应地，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度的步骤具体包括：若所述乘客为通勤乘客，则基于所述生存出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度；若所述乘客为非通勤乘客，则基于所述生活出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度。
其中，通勤乘客样本为上班出行的乘客样本，非通勤乘客样本为生活出行，如周末出行和节假日出行的乘客样本。收集所有通勤乘客样本的特征和非通勤乘客样本的特征。由于通勤乘客样本和非通勤乘客样本的出行类型的差异，分别使用通勤乘客样本和非通勤乘客样本构建相应的相似度函数，即生存出行模型和生活出行模型。使用通勤乘客样本和非通勤乘客样本构建相应的相似度函数是指分别使用通勤乘客样本和非通勤乘客样本作为训练样本对相似度函数进行训练，获取相应的相似度函数参数。在使用两种模型进行相似度计算时，先判断乘客的类型，根据乘客的类型选择相应的模型进行相似度计算，根据相似度计算结果预测乘客的下车站点。
在本发明的另一个实施例中提供一种乘客的下车站点预测装置，该装置用于实现前述各实施例中的方法。因此，在前述乘客的下车站点预测方法的各实施例中的描述和定义，可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的乘客的下车站点预测装置整体结构示意图，该装置包括获取模块201、计算模块202和预测模块203；其中：
获取模块201用于获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
其中，该乘客为某一类型的乘客，乘客的类型根据乘客的特征确定。获取模块201获取乘客在某一条线路L上上车的上车站点，以及该条线路上该上车站点之后的每个站点。将上车站点之后的某一站点作为候选下车站点，将该条线路上上车站点之后的站点中除该候选下次站点以外的站点作为非候选下车站点。即假设某一站点为下车站点，将假设的下车站点作为候选下车站点，上车站点之后除假设的下车站点以后的站点为非下车站点，将假设的非下车站点作为非候选站点。将上车站点之后每个站点均进行一次下车站点假设。本实施例在已知乘客的特征、乘客上车站点和所乘车辆的行驶线路的情况下预测乘客的下车站点。
计算模块202用于根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
计算模块202将乘客的特征和候选下车站点的特征作为相似度函数的变量，计算出乘客与候选下车站点之间的相似度，将该相似度作为第一相似度。对于任一非候选下车站点，将乘客的特征和该非候选下车站点的特征作为相似度函数的变量，计算出乘客该非候选下车站点之间的相似度，将该相似度作为第二相似度。第一相似度和第二相似度计算所使用的相似度函数相同。在使用乘客的特征、候选下车站点的特征和非候选下车站点的特征进行相似度计算之前，先将乘客的特征、候选下车站点的特征和非候选下车站点的特征抽象为特征向量，转化为特征向量之间的相似度计算。
预测模块203用于根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
预测模块203将第一相似度和第二相似度进行综合计算，将综合计算的结果作为乘客与该线路的整体相似度。由于将上车站点之后的每个站点进行一次候选下车站点假设，因此上车站点之后的每个站点对应计算有一个整体相似度，从这些站点的整体相似度中的最大整体相似度对应的站点作为最终的下车站点，即预测结果。
本实施例通过假设某一站点为下车站点，将假设的下车站点作为候选下车站点，上车站点之后除假设的下车站点以后的站点为非下车站点，将假设的非下车站点作为非候选站点，基于预先构建的相似度函数计算乘客的特征与候选下车站点的特征之间，以及乘客特征与各非候选下车站点特征之间的相似度，从而计算乘客与线路的整体相似度，根据整体相似度确定下车站点，本实施例综合考虑两种相似度确定下车站点，使得预测结果更精确，可为乘客提供定制化的下车站点服务，并可根据同一类型乘客的乘车行为确定线路调度方案。
在上述实施例的基础上，本实施例中所述乘客的特征包括固定特征和动态特征；所述固定特征包括职业、收入、年龄和家庭信息；所述动态特征包括乘车时间和乘车目的；所述乘车目的包括上班和回家；所述线路上每个站点的特征包括静态特征和功能特征；所述静态特征包括地理特征；所述地理特征包括是否企业聚集地和是否为住宅区；所述功能特征包括换乘站、非换乘站和当前时段的历史客流量。
在上述实施例的基础上，本实施例中所述相似度函数的公式为：
其中，Useri表示第i种类型的乘客，Stopj表示所述上车站点之后第j个站点，S(Useri,Stopj)表示Useri和Stopj之间的相似度，n表示乘客的特征数量，m表示站点的特征数量，ua表示Useri的第a个特征，wa表示所述第a个特征的权重，sb表示所述Stopj的第b个特征，wb表示所述第b个特征的权重，σ表示函数x为σ函数的变量。
在上述实施例的基础上，本实施例中还包括训练模块，用于获取多个乘客样本在所述上车站点后的下车站点；根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征，基于梯度下降算法计算所述相似度函数中的wa和wb。
在上述实施例的基础上，本实施例中训练模块具体用于：将所述上车站点与该乘客样本的下车站点之间的站点作为该乘客样本的中间站点；对于任一所述乘客样本，将该乘客样本的特征和该乘客样本的下车站点的特征作为所述相似度函数的输入，以及将该乘客样本的特征和各所述中间站点的特征作为所述相似度函数的输入，基于所述梯度下降算法对所述相似度函数进行训练，获取所述相似度函数中的wa和wb。
在上述各实施例的基础上，本实施例预测模块通过以下公式根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度：
其中，L(Useri,Line)表示第i种类型的乘客Useri与线路Line的整体相似度，S(Useri,Stopj)表示Useri与候选下车站点Stopj之间的第一相似度，候选下车站点Stopj为所述乘客的上车站点之后的第j个站点，表示Useri与所有非候选下车站点之间的第二相似度的平均值，非候选下车站点为所述乘客的上车站点之后的站点中除Stopj以外的站点，α1为第一相似度的权重，α2为第二相似度的权重。
在上述实施例的基础上，本实施例所述乘客样本包括通勤乘客样本和非通勤乘客样本；相应地，所述训练模块具体用于：获取多个通勤乘客样本在所述上车站点上车后的下车站点，根据各所述通勤乘客样本的下车站点的特征和各所述通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述通勤乘客样本对应的相似度函数作为生存出行模型；获取多个非通勤乘客样本在所述上车站点上车后的下车站点，根据各所述非通勤乘客样本的下车站点的特征和各所述非通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述非通勤乘客样本对应的相似度函数作为生活出行模型；相应地，计算模块具体用于：若所述乘客为通勤乘客，则基于所述生存出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度；若所述乘客为非通勤乘客，则基于所述生活出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度。
本实施例提供一种电子设备，图3为本发明实施例提供的电子设备整体结构示意图，该设备包括：至少一个处理器301、至少一个存储器302和总线303；其中，
处理器301和存储器302通过总线303完成相互间的通信；
存储器302存储有可被处理器301执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：将乘客在任一线路上的上车站点之后的任一站点作为候选下车站点，将上车站点之后的站点中除候选下车站点以外的站点作为非候选下车站点；根据乘客的特征和候选下车站点的特征，基于预先构建的相似度函数计算乘客与候选下车站点之间的第一相似度，根据乘客的特征和各非候选下车站点的特征，基于相似度函数计算乘客与各非候选下车站点之间的第二相似度；根据第一相似度和第二相似度计算乘客与线路的整体相似度，获取上车站点之后的每个站点对应的整体相似度中的最大值，将最大值对应的候选下车站点作为乘客的最终下车站点。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：将乘客在任一线路上的上车站点之后的任一站点作为候选下车站点，将上车站点之后的站点中除候选下车站点以外的站点作为非候选下车站点；根据乘客的特征和候选下车站点的特征，基于预先构建的相似度函数计算乘客与候选下车站点之间的第一相似度，根据乘客的特征和各非候选下车站点的特征，基于相似度函数计算乘客与各非候选下车站点之间的第二相似度；根据第一相似度和第二相似度计算乘客与线路的整体相似度，获取上车站点之后的每个站点对应的整体相似度中的最大值，将最大值对应的候选下车站点作为乘客的最终下车站点。
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。
以上所描述的装置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：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (10)

1.一种乘客的下车站点预测方法，其特征在于，包括：
获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
2.根据权利要求1所述的乘客的下车站点预测方法，其特征在于，所述乘客的特征包括固定特征和动态特征；
所述固定特征包括职业、收入、年龄和家庭信息；
所述动态特征包括乘车时间和乘车目的；
所述乘车目的包括上班和回家；
所述线路上每个站点的特征包括静态特征和功能特征；
所述静态特征包括地理特征；
所述地理特征包括是否企业聚集地和是否为住宅区；
所述功能特征包括换乘站、非换乘站和当前时段的历史客流量。
3.根据权利要求1所述的乘客的下车站点预测方法，其特征在于，所述相似度函数的公式为：
其中，Useri表示第i种类型的乘客，Stopj表示所述上车站点之后第j个站点，S(Useri,Stopj)表示Useri和Stopj之间的相似度，n表示乘客的特征数量，m表示站点的特征数量，ua表示Useri的第a个特征，wa表示所述第a个特征的权重，sb表示所述Stopj的第b个特征，wb表示所述第b个特征的权重，σ表示函数x为σ函数的变量。
4.根据权利要求3所述的乘客的下车站点预测方法，其特征在于，根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度的步骤之前还包括：
获取多个乘客样本在所述上车站点之后的下车站点；
根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征，基于梯度下降算法计算所述相似度函数中的wa和wb。
5.根据权利要求4所述的乘客的下车站点预测方法，其特征在于，根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征，基于梯度下降算法计算所述相似度函数中的wa和wb的步骤具体包括：
将所述上车站点与该乘客样本的下车站点之间的站点作为该乘客样本的中间站点；
对于任一所述乘客样本，将该乘客样本的特征和该乘客样本的下车站点的特征作为所述相似度函数的输入，以及将该乘客样本的特征和各所述中间站点的特征作为所述相似度函数的输入，基于所述梯度下降算法对所述相似度函数进行训练，获取所述相似度函数中的wa和wb。
6.根据权利要求1-5任一所述的乘客的下车站点预测方法，其特征在于，通过以下公式根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度：
其中，L(Useri,Line)表示第i种类型的乘客Useri与线路Line的整体相似度，S(Useri,Stopj)表示Useri与候选下车站点Stopj之间的第一相似度，候选下车站点Stopj为所述乘客的上车站点之后的第j个站点，表示Useri与所有非候选下车站点之间的第二相似度的平均值，非候选下车站点为所述乘客的上车站点之后的站点中除Stopj以外的站点，α1为第一相似度的权重，α2为第二相似度的权重。
7.根据权利要求4所述的乘客的下车站点预测方法，其特征在于，所述乘客样本包括通勤乘客样本和非通勤乘客样本；
相应地，获取多个乘客样本在所述上车站点上车后的下车站点，根据各所述乘客样本的下车站点的特征和各所述乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb的步骤具体包括：
获取多个通勤乘客样本在所述上车站点上车后的下车站点，根据各所述通勤乘客样本的下车站点的特征和各所述通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述通勤乘客样本对应的相似度函数作为生存出行模型；
获取多个非通勤乘客样本在所述上车站点上车后的下车站点，根据各所述非通勤乘客样本的下车站点的特征和各所述非通勤乘客样本的特征基于梯度下降算法计算所述相似度函数中的wa和wb，将所述非通勤乘客样本对应的相似度函数作为生活出行模型；
相应地，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度的步骤具体包括：
若所述乘客为通勤乘客，则基于所述生存出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度；
若所述乘客为非通勤乘客，则基于所述生活出行模型计算所述乘客与所述候选下车站点之间的第一相似度，以及所述乘客与各所述非候选下车站点之间的第二相似度。
8.一种乘客的下车站点预测装置，其特征在于，包括：
获取模块，用于获取乘客在任一线路上的上车站点之后的每个站点，将所述上车站点之后的任一站点作为候选下车站点，将所述上车站点之后的站点中除所述候选下车站点以外的站点作为非候选下车站点；
计算模块，用于根据所述乘客的特征和所述候选下车站点的特征，基于预先构建的相似度函数计算所述乘客与所述候选下车站点之间的第一相似度，对于任一所述非候选下车站点，根据所述乘客的特征和该非候选下车站点的特征，基于所述相似度函数计算所述乘客与该非候选下车站点之间的第二相似度；
预测模块，用于根据所述第一相似度和所述第二相似度计算所述乘客与所述线路的整体相似度，获取所述上车站点之后的每个站点对应的整体相似度中的最大值，将所述最大值对应的候选下车站点作为所述乘客的最终下车站点。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述乘客的下车站点预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述乘客的下车站点预测方法的步骤。
CN201910490631.9A 2019-06-06 2019-06-06 乘客的下车站点预测方法及装置 Active CN110222892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910490631.9A CN110222892B (zh) 2019-06-06 2019-06-06 乘客的下车站点预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910490631.9A CN110222892B (zh) 2019-06-06 2019-06-06 乘客的下车站点预测方法及装置

Publications (2)

Publication Number Publication Date
CN110222892A true CN110222892A (zh) 2019-09-10
CN110222892B CN110222892B (zh) 2021-07-06

Family

ID=67819661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910490631.9A Active CN110222892B (zh) 2019-06-06 2019-06-06 乘客的下车站点预测方法及装置

Country Status (1)

Country Link
CN (1) CN110222892B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647929A (zh) * 2019-09-19 2020-01-03 京东城市(北京)数字科技有限公司 用于预测出行目的地的方法、及用于训练分类器的方法
CN111932867A (zh) * 2020-06-18 2020-11-13 东南大学 一种基于多源数据的公交ic卡乘客下车站点推导方法
CN114037881A (zh) * 2020-07-20 2022-02-11 南京行者易智能交通科技有限公司 一种基于图像识别的跨线路公交客流od数据采集的方法及装置、移动端设备、服务器

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044146A (zh) * 2010-12-02 2011-05-04 北京交通发展研究中心 基于一票制公交ic卡数据推算上车站点的方法
CN103295414A (zh) * 2013-05-31 2013-09-11 北京建筑工程学院 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
CN104766146A (zh) * 2015-04-24 2015-07-08 陆化普 一种交通需求预测方法及系统
US20170098184A1 (en) * 2015-10-06 2017-04-06 Juno Lab, Inc. System for Preemptively Navigating Drivers to an Event Location to Transport Passengers Upon Completion of the Event
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
CN107045673A (zh) * 2017-03-31 2017-08-15 杭州电子科技大学 基于堆模型融合的公共自行车流量变化量预测方法
EP3270334A1 (en) * 2016-07-11 2018-01-17 Conduent Business Services LLC Method of trip prediction by leveraging trip histories from neighboring users
CN108240817A (zh) * 2016-12-27 2018-07-03 上海擎感智能科技有限公司 电子导航方法及装置
CN108389420A (zh) * 2018-03-13 2018-08-10 重庆邮电大学 一种基于历史出行特征的公交乘客下车站点实时识别方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044146A (zh) * 2010-12-02 2011-05-04 北京交通发展研究中心 基于一票制公交ic卡数据推算上车站点的方法
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交系统中乘行路径的方法和装置
CN103295414A (zh) * 2013-05-31 2013-09-11 北京建筑工程学院 一种基于海量历史gps轨迹数据的公交车到站时间预测方法
CN103646187A (zh) * 2013-12-27 2014-03-19 中国科学院自动化研究所 一种统计周期内车辆出行路线及od矩阵获取方法
CN104766146A (zh) * 2015-04-24 2015-07-08 陆化普 一种交通需求预测方法及系统
US20170098184A1 (en) * 2015-10-06 2017-04-06 Juno Lab, Inc. System for Preemptively Navigating Drivers to an Event Location to Transport Passengers Upon Completion of the Event
EP3270334A1 (en) * 2016-07-11 2018-01-17 Conduent Business Services LLC Method of trip prediction by leveraging trip histories from neighboring users
CN108240817A (zh) * 2016-12-27 2018-07-03 上海擎感智能科技有限公司 电子导航方法及装置
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
CN107045673A (zh) * 2017-03-31 2017-08-15 杭州电子科技大学 基于堆模型融合的公共自行车流量变化量预测方法
CN108389420A (zh) * 2018-03-13 2018-08-10 重庆邮电大学 一种基于历史出行特征的公交乘客下车站点实时识别方法
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王沙沙: "基于位置和乘车信息的公交站点客流预测方法", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647929A (zh) * 2019-09-19 2020-01-03 京东城市(北京)数字科技有限公司 用于预测出行目的地的方法、及用于训练分类器的方法
CN110647929B (zh) * 2019-09-19 2021-05-04 北京京东智能城市大数据研究院 用于预测出行目的地的方法、及用于训练分类器的方法
CN111932867A (zh) * 2020-06-18 2020-11-13 东南大学 一种基于多源数据的公交ic卡乘客下车站点推导方法
CN114037881A (zh) * 2020-07-20 2022-02-11 南京行者易智能交通科技有限公司 一种基于图像识别的跨线路公交客流od数据采集的方法及装置、移动端设备、服务器
CN114037881B (zh) * 2020-07-20 2024-07-12 南京行者易智能交通科技有限公司 一种基于图像识别的跨线路公交客流od数据采集的方法及装置、移动端设备、服务器

Also Published As

Publication number Publication date
CN110222892B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN108629503B (zh) 一种基于深度学习的出租车上车需求量的预测方法
CN104778508B (zh) 一种基于多源数据融合的公共自行车租借预测方法
CN110458336B (zh) 一种基于深度学习的网约车供需预测方法
WO2023040494A1 (zh) 资源推荐方法、多目标融合模型的训练方法及装置
CN110222892A (zh) 乘客的下车站点预测方法及装置
CN107784390A (zh) 用户生命周期的识别方法、装置、电子设备及存储介质
CN107633035B (zh) 一种基于K-Means&LightGBM模型的共享交通服务reorder预估方法
CN106910199A (zh) 面向城市空间信息采集的车联网众包方法
CN109840628A (zh) 一种短时多区域车速预测方法及系统
CN107392389A (zh) 基于arima模型的出租车调度处理方法
CN111192090A (zh) 航班的座位分配方法、装置、存储介质和电子设备
Karakikes et al. Techniques for smart urban logistics solutions’ simulation: a systematic review
CN109472075A (zh) 一种基站性能分析方法及系统
CN106846082A (zh) 基于硬件信息的旅游冷启动用户产品推荐系统及方法
CN110751395B (zh) 一种旅客行程状态确定方法、装置及服务器
CN112884235A (zh) 出行推荐方法、出行推荐模型的训练方法、装置
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN109543922A (zh) 用于有桩共享单车站点群的分时段借还量预测方法
CN116662815B (zh) 时间预测模型的训练方法以及相关设备
CN112784177A (zh) 一种空间距离自适应的下一个兴趣点推荐方法
CN116975686A (zh) 训练学生模型的方法、行为预测方法和装置
CN115018122A (zh) 一种基于大数据的公共交通出行激励方案优化方法
JP7310459B2 (ja) 情報処理方法および情報処理装置
CN110689158B (zh) 一种对目的地进行预测的方法、装置及存储介质
Mikusova et al. Integration of simulation techniques: system dynamics and intelligent agents applied to a case study

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