CN111047130B - 用于交通分析和管理的方法和系统 - Google Patents
用于交通分析和管理的方法和系统 Download PDFInfo
- Publication number
- CN111047130B CN111047130B CN201910501673.8A CN201910501673A CN111047130B CN 111047130 B CN111047130 B CN 111047130B CN 201910501673 A CN201910501673 A CN 201910501673A CN 111047130 B CN111047130 B CN 111047130B
- Authority
- CN
- China
- Prior art keywords
- traffic
- graph
- target
- vertices
- module
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 239000011159 matrix material Substances 0.000 claims description 151
- 230000006399 behavior Effects 0.000 claims description 120
- 238000003860 storage Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 19
- 230000008569 process Effects 0.000 description 52
- 238000007726 management method Methods 0.000 description 48
- 238000010586 diagram Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 28
- 238000012545 processing Methods 0.000 description 25
- 238000009826 distribution Methods 0.000 description 18
- 230000015654 memory Effects 0.000 description 14
- 238000013507 mapping Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000000670 limiting effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种用于交通分析和管理的方法和系统。该方法包括:为至少两个地理区域中的每一个地理区域,基于与该地理区域内的交通行为相关的交通数据生成第一图;通过图核算法,为上述至少两个地理区域中的任何两个地理区域,获得第一相似性指示符,第一相似性指示符度量至少两个地理区域中的任何两个地理区域的第一图之间的相似性;基于第一相似性指示符,将上述至少两个地理区域分组为至少两个组;以及,对于上述至少两个组中的每一个:识别该组的至少一个特征交通类型;为该组关联策略,以促进或限制该组的上述至少一个特征交通类型的交通行为。通过上述方法,可以根据不同城市之间交通情况的相似性来制定交通管理策略,以提高交通管理效果。
Description
技术领域
本申请一般涉及交通分析和管理领域,并且更具体地,涉及通过使用地理区域的图进行交通分析和管理的方法和系统。
背景技术
随着城市的发展,需要方法来管理和优化城市内增加的交通。在交通方面具有足够相似性的城市可以通过类似的策略来进行管理。然而,城市通常根据其地理特征、行政管理、规模、人口等进行分类。上述分类方式可能并不关注不同城市之间交通的相似性,因此对于制定城市交通的管理策略的帮助有限。
发明内容
针对上述问题,本发明提供了一种用于交通分析和管理的方法和系统,其根据不同城市之间交通情况的相似性来制定交通管理策略,可以提高交通管理效果。
根据本申请的一些实施例,本申请提供了一种用于交通分析和管理的方法。本方法包括:为至少两个地理区域中的每一个地理区域,基于与该地理区域内的交通行为相关的交通数据生成第一图;通过图核算法,为上述至少两个地理区域中的任何两个地理区域,获得第一相似性指示符,第一相似性指示符度量至少两个地理区域中的任何两个地理区域的第一图之间的相似性;基于第一相似性指示符,将上述至少两个地理区域分组为至少两个组;以及,对于上述至少两个组中的每一个:识别该组的至少一个特征交通类型;为该组关联策略,以促进或限制该组的上述至少一个特征交通类型的交通行为。
在一些实施例中,对于交通行为中的每一个交通行为,交通数据包括兴趣点POI,其分别对应于该交通行为的起点位置和终点位置,并属于至少两个POI类型。第一图包括至少两个第一顶点和至少两个第一边。上述至少两个第一顶点的每个顶点代表至少两个POI类型中的一个POI类型。上述至少两个第一边的每一个第一边代表具有相应POI类型的POI之间的交通行为,并具有与其代表的交通行为数量相关联的权重。
根据本申请的一些实施例,为上述至少两个地理区域中的每一个地理区域基于交通数据生成第一图包括:基于与该地理区域相关联的交通数据,生成该地理区域的第二图,其中第二图包括至少两个第二顶点和至少两个第二边;根据第二图,从上述至少两个第二顶点选择上述至少两个第一顶点;以及,使用上述至少两个第一顶点生成第一图。
在一些实施例中,从上述至少两个第二顶点选择上述至少两个第一顶点包括:为上述至少两个第二顶点中的每个第二顶点关联分值;为上述至少两个第二顶点中的每个第二顶点:(i)获得当前第二顶点的一个或以上邻接顶点的分值,上述一个或以上邻接顶点通过一个或以上第二边连接至当前第二顶点;(ii)获得上述一个或以上第二边的权重;(iii)至少根据上述一个或以上邻接顶点的分值以及上述一个或以上第二边的权重,更新当前第二顶点的分值;(iv)重复(i)、(ii)和(iii)直至满足终止条件;以及,根据第二顶点的分值,选择上述至少两个第一顶点。
在一些实施例中,第二图具有邻接矩阵的形式。邻接矩阵的每个元素是对应的第二边的权重。从上述至少两个第二顶点中选择上述至少两个第一顶点包括:根据邻接矩阵,获得随机矩阵;计算随机矩阵的特征向量;以及,基于特征向量,从上述至少两个第二顶点中选择上述至少两个第一顶点。
在一些实施例中,识别该组的至少一个特征交通类型包括:获得该组的第一特征图;基于第一特征图,识别至少两个交通类型;为上述至少两个交通类型中的每一个交通类型,通过为该交通类型关联至少基于第一特征图中与该交通类型相关联的边的权重的量化值,来量化该交通类型;以及,通过将上述至少两个交通类型基于量化值进行排序,从上述至少两个交通类型中选择该组的上述至少一个特征交通类型。
在一些实施例中,本方法还包括:接收在目标城市内发起目标交通行为的交通请求;使用分类器从至少两个城市组中识别目标城市的目标组,其中分类器基于分组的结果获得;基于交通请求包括的至少一个POI识别目标交通行为的目标交通类型;基于与目标组相关联的策略和目标交通类型,将第一数据提供给与涉及目标交通行为的车辆相关联的移动计算设备,从而使该车辆更频繁地或更少地参与具有目标交通类型的交通行为。
在一些实施例中,第一数据使移动计算设备在移动计算设备的显示器上生成显示,其中该显示包括鼓励或抑制移动计算设备的用户参与具有目标交通类型的交通行为的信息。
在一些实施例中,上述车辆是由移动计算设备控制的无人驾驶车辆。第一数据修改该移动计算设备的一个或以上参数,以改变车辆的巡航方式或改变车辆对对应于目标交通类型的交通请求的响应。
在一些实施例中,使用分类器从上述至少两个组中识别目标地理区域的目标组包括:基于与目标地理区域内的交通行为相关的交通数据,生成目标地理区域的目标图;为上述至少两个组的每一个组,获得第二相似性指示符,第二相似性指示符度量目标图与该组的第二特征图之间的相似性;以及,通过第二相似性指示符,指定上述至少两个组中的具有最高相似性的组为目标组。
在一些实施例中,使用分类器从至少两个组中识别目标地理区域的目标组包括:将与目标城市中的交通行为有关的交通数据输入分类器中,其中分类器通过机器学习算法使用训练数据集训练,训练数据集基于分组的结果获得。
在一些实施例中,上述图核算法涉及的图核可以是基于游走或路径的核或基于子树的核。
在一些实施例中,基于第一相似性指示符,上述至少两个地理区域分组为至少两个组,包括:基于第一相似性指示符,通过聚类算法,将上述至少两个地理区域聚类以获得至少两个簇,上述至少两个簇的每个簇对应于上述至少两个组中一个组。
在一些实施例中,上述聚类算法是K-means算法、层级聚类分析算法、或图团体检测算法。
根据本申请的一些实施例,本申请还提供了一种用于交通分析和管理的系统。本系统包括第一图模块、相似性指示符模块、分组模块、交通类型识别模块、以及策略模块。第一图模块用于,为至少两个地理区域中的每一个地理区域,基于与该地理区域内的交通行为相关的交通数据生成第一图。相似性指示符模块用于,通过图核算法,为上述至少两个地理区域中的任何两个地理区域,获得第一相似性指示符,第一相似性指示符度量上述至少两个地理区域中的任何两个地理区域的第一图之间的相似性。分组模块用于,基于第一相似性指示符,将上述至少两个地理区域分组为至少两个组。交通类型识别模块用于,对于上述至少两个组中的每一个,识别该组的至少一个特征交通类型。策略模块用于,对于上述至少两个组中的每一个,为该组关联策略,以促进或限制该组的上述至少一个特征交通类型的交通行为。
在一些实施例中,对于交通行为中的每一个交通行为,交通数据包括兴趣点POI,其分别对应于该交通行为的起点位置和终点位置,并属于至少两个POI类型。第一图包括至少两个第一顶点和至少两个第一边。上述至少两个第一顶点的每个顶点代表至少两个POI类型中的一个POI类型。上述至少两个第一边的每一个第一边代表具有相应POI类型的POI之间的交通行为,并具有与其代表的交通行为数量相关联的权重。
在一些实施例中,第一图模块还用于:基于与该地理区域相关联的交通数据,生成该地理区域的第二图,其中第二图包括至少两个第二顶点和至少两个第二边;根据第二图,从上述至少两个第二顶点中选择上述至少两个第一顶点;以及使用上述至少两个第一顶点生成第一图。
在一些实施例中,第一图模块还用于:为上述至少两个第二顶点中的每个第二顶点关联分值;为上述至少两个第二顶点中的每个第二顶点:(i)获得当前第二顶点的一个或以上邻接顶点的分值,上述一个或以上邻接顶点通过一个或以上第二边连接至当前第二顶点;(ii)获得上述一个或以上第二边的权重;(iii)至少根据上述一个或以上邻接顶点的分值以及上述一个或以上第二边的权重,更新当前第二顶点的分值;(iv)重复(i)、(ii)和(iii)直至满足终止条件;以及,根据第二顶点的分值,选择上述至少两个第一顶点。
在一些实施例中,第二图具有邻接矩阵的形式。邻接矩阵的每个元素是对应的第二边的权重。第一图模块还用于:根据邻接矩阵,获得随机矩阵;计算随机矩阵的特征向量;以及,基于特征向量,从上述至少两个第二顶点中选择上述至少两个第一顶点。
在一些实施例中,交通类型识别模块还用于:获得该组的第一特征图;基于第一特征图,识别至少两个交通类型;为上述至少两个交通类型中的每一个交通类型,通过为该交通类型关联至少基于第一特征图中与该交通类型相关联的边的权重的量化值,来量化该交通类型;以及,通过将上述至少两个交通类型基于量化值进行排序,从上述至少两个交通类型中选择该组的上述至少一个特征交通类型。
在一些实施例中,本系统还包括交通管理模块,用于:接收在目标城市内发起目标交通行为的交通请求;使用分类器从至少两个城市组中识别目标城市的目标组,其中分类器基于分组的结果获得;基于交通请求包括的至少一个POI识别目标交通行为的目标交通类型;基于与目标组相关联的策略和目标交通类型,将第一数据提供给与涉及目标交通行为的车辆相关联的移动计算设备,从而使该车辆更频繁地或更少地参与具有目标交通类型的交通行为。
在一些实施例中,第一数据使移动计算设备在移动计算设备的显示器上生成显示,其中该显示包括鼓励或抑制移动计算设备的用户参与具有目标交通类型的交通行为的信息。
在一些实施例中,上述车辆是由移动计算设备控制的无人驾驶车辆。第一数据修改该移动计算设备的一个或以上参数,以改变车辆的巡航方式或改变车辆对对应于目标交通类型的交通请求的响应。
在一些实施例中,交通管理模块还用于:基于与目标地理区域内的交通行为相关的交通数据,生成目标地理区域的目标图;为上述至少两个组的每一个组,获得第二相似性指示符,第二相似性指示符度量目标图与该组的第二特征图之间的相似性;以及,通过第二相似性指示符,指定上述至少两个组中的具有最高相似性的组为目标组。
在一些实施例中,交通管理模块还用于:将与目标城市中的交通行为有关的交通数据输入分类器中,其中分类器通过机器学习算法使用训练数据集训练,训练数据集基于分组的结果获得。
在一些实施例中,图核算法涉及的图核可以是基于游走或路径的核或基于子树的核。
在一些实施例中,分组模块还用于:基于第一相似性指示符,通过聚类算法,将上述至少两个地理区域聚类以获得至少两个簇,上述至少两个簇的每个簇对应于上述至少两个组中一个组。
在一些实施例中,上述聚类算法是K-means算法、层级聚类分析算法、或图团体检测算法。
根据本申请的一些实施例,本申请还提供了一种用于交通分析和管理的装置,包括处理器。该处理器用于执行本申请中所述的方法。
根据本申请的一些实施例,本申请还提供了一种计算机可读存储介质。该存储介质存储计算机指令。当计算机读取存储介质中的计算机指令后,计算机执行本申请中所述的方法。
通过本申请中描述的方法和系统,可以根据不同城市之间交通情况的相似性来制定交通管理策略,以提高交通管理效果。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的符号表示相同的结构,其中:
图1是说明根据本申请的一些实施例所示的示例性交通分析和管理系统的示意图;
图2是示例性计算设备的示意图;
图3是根据本申请的一些实施例所示的示例性交通分析模块;
图4是根据本申请的一些实施例所示的示例性交通分析过程的流程图;
图5是根据本申请的一些实施例所示的示例性图的示意图;
图6是根据本申请的一些实施例所示的示例性无向边的示意图;
图7是根据本申请的一些实施例所示的示例性有向边的示意图;
图8是根据本申请的一些实施例所示的示例性图的邻接矩阵的示意图;
图9是根据本申请的一些实施例所示的包括一组第一相似性指示符的示例性邻接矩阵的示意图;
图10是说明根据本申请的一些实施例所示的示例性层次凝聚聚类分析聚类算法的示意图;
图11是根据本申请的一些实施例所示的示例性聚类过程的流程图;
图12是根据本申请的一些实施例所示的示例性第一图子模块的示意图;
图13是根据本申请的一些实施例所示的用于生成城市的第一图的示例性过程的流程图;
图14是根据本申请的一些实施例所示的示例性交通管理模块的示意图;以及
图15是根据本申请的一些实施例所示的示例性交通管理过程的流程图。
具体实施方式
本申请的实施例提供了用于有效分析和/或管理城市交通的方法和系统。上述城市可以根据其交通进行分组,以形成两个或更多城市组。为每个城市组可以识别一个或以上特征交通类型。在本申请的一些实施例中,每一个城市组可以与一个管理算法相关联,该管理算法用于对应城市组中的城市内的交通管理。
以下描述是为了使本领域的普通技术人员能够实施和使用本申请,并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的精神及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,流程图的操作可以不一定按照顺序来执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。然而,本领域技术人员应该明白,可以在没有这些细节的情况下实施本申请。在其他情况下,为了避免不必要地模糊本申请的一些方面,本申请已经以相对高级别描述了公知的方法、程序、系统、组件和/或电路。对于本领域的普通技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的精神及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而是符合与申请专利范围一致的最广泛范围。
本文中所使用的术语仅用于描述特定示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
应当理解的是,上下文中描述的术语“系统”、“单元”、“模块”和/或“引擎”,用于区分不同级别的部件、元件、组件、部件或装配。但是,如果这些术语达到同样的目的,则可能会被另一个术语所取代。
通常,这里使用的词语“模块”、“子模块”、“单元”或“块”是指体现在硬件或固件中的逻辑,或者是软件指令的集合。这里描述的模块、单元或块可以实现为软件和/或硬件,并且可以存储在任何类型的非暂时性计算机可读介质或另一个存储设备中。在一些实施例中,可以编译软件模块/单元/块,并将其链接到可执行程序中。应当理解的是,软件模块可以从其他模块/单元/块或从它们自身调用,和/或可以响应检测到的事件或中断来调用。
被配置用于在计算设备(例如,图2中所示的处理器210)上执行的软件模块/单元/块可以被提供在计算机可读介质上,例如光盘、数字视频盘、闪存驱动器、磁性光盘、或任何其他有形介质,或作为数字下载(并且最初可以以在执行之前需要安装、解压缩或解密的压缩或可安装的格式存储。上述软件代码可以被部分地或全部地储存在执行计算设备的存储设备中,用于计算设备执行。软件指令可以嵌入固件中,例如EPROM。还应当理解的是,硬件模块/单元/块可以包括在连接的逻辑组件中,例如,门和触发器,和/或可以包括在可编程单元,例如可编程门阵列或处理器。本文中描述的模块/单元/块或计算设备功能可以作为软件模块/单元/块实现,但是可以用硬件或固件表示。通常,本文汇总描述的模块/单元/块指逻辑模块/单元/块,尽管它们的物理组织或存储,其可以与其他模块/单元/块组合,或者被分成子模块/子单元/子块,。本文中的描述可适用于系统、引擎,或其一部分。
应当理解的是,当单元、引擎、模块或块被称为“接通”、“连接到”、或“耦合到”另一个单元、引擎、模块,或块时,除非上下文另有明确说明,否则它可以直接接通、连接或耦合、其他单元、发动机、模块或块,或与其间隔,或者与中间单元、引擎、模块或块通信。在本申请中,术语“和/或”可包括一个或以上相关所列条目的任何和所有组合。
根据以下对附图的描述,本申请的这些和其他的特征、特点、以及结构的相关元件的功能和操作方法,以及部件组合和制造经济更加显而易见,这些都构成说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。
图1是根据本申请的一些实施例所示的示例性交通分析和管理系统的示意图。系统100可以包括服务器110、网络120、至少两个终端设备130、存储设备150和定位系统160。
服务器110可以包括交通分析模块111,用于分析至少两个地理区域的交通。在一些实施例中,服务器110还可以包括交通管理模块112,用于根据分析结果管理不同地理区域的交通。本申请中的地理区域一般可以指人类住区,例如区、镇、市、省等,或其组合。所述地理区域并不被限制为是同一类型或等级的区域。例如,用于交通分析的地理区域可以包括作为第一地理区域的镇和作为第二地理区域的区。
为了便于说明而非旨在限制,本申请以对不同城市进行交通分析/管理为例来进行描述。
服务器110(或交通分析模块111)可以经由网络120收集至少两个城市(或任何其他类型的地理区域)的交通数据140,用于分析上述至少两个城市的交通。通过执行交通分析,交通分析模块111可以基于交通数据将上述至少两个城市分为至少两个城市组。
在一些实施例中,对于上述至少两个城市组中的每一个城市组,交通分析模块111可以进一步识别该城市组的至少一个特征交通类型,并为该组关联策略以促进或限制上述至少一个特征交通类型。基于与一个城市所属的城市组所关联的策略,交通管理模块112可以管理该城市的交通。
在一些实施例中,基于分组结果,交通分析模块111可以生成分组模型。该分组模型用于将一个城市分入上述至少两个城市组中的其中一组。这种分组模型可以用于对未知城市(未参与上述分组的城市)进行分类。为了管理一个目标城市的交通,交通管理模块112可以通过上述分组模型识别该目标城市的所属城市组,并基于与所识别的城市组相关联的策略管理目标城市的交通。
交通数据140可以包括表示不同城市的交通行为的数据。交通行为可以指通过车辆(例如,汽车、自行车、摩托车、卡车、公共汽车、船、铁路车,飞行器)将物品或一个或以上乘客从一个地方运到另一个地方的行为。与一个交通行为对应的交通数据140可以由与执行该交通行为的相应车辆所关联的终端设备130生成。对于单个交通行为,对应的交通数据可以包括两个兴趣点(point of interests,POI),其分别对应于起点位置(或起始位置)和终点位置(或结束位置)。为了便于说明,对应于起点位置的POI可以被称为起点POI,而对应于终点位置的POI可以被称为终点POI。
在一些实施例中,在例如拼车等情况下,一个车辆可以由两个或以上的乘客(或待交付的货物)在同一时间内共享,每个乘客可以具有其起点位置和终点位置(其中一些乘客中可能共享相同的起点位置和/或终点位置)。服务器110可以将由上述车辆执行的共享交通行为视为对应数量的交通行为,其中每个乘客对应一个交通行为。
服务器110可以是一个单一服务器或一个服务器组。该服务器组可以是集中式或分布式的(例如,服务器110可以是分布式系统)。服务器110可以是本地的,或远程的。交通分析模块111和交通管理模块112可以由相同的服务器或不同的服务器实现。
服务器110可以经由网络120访问存储在终端设备130和/或存储设备150中的信息和/或数据。在一些实施例中,服务器110可以直接连接到存储设备150,以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台中实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,服务器110可以具有与图2所示的计算设备200的相同结构或相似的结构。例如,服务器110可以包括一个或以上处理器(例如,处理器210)和一个或以上存储设备(例如,存储设备220、RAM 240)。
网络120可以促进信息和/或数据的交换。在一些实施例中,系统140中的一个或以上组件(例如,服务器110、服务器110、终端设备130、存储设备150和定位系统160)可以通过网络120将信息和/或数据发送到系统140中的其他组件。例如,服务器110可以经由网络120从终端设备130或存储设备150中检索交通数据140。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种,或其组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、公共开关电话网络(PSTN)、蜂窝网络、蓝牙TM网络、ZigBee网络、近场通信(NFC)网络等,或其任何组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站(例如,基站121和122)和/或互联网交换点,系统100的一个或以上组件可以通过它们连接到网络120交换数据和/或信息。
终端设备130可以生成交通数据140,其可以经由网络140发送到服务器110或存储设备150。终端设备130可以是移动计算设备,其可以是或可以包括移动电话130-1、平板电脑130-2、膝上型计算机130-3、车载计算设备130-4等,或其任何组合。在一些实施例中,终端设备130可以是或可以包括可穿戴设备、虚拟现实设备、增强现实设备等,或其任何组合。可穿戴设备可包括手环、鞋袜、眼镜、头盔、手表、衣服、背包、智能配饰等,或其任何组合。虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜与增强现实眼罩等中的一种或其组合。例如,虚拟现实设备和/或增强现实设备可以包括Google GlassTM、RiftConTM、FragmentsTM、Gear VRTM等。在一些实施例中,车载计算设备130-4可以包括车载计算机、电视、导航系统等。
在一些实施例中,终端设备130可以是具有定位技术的设备,用于定位终端设备130的当前位置。终端设备130可以包括定位模块(例如,GPS模块),其与定位系统160通信。定位系统160可以向终端设备130提供关于终端设备130(或与终端设备130相关联的车辆)的位置和/或移动的信息。在一些实施例中,终端设备130的位置可以用于生成交通数据140。
存储设备150可以存储数据和/或指令。例如,存储设备150可以存储记录服务器110的历史数据的数据库。又例如,存储设备150可以存储从终端设备130获得的数据。
存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等,或其任何组合。示例性的大容量储存器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。
在一些实施例中,存储设备150可以在云平台上实现。存储设备150可以连接到网络120以与系统100中的一个或以上组件(例如,服务器110、终端设备130)通信。系统100中的一个或以上组件可以经由网络120访问存储设备150中存储的数据或指令。
在一些实施例中,存储设备150可以直接连接到系统100中的一个或以上组件或与之通信(例如,服务器110、终端设备130)。
在一些实施例中,存储设备150可以是服务器110的一部分。例如,存储设备150可以存储服务器110可以执行或使用的数据和/或指令,以执行本申请中描述的示例性方法。
定位系统160可以确定关于终端设备130(或与终端设备130相关联的车辆)的位置和移动的信息。在一些实施例中,定位系统160可以是全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、北斗导航卫星系统、伽利略定位系统、准天顶卫星系统(QZSS)等。信息可以包括对象的位置、高度、速度或加速度,或当前时间。位置可以是坐标的形式,例如纬度坐标和经度坐标等。定位系统160可以包括一个或以上的卫星,其可以独立地或联合地确定上述信息。定位系统160可以经由网络120将确定的信息发送到终端设备130或提供者终端140。
通过本申请中描述的交通分析管理方法,可以根据不同城市之间交通情况的相似性来制定城市交通的管理策略,以提高交通管理效果。
例如,无论城市具有何种地理特征、行政、人口、规模等,系统100都可以根据城市中的交通,获得不同城市(或任何其他类型的地理区域)的共同特征(例如,特征交通类型)。与数据挖掘相关联的技术可以被引入到该交通分析中以改善结果。在交通分析之后,基于其交通相似性(由系统100确定),可以将分析中所涉及的城市分为至少两个城市组。
例如,系统100可以对在同一国家(例如,城市1至4)内的城市或世界范围内的城市(例如,城市1至17)进行分组。如果在不同城市之间找到足够的相似性(例如,关于交通类型分布),则无论其规模、人口分布和地理位置有多么不同,都可以将不同的城市分到相同的城市组中。属于同一城市组的城市的交通可以采用相同或相似的策略来进行管理。例如,属于同一城市组的城市可以共享至少一个特征交通类型,而与该城市组相关联的策略可以促进或抑制该至少一个特征交通类型。
交通行为的类型可以由其相应的起点POI和/或终点POI的类型(或标签)来确定。例如,具有标记为住宅区或家的起点POI和标记为工业区或工作的终点POI的交通行为可以为通勤类型。又例如,具有标记为娱乐区的终点POI的交通行为可以为娱乐类型。再例如,具有标记为机场或火车站的终点POI的交通行为可以被标记为旅行。需要注意的是,上述情形仅用于说明的目的,实际情形可能更加复杂。例如,POI的类型(或被称为POI类型)可能非常详细且数量巨大。示例性POI类型可以包括购物、景点、酒店、社区、食品、娱乐、教育、图书馆、宗教、健康服务、企业实体、交通枢纽、紧急情况等。相应地,交通行为的类型(或被称为交通类型)的数量可能是巨大的。
以上示例性POI类型可以进一步划分为下级POI类型。例如,上级POI类型娱乐可以进一步划分为例如俱乐部、游乐园、茶馆、运动场、剧院、健身房等下级POI类型。在一些实施例中,下级POI类型还可以包括时间信息。例如,POI类型娱乐可以进一步划分为诸如白天娱乐、夜间娱乐、工作日娱乐、周末娱乐等下级POI类型或其组合。
系统100可以在多种应用场景中实现。下文将描述一些示例性场景,这些场景仅用于说明的目的而不旨在限制。
在一些实施例中,系统100可以充当导航系统,其可以响应于导航请求(例如,经由终端设备130发送),确定用于引导车辆(人工驾驶车辆或无人驾驶车辆)行驶的从导航请求指示的起点位置到终点位置的路线。不同城市的历史导航请求的起点位置和终点位置可以存储在存储设备150中,并且可以由服务器110读取并作为交通数据140的至少一部分以将不同城市分为至少两个城市组,每个城市组可以与不同的路线确定策略相关联。然后,为了确定一个城市中的路线,导航系统可以被配置用于识别该城市的城市组,然后使用其对应的路线确定策略来确定该路线。这种路线确定方法可以考虑城市的交通类型分布,并且可以避免由特定交通类型所引发的潜在交通拥堵。
在一些实施例中,服务器110可以充当线上到线下的交通服务平台。通过该服务平台,用户可以发送服务请求(例如,通过终端设备130发送)用于将该用户或该用户订购的货物从起点位置运送到终点位置,而交通服务提供者(例如,司机)可以接受服务请求并执行该服务请求所指示的交通来获取收益。历史服务请求的起点位置和终点位置可以存储在存储设备150中,并且可以由服务器110读取并作为交通数据140的至少一部分以将不同城市分为至少两个城市组。该至少两个城市组中的每一个城市组可以与不同的激励策略相关联。该激励策略可以鼓励或扼制交通服务提供者接受特定交通类型的服务请求。于是,服务提供者可能在更容易接收到被鼓励(或被扼制)的服务的区域更频繁(或更少)地驾驶,从而便于不同城市的用户更容易地获得驾驶服务和/或优化不同城市的交通状况。
在一些实施例中,上述情况下的交通服务提供者可以是无人驾驶车辆。不同的无人驾驶车辆可以具有不同的巡航路线或巡航区域。于是,每个城市组可以与不同的控制策略相关联,该控制策略可以用于确定城市中的无人驾驶车辆的巡航路线或巡航区域。通过采用不同的控制策略来确定具有不同交通类型分布的城市中的无人驾驶车辆的巡航路线或巡航区域,无人驾驶车辆可以在更容易接收到被鼓励(或被扼制)的服务请求的地方更频繁(或更少)地巡航。
在一些实施例中,服务器110可以充当政府交通管理系统。该管理系统可以在存储设备150中记录至少两个车辆(有人驾驶或无人驾驶)的运行数据或位置数据。服务器110可以读取记录数据中的起点位置和终点位置作为交通数据140的至少一部分以将不同城市(或一个或以上城市的不同区域)分为至少两个城市组。该管理系统可以识别每个组的至少一个特征交通类型,并且可以生成相应的报告。该报告可以便于政府制定一个或以上城市的发展规划。例如,可以根据同一城市组中的另一个城市来制定本城市的交通设施建设规划。
应当注意的是,以上关于系统100的描述仅用于说明目的,而不是用于限制本申请。应当理解,在学习了本申请的主要概念和机制之后,本领域的普通技术人员可以以非创造性的方式改变系统100。改变可以包括组合和/或拆分系统100的组件,添加或移除可选的组件等。系统100还可以具有其他应用场景。诸如此类的修正和改变均在本申请的保护范围之内。
图2是示例性计算设备的示意图。计算设备200可以被配置用于实现服务器110,并执行本申请中公开的一个或以上操作。计算设备200可以被配置用于实现本申请中描述的各种模块、单元及其功能。
计算设备200可以包括总线270、处理器210(或至少两个处理器210)、只读存储器(ROM)230、随机存取存储器(RAM)240、存储设备220(例如,诸如硬盘、光盘、固态磁盘、内存卡等的大容量存储设备)、输入/输出(I/O)端口250和通信接口260。可以注意到,图2中所示的计算设备200的架构仅用于说明的目的,而并不旨在限制。计算设备200可以是能够执行计算的任何设备。
总线270可以耦合计算设备200的各种组件,并且便于它们之间传输数据和/或信息。总线270可以具有本领域的任何总线结构。例如,总线270可以是或可以包括内存总线和/或外围总线。I/O端口250可以允许在总线270与一个或以上其他设备(例如,触摸屏、键盘、鼠标、麦克风、显示器、扬声器)之间传输数据和/或信息。通信接口260可以允许在网络130和总线270之间传输数据和/或信息。例如,通信接口260可以是或可以包括网络接口卡(NIC)、蓝牙TM模块、NFC模块等。
ROM 230、RAM 240和/或存储设备220可以被配置为存储可以由处理器210可以执行的指令。RAM 240和/或存储设备220还可以在执行指令期间,存储由处理器210生成的数据和/或信息。
处理器210可以是或包括本领域中任何处理器,其被配置为执行存储在ROM 230、RAM 240和/或存储设备220中的指令,以便在本申请中执行一个或以上操作或实现一个或以上模块/单元。仅作为示例,处理引擎210可以包括一个或以上硬件处理器,例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
在一些实施例中,计算设备200的一个或以上组件可以在单个芯片上实现。例如,处理器210、ROM 230和RAM 240可以集成到单个芯片上。
在一些实施例中,可以从计算设备200移除I/O端口250和通信接口260中的一个。
计算设备200可以是单个设备或包括具有与图2中所示相同或相似的架构的至少两个计算设备。在一些实施例中,计算设备200可以执行个人计算机(PC)或工作站或终端设备的任何其他类型。如果适当编程,计算设备200还可以充当服务器。
图3是根据本申请的一些实施例所示的示例性交通分析模块(交通分析模块300)。交通分析模块300可以由服务器110执行,以通过图4或其实施例所示的过程来分析至少两个城市的交通。交通分析模块300可以包括第一图子模块310、相似性指示符子模块320、分组子模块330、交通类型识别子模块340、策略子模块360、报告子模块370和分类器子模块380。
第一图子模块310可以为多个城市中的每一个城市基于与该城市内的交通行为相关的交通数据生成第一图。
相似性指示符子模块320可以通过图核算法为上述多个城市中的任何两个城市获得第一相似性指示符,该第一相似性指示符度量这两个城市的第一图之间的相似性。
分组子模块330可以基于第一相似性指示符将上述多个城市分为至少两个城市组。
交通类型识别子模块340可以为上述至少两个城市组中的每一个城市组识别该城市组的至少一个特征交通类型。
策略子模块350可以为上述至少两个城市组中的每一个城市组关联策略以促进或限制该组的上述至少一种特征交通类型。
报告子模块360可以生成包括上述至少两个城市组以及该至少两个城市组的特征交通类型的报告。
分类器子模块370可以基于分组子模块330执行的分组结果生成分类器。
交通分析模块300的子模块的功能和操作可以结合图4进行进一步描述。
在一些实施例中,可以从交通分析模块300中移除上述策略子模块360、报告子模块370和分类器子模块380中的一个或以上。
可以注意到,以上关于交通分析模块300的描述仅用于说明目的,而不是用于限制本申请。应当理解的是,在学习了本申请的主要概念和机制之后,本领域的普通技术人员可以以非创造性的方式改变交通分析模块300。改变可以包括组合和/或拆分子模块、添加或移除可选的子模块等。诸如此类的修改,均在本申请的保护范围之内。
图4是根据本申请的一些实施例所示的示例性交通分析过程(过程400)的流程图。过程400可以由交通分析模块300执行以分析不同城市的交通。在一些实施例中,图4中所示的过程400的一个或以上操作可以在图1所示的系统100中实现。例如,图4所示的过程400可以以指令的形式存储在存储设备(例如,RAM 240、存储设备220)中,并且由一个或以上实现交通分析模块300的相应子模块的处理器调用和/或执行(例如,处理器210)。
为了便于说明而不旨在限制,过程400可以结合图5至图11进行描述。除非另有说明,图4至图11的描述中的相同符号或参数可以具有相同的含义。
在410中,第一图子模块310可以为多个城市(例如,至少两个城市)中的每一个城市基于与该城市内的交通行为相关的交通数据(例如,交通数据140)生成第一图。交通数据可以包括或记录在预定时间段(例如,一天、一周、两周、一个月、三个月、六个月、一年)内发起的城市内的交通行为。上述交通行为的每个可以包括起点POI和终点POI。包括在交通数据中的POI可以属于一组POI类型(例如,见图1描述)。
交通数据可以与导航系统、线上到线下交通服务平台、政府交通管理系统等有关。第一图子模块310可以通过网络120从一个或以上本地存储设备(例如,存储设备220、RAM240)和/或一个或以上在线存储设备(例如,存储设备150)获得交通数据。或者,第一图子模块310可以从一个或以上终端设备130获得交通数据。
根据包含或记录在交通数据中的交通行为,第一图子模块310可以生成上述多个城市的第一图。在本申请中,图(graph)可以指带标签的加权图或该图的数据形式。图5是根据本申请的一些实施例所示的示例性图(图500)的示意图。
通常,图可以包括一组顶点(例如,顶点510)和一组边(例如,边520)。所述一组顶点的数量和所述一组边的数量可以为两个或以上。图的顶点可以表示一组对象的其中一个对象,而边可以表示该组对象中的一对相关对象之间的“关系”。上述一组边中的每一个边可以与度量“关系”强度的权重相关联。根据该图要解决的问题,图的顶点和边可能具有各种实际含义。
在本申请中,图的顶点可以表示POI类型(例如,图10所示的POI类型1至POI类型10)。例如,图可以包括查找表和/或映射函数,以标记每个顶点(即,在每个顶点和相应的POI类型之间建立关联)。图的边可以表示POI之间的交通行为(其被记录或包括在交通数据中),该POI具有由该边所连接的顶点所代表的POI类型。图的每个边可以具有权重,且该权重至少与该边所代表的交通行为的数量相关。作为示例,权重可以度量由对应边所代表的交通行为的数量,例如由对应边所代表的交通行为的总数。可以理解的是,顶点(或POI类型)的数量可以根据交通数据或根据实际需要来设置,并且不限于如图5所示的十个。在一些实施例中,顶点的数量可以在[10,200]的范围内。在一些更优选的实施例中,顶点的数量可以在[60,150]的范围内。
在本申请中,图可以包括无向图或有向图。无向图的边(或被称为无向边)可以不包括关于相关交通行为的方向的有效信息,而有向图的边(或被称为有向边)还可以包括关于相关交通行为的方向的信息。
图6是根据本申请的一些实施例所示的示例性无向边的示意图。一对顶点610和615可以通过无向边620连接。顶点610可以表示POI类型A,其可以与第一组POI相关联。顶点620可以表示POI类型B,其可以与第二组POI相关联。无论交通行为的方向如何,无向边620都可以表示在第一组POI中的任何一个POI与第二组POI中的任何一个POI之间的交通行为。
从第一组POI中的任一POI到第二组POI中的任一POI、或从第二组POI中的任一POI到第一组POI中的任一POI的交通行为可以用于计算与无向边620相关联的权重(例如,通过第一图子模块310)。例如,权重可以包括由无向边620表示的交通行为的总数、由无向边620表示的交通行为的总数与整个图中涉及的交通行为的总数的比值、由无向边620表示的交通行为的总数与每个边的交通行为数量的均值的比值等。
图7是根据本申请的一些实施例所示的示例性有向边的示意图。一对顶点710和715可以通过从顶点710指向顶点715的有向(或定向)边720连接。顶点710可以表示POI类型C,其可以与第三组POI相关联。顶点715可以表示POI类型D,其可以与第四组POI相关联。有向边720仅可以表示从第三组POI中的任一POI到第四组POI中的任一POI的交通行为。对于有向边720,顶点710可以被称为起点顶点,而顶点715可以被称为终点顶点。
当从第四组POI中的任一POI到第三组POI中的任一POI存在一个或以上交通行为时,可以使用从顶点715指向顶点710的另一个有向边725来表示这样的交通行为。关于有向边725,顶点715可以被称为起点顶点,而顶点710可以被称为终点顶点。
可以使用从第三组POI中的任一POI到第四组POI中的任一POI的交通行为来计算与有向边720相关联的权重(例如,通过第一图子模块310)。例如,权重可以包括由有向边720表示的交通行为的总数、由有向边720表示的交通行为的总数与整个图中涉及的交通行为的总数的比值、由有向边720表示的交通行为的总数与每个边的交通行为的均值的比值、由有向边720表示的交通行为的总数与从第三组POI中的任何一个POI起始的交通行为的总数的比值等。类似地,可以使用从第四组POI的POI到第三组POI的POI的交通行为来计算与有向边725(如果存在)相关联的权重。
交通分析模块300可以使用各种数据结构来存储图的权重。在一些实施例中,交通分析模块300可以使用邻接矩阵来存储图的权重。在本申请中,图的邻接矩阵可以直接用于指代对应的图。
图8是根据本申请的一些实施例所示的示例性图的邻接矩阵的示意图。
图8所示的邻接矩阵A可以表示包括N个顶点的图G,其中N是大于2的整数。邻接矩阵A的行和列可以代表N个顶点。具有相同索引号的行和列可以表示相同的顶点。邻接矩阵A可以存储其对应图的边的权重。如图8所示,权重wi,j可以对应于从第i顶点Vi开始到第j顶点Vj的边(i,j),其中i和j是在1和N之间的整数。当在图中没有从顶点Vi开始到顶点Vj的边时,邻接矩阵A的权重wi,j可以为零。
根据实际需要,图G可以是无向图或有向图。对于无向图,边(i,j)和边(j,i)可以表示相同的边(例如,边620),并且wi,j=wj,i。对于有向图,边(i,j)和边(j,i)表示不同的边(例如,边720和725),而wi,j以及wj,i可以基于交通数据分别获得。
再参考图4。在操作410期间,基于交通数据,第一图子模块310可以生成上述多个城市中的第d个城市的图Gd,0,其中d是1和城市总数D之间的整数。图Gd,0可以是无向图或有向图。例如,图Gd,0可以具有对应于N个POI类型的N个顶点。在一些实施例中,N可以在[10,200]的范围内。
在一些实施例中,图Gd,0可以具有邻接矩阵Ad,0的数据形式。邻接矩阵Ad,0的大小可以是N×N。邻接矩阵Ad,0的第i(1≤i≤N)行或列可以对应于图Gd,0的第i个顶点Vi,其可以对应于N个POI类型的第i个POI类型。这种对应关系可以具有与邻接矩阵Ad,0相关联的映射函数和/或查找表的形式。该映射函数和/或查找表可以是预定的,并包括在图Gd,0中。
为了生成第d个城市的邻接矩阵Ad,0,第一图子模块310可以生成大小为N×N的空白矩阵Ao。矩阵Ao可以是邻接矩阵Ad,0的初始版本,并且与预定的映射函数和/或查找表相关联以标记图Gd,0的N个顶点。存储在空白矩阵中的权重可以具有初始值,例如0。在从交通数据中获得其中关于第d个城市中的第n个交通行为的起点POIP1,n和终点POIP2,n的数据之后(n是介于1和第d个城市中交通行为总数Td之间的整数),第一图子模块310可以识别(例如,通过图的查找表和/或映射函数)出上述起点POIP1,n对应于例如图Gd,0的顶点Vi,以及上述终点POIP2,n对应于例如图Gd,0的顶点Vj。然后,第一图子模块310可以更新与图Gd,0的边(i,j)相关联的交通行为的计数ci,j。在如是处理第d个城市中所有Td个交通行为之后,第一图子模块310可以基于相应的计数(例如,ci,j)获得图Gd,0的每个边的权重(例如,wi,j)。第一图子模块310可以将获得的权重存储到空白矩阵Ao中以生成邻接矩阵Ad,0。
在一些实施例中,计数ci,j可以直接作为权重wi,j,并且起始便存储在矩阵A0中。每当第一图子模块310更新与图的边(例如,边(i,j))相关联的计数(例如,ci,j)时,邻接矩阵Ad,0便会相应被更新。
在一些实施例中,图Gd,0可以直接作为第d个城市的第一图Gd进行后续分析。
在一些实施例中,图Gd,0可以作为第d个城市的初始图。第一图子模块310可以进一步处理图Gd,0以生成第d个城市的第一图Gd。
在一些实施例中,第一图子模块310可以经由处理流水线处理原始图Gd,0以生成第d个城市的第一图Gd。处理流水线可以包括至少两个循序进行的处理步骤。例如,第一图子模块310可以通过对应的处理步骤生成中间图,该中间图的生成可以基于图Gd,0或一个上游的中间图。然后第一图子模块310可以通过随后的处理步骤处理该中间图,以生成第d个城市的第一图Gd或一个下游的中间图。
为便于描述,在本申请中,上述原始图或中间图可以被称为第二图。下文描述了通过处理第二图以生成第一图Gd或另一第二图的示例性操作,这些操作仅用于说明目的而并不旨在限制。根据过程400的后续操作中所采用的算法,下述操作可选择性地执行。
在一些实施例中,为了获得第d个城市的第一图,第一图子模块310可以移除第d个城市(即,原始图或中间图)的第二图Gxd中的环(如果存在)。环可以是开始并结束于相同顶点(例如,顶点Vi)的边(例如,边(i,i)),其可以对应于起点POI和终点POI属于相同POI类型的交通行为。例如,第一图子模块310可以通过检测第二图Gxd的邻接矩阵Axd中的非零对角权重(例如,wi,i)来检测环。
在一些实施例中,在检测到非零对角权重时,第一图子模块310可以将检测到的邻接矩阵Axd的非零对角权重设置为零以直接移除相应的环,从而获得新的邻接矩阵Ad,1。邻接矩阵Ad,1可以对应于新图Gd,1,其可以用作第d个城市的第一图Gd或作为其中间图(另一个第二图)。
在一些实施例中,在检测到非零对角权重时,第一图子模块310可以分割存在相应环的顶点以消除检测到的环。例如,要分割的顶点可以对应于上级POI类型P0,其可以包括或者被分成诸如POI类型P1和P2的下级POI类型。在上述顶点被分割之前,具有对应于POI类型P1的起点POI和对应于POI类型P2的终点POI的交通行为可以使该顶点处产生环。在将顶点分割成至少对应于POI类型P1的顶点和对应于POI类型P2的顶点之后,可以消除这样的环。通过将具有环的顶点分割而不是直接将环移除,可以在图中保留更多关于第d个城市的交通行为的信息。
作为示例,在拆分一个或以上顶点之前,第二图Gxd可以具有N个顶点,而邻接矩阵Axd可以是N×N邻接矩阵。在N个顶点的一个或以上顶点被分成至少两个新顶点之后,由此获得的图Gd,2可以具有M个顶点(M是大于N的整数),而图Gd,2的邻接矩阵Ad,2可以具有M×M的尺寸。因此,与图Gd,2相关联的查找表和/或映射函数可以进一步包括上述至少两个新顶点和与其对应的POI类型之间的关联,并且可选地排除上述一个或以上被拆分顶点和与其对应的POI类型之间的关联。第一图子模块310可以获得与上述新顶点相关联的权重,并将权重存储在邻接矩阵Ad,2中的对应位置。图Gd,2其可以上述作为第d个城市的第一图Gd或其中间图(另一第二图)。
作为示例,上述环移除操作(如果存在)可在如下情况时进行:操作420中采用的图核算法与具有环的图不兼容、用于生成第一图Gd的处理流水线中的一个或以上处理步骤需要在没有环的图上执行或在没有环的图上具有更好的执行效果、操作430中的分组结果需要优化等。否则,可以跳过或省略环移除操作。
在一些实施例中,为了生成第d个城市的第一图Gd,第一图子模块310可以从第d个城市的第二图Gxd的顶点中选择L个顶点。第二图Gxd可以具有如邻接矩阵Axd的数据形式,L是介于2和第二图Gxd的顶点总数(例如,N,M)之间的整数。L可以是预设数值或是取决于选择结果。在一些实施例中,L可以在[10,30]的范围内。第一图子模块310可以使用所选择的L个顶点构筑第d个城市的图Gd,3,其可以具有例如邻接矩阵Ad,3的数据形式。
在一些实施例中,第一图子模块310可以依据第二图Gxd的顶点对第d个城市中的交通行为的重要性(或贡献)来对其进行排序以选择上述L个顶点。例如,对第二图Gxd的每个顶点,第一图子模块310可以计算在与该顶点相关联的POI开始和/或结束的交通行为的总和、或者计算从该顶点开始和/或结束的边的权重之和来作为该顶点重要性的度量,然后选择最重要的L个顶点。
在一些实施例中,第一图模块310可以通过如图13所示的包括顶点选择的流程生成第一图。相应地,第一图模块310可以具有如图12所示的结构。
根据在下一个操作420中采用的图核算法,邻接矩阵Ad,3可以保持或者不保持与邻接矩阵Axd相同的配置。
在一些实施例中,邻接矩阵Ad,3可以仍然保持与邻接矩阵Axd相同的配置。例如,第一图子模块310可以通过将邻接矩阵Axd中对应于L个被选顶点之外的其他顶点的行和列中的权重设置为零来生成邻接矩阵Ad,3。对应于L个被选顶点的行和列中的权重可以保持相同或相应更新。结果,邻接矩阵Ad,3和邻接矩阵Axd的具有相同索引号的行/列可以表示相同的POI类型,并且与邻接矩阵Ad,3相关联的查找表和/或映射函数可以同与邻接矩阵Axd相关联的查找表和/或映射函数相同。
在一些实施例中,邻接矩阵Ad,3可以具有与邻接矩阵Axd不同的配置。例如,邻接矩阵Ad,3的尺寸可以缩减到L×L。第一图子模块310可以通过将邻接矩阵Axd中对应于L个被选顶点之外的其他顶点的行和列移除来生成邻接矩阵Ad,3,或者使用邻接矩阵Axd中对应于L个被选顶点的的行和列中的权重生成新的L×L矩阵。对应于L个被选顶点的行和列中的权重可以保持相同或相应更新。与邻接矩阵Ad,3相关联的查找表和/或映射函数也可以相应更新。
图Gd,3可以用作第d个城市的第一图Gd或其中间图(另一第二图)。通过执行上述顶点选择操作可以减少一个或以上后续操作(诸如操作420)对计算资源的消耗和其时间成本、和/或提升操作430中的分组结果。在一些实施例中,当不关注计算资源的消耗和/或时间成本时,也可以跳过或省略顶点选择操作。
在一些实施例中,为了生成第d个城市的第一图Gd,第一图子模块310可以对第d个城市的第二图Gxd的邻接矩阵Axd进行归一化,以生成归一化邻接矩阵Ad,4。在一些实施例中,归一化邻接矩阵Ad,4可以是随机矩阵,其满足邻接矩阵Ad,4的每个非零行(包括至少一个非零权重的行)的权重之和等于1。这样的邻接矩阵Ad,4可以描述第d个城市中的交通行为的转移概率。
邻接矩阵Ad,4可以对应于图Gd,4,其可以作为第d个城市的第一图Gd或其中间图(另一第二图)。作为示例,上述归一化操作可在如下情况时执行:操作420中采用的图核算法需要在归一化邻接矩阵上执行或在归一化邻接矩阵上有更好的执行效果、上述用于生成第一图Gd的处理流水线中一个或以上处理步骤需要在归一化邻接矩阵上执行或在归一化邻接矩阵上有更好的执行效果、步骤430的分组结果待优化等。否则,可以省略或跳过归一化。
在一些实施例中,为了生成第d个城市的第一图Gd,第一图子模块310可以将第d个城市的有向第二图Gxd转换为无向图Gd,5。在一些实施例中,有向第二图Gxd可以具有不对称邻接矩阵Axd的数据形式,而无向图Gd,5可以具有对称邻接矩阵Ad,5的数据形式。为了生成邻接矩阵Ad,5,第一图子模块310可以计算邻接矩阵Axd的权重wi,j以及wj,i的总和Swi,j,并将邻接矩阵Ad,5的权重wi,j′以及wj,i′皆设为总和Swi,j。
图Gd,5可以作为第d个城市的第一图Gd或其中间图(另一第二图)。作为示例,上述转换操作可以在如下情况进行:操作420中采用的图核算法需要在对称邻接矩阵上执行或在对称邻接矩阵上具有更好的执行效果,并且上述用于生成第一图Gd的处理流水线中一个或以上处理步骤(例如,顶点选择处理步骤)需要在非对称邻接矩阵上执行或在非对称邻接矩阵上有更好的执行效果等。否则,可以省略或跳过上述转换操作。
可以理解的是,上述第二图Gxd可以是图Gd,0、Gd,1、Gd,3、Gd,4和Gd,5中任何合理的一种。第二图Gxd也可以是通过本申请中未描述的处理步骤处理Gd,0、Gd,1、Gd,3、Gd,4和Gd,5中任何合理的一种而获得的另一中间图。在一些实施例中,用于生成第d个城市的第一图Gd的处理流水线可以包括多次相同的操作。例如,用于生成第一图Gd的处理流水线可以包括两个归一化操作,一个用于生成在其上执行顶点选择操作的中间图,另一个用于生成最终的第一图Gd。
在一些实施例中,操作420中采用的图核算法可能要求上述多个城市的第一图(例如,以邻接矩阵的形式)共享相同的配置,于是所有城市的邻接矩阵可以使用相同或类似的过程获得。例如,该图核算法可能要求所有城市的邻接矩阵具有相同的尺寸(例如,N×N),并且这些邻接矩阵中相同索引号的行/列表示的顶点对应于相同的POI类型(即,所有邻接矩阵均关联相同的映射函数/查找表)。或者,操作420中采用的图核算法可能不具有这样的要求,则上述多个城市的第一图可以共享相同的配置或具有不同的配置。
在420中,相似性指示符子模块320可以通过图核算法为上述多个城市中的任何两个城市获得第一相似性指示符,该第一相似性指示符度量这两个城市的第一图之间的相似性。
上述图核算法可以涉及核(或核函数)KG。通过核KG,相似性指示符子模块320可以获得指示第x个城市的第一图Gx与第y个城市的第一图Gy之间的相似性的第一相似性指示符sx,y:
sx,y=KG(Gx,Gy) 方程(1)
其中x和y是在1和城市总数(例如,D)之间的整数。在一些实施例中,第一图Gx和Gy可以具有邻接矩阵的形式。在一些实施例中,用于标记第一图Gx和Gy的顶点的映射方程(如果存在)也可以是核KG的输入的一部分。
通过使用核KG处理上述一组城市中每对城市的第一图,相似性指示符子模块320可以获得一组第一相似性指示符。
核KG可以是图核、多个图核的组合(也可以被称为图核或被称为合成图核)、或图核和变换函数的组合(例如,以嵌套的方式)。
在一些实施例中,核KG可以是基于游走和路径的图核(例如,随机游走核或其变形)、基于子树的图核等,或其组合。基于游走或路径的图核(例如,随机游走核或其变形、最短路径核或其变形)可以比较两个输入图的游走或路径,其中游走是图中的一系列顶点并允许出现重复顶点,而路径是仅由不同的顶点组成的游走。例如,随机游走核可以将两个输入图中所有匹配的游走对进行计数以作为两个输入图的相似度的度量。基于子树(例如,Weisfeiler-Lehman(W-L)核)的图核可以比较两个输入图的子树,其中子树是指没有环路(由多个首尾相连的边组成)但是具有指定的根顶点的子图,因此可以看作对应图中具有潜在的树结构的不同顶点的连接子集。作为示例,基于子树的图核,例如W-L核,可以将两个输入图中的所有匹配子树对进行计数以作为两个输入图的相似度的度量。
应当理解的是,任何基于图的且度量两个输入图(例如,上述多个城市的第一图)的相似性的核可以在本文中用于获得第一相似性指示符。在一些实施例中,输入图Gx和Gy可以是具有相同配置的邻接矩阵的形式,并且图核KG可以具有以下形式:
KG(Gx,Gy)=f(∑g(wx,i,j-wy,i,j)) 方程(2)
其中f和g是合理配置的预设函数使得核KG满足明确定义的核函数标准(例如,对称((K(Gx,Gy)=K(Gy,Gx))、半正定(p.s.d)),wx,i,j和wy,i,j是输入图Gx和Gy的邻接矩阵中的对应权重,i和j是介于1与邻接矩阵的行/列总数(例如,N、M、L)之间的整数。
在一些实施例中,核KG可以是多个图核的组合。例如,核KG可能具有以下形式:
KG(Gx,Gy)=α1K1(Gx,Gy)+α2K3(Gx,Gy)+…+αZKZ(Gx,Gy) 方程(3)
其中Z是等于或大于2的整数;K1,K2,…,KZ是不同的图核(例如,随机路径核、W-L核、最短路径核、符合方程(2)的核);α1,α2,…,αZ是与图核K1,K2,…,KZ.相关联的预设系数。在一些实施例中,α1+α2+…+αZ=1。符合方程(3)的核KG也可以被称为图核或被称为合成图核。
在一些实施例中,核KG可以是图核和变换函数的组合。例如,核KG可能具有以下形式:
KG(Gx,Gy)=h(K′G(Gx,Gy)) 方程(4)
其中,K′G是图核(例如,合成图核或非合成图核);函数h可以是根据操作430中采用的分组算法所选择或确定的变换函数。函数h可以将图核K′G的输出转换为适合分组算法的形式。例如,在操作430中采用的分组算法可能要求上述多个城市的第一相似性指示符的值在特定取值范围内(例如,在0和1之间),但是图核K′G的输出可能超出该取值范围。则该函数h可以至少将图核K′G的输出归一化为适合于该分组算法的取值范围。又例如,在操作430中采用的分组算法可能要求两个城市的第一图之间的相似性越高(或差异越小),相应的第一相似性指示符的值越低;但是图核K′G的输出可能满足,两个城市的第一图之间的相似性越高(或差异越小),相应的第一相似性指示符的值越高。则该函数h可以至少转换图核K′G的输出,使得生成的第一相似性指示符可以符合分组算法的要求。
在一些实施例中,相似性指示符子模块320可以首先利用图核K′G处理上述多个城市中的每一对城市以获得一组输出,然后用变换函数h来处理该组输出以获得第一相似性指示符。
在一些实施例中,用于获得第一相似性指示符的核KG可能无法处理带环的图。于是,在操作410中,在生成上述多个城市的第一图期间,可以执行先前所述的环移除操作。在一些实施例中,用于获得第一相似性指示符的核KG可能能够处理带环的图,于是在操作410中可以省略或跳过环移除操作。
在一些实施例中,相似性指示符子模块320可以将所获得的第一相似性指示符存储在矩阵中,该矩阵也可以具有邻接矩阵的形式。图9是根据本申请的一些实施例所示的包括一组第一相似性指示符的示例性邻接矩阵(矩阵S)的示意图。如图9所示,矩阵S的每个行/列可以表示上述多个城市(例如,具有总数D)的其中一个城市(或其第一图)。矩阵S中具有相同索引号的行和列可以代表同一个城市。矩阵S的元素si,j可以是第一相似性指示符,其指示第i个城市的第一图Gi与第j个城市的第一图Gj之间的相似性,其中i和j表示介于1与D之间的整数。矩阵S的对角元素(例如,si,i)也可以使用核KG获得,或者被设置为预定值(例如,0)。矩阵S可以被输入至下一步操作以对上述多个城市进行分组。
在430中,分组子模块330可以基于第一相似性指示符将上述多个城市分为至少两个城市组。
在一些实施例中,分组子模块330可以使用聚类算法作为分组算法来执行分组。分组子模块330可以基于第一相似性指示符,经由聚类算法对上述多个城市进行聚类以获得至少两个簇,每个簇对应于上述至少两个城市组中的一个城市组。分组子模块330可以采用各种聚类算法。示例性聚类算法可以包括层级聚类分析、基于簇心的聚类分析(例如,K-means或其变形)、基于图的聚类分析(例如,图团体检测)等,或者其组合。在操作420中获得的第一相似性指示符可以用作相应的两个城市之间的“距离”的度量。如本文所使用的,两个城市之间的“距离”可以表示两个城市的第一图之间的差异(而不是两个城市之间的地理距离)。相应两个城市的第一图之间的差异(或相似性越低)越高,第一相似性指示符指示两个城市之间的距离越近。
为了便于说明,下面以在操作420中获得的第一相似性指示符满足第一相似性指示符的值越高、相应两个城市的第一图之间的差异越大的前提下描述示例性聚类算法。在该前提下,第一相似性指示符可以直接用作相应两个城市之间的距离。然而,应当理解的是,也可以调整聚类算法以适应其他种类的情况(例如,第一相似性指标的值越高,对应的两个城市的第一图之间的差异越小)。
层级聚类分析算法
在一些实施例中,分组子模块330可以采用层级聚类分析算法来对上述多个城市进行聚类。层级聚类分析算法可以是凝聚式的(例如,层次凝聚聚类算法(HierarchicalAgglomerative Clustering,HAC))或分裂式的(例如,DIANA(DIvisive ANAlysis)算法。在一些实施例中,分组子模块330采用HAC算法。上述多个城市中的每个城市可以最初被视为单个簇。分组子模块330可以通过逐渐合并具有最短距离的簇来从单个簇构建层级。为了获得两个簇之间的距离,分组子模块330可以使用全连锁方法(complete-linkage,即两个簇的城市之间的最大距离)、单连锁方法(single-linkage,即两个簇的城市之间的最小距离)、或平均连锁方法(average-linkage,即两个城市之间的平均距离)。
图10是根据本申请的一些实施例所示的示例性层次凝聚聚类(HAC)算法的示意图。为了便于说明而不旨在限制,图10中仅示出七个城市(城市1-7)。最初,七个城市中的每一个城市可以被视为单簇,因此总共可以形成七个簇。可以以“自下而上”的方式执行六个阶段的簇合并,以生成如图10所示的层级1000。在第一阶段,分组子模块330可以合并簇{城市3}和{城市4}以形成新的簇{城市3,城市4},因为这两个簇具有最短距离。在第二阶段,分组子模块330可以合并簇{城市5}和{城市6}以形成新的簇{城市5,城市6},因为这两个簇具有最短距离。类似地,分组子模块330可以顺序地形成簇{城市1,城市2}、{城市1,城市2,城市3,城市4}、{城市5,城市6,城市7}、以及最终包括所有城市的簇{城市1,城市2,城市3,城市4,城市5,城市6,城市7}。
分组子模块330可以分析层级1000以识别最佳阶段,并选择在该阶段获得的簇作为上述至少两个城市组。例如,分组子模块330可以识别第四阶段是最佳阶段,然后确定相应的簇{城市1,城市2,城市3,城市4},{城市5,城市6}和{城市7}作为上述至少两个城市组。例如,分组子模块330使用的用于识别最佳阶段的度量可以是或者基于:相应簇的类内距离、任何两个相应簇之间的类间距离、相应簇的数量、相应簇中的城市数量等,或其组合。
在一些实施例中,分组子模块330可以不构建整个层级。簇的合并可以持续执行直到满足终止条件。示例性终止条件可以包括:簇的数量低于阈值、所获得的最短距离高于阈值、已形成或将要形成的簇中的城市数量高于阈值等,或其组合。在检测到满足终止条件时,分组子模块330可以停止聚类,并输出当前的簇作为上述至少两个城市组。
在一些实施例中,在操作420中,可以在操作420中获得的矩阵S上执行HAC算法。随着聚类的进行,可以在合并簇时一并合并矩阵S的行和列,并且相应地更新矩阵S中所存储的距离。
在一些实施例中,分组子模块330可以采用DIANA算法。最初,所有城市都可以被视为一个全局簇。分组子模块330可以以“自上而下”方式通过逐渐将当前簇分成具有最远距离的两个簇来从全局簇构建层级。DIANA算法可以被视为HAC算法的反向形式。
分组子模块330也可以采用HAC算法或DIANA算法的变形。
图团体检测算法
在一些实施例中,分组子模块330可以采用图团体检测算法或其变形来对上述多个城市进行聚类。可以理解的是,在操作420中获得的矩阵S也可以具有无向图的形式。图的顶点可以表示上述多个城市中的各个城市,并且矩阵S中的第一相似性指示符可以作为与相应边相关联的权重。该图团体检测算法可以在这样的矩阵S上执行。
图团体检测算法可以类似于上述HAC算法,但在选择要合并的簇时使用了不同标准。此外,为了采用图团体检测算法,在一些实施例中,矩阵S中的第一相似性指标可以满足,第一相似性指示符的值越高,相应城市的第一图之间的相似性越高。可以理解的是,图团体检测算法也可以进行调整以适应其他类型的情况。
在一些实施例中,矩阵S中的si,j可以介于0和1之间。相似性指示符子模块320可以将图核的输出归一化为此范围。
在图团体检测算法中,上述多个城市中的每个城市(或图的每个顶点)最初也可以被视为单簇。分组子模块330也可以通过“自下而上”的方式从单簇逐步合并簇来构建层级。然而,为了选择要合并的簇,分组子模块330可以尝试合并由单个边连接的任何两个簇,并计算由合并造成的整个图的模块性的增量。分组子模块330可以选择对应于最大模块性增量的两个簇作为要合并的簇。
在一些实施例中,图的模块性MOD可以通过以下方式计算:
其中H是矩阵S中所有第一相似性指示符的总和;si,j是第i个城市(或顶点)和第j个城市的第一相似性指示符;i和j是在1和D之间的整数;D是上述多个城市的总数;Ski和Skj分别是矩阵S的第i行/列和第j行/列中的第一相似性指示符的总和;ci和cj分别是第i个城市和第j个城市的簇;函数δ可以是Kronecker-delta函数,当ci=cj时返回1,而当ci≠cj时返回0。分组子模块330可以通过将合并之后的图的模块性减去合并之前的图的模块性来获得模块性增量。
K-means算法
在一些实施例中,分组子模块330可以采用K-means算法或其变形来对上述多个城市进行聚类。通过K-means算法,分组子模块330可以通过图11所示的过程将上述多个城市聚类成K个簇。
图11是根据本申请的一些实施例所示的示例性聚类过程(过程1100)的流程图。
在1110中,分组子模块330可以从前述多个城市中选择K个城市作为K个簇的簇心,其中K是等于或大于2的整数。该选择可以是随机进行或根据预设方式进行(例如,K-means++)以优化结果。K可以是预设数值,或者可以基于在操作420中获得的第一相似性指示符由分组子模块330自适应确定。
步骤1110、1120和1130可以被迭代执行。
在1120中,分组子模块330可以针对上述多个城市中的每个城市,将该城市分配给簇心与该城市之间距离最短的簇。分组子模块330可以从该城市和K个簇的簇心之间的第一相似性指示符中识别出最大的第一相似性指示符,并将该城市分配给对应于最大第一相似性指示符的簇。
在1130中,分组子模块330可以针对K个簇中的每个簇,更新该簇的簇心。
在1140中,分组子模块330可以检测是否满足收敛(例如利用柯西准则:与上一次迭代中的步骤1130中确定的簇心相比,大部分(或全部)簇心的变化(例如,以上此迭代中的簇心和本次迭代中确定的对应簇心之间的距离的形式)小于预设阈值)。在检测到不满足收敛时,分组子模块330可以引发下一个迭代并重新执行操作1120以使用K个更新的簇心将上述多个城市重新聚类为K个簇。在检测到满足收敛时,分组子模块330可以执行操作1150。在操作1150中,分组子模块330可以输出当前的K个簇作为上述至少两个城市组。
在一些实施例中,在操作1130中,为了更新K个簇的簇心,分组子模块330可以计算同一簇中的城市的第一图(例如,以邻接矩阵的形式)的均值作为更新的簇心。然后在下一此迭代的操作1120中,对于上述多个城市中的每个城市,分组子模块330可以通过使用核KG处理该城市的第一图和相应的来计算从该城市到K个更新的簇心中每个簇心的距离,并将城市分配给具有到城市距离最短的簇心的簇。
可以理解的是,分组子模块330还可以使用其他聚类算法或其变形以将上述多个城市分为上述至少两个城市组,例如基于无监督机器学习算法的聚类算法。
在一些实施例中,可以将操作420和操作430组合。相应地,相似性指示符子模块320可以集成到分组子模块330中。例如,在分组过程中,每当分组子模块330要确定一个第一城市和一个第二城市之间的未知距离时,分组子模块可以实时通过图核KG获得相应的第一相似性指示符来作为该距离。而在分组之前没有必要获得所有的第一相似性指标。
再参考图4。在440中,交通类型识别子模块340可以为上述至少两个城市组中的每一个城市组识别该城市组的至少一个特征交通类型。例如,交通类型识别子模块340可以确定该城市组中城市的交通类型的特征分布,并且基于该特征分布识别城市组的至少一个特征交通类型(例如,通过排序)。
在一些实施例中,对于上述至少两个城市组中的每一个城市组,交通类型识别子模块340可以获得该城市组的第一特征图,并且基于该第一特征图获得城市组的交通类型的特征分布。
在一些实施例中,交通类型识别子模块340可以获得作为城市组的簇心的城市的第一图来作为该城市组的第一特征图。例如,操作430既可以通过K-means聚类算法来执行,也可以通过使用另一种聚类算法(例如,HAC)来执行,而交通类型识别子模块340可以为上述至少两个城市组中的每一个城市组,识别该城市组中到同一城市组里其他城市的距离(例如,第一相似性指标)的均值(或总和、中值、众数)最低的城市作为作为上述城市组的簇心。
在一些实施例中,交通类型识别子模块340可以获得城市组中所有城市的第一图(例如,以邻接矩阵的形式)的平均值(或中值、众数)作为该城市组的第一特征图。
在一些实施例中,交通类型识别子模块340可以从城市组的簇心的第一图或城市组中所有城市的第一图的平均值中选择一组顶点来形成该城市组的第一特征图。例如,交通类型识别子模块340可以鉴于其对交通行为的重要性(或贡献)来对上述城市组的簇心的第一图或者城市组中的所有城市的第一图的平均值的顶点进行排序来选择所述一组顶点。所述一组顶点的选择和第一特征图的形成可以与在操作410中生成邻接矩阵Ad,3的过程相同或相似,其描述在此不再赘述。
交通类型识别子模块340可以基于第一特征图来识别和量化一系列交通类型,以形成上述特征分布。为了量化一个交通类型,交通类型识别子模块340可以至少基于与该交通类型相关联的一个或以上边的权重来获得量化值,并且将该量化值与该交通类型相关联。
例如,第一特征图可以包括表示不同POI类型的一组顶点和表示具有相应POI类型的POI之间的交通行为的一组边(有向边或无向边)。交通类型识别子模块340可以根据第一特征图的边和/或顶点来识别第一特征图中的交通类型。
显然,第一特征图的一条单独的边(有向边或无向边)可用于界定一种交通类型(或被称为二级交通类型)。例如,连接对应于住宅区POI类型或家庭POI类型的第一顶点和对应于工业区POI类型或工作POI类型的第二顶点的边可以表示与通勤相关的交通行为类型。
在一些实施例中,一种二级交通类型可以通过与其对应边相关联的权重来量化。
在一些实施例中,连接同一对顶点的一对有向边也可以界定为一种二级交通类型,并且这种二级交通类型可以通过与这对有向边相关联的权重之和来量化。
在不同的实施例中,交通类型识别子模块340可以为连接相同顶点对的一对有向边识别共计一种(最少)到三种(最多)二级交通类型。
在一些实施例中,因为顶点本身可以表示与该顶点关联的POI起始和/或结束的一类交通行为,所以单个顶点也可以用于界定一个或以上的交通类型(或者被称为一级交通类型)。例如,对应于娱乐POI类型的顶点可以表示与娱乐相关的交通行为类型。
在一些实施例中,第一特征图可以是无向的。一个顶点可以对应于一种一级交通类型,并且该一级交通类型可以通过连接到对应顶点的所有边的权重的总和来量化(例如,在相应的邻接矩阵中对应的行/列中的权重)。
在一些实施例中,第一特征图可以是有向的。一个顶点可以对应于两种一级交通类型,其分别对应于从相关联的POI开始和结束的交通行为。这种一级交通类型可以通过从对应顶点开始的所有边的权重(例如,对应邻接矩阵中的对应行中的权重)的总和、或者在对应顶点处结束的所有边的权重(例如,对应的邻接矩阵的对应列中的权重)的总和来量化。在一些实施例中,第一特征图可以是有向的,但是一个顶点仍然可以对应于一个一级交通类型。这种一级交通类型可以通过在对应顶点处开始和结束的所有边的权重(例如,对应的邻接矩阵中对应行和对应列中的权重)的总和来量化。
在不同的实施例中,在第一特征图是有向的时,当一顶点处存在于该顶点开始和结束的边时,交通类型识别子模块340可以为该顶点识别共计一种(最少)到三种(最多)的一级交通类型。
交通类型识别子模块340可以从城市组的第一特征图中识别和量化所有可能的二级交通类型和/或所有可能的一级交通类型,从而为该城市组形成交通类型的特征分布。较大的量化值可以表示较高的重要性(或贡献),而较小的量化值可以表示较低的重要性(或贡献)。基于交通类型的量化值,通过对交通类型进行排序,交通类型识别子模块340可以识别城市组的至少一个特征交通类型。例如,该至少一个特征交通类型可以包括具有最大量化值的一个或以上交通类型和/或具有最小量化值的一个或以上交通类型。
在一些实施例中,交通类型的特征分布的生成可以同时涉及二级交通类型和一级交通类型。一个城市组的交通类型特征分布可以区分一级交通类型与二级交通类型。例如,该特征交通类型分布可以包括一级交通类型的分布和二级交通类型的分布作为两个独特的部分。或者,一个城市组的交通类型特征分布可能不区分一级交通类型和二级交通类型。例如,一级交通类型和二级交通类型可以在该特征分布中混杂。
在一些实施例中,交通类型识别子模块340可以对一级交通类型和二级交通类型两者执行一个单独的排序过程。
在一些实施例中,交通类型识别子模块340可以分别对一级交通类型执行第一排序和对二级交通类型执行第二排序。上述至少一个特征交通类型可以包括基于第一排序选择的一个或以上一级交通类型以及基于第二排序选择的一个或以上二级交通类型。
在操作450中,策略子模块360可以为上述至少两个城市组中的每一个城市组关联策略,以管理属于该城市组的城市的交通。在一些实施例中,与城市组相关联的策略可以促进或限制该城市组的至少一个特征交通类型。策略在不同的应用场景中可以采用各种形式。下文将描述示例性场景,这些场景仅用于说明目的而并不旨在限制。
在一些实施例中,交通分析模块300可以被包括在导航系统中。与城市组相关联的策略可以具有如下形式:在路线规划中所涉及的模型,或者要输入到该模型中的一个或以上参数。例如,所述策略可以造成,当确定相应城市组的城市中的路线时,所确定的路线可以回避那些可能被具有较大量化值的一个或以上特征交通类型的交通行为所占用(可能不是当前情况)的道路,和/或经过那些可能被具有较小量化值的一个或以上特征交通类型的交通行为所占用的道路。又例如,当用户通过计算设备(例如,移动电话)发送请求以确定对应于具有较大量化值的特征交通类型的路线时,所述策略可能导致该计算设备就潜在的交通堵塞和/或资源占用警告用户、和/或建议更适当的时间来进行交通。
在一些实施例中,交通分析模块300可以被包括在线上到线下的交通服务平台系统中。与城市组相关联的策略可以具有如下形式:在订单分配中所涉及的模型、在规范用户或交通服务提供者的行为(例如,通过提供或调整费用或份额)中所涉及的模型、或输入到以上模型中的一个或以上参数。例如,所述策略可以造成交通服务提供者接受更多具有较大量化值的特征交通类型所对应的订单(例如,通过增加份额)和/或接受更少与具有较小量化值(例如,通过减少份额)的特征交通类型所对应的订单。
在一些实施例中,可以跳过或省略操作450。交通分析模块300或报告子模块370可以输出呈现上述多个城市中的一个或多个城市的特征交通类型和/或交通类型特征分布的报告。报告可以包括用于呈现其内容的一个或以上文本、图表、动画和/或视频。交通分析模块330可以输出生成的报告,并通过显示装置呈现报告。
在一些实施例中,交通分析模块300或分类器子模块380可以生成分类器以使用操作430中的聚类分析结果对未知城市(未包括在进行聚类的上述多个城市中的城市)进行分类。通过操作430获得的簇可以用作要将感兴趣城市分入的城市组。
在一些实施例中,为了生成上述分类器,分类器子模块350可以通过在操作440中描述的用于生成第一特征图的示例性方法之一,获得上述城市组中的每一个城市组的第二特征图。在一些实施例中,可以通过相同的方法生成第二特征图和第一特征图。对于第二特征图中的每一个图,所生成的分类器可以被配置为获得第二相似性指示符,其指示感兴趣城市的图与该第二特征图之间的相似性。分类器还可以被配置为将感兴趣城市分入指示最高相似性(例如,具有最高值)的第二相似性指示符所对应的城市组中。第二相似性指示符可以通过使用图核KG处理感兴趣城市的图和相应的第二特征图来获得。
在一些实施例中,分类器子模块380可以根据上述多个城市的簇来对其(或其第一图)进行标记。上述多个城市的第一图(例如,以具有相同配置的邻接矩阵的形式)和相应的标签可以用作训练分类器的训练数据集。或者,与上述多个城市相关联的交通数据和相应的标签可以用作训练分类器的训练数据集。分类器子模块380可以通过机器学习算法使用训练数据集来训练分类器。在不同的实施例中,分类器可以是或可以包括决策树(或至少两个决策树,例如随机森林分类器)、支持向量机(SVM)、神经网络(例如,卷积神经网络)等,或其组合。
生成的分类器可以用在图15所示的过程中,用于从上述至少两个城市组中识别目标城市的城市组(或标签),并使用与该城市组相关联的策略管理目标城市的交通。
应当注意的是,以上对过程400的描述仅用于说明目的,并非旨在限制本申请的范围。可以理解的是,在学习了本申请的主要概念之后,本领域的普通技术人员可以以非创造性的方式改变过程400。例如,上述操作可以以与图4中所示的不同的顺序实现。可以将一个或以上可选的操作添加到流程图中。可以拆分或合并一个或以上的操作。所有这些修改都在本申请的范围内。
图12是根据本申请的一些实施例所示的示例性第一图子模块(第一图子模块1200)的示意图。第一图子模块1200可以由服务器110实现,以通过图13中所示的过程或其实施例生成城市的第一图。第一图子模块1200可以包括第二图单元1210、分值关联单元1220、分值更新单元1230、顶点选择单元1240和第一图单元1250。
第二图单元1210可以基于与上述多个城市中的每个城市相关连的上述交通数据生成该城市的第二图。该第二图可以包括一组顶点和一组边。
分值关联单元1220可以为第二图的每个顶点关联分值。
为第二图的每个顶点,分值更新单元1230可以至少基于该顶点的一个或以上邻接顶点的分值和从上述一个或以上邻接顶点连接到该顶点的一个或以上边的权重,迭代更新与该顶点相关联的分值。
顶点选择单元1240可以基于第二图的顶点的分值来选择顶点。
第一图单元1250可以使用选择的顶点生成第一图。
第一图子模块1200的各单元的功能和操作可以结合图13进行进一步描述。
可以注意到的是,关于第一图子模块1200的上述描述仅用于说明目的,而不是用于限制本申请。应当理解的是,在学习了本申请的主要概念和机制之后,本领域的普通技术人员可以以非创造性的方式改变第一图子模块1200。改变可以包括组合和/或分割单元、添加或移除可选单元。诸如此类的变形,均在本申请的保护范围之内。
图13是根据本申请的一些实施例所示的用于生成城市的第一图的示例性过程(过程1300)的流程图。过程1300可以由第一图子模块1200执行以生成一个城市(例如图4中所示的过程400的操作410中所描述的多个城市中的第d个城市)的第一图。通过重复过程1300,可以获得所有上述多个城市的第一图,然后进行过程400的操作420。
在一些实施例中,图13中所示的过程1300的一个或以上操作可以在图1所示的系统100中实现。例如,图13所示的过程1300可以以指令的形式存储在存储设备(例如,RAM240、存储设备220)中,并且由一个或以上实现第一图子模块1200的对应单元的处理器调用和/或执行(例如,处理器210)。
过程1300可以涉及生成第d个城市的第二图(即,上述原始图或中间图),并基于该第二图生成第d个城市的第一图。为便于描述,第一图的顶点可被称为第一顶点;第一图的边可被称为第一边;第二图的顶点可被称为称为第二顶点;并且第二图的边可以被称为第二边。
在1310中,第二图单元1210可以基于与上述多个城市中的第d个城市相关的交通数据,生成包括N个第二顶点和一组第二边的第二图Gxd,其中N是大于2的整数;d是介于1和N之间的整数。
在一些实施例中,第二图的Axd的数据形式可以是大小为N×N的邻接矩阵Axd。
在一些实施例中,邻接矩阵Axd可以是随机矩阵,其满足邻接矩阵Axd的每个非零行的权重之和等于1。邻接矩阵Axd可以描述第d个城市中交通行为的转移概率。当邻接矩阵Axd不是随机矩阵时,第二图单元1210可以对邻接矩阵Axd进行归一化以获得相应的随机矩阵。
关于生成邻接矩阵Axd的描述,可以参考过程400的操作410。在一些实施例中,为了生成同时也是随机矩阵的邻接矩阵Axd,第二图单元1210可以基于与第d个城市相关联的交通数据,首先生成邻接矩阵Ad,0,然后在邻接矩阵Ad,0上执行环移除操作,以生成邻接矩阵Ad,1(或Ad,2),然后将邻接矩阵Ad,1(或Ad,2)归一化以生成要在当前操作中使用的邻接矩阵Axd。上述过程的详细描述可以在操作410的描述中找到,在此不再赘述。
在1315中,分值关联单元1220可以为第二图Gxd的每个第二顶点关联分值。最初与每个第二顶点相关联的分值可以是预设的非零值(例如,1、0.5、0.2)、随机数、与对应的POI类型相关的预设数值、基于第二图Gxd的元素属性确定的数值、基于先验模型确定的数量等,或其组合。
在一些实施例中,最初与每个第二顶点相关联的分值可以是预设数值,例如1、0.5、0.2、0.1等。
在一些实施例中,最初与每个第二顶点相关联的分值可以是1/N。
在一些实施例中,与每个第二顶点相关联的初始分值可以基于在该第二顶点处开始和/或结束的边的数量(或边的权重之和)。例如,与第二顶点相关联的分值可以是在第二顶点处开始和/或结束的第二边的数量与第二图Gxd的所有第二边的数量的比值。又例如,该分值可以是在第二顶点开始和/或在第二顶点结束的第二边的权重的总和与第二图Gxd表示的所有第二边的权重之和的比值。
经由操作1320到操作1355,分值更新单元1230可以迭代更新与第二图Gxd的每个第二顶点相关联的分值。
在1320中,分值更新单元1230可以设置i=1以关注第二图Gxd的第一个第二顶点V1。在过程1300期间,分值更新单元1230可以将i设置为[1,D]范围内的整数以关注第二图Gxd的不同顶点。
在1325中,分值更新单元1230可以识别第二图Gxd的第i个第二顶点Vi的一个或以上邻接顶点。第二顶点Vi的邻接顶点可以是从其通过单个第二边(有向或无向)可以到达第二顶点Vi的第二顶点。当第二图Gxd是无向图时,邻接顶点可以是通过单个第二边与第二顶点Vi连接的任何第二顶点。当第二图Gxd是有向图时,邻接顶点可以是有有向边从其指向第二顶点Vi的第二顶点。例如,如图7所示,当有向边725不存在时,顶点710是顶点715的邻接顶点,但顶点715不是顶点710的邻接顶点。
在一些实施例中,分值更新单元1230可以通过检测邻接矩阵Axd的第i列中的非零权重来识别第i个第二顶点Vi的邻接顶点(或者在第i行中,如果第二图Gxd是无向的)。检测到的非零权重所在的行可以对应于第i个第二顶点Vi的邻接顶点。
在1330中,分值更新单元1230可以获得操作1325中识别的上述第二顶点Vi的一个或以上邻接顶点的分值。
在1335中,分值更新单元1230可以获得从上述一个或以上邻接顶点连接到第二顶点Vi的一个或以上第二边的权重。
在一些实施例中,上述一个或以上第二边的权重可以是在操作1325中检测到的非零权重。
在操作1340中,分值更新单元1230可以基于上述一个或以上邻接顶点的分值和上述一个或以上第二边的权重更新第二顶点Vi的分值。
在一些实施例中,可以根据与第二顶点Vi相关联的POI作为第d个城市中的交通行为的终点(和/或起点)的概率来执行上述更新。在一些实施例中,分值更新单元1230可以通过以下方式更新与第二顶点Vi相关联的分值SVi:
其中NV是由第二顶点Vi的邻接顶点所构成的集合;v是集合NV中的顶点;SVv是与顶点v相关联的分值。当第二图Gxd是有向图时,SLv是从顶点v起始的所有第二边的权重之和(或者从顶点v开始的唯一第二边的权重);当第二图Gxd是无向图时,SLv是与顶点v连接的所有第二边的权重之和。
在一些实施例中,分值更新单元1230可以进一步基于因子pf更新分值SVi,其中因子pf表示车辆在预定时间窗口(例如,10分钟、30分钟、1小时、4小时、8小时、1天)内完成第一交通之后,再参与第二交通的概率。在一些实施例中,因子可以pf通过以下方式引入到方程(6)中:
其中Ss是最初与N个第二顶点相关的分值之和。在一些实施例中,Ss可以等于1或N。
在一些实施例中,因子pf可具有[0.1,1]的取值范围。在一些实施例中,因子pf可具有[0.5,0.85]的取值范围。
通过以方程(6)或方程(7)迭代地更新与第二图的每个顶点相关联的分值,与具有较高概率作为第d个城市的交通行为的终点(和/或起点)的POI相关联的第二顶点(或相应的POI类型)可能与较高的分值相关联。此分值可以用作相应第二顶点的重要性度量。
在1345中,分值更新单元1230可以通过检查例如是否i<D来检测是否完成当前迭代中的分值的更新。在检测到i<D时,分值更新单元1230可以触发操作1350以关注于第二图Gxd的第i+1个顶点上,并且在第i+1个顶点上执行操作1325到1345以更新第i+1个顶点的分值SVi+1。在检测到i≥D时,分值更新单元1230可以触发操作1355以检测是否满足终止分值更新的终止条件。终止分值更新的示例性终止条件可以包括:满足收敛、迭代计数等于或高于预定数量等,或其组合。在检测到不满足终止条件时,分值更新单元1230可以开始下一次迭代以更新分值并重新触发操作1320以再次关注第一个第二顶点V1。在检测到满足终止条件时,分值更新单元1230可以结束更新,并且可以触发操作1360。
操作1325至1355可以以任何适当的顺序执行。例如,可以在操作1330之前执行操作1335。又例如,可以在操作1325之前执行操作1345和/或操作1355,并且可以在操作1340之后和下一次迭代的操作1345之前执行操作1350。在一些实施例中,操作1325至1355的两个或以上可以集成到单步操作中。例如,操作1325、1330、1335和1340可以集成到单步操作中。
在1360中,顶点选择单元1240可以基于N个第二顶点的分值,从N个第二顶点中选择L个顶点,其中L可以是在2和N之间的整数。L可以是预设的整数(例如,10、15、20)或取决于N个第二顶点的分值。例如,顶点选择单元1240可以通过基于第二顶点的分值对其进行排序来选择上述L个顶点。选定的顶点可以是具有最高分值的L个顶点。或者,顶点选择单元1240可以选择分值在预设取值范围内(例如,高于一阈值)的顶点作为上述L个顶点。
在1365中,第一图单元1250可以使用L个被选顶点生成第d个城市的第一图Gd。该L个被选顶点可以作为第一图的第一顶点。
在一些实施例中,第一图单元1250可以通过操作410中所描述的操作来使用选择的L个顶点生成邻接矩阵Ad,3,这里不再重复。邻接矩阵Ad,3可以直接用作第d个城市的第一图Gd。或者,第一图单元1250可以进一步处理邻接矩阵Ad,3以生成第一图Gd。
在一些实施例中,第二图Gxd的邻接矩阵Axd可以是随机矩阵,并且对应的邻接矩阵Axd的每个非零行中的权重之和可以等于1。设向量SV为[SV1,SV2,…,SVN]T,其中SV1,SV2,…SVN是第二图Gxd中第一个第二顶点、第二个第二顶点,......,以及第N个第二顶点的分值。向量SV可以作为矩阵Axd T的特征向量来获得,矩阵Axd T是邻接矩阵Axd的转置。第一图子模块1200、或者用于替换分值关联单元1220和分值更新单元1230的单元(例如,计算单元)可以通过求解下式来获得向量SV:
Axd TSV=λSV 方程(8)
其中λ是矩阵Axd T的特征值。在一些实施例中,λ可以等于1。
在一些实施例中,第二图Gxd的邻接矩阵Axd可以不是随机矩阵。然后,第一图子模块1200或第二图单元1210可以对邻接矩阵Axd进行归一化以生成随机矩阵,然后使用该随机矩阵通过方程(8)获得向量SV。
在一些实施例中,第二图Gxd可以是无向的,则邻接矩阵Axd可以是对称的,且Axd T=Axd。相应地,向量SV也可以是邻接矩阵Axd的特征向量。第一图子模块1200或计算单元可以计算邻接矩阵Axd的特征向量作为向量SV。
向量SV或包括在向量SV中的N个第二顶点的分值可以接着在操作1360中使用来选择上述L个顶点。
图14是根据本申请的一些实施例所示的示例性交通管理模块(交通管理模块1400)的示意图。交通管理模块1400可以由服务器110实现,并通过图15中所示的过程或其实施例来管理城市交通。交通管理模块1400可以包括请求接收单元1410、组识别单元1420和管理单元1430。
请求接收单元1410可以接收在目标城市内发起目标交通行为的交通请求。
组识别单元1420可以使用分类器从上述至少两个城市组中识别上述目标城市的目标城市组。所述分类器可以基于操作430中分组的结果获得
目标交通类型识别单元1430可以基于上述交通请求中包括的至少一个POI识别目标交通行为的目标交通类型。
管理单元1440可以基于与目标组相关联的策略和目标交通类型,将第一数据提供给与涉及目标交通行为中的车辆相关联的移动计算设备,从而使车辆更频繁或更少地参与具有所述目标交通类型的交通行为。
交通管理模块1400的子模块的功能和操作可以结合图15进行进一步描述。
可以注意到,以上关于交通管理模块1400的描述仅用于说明目的,而不是用于限制本申请。应当理解,在学习了本申请的主要概念和机制之后,本领域普通技术人员可以以非创造性的方式改变交通管理模块1400。改变可以包括组合和/或拆分单、添加或移除可选单元等。诸如此类的修改,均在本申请的保护范围之内。
图15是根据本申请的一些实施例所示的示例性交通管理过程(过程1500)的流程图。过程1500可以由交通管理模块1400执行以管理不同城市的交通。在一些实施例中,图15所示的过程1500的一个或以上操作可以在图1所示的系统100中实现。例如,图15中所示的过程1500可以以指令的形式存储在存储设备(例如,RAM 240、存储设备220)中,并且由一个或以上实现交通管理模块1400的相应子模块的处理器调用和/或执行(例如,处理器210)。
在一些实施例中,用于执行过程1500的系统100可以实现线上到线下的交通服务平台。乘客可以通过线上到线下的驾驶服务平台发送交通请求以订购交通服务。诸如人类司机或无人驾驶车辆的交通服务提供者可以通过该平台接受交通请求并向乘客提供所需的交通服务。通过过程1500,可以管理或调节经由平台提供的交通服务,以便改善平台的服务质量和/或改善不同城市的交通状态。
在1510中,请求接收单元1410可以接收在目标城市内发起目标交通行为的交通请求。交通请求可以由乘客通过操作移动计算设备(例如,终端130)来发送以订购交通服务,而请求接收单元1410可以经由网络120接收交通请求。交通请求可以包括至少关于起点POI和终点POI的信息,基于起点POI和终点POI可以安排目标交通行为。
在1520中,组识别单元1420可以使用分类器从至少两个城市组(由操作430得到)中识别目标城市的目标城市组。可以基于图4所示的操作430中的分组结果来获得分类器。获得分类器的描述已在图4中提供的,这里不再重复。
在一些实施例中,分类器可以以图作为其输入。相应地,组识别单元1420可以基于与目标城市内的交通行为相关的交通数据来生成目标城市的目标图。组识别单元1420可以通过与第一图子模块310生成城市的第一图的操作相同或类似的操作来生成目标图,这里不再重复。
在一些实施例中,分类器可以通过将目标城市的目标图与上述至少两个城市组中的每一个城市组的第二特征图进行比较来实现分类。通过操作分类器,组识别单元1420可以为上述至少两个城市组中的每一个城市组获得指示目标城市的目标图与该城市组的第二特征图之间的相似性的第二相似性指示符,并通过第二相似性指示符指定上述至少两个城市组中具有较高相似性的城市组作为目标城市组。组识别单元1420可以通过使用操作420中涉及的核KG处理目标图和对应的第二特征图来获得第二相似性指示符。
在一些实施例中,基于交通数据和用于标记上述多个城市的所在簇的标签,可以通过机器学习算法获得分类器。组识别单元1420可以通过将与目标城市内的交通行为相关的交通数据输入到分类器来识别目标城市的目标城市组。
在1530中,目标交通类型识别单元1430可以基于交通请求中包括的至少一个POI来识别目标交通行为的目标交通类型。上述至少一个POI可以是起点POI和/或终点POI。例如,目标交通类型识别单元1430可以识别上述至少一个POI(例如,通过查找表)的POI类型,并使用识别的POI类型识别目标交通类型。
在1530,管理单元1430可以基于与目标组和目标交通类型相关联的策略,将第一数据提供给与涉及目标交通行为的车辆相关联的移动计算设备。第一数据可以使该车辆更频繁或更少地参与与目标交通行为相同或相似交通行为。
例如,管理单元1430可以基于策略确定目标交通类型是被促进的还是被限制的交通类型,并相应地生成第一数据。在一些实施例中,所述策略可以包括规则表,该规则表包括交通类型和对应的促进/限制规则之间的关联。管理单元1430可以在此规则表中检索目标交通类型,并根据与目标交通类型相关联的规则生成第一数据。
在一些实施例中,第一数据可以使移动计算设备在其显示器上生成显示。所述显示可以包括鼓励或抑制该移动计算设备的用户参与与目标交通行为相同或相似的交通行为的信息。该移动计算设备可以包括与上述线上到线下的交通服务平台相关的应用。在接收到第一数据(例如,经由网络120)之后,移动计算设备可以在显示器上生成所述显示。例如,移动计算设备可以是移动电话,则显示器可以是移动电话的屏幕或触摸屏。又例如,移动计算设备可以是车载计算设备,该车载计算设备可以将所述显示投影在车辆的挡风玻璃(用作显示器)上。
上述用户可以是订购交通服务的乘客或提供交通服务的司机。要显示给用户的信息可以鼓励或阻止用户参与具有目标交通类型的交通行为。例如,该信息可以包括用于鼓励用户的折扣或增加的份额、或者包括用于抑制用户的增加的费用或减少的份额。又例如,该信息可以包括文本和/或图以承诺参与具有目标交通类型的交通行为的较佳结果的或警告其可能风险。再例如,该信息可以包括对应于目标交通类型的交通请求或交通服务更容易被收到的区域。
在一些实施例中,上述车辆可以是由移动计算设备(例如,车载设备)控制的无人驾驶车辆。第一数据可以修改该移动计算设备的一个或以上参数,例如改变车辆的巡航方式或者改变车辆对对应于目标交通类型的交通请求的响应。例如,第一数据可以改变该车辆的巡航方式,使得车辆可以在目标交通类型所对应的交通请求更容易或更难以收到的区域中巡航。又例如,第一数据可以使该车辆以更高或更低的频率接受目标交通类型的交通请求。
通过过程1500进行交通调节可能对平台和城市有益。例如,通过鼓励司机或设置无人驾驶车辆参与特定类型的交通行为,则在该类交通行为盛行的或有巨大需求的城市中,对这类交通行为的需求可以得到满足。又例如,在某一时间段内,如专属于某城市的高峰时间或某类交通行为的高峰时间,通过劝阻司机/乘客或限制无人驾驶车辆在该城市参加该类的交通行为(需要注意的是,在一些实施例中,POI类型或交通类型可能还与特定的时间段有关),可以改善城市的交通状态。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如,“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的制程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是任何计算机可读介质,其可以不是计算机可读存储介质,并且可以通信、传播或传输程序以供指令执行系统。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python或类似的常规程序编程语言,如"C"编程语言,Visual Basic,Fortran2003,Perl,COBOL 2002,PHP,ABAP,动态编程语言如Python,Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算器可以通过任何网络形式与用户计算器连接,例如,局域网络(LAN)或广域网(WAN),或连接至外部计算器(例如通过因特网),或在云端计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,否则所述处理元素或序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管以上公开内容通过各种示例讨论了当前可能被认为是本申请的各种有用实施例的内容,但是可以理解,这样的细节可以仅用于该目的,并且所附权利要求不限于虽然公开了实施例,但是,相反,旨在覆盖在所公开实施例的精神和范围内的修改和等同布置。例如,尽管上述各种组件的实现可以体现在硬件设备中,但是它也可以实现为仅软件解决方案,例如,在现有服务器或移动设备上的安装。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请的实施例的描述中,有时会将多种特征归并至一个实施例,附图或对其的描述中。然而,该公开方法可以不被解释为反映所要求保护的主题需要比每个权利要求中明确记载的更多特征的意图。相反,发明的主体应具备比上述单一实施例更少的特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
本文引用的每个专利、专利申请、专利申请的出版物和其他材料(例如,文章书籍、说明书、出版物、文档、事物和/或类似物)可以通过引用整体并入本文,出于所有目的,除了与其相关的任何起诉文件历史、可能与本文件不一致或相冲突的任何相同的起诉文件历史、或者与本文件有关对于现在或稍后的权利要求的最广泛范围可能具有限制性影响的任何相同的起诉文件历史。举例来说,在与任何所包含的材料相关联的描述、定义、和/或术语与本文档相关之间是否存在任何不一致或冲突的,使用本文件中的描述、定义、和/或术语为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。因此,本申请的实施例不限于精确地如所示和所述的那些。
Claims (30)
1.一种用于交通分析和管理的方法,其特征在于,所述方法包括:
为至少两个地理区域中的每一个地理区域,基于与该地理区域内的交通行为相关的交通数据生成第一图;所述至少两个地理区域包括区、镇、市、省,其中,所述地理区域为相同或不同类型或等级的区域;
通过图核算法,为所述至少两个地理区域中的任何两个地理区域,获得第一相似性指示符,所述第一相似性指示符度量所述至少两个地理区域中的所述任何两个地理区域的第一图之间的相似性;
基于所述第一相似性指示符,将所述至少两个地理区域分组为至少两个组;
对于所述至少两个组中的每一个:
识别该组的至少一个特征交通类型;
为该组关联策略,以促进或限制该组的所述至少一个特征交通类型的交通行为。
2.根据权利要求1所述的方法,其特征在于:
对于所述交通行为中的每一个交通行为,所述交通数据包括兴趣点POI,其分别对应于该交通行为的起点位置和终点位置,并属于至少两个POI类型;
所述第一图包括至少两个第一顶点和至少两个第一边;
所述至少两个第一顶点的每个顶点代表所述至少两个POI类型中的一个POI类型;以及
所述至少两个第一边的每一个第一边代表具有相应POI类型的POI之间的交通行为,以及具有与其代表的交通行为数量相关联的权重。
3.根据权利要求2所述的方法,其特征在于,为所述至少两个地理区域中的每一个地理区域,基于所述交通数据生成所述第一图,包括:
基于与该地理区域相关联的所述交通数据,生成该地理区域的第二图,其中所述第二图包括至少两个第二顶点和至少两个第二边;
根据所述第二图,从所述至少两个第二顶点选择所述至少两个第一顶点;以及
使用所述至少两个第一顶点生成所述第一图。
4.根据权利要求3所述的方法,其特征在于,所述从所述至少两个第二顶点选择所述至少两个第一顶点包括:
为所述至少两个第二顶点中的每个第二顶点关联分值;
为所述至少两个第二顶点中的每个第二顶点:
(i)获得当前第二顶点的一个或以上邻接顶点的分值,所述一个或以上邻接顶点通过一个或以上第二边连接至当前第二顶点;
(ii)获得所述一个或以上第二边的权重;
(iii)至少根据所述一个或以上邻接顶点的分值以及所述一个或以上第二边的权重,更新所述当前第二顶点的分值;以及
(iv)重复(i)、(ii)和(iii)直至满足终止条件;
以及
根据所述第二顶点的分值,选择所述至少两个第一顶点。
5.根据权利要求3所述的方法,其特征在于:
所述第二图具有邻接矩阵的形式,其中,所述邻接矩阵的每个元素是对应的所述第二边的权重;以及
所述从所述至少两个第二顶点中选择所述至少两个第一顶点包括:
根据所述邻接矩阵,获得随机矩阵;
计算所述随机矩阵的特征向量;以及
基于所述特征向量,从所述至少两个第二顶点中选择所述至少两个第一顶点。
6.根据权利要求2所述的方法,其特征在于,所述识别该组的至少一个特征交通类型包括:
获得该组的第一特征图;
基于所述第一特征图,识别至少两个交通类型;
为所述至少两个交通类型中的每一个交通类型,通过为该交通类型关联至少基于所述第一特征图中与该交通类型相关联的边的权重的量化值,来量化该交通类型;以及
通过将所述至少两个交通类型基于所述量化值进行排序,从所述至少两个交通类型中选择该组的所述至少一个特征交通类型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收在目标地理区域内发起目标交通行为的交通请求;
使用分类器从所述至少两个组中识别所述目标地理区域的目标组,其中所述分类器基于所述分组的结果获得;
基于所述交通请求包括的至少一个POI识别所述目标交通行为的目标交通类型;以及
基于与所述目标组相关联的所述策略和所述目标交通类型,将第一数据提供给与涉及所述目标交通行为的车辆相关联的移动计算设备,从而使所述车辆更频繁地或更少地参与具有所述目标交通类型的交通行为。
8.根据权利要求7所述的方法,其特征在于,所述第一数据使所述移动计算设备在所述移动计算设备的显示器上生成显示,其中所述显示包括鼓励或抑制所述移动计算设备的用户参与具有所述目标交通类型的交通行为的信息。
9.根据权利要求7所述的方法,其特征在于:
所述车辆是由所述移动计算设备控制的无人驾驶车辆;以及
所述第一数据修改所述移动计算设备的一个或以上参数,以改变所述车辆的巡航方式或改变所述车辆对对应于所述目标交通类型的所述交通请求的响应。
10.根据权利要求7所述的方法,其特征在于,所述使用分类器从所述至少两个组中识别所述目标地理区域的目标组,包括:
基于与所述目标地理区域内的交通行为相关的交通数据,生成所述目标地理区域的目标图;
为所述至少两个组的每一个组,获得第二相似性指示符,所述第二相似性指示符度量所述目标图与该组的第二特征图之间的相似性;以及
通过所述第二相似性指示符,指定所述至少两个组中的具有最高相似性的组为所述目标组。
11.根据权利要求7所述的方法,其特征在于,所述使用分类器,从所述至少两个组中识别所述目标地理区域的目标组,包括:
将与所述目标地理区域中的交通行为有关的交通数据输入所述分类器中,其中所述分类器通过机器学习算法使用训练数据集训练,所述训练数据集基于所述分组的结果获得。
12.根据权利要求1所述的方法,其特征在于,所述图核算法涉及的图核是基于游走或路径的核或基于子树的核。
13.根据权利要求1所述的方法,其特征在于,所述基于所述第一相似性指示符,将所述至少两个地理区域分组为至少两个组,包括:
基于所述第一相似性指示符,通过聚类算法,将所述至少两个地理区域聚类以获得至少两个簇,所述至少两个簇每个簇对应于所述至少两个组中一个组。
14.根据权利要求13所述的方法,其特征在于,所述聚类算法是K-means算法、层级聚类分析算法、或图团体检测算法。
15.一种用于交通分析和管理的系统,其特征在于,所述系统包括第一图模块、相似性指示符模块、分组模块、交通类型识别模块、以及策略模块,其中:
所述第一图模块用于,为至少两个地理区域中的每一个地理区域,基于与该地理区域内的交通行为相关的交通数据生成第一图;所述至少两个地理区域包括区、镇、市、省,其中,所述地理区域为相同或不同类型或等级的区域;
所述相似性指示符模块用于,通过图核算法,为所述至少两个地理区域中的任何两个地理区域,获得第一相似性指示符,所述第一相似性指示符度量所述至少两个地理区域中的所述任何两个地理区域的第一图之间的相似性;
所述分组模块用于,基于所述第一相似性指示符,将所述至少两个地理区域分组为至少两个组;
所述交通类型识别模块用于,对于所述至少两个组中的每一个,识别该组的至少一个特征交通类型;
所述策略模块用于,对于所述至少两个组中的每一个,为该组关联策略,以促进或限制该组的所述至少一个特征交通类型的交通行为。
16.根据权利要求15所述的系统,其特征在于:
对于所述交通行为中的每一个交通行为,所述交通数据包括兴趣点POI,其分别对应于该交通行为的起点位置和终点位置,并属于至少两个POI类型;
所述第一图包括至少两个第一顶点和至少两个第一边;
所述至少两个第一顶点的每个顶点代表所述至少两个POI类型中的一个POI类型;以及
所述至少两个第一边的每一个第一边代表具有相应POI类型的POI之间的交通行为,以及具有与其代表的交通行为数量相关联的权重。
17.根据权利要求16所述的系统,其特征在于,所述第一图模块还用于:
基于与该地理区域相关联的所述交通数据,生成该地理区域的第二图,其中所述第二图包括至少两个第二顶点和至少两个第二边;
根据所述第二图,从所述至少两个第二顶点选择所述至少两个第一顶点;以及
使用所述至少两个第一顶点生成所述第一图。
18.根据权利要求17所述的系统,其特征在于,所述第一图模块还用于:
为所述至少两个第二顶点中的每个第二顶点关联分值;
为所述至少两个第二顶点中的每个第二顶点:
(i)获得当前第二顶点的一个或以上邻接顶点的分值,所述一个或以上邻接顶点通过一个或以上第二边连接至当前第二顶点;
(ii)获得所述一个或以上第二边的权重;
(iii)至少根据所述一个或以上邻接顶点的分值以及所述一个或以上第二边的权重,更新所述当前第二顶点的分值;以及
(iv)重复(i)、(ii)和(iii)直至满足终止条件;
以及
根据所述第二顶点的分值,选择所述至少两个第一顶点。
19.根据权利要求17所述的系统,其特征在于:
所述第二图具有邻接矩阵的形式,其中,所述邻接矩阵的每个元素是对应的所述第二边的权重;以及
所述第一图模块还用于:
根据所述邻接矩阵,获得随机矩阵;
计算所述随机矩阵的特征向量;以及
基于所述特征向量,从所述至少两个第二顶点中选择所述至少两个第一顶点。
20.根据权利要求16所述的系统,其特征在于,所述交通类型识别模块还用于:
获得该组的第一特征图;
基于所述第一特征图,识别至少两个交通类型;
为所述至少两个交通类型中的每一个交通类型,通过为该交通类型关联至少基于所述第一特征图中与该交通类型相关联的边的权重的量化值,来量化该交通类型;
通过将所述至少两个交通类型基于所述量化值进行排序,从所述至少两个交通类型中选择该组的所述至少一个特征交通类型。
21.根据权利要求15所述的系统,其特征在于,所述系统还包括交通管理模块,用于:
接收在目标地理区域内发起目标交通行为的交通请求;
使用分类器从所述至少两个组中识别所述目标地理区域的目标组,其中所述分类器基于所述分组的结果获得;
基于所述交通请求包括的至少一个POI识别所述目标交通行为的目标交通类型;以及
基于与所述目标组相关联的所述策略和所述目标交通类型,将第一数据提供给与涉及所述目标交通行为的车辆相关联的移动计算设备,从而使所述车辆更频繁地或更少地参与具有所述目标交通类型的交通行为。
22.根据权利要求21所述的系统,其特征在于,所述第一数据使所述移动计算设备在所述移动计算设备的显示器上生成显示,其中所述显示包括鼓励或抑制所述移动计算设备的用户参与具有所述目标交通类型的交通行为的信息。
23.根据权利要求21所述的系统,其特征在于:
所述车辆是由所述移动计算设备控制的无人驾驶车辆;以及
所述第一数据修改所述移动计算设备的一个或以上参数,以改变所述车辆的巡航方式或改变所述车辆对对应于所述目标交通类型的所述交通请求的响应。
24.根据权利要求21所述的系统,其特征在于,所述交通管理模块还用于:
基于与所述目标地理区域内的交通行为相关的交通数据,生成所述目标地理区域的目标图;
为所述至少两个组的每一个组,获得第二相似性指示符,所述第二相似性指示符度量所述目标图与该组的第二特征图之间的相似性;以及
通过所述第二相似性指示符,指定所述至少两个组中的具有最高相似性的组为所述目标组。
25.根据权利要求21所述的系统,其特征在于,所述交通管理模块还用于:
将与所述目标地理区域中的交通行为有关的交通数据输入所述分类器中,其中所述分类器通过机器学习算法使用训练数据集训练,所述训练数据集基于所述分组的结果获得。
26.根据权利要求15所述的系统,其特征在于,所述图核算法涉及的图核是基于游走或路径的核或基于子树的核。
27.根据权利要求15所述的系统,其特征在于,所述分组模块还用于:
基于所述第一相似性指示符,通过聚类算法,将所述至少两个地理区域聚类以获得至少两个簇,所述至少两个簇每个簇对应于所述至少两个组中一个组。
28.根据权利要求27所述的系统,其特征在于,所述聚类算法是K-means算法、层级聚类分析算法、或图团体检测算法。
29.一种用于交通分析和管理的装置,包括处理器,其特征在于,所述处理器用于执行权利要求1~14中任一项所述的方法。
30.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~14任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501673.8A CN111047130B (zh) | 2019-06-11 | 2019-06-11 | 用于交通分析和管理的方法和系统 |
PCT/CN2019/091429 WO2020248290A1 (en) | 2019-06-11 | 2019-06-14 | Methods and systems for transpotation analysis and management |
US17/643,608 US20220101474A1 (en) | 2019-06-11 | 2021-12-10 | Methods and systems for transpotation analysis and management |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501673.8A CN111047130B (zh) | 2019-06-11 | 2019-06-11 | 用于交通分析和管理的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047130A CN111047130A (zh) | 2020-04-21 |
CN111047130B true CN111047130B (zh) | 2021-03-02 |
Family
ID=70231662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501673.8A Active CN111047130B (zh) | 2019-06-11 | 2019-06-11 | 用于交通分析和管理的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220101474A1 (zh) |
CN (1) | CN111047130B (zh) |
WO (1) | WO2020248290A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111599472B (zh) * | 2020-05-14 | 2023-10-24 | 重庆大学 | 用于学生心理状态识别的方法及装置、计算机 |
CN111932131B (zh) * | 2020-08-12 | 2024-03-15 | 上海冰鉴信息科技有限公司 | 业务数据处理方法及装置 |
CN113096377B (zh) * | 2021-02-18 | 2022-07-29 | 西南交通大学 | 一种基于城市异质性的车辆合乘规划方法 |
CN114219114B (zh) * | 2021-12-24 | 2022-08-26 | 南京莫愁智慧信息科技有限公司 | 一种基于预约大数据的旅游客流管控方法及云服务平台 |
CN114970446B (zh) * | 2022-07-14 | 2022-11-01 | 深圳前海环融联易信息科技服务有限公司 | 文本转换显示方法及其装置、设备、介质、产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808325A (zh) * | 2012-11-06 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 交通出行方案的生成方法及装置 |
CN104123305A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 地理数据处理方法及其系统 |
CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5043209B2 (ja) * | 2011-03-04 | 2012-10-10 | 楽天株式会社 | 集合拡張処理装置、集合拡張処理方法、プログラム、及び、記録媒体 |
US9235769B2 (en) * | 2012-03-15 | 2016-01-12 | Herta Security, S.L. | Parallel object detection method for heterogeneous multithreaded microarchitectures |
CN102799702B (zh) * | 2012-04-19 | 2015-04-08 | 国家基础地理信息中心 | 一种基于数据库驱动的地形图快速制图方法 |
US20140089036A1 (en) * | 2012-09-26 | 2014-03-27 | Xerox Corporation | Dynamic city zoning for understanding passenger travel demand |
CN109544690B (zh) * | 2018-10-18 | 2020-09-22 | 华南理工大学 | 共享单车出行影响因素识别方法、系统及存储介质 |
CN109636020A (zh) * | 2018-11-30 | 2019-04-16 | 广州亚美信息科技有限公司 | 一种预测目的地地址的方法及系统 |
CN109784424B (zh) * | 2019-03-26 | 2021-02-09 | 腾讯科技(深圳)有限公司 | 一种图像分类模型训练的方法、图像处理的方法及装置 |
-
2019
- 2019-06-11 CN CN201910501673.8A patent/CN111047130B/zh active Active
- 2019-06-14 WO PCT/CN2019/091429 patent/WO2020248290A1/en active Application Filing
-
2021
- 2021-12-10 US US17/643,608 patent/US20220101474A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103808325A (zh) * | 2012-11-06 | 2014-05-21 | 腾讯科技(深圳)有限公司 | 交通出行方案的生成方法及装置 |
CN104123305A (zh) * | 2013-04-28 | 2014-10-29 | 国际商业机器公司 | 地理数据处理方法及其系统 |
CN108242203A (zh) * | 2016-12-23 | 2018-07-03 | 中兴通讯股份有限公司 | 一种区域划分方法及装置 |
CN106991132A (zh) * | 2017-03-08 | 2017-07-28 | 南京信息工程大学 | 一种基于图集重构与图核降维的图分类方法 |
CN109448361A (zh) * | 2018-09-18 | 2019-03-08 | 云南大学 | 居民交通出行流量预测系统及其预测方法 |
Non-Patent Citations (3)
Title |
---|
"Kernel-Weighted Graph Convolutional Network: A Deep Learning Approach for Traffic Forecasting";Qi Zhang 等;《2018 24th International Conference on Pattern Recognition》;20180824;第1018-1023页 * |
"基于出租车GPS数据聚类分析的交通小区动态划分方法研究";吕玉强 等;《物流技术》;20100531(第216期);第86-88页 * |
"基于划分的聚类在交通规划小区中的应用";刘彦斌 等;《物流科技》;20170831(第2017年第8期);第72-77页 * |
Also Published As
Publication number | Publication date |
---|---|
US20220101474A1 (en) | 2022-03-31 |
WO2020248290A1 (en) | 2020-12-17 |
CN111047130A (zh) | 2020-04-21 |
WO2020248290A9 (en) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047130B (zh) | 用于交通分析和管理的方法和系统 | |
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
Bao et al. | Exploring bikesharing travel patterns and trip purposes using smart card data and online point of interests | |
CN109074622B (zh) | 确定运输服务路线的系统及方法 | |
US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
CN109416878B (zh) | 用于推荐预计到达时间的系统和方法 | |
WO2016124118A1 (zh) | 一种订单处理方法与系统 | |
WO2016127918A1 (zh) | 一种运力调度方法及系统 | |
JP2019511020A (ja) | 到着時間を推定するための方法およびシステム | |
JP2018503920A (ja) | オン・デマンドサービスの情報を提供する方法及びシステム | |
CN110390415A (zh) | 一种基于用户出行大数据进行出行方式推荐的方法及系统 | |
CN110741225B (zh) | 确定目标站点的系统和方法 | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
US20160260024A1 (en) | System of distributed planning | |
CN111859178B (zh) | 一种推荐上车点的方法和系统 | |
WO2019222903A1 (en) | Systems and methods for providing travelling suggestion | |
Visan et al. | Towards intelligent public transport systems in Smart Cities; Collaborative decisions to be made | |
CN111932341A (zh) | 一种确定拼车订单的方法和系统 | |
CN111859174A (zh) | 一种确定推荐上车点的方法和系统 | |
CN111881225A (zh) | 一种修正上车点名称的方法和系统 | |
CN113888867B (zh) | 一种基于lstm位置预测的车位推荐方法及系统 | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations | |
CN109948822B (zh) | 一种地理区域内网约车供需缺口预测方法 | |
Li et al. | Multi-zone prediction analysis of city-scale travel order demand | |
Liu et al. | Coupling travel characteristics identifying and deep learning for demand forecasting on car‐hailing tourists: A case study of Beijing, China |
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 |