CN111191185A - 一种交通出行系统的区块重要性评估方法及系统 - Google Patents

一种交通出行系统的区块重要性评估方法及系统 Download PDF

Info

Publication number
CN111191185A
CN111191185A CN201911356452.2A CN201911356452A CN111191185A CN 111191185 A CN111191185 A CN 111191185A CN 201911356452 A CN201911356452 A CN 201911356452A CN 111191185 A CN111191185 A CN 111191185A
Authority
CN
China
Prior art keywords
matrix
travel
sub
directed graph
model
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
CN201911356452.2A
Other languages
English (en)
Other versions
CN111191185B (zh
Inventor
郝建茹
邓玉婧
刘丹
潘竞旭
张学军
鲁龙
陈晓敏
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.)
Aisino Corp
Original Assignee
Aisino Corp
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 Aisino Corp filed Critical Aisino Corp
Priority to CN201911356452.2A priority Critical patent/CN111191185B/zh
Publication of CN111191185A publication Critical patent/CN111191185A/zh
Application granted granted Critical
Publication of CN111191185B publication Critical patent/CN111191185B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q50/40—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种交通出行系统的区块重要性评估方法及系统，所述方法包括：采用GeoHash编码算法将获取的交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；根据所述站点构建交通出行系统对象出行有向图模型；根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对站点重要性排序；所述区块重要性评估方法简单有效，通过将理论研究应用于实际数据进行验证，应用马氏链的性质分析其时空分布数据及宏观聚合特性，进行重要区域划分以及重要站点识别，为城市管理者以及共享单车运营者提供优化建议。

Description

一种交通出行系统的区块重要性评估方法及系统
技术领域
本发明涉及通信技术领域，更具体地，涉及一种交通出行系统的区块重要性评估方法及系统。
背景技术
交通出行系统极大便利了公众，但是由于交通工具或使用者自身具备的灵活性与自主性，政府或运营商对交通出行系统的管理面临严峻挑战。以共享单车为例，它解决了智能交通系统中“最后一公里问题”，其随用随取的特性极大的便利了公众，但也产生了很多问题，例如，在人流量大的场所投放量巨大和违规停放；在信息不对称的情况下，单车重置无法确切满足用户需求等。
因此，对交通出行系统产生大量数据的合理、准确分析，对交通工具的投放、分配具有重要意义。目前，对交通出行系统管理多基于经验和基于数据的分析，计算难度大且更依赖数据。
发明内容
为了解决背景技术存在的传统交通出行系统运行数据管理计算难度大且更依赖数据等的问题，本发明提供了一种交通出行系统的区块重要性评估方法及系统，所述方法包括：
获取交通出行系统对象二维坐标；
采用GeoHash编码算法将所述交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
根据所述站点构建交通出行系统对象出行有向图模型；
根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序。
进一步的，所述编码算法公式如下，
s＝GeoHashE(lat,lon,pre)
其中，所述s为交通出行系统对象位置的GeoHash编码，所述GeoHashE为编码算法，所述lat为交通出行系统对象所处纬度，所述lon为交通出行系统对象所处经度，pre为算法精度。
进一步的，将所述站点作为所述出行有向图模型节点，构建出行有向图模型节点集合；
分析历史数据构建所述出行有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录。
进一步的，分析预设时段数据，若某些站点在预设时段从未有过出行记录，则剔除该站点；
预设时段内有出行记录的站点构成出行有向图模型节点集合。
进一步的，根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型；
定义矩阵元素值。
进一步的，所述马氏链概率转移矩阵模型包括第一子矩阵、第二子矩阵、第三子矩阵以及第四子矩阵，所述第一子矩阵代表由所述交通出行系统对象由状态一转移至状态一的转移矩阵，所述第二子矩阵代表所述交通出行系统对象由状态二转移至状态一的转移矩阵，所述第三子矩阵代表所述交通出行系统对象由状态一转移至状态二的转移矩阵，所述第四子矩阵代表所述交通出行系统对象由状态二转移至状态二的转移矩阵；
所述状态一表示交通出行系统对象停留在当前站点，所述状态二表示交通出行系统对象从当前站点出发前往其他目的站点。
进一步的，所述第一子矩阵对角线元素定义如下，
Figure BDA0002336052400000021
其中，PBS，BS.ii代表第一子矩阵对角线元素，tpi为所述交通出行系统对象停留在当前站点的平均时间；
所述第二子矩阵对角线元素定义如下，
Figure BDA0002336052400000031
其中，PBS，TB.ii代表第二子矩阵对角线元素，tpi为交通出行系统对象停留在当前站点的平均时间；
所述第三子矩阵元素值定义为交通出行系统对象从当前站点出发到达不同站点的概率；
所述第四子矩阵元素值定义为交通出行系统对象从当前站点出发的旅行时间平均值的比例。
进一步的，构造第一矩阵表示站点之间交通出行对象转移数量，对所述第一矩阵数量归一化，所述归一化方式包括通过如下公式实现：
Figure BDA0002336052400000032
其中，所述Aij为代表交通出行对象在各个站点之间转移数量，所述Bij为归一化后的第一矩阵；
将所述归一化后的第一矩阵作为第三子矩阵。
进一步的，构造第二矩阵如下，
Figure BDA0002336052400000033
其中，所述Hij为第二矩阵，所述Ni为出行有向图模型节点，所述C为无出度节点集合，所述n为站点数量；
所述第三子矩阵为所述归一化后第一矩阵与所述第二矩阵之和。
进一步的，步骤1，删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
步骤2，按从第一个到最后一个的顺序分别删除区块，执行步骤1；
步骤3，重复执行步骤1和步骤2，得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所述递减顺序序列即为区块重要性排序序列。
一种交通出行系统的区块重要性评估系统，其特征在于：
所述系统包括：站点划分单元、构造出行有向图模型单元、构造马氏链模型单元以及区块重要性排序单元；
所述站点划分单元用于采用GeoHash编码算法将获取的交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
所述构造出行有向图模型单元用于根据所述站点构建交通出行系统对象出行有向图模型；
所述构造马氏链模型单元用于根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
所述区块重要性排序单元用于通过计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序。
进一步的，所述构造出行有向图模型单元将所述站点作为所述出行有向图模型节点，构建出行有向图模型节点集合；
所述构造出行有向图模型单元分析历史数据构建所述出行有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录。
进一步的，所述构造出行有向图模型单元分析预设时段数据，若某些站点在预设时段从未有过出行记录，则剔除该站点；
所述构造出行有向图模型单元将预设时段内有出行记录的站点构成出行有向图模型节点集合。
进一步的，所述构造马氏链模型单元根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型；
所述构造马氏链模型单元定义矩阵元素值。
进一步的，所述马氏链概率转移矩阵模型包括第一子矩阵、第二子矩阵、第三子矩阵以及第四子矩阵，所述第一子矩阵代表由所述交通出行系统对象由状态一转移至状态一的转移矩阵，所述第二子矩阵代表所述交通出行系统对象由状态二转移至状态一的转移矩阵，所述第三子矩阵代表所述交通出行系统对象由状态一转移至状态二的转移矩阵，所述第四子矩阵代表所述交通出行系统对象由状态二转移至状态二的转移矩阵；
所述状态一表示交通出行系统对象停留在当前站点，所述状态二表示交通出行系统对象从当前站点出发前往其他目的站点。
进一步的，所述区块重要性排序单元删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元按从第一个到最后一个的顺序分别删除区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元计算得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所述递减顺序序列即为区块重要性排序序列。
本发明的有益效果为：本发明的技术方案，给出了一种交通出行系统的区块重要性评估方法及系统，所述方法通过GeoHash算法将交通出行系统对象位置映射为区域，结合出行特性，构建马氏链模型，计算所述模型特征值和Kemeny值得到重点区域排序；所述区块重要性评估方法简单有效，通过将理论研究应用于实际数据进行验证，应用马氏链的性质分析其时空分布数据及宏观聚合特性，进行重要区域划分以及重要站点识别，为城市管理者以及共享单车运营者提供优化建议。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明具体实施方式的一种交通出行系统的区块重要性评估方法的流程图；
图2为本发明具体实施方式的一种交通出行系统的区块重要性评估系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为本发明具体实施方式的一种交通出行系统的区块重要性评估方法的流程图；如图1所示，所述方法包括：
步骤110，获取交通出行系统对象二维坐标；
所述交通出行系统包括汽车在各个交通路段之间的转移，乘客乘坐公交在各个站点之间的转移，共享单车系统等。以共享单车为例，获取获取交通出行系统对象二维坐标的方法包括采集共享单车自身配置的智能终端，所述智能终端包括GPS定位功能产生的用户位置信息以及智能锁的开锁关锁信息，该数据通过第三方提供支持；或者通过数据爬虫采集获取用户使用的智能手机应用软件信息。
步骤120，采用GeoHash编码算法将所述交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
GeoHash编码算法可以将二维坐标映射为矩形区块编码，降低存储和处理难度，所述编码算法公式如下：
s＝GeoHashE(lat,lon,pre)
其中，所述s为交通出行系统对象位置的GeoHash编码，所述GeoHashE为编码算法，所述lat为交通出行系统对象所处纬度，所述lon为交通出行系统对象所处经度，pre为算法精度，这里可以设置为7。
步骤130，根据所述站点构建交通出行系统对象出行出行有向图模型；
所述有向图由一系列节点和连接节点的边组合而成，节点使用圆圈表示，边使用线段表示，箭头表示边的方向。
将步骤120得到的站点作为所述出行有向图模型的节点，构建出行有向图模型节点集合；
通过对一段时间历史数据分析，若某些站点在该时间段内从未有过出行记录，则剔除该站点，使用集合V代表节点集合，如下所示：
V＝{N1，N2，，，，Nn}
其中，所述Ni代表具有出行记录的站点。
分析历史数据构建所述出行有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录；需要注意的是，以Ni为起始区块到以Nj为终止区块的出行记录与以Nj为起始区块到以Ni为终止区块的出行记录是不同的。
以共享单车为例，构建所有边集合E，所述E是一个n×n的权矩阵，统计历史数据的出行次数得到E的元素eij，把eij作为权矩阵的权值；注意矩阵E的对角元素可能有值，代表着从一个区块取得一辆自行车，同时将自行车还到该同一区块。
根据构建的节点集合和边集合构造出行有向图模型G如下：
G＝(V,E)
其中，V为节点集合，E为所有边集合。
步骤140，根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
首先，根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型，以共享单车系统为例，所述构建方法如下：
在共享单车系统中，假设在第i个区块，即Ni有两种状态：令BSi表示一辆单车当前停放在站点Ni；TBi表示一辆单车从站点Ni骑出驶向其他目的车站。
当前处于BSi状态的共享单车下一时刻可有两种状态：继续处于BSi状态，即该单车停放在当前共享车站；转移到状态TBi，即某用户将单车从第i个区块的车站Ni骑出。
当前处于TBi状态的共享单车下一时刻也可有两种状态：继续处于TBi状态，即该单车依然处于骑行状态；转移到另一个与车站Nj相对应的状态BSj，即到达该次骑行的目的地车站Nj。需要注意的是，j可以与i相等，即某用户从车站Ni取走某辆共享单车并完成他的骑行之后，再将单车停放到车站Ni。
在所述设计模型中，如果i≠j，则无法直接从状态BSi转移到BSj，因为在车站Ni的车辆无法无故移动到Nj；显然，也无法从状态BSi转移到TBj，因为从车站Ni骑出的车辆同时无法是从车站Nj骑出的车辆。
依据前面的状态设计，当车站数量为n时，建立建立具有2n个状态的模型，马氏链的概率转移矩阵P大小为2n×2n，其中状态BSi数量为n，状态TBi数量为n，所述马氏链概率转移矩阵模型公式如下：
Figure BDA0002336052400000081
其中，PBS，BS、PTB，BS、PBS，TB、PTB，TB均是n×n，的矩阵，分别代表着状态BSi转移到状态BSi的转移矩阵、状态TBi转移到状态BSi的转移矩阵、状态BSi转移到状态TBi的转移矩阵以及状态TBi转移到状态TBi的转移矩阵。
然后，构建概率转移矩阵模型后，定义所述概率转移矩阵元素值，定义方法如下：
矩阵PBS，BS的对角线元素PBS，BS.ii为给定共享单车站点，停放在站点的平均时间，若该时间用tpi表示，则矩阵PBS，BS元素定义为：
Figure BDA0002336052400000082
所述概率转移矩阵为行随机，则可以很容易确定同一行的另一个非零元素，因此矩阵PBS，TB的元素PBS，TB.ii定义为：
Figure BDA0002336052400000091
子矩阵PTB，TB定义为从该站出发的旅行时间平均值的比例，可以通过统计历史数据求出从该站出发的旅行时间的平均值，再将n个车站的值求比例得到PTB，TB的元素值；
子矩阵PTB，BS的值是从该站出发到达不同站点的概率，该矩阵代表车辆在各个站点之间转移的关系。用矩阵A表示站点之间共享单车转移数量，并对该数量归一化，所述归一化方式包括通过如下公式实现：
Figure BDA0002336052400000092
其中，所述A为代表站点之间共享单车转移数量矩阵，所述Aij为所述子矩阵第i行、第j列的元素值，所述Bij为归一化后的子矩阵。
所述矩阵Bij可能存在全零行，即
Figure BDA0002336052400000093
的情况，也即该站点只有入车辆数，没有出车辆数；
当出现全零行时，不满足矩阵行随机的要求，构造第二矩阵H解决该问题。对于无出度节点，认为它可能去往其他任一站点：
Figure BDA0002336052400000094
其中，所述Hij为第二矩阵，所述Ni为出行有向图模型节点，所述C为无出度节点集合，所述n为站点数量；该公式表示，对于没有出度的节点i，该行元素j＝1,…,n的值均为1/n。
定义所述构造子矩阵PTB，BS为：
PTB,BS＝B+H
最后，根据PBS,BS、PTB,BS、PBS,TB、PTB,TB得到状态转移矩阵P。
步骤150，计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序；
所述Kemeny常数是马氏链的内在度量，这里使用Kemeny常量来表征一个区块的重要程度，即如果从网络中删除某一该区块之后，余下区块的Kemeny常数越大反应了该区块对于网络来说越重要。
具体排序算法如下：
步骤1，删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
步骤2，按从第一个到最后一个的顺序分别删除区块，执行步骤1；
步骤3，重复执行步骤1和步骤2，得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所述递减顺序序列即为区块重要性排序序列。
所述Kemeny常数计算公式如下：
Figure BDA0002336052400000101
其中，所述λj为删除第j区块后的概率转移矩阵P的特征值。
图2为本发明具体实施方式的一种交通出行系统的区块重要性评估系统的结构图；如图2所示，所述系统包括
站点划分单元210、构造出行有向图模型单元220、构造马氏链模型单元230以及区块重要性排序单元240；
所述站点划分单元210用于采用GeoHash编码算法将获取的交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
所述站点划分单元210中编码算法公式如下，
s＝GeoHashE(lat,lon,pre)
其中，所述s为交通出行系统对象位置的GeoHash编码，所述GeoHashE为编码算法，所述lat为交通出行系统对象所处纬度，所述lon为交通出行系统对象所处经度，pre为算法精度，这里可以设置为7。
所述构造出行有向图模型单元220用于根据所述站点构建交通出行系统对象出行出行有向图模型；
所述构造出行有向图模型单元220将所述站点作为所述有向图模型节点，构建出行有向图模型节点集合；所述构造出行有向图模型单元220分析预设时段数据，若某些站点在预设时段从未有过出行记录，则剔除该站点；所述构造出行有向图模型单元220将预设时段内有出行记录的站点构成有向图模型节点集合。
所述构造出行有向图模型单元220分析历史数据构建所述有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录。
所述构造马氏链模型单元230用于根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
所述构造马氏链模型单元230根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型；
所述马氏链概率转移矩阵模型包括第一子矩阵、第二子矩阵、第三子矩阵以及第四子矩阵，所述第一子矩阵代表由所述交通出行系统对象由状态一转移至状态一的转移矩阵，所述第二子矩阵代表所述交通出行系统对象由状态二转移至状态一的转移矩阵，所述第三子矩阵代表所述交通出行系统对象由状态一转移至状态二的转移矩阵，所述第四子矩阵代表所述交通出行系统对象由状态二转移至状态二的转移矩阵；
其中，所述状态一表示交通出行系统对象停留在当前站点，所述状态二表示交通出行系统对象从当前站点出发前往其他目的站点。
所述构造马氏链模型单元230定义矩阵元素值；
所述区块重要性排序单元240用于通过计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序。
所述区块重要性排序单元240删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元240按从第一个到最后一个的顺序分别删除区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元240计算得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所对应区块序列即为区块重要性排序。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤，而并不用于限制各步骤之间的时间或逻辑的关系，除非文中有明确的限定，否则各个步骤之间的关系包括各种可能的情况。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开精神的前提下，可以作出若干改进、修改、和变形，这些改进、修改、和变形都应视为落在本申请的保护范围内。

Claims (16)

1.一种交通出行系统的区块重要性评估方法，其特征在于：
获取交通出行系统对象二维坐标；
采用GeoHash编码算法将所述交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
根据所述站点构建交通出行系统对象出行有向图模型；
根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序。
2.根据权利要求1所述的方法，其特征在于：
所述编码算法公式如下，
s＝GeoHashE(lat，lon，pre)
其中，所述s为交通出行系统对象位置的GeoHash编码，所述GeoHashE为编码算法，所述lat为交通出行系统对象所处纬度，所述lon为交通出行系统对象所处经度，pre为算法精度。
3.根据权利要求1所述的方法，其特征在于，所述构建出行有向图模型的方法包括：
将所述站点作为所述出行有向图模型节点，构建出行有向图模型节点集合；
分析历史数据构建所述出行有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录。
4.根据权利要求3所述的方法，其特征在于，构建出行有向图模型节点集合的方法包括：
分析预设时段数据，若某些站点在预设时段从未有过出行记录，则剔除该站点；
预设时段内有出行记录的站点构成出行有向图模型节点集合。
5.根据权利要求1所述的方法，其特征在于，构建交通出行系统的马氏链模型的方法包括：
根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型；
定义矩阵元素值。
6.根据权利要求5所述的方法，其特征在于：
所述马氏链概率转移矩阵模型包括第一子矩阵、第二子矩阵、第三子矩阵以及第四子矩阵，所述第一子矩阵代表由所述交通出行系统对象由状态一转移至状态一的转移矩阵，所述第二子矩阵代表所述交通出行系统对象由状态二转移至状态一的转移矩阵，所述第三子矩阵代表所述交通出行系统对象由状态一转移至状态二的转移矩阵，所述第四子矩阵代表所述交通出行系统对象由状态二转移至状态二的转移矩阵；
所述状态一表示交通出行系统对象停留在当前站点，所述状态二表示交通出行系统对象从当前站点出发前往其他目的站点。
7.根据权利要求6所述的方法，其特征在于，所述定义矩阵元素值的方法包括：
所述第一子矩阵对角线元素定义如下，
Figure FDA0002336052390000021
其中，PBS，BS.ii代表第一子矩阵对角线元素，tpi为所述交通出行系统对象停留在当前站点的平均时间；
所述第二子矩阵对角线元素定义如下，
Figure FDA0002336052390000022
其中，PBS，TB.ii代表第二子矩阵对角线元素，tpi为交通出行系统对象停留在当前站点的平均时间；
所述第三子矩阵元素值定义为交通出行系统对象从当前站点出发到达不同站点的概率；
所述第四子矩阵元素值定义为交通出行系统对象从当前站点出发的旅行时间平均值的比例。
8.根据权利要求7所述的方法，其特征在于，所述第三子矩阵元素计算方法包括：
构造第一矩阵表示站点之间交通出行对象转移数量，对所述第一矩阵数量归一化，所述归一化方式包括通过如下公式实现：
Figure FDA0002336052390000031
其中，所述Aij为代表交通出行对象在各个站点之间转移数量，所述Bij为归一化后的第一矩阵；
将所述归一化后的第一矩阵作为第三子矩阵。
9.根据权利要求8所述的方法，其特征在于:
构造第二矩阵如下，
Figure FDA0002336052390000032
其中，所述Hij为第二矩阵，所述Ni为出行有向图模型节点，所述C为无出度节点集合，所述n为站点数量；
所述第三子矩阵为所述归一化后第一矩阵与所述第二矩阵之和。
10.根据权利要求1所述的方法，其特征在于，依据所述Kemeny常数对区块重要性排序的方法包括：
步骤1，删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
步骤2，按从第一个到最后一个的顺序分别删除区块，执行步骤1；
步骤3，重复执行步骤1和步骤2，得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所述递减顺序序列即为区块重要性排序序列。
11.一种交通出行系统的区块重要性评估系统，其特征在于，所述系统包括：
站点划分单元、构造出行有向图模型单元、构造马氏链模型单元以及区块重要性排序单元；
所述站点划分单元用于采用GeoHash编码算法将获取的交通出行系统对象所在二维坐标递归分解为矩形区块，将所述分解后互不相交的区块作为交通出行系统的站点；
所述构造出行有向图模型单元用于根据所述站点构建交通出行系统对象出行有向图模型；
所述构造马氏链模型单元用于根据所述出行有向图模型构建交通出行系统的马氏链概率转移矩阵模型；
所述区块重要性排序单元用于通过计算所述马氏链概率转移矩阵模型的Kemeny常数，依据所述Kemeny常数值对区块重要性排序。
12.根据权利要求11所述的系统，其特征在于：
所述构造出行有向图模型单元将所述站点作为所述出行有向图模型节点，构建出行有向图模型节点集合；
所述构造出行有向图模型单元分析历史数据构建所述出行有向图模型中的边，所述边连接所述节点，所述边为从一个区块到另一个区块的出行记录。
13.根据权利要求12所述的系统，其特征在于：
所述构造出行有向图模型单元分析预设时段数据，若某些站点在预设时段从未有过出行记录，则剔除该站点；
所述构造出行有向图模型单元将预设时段内有出行记录的站点构成出行有向图模型节点集合。
14.根据权利要求11所述的系统，其特征在于：
所述构造马氏链模型单元根据所述出行有向图模型构建行随机的马氏链概率转移矩阵模型；
所述构造马氏链模型单元定义矩阵元素值。
15.根据权利要求14所述的系统，其特征在于：
所述马氏链概率转移矩阵模型包括第一子矩阵、第二子矩阵、第三子矩阵以及第四子矩阵，所述第一子矩阵代表由所述交通出行系统对象由状态一转移至状态一的转移矩阵，所述第二子矩阵代表所述交通出行系统对象由状态二转移至状态一的转移矩阵，所述第三子矩阵代表所述交通出行系统对象由状态一转移至状态二的转移矩阵，所述第四子矩阵代表所述交通出行系统对象由状态二转移至状态二的转移矩阵；
所述状态一表示交通出行系统对象停留在当前站点，所述状态二表示交通出行系统对象从当前站点出发前往其他目的站点。
16.根据权利要求11所述的系统，其特征在于：
所述区块重要性排序单元删除第一个区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元按从第一个到最后一个的顺序分别删除区块，重新构造马氏链概率转移矩阵模型，对该矩阵计算Kemeny常数；
所述区块重要性排序单元计算得到Kemeny常数数列与删除区块的关系表，将所述Kemeny常数序列按递减顺序排列，所述递减顺序序列即为区块重要性排序序列。
CN201911356452.2A 2019-12-25 2019-12-25 一种交通出行系统的区块重要性评估方法及系统 Active CN111191185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911356452.2A CN111191185B (zh) 2019-12-25 2019-12-25 一种交通出行系统的区块重要性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911356452.2A CN111191185B (zh) 2019-12-25 2019-12-25 一种交通出行系统的区块重要性评估方法及系统

Publications (2)

Publication Number Publication Date
CN111191185A true CN111191185A (zh) 2020-05-22
CN111191185B CN111191185B (zh) 2024-04-19

Family

ID=70709369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911356452.2A Active CN111191185B (zh) 2019-12-25 2019-12-25 一种交通出行系统的区块重要性评估方法及系统

Country Status (1)

Country Link
CN (1) CN111191185B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636828A (zh) * 2015-02-02 2015-05-20 西南交通大学 基于马尔科夫链的公共自行车站点供需预测方法
CN106454860A (zh) * 2016-09-30 2017-02-22 中南大学 一种基于马尔科夫过程的车载机会网络性能评估方法
CN107767659A (zh) * 2017-10-13 2018-03-06 东南大学 基于arima模型的共享单车吸引量和发生量预测方法
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
US20180286220A1 (en) * 2017-04-03 2018-10-04 Here Global B.V. Vehicle traffic state determination
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636828A (zh) * 2015-02-02 2015-05-20 西南交通大学 基于马尔科夫链的公共自行车站点供需预测方法
CN106454860A (zh) * 2016-09-30 2017-02-22 中南大学 一种基于马尔科夫过程的车载机会网络性能评估方法
US20180286220A1 (en) * 2017-04-03 2018-10-04 Here Global B.V. Vehicle traffic state determination
CN107767659A (zh) * 2017-10-13 2018-03-06 东南大学 基于arima模型的共享单车吸引量和发生量预测方法
CN107766994A (zh) * 2017-12-04 2018-03-06 长沙理工大学 一种共享自行车调度方法与调度系统
CN108921366A (zh) * 2018-03-24 2018-11-30 北京工业大学 一种基于PageRank算法的路网重要路段筛选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENJIA LIANG等: "Travel Behavior Analysis for Free-Floating Bike Sharing Systems Based on Markov-Chain Models", 《POSITIVE SYSTEMS》, pages 127 - 145 *
YONG ZHAI等: "Fleet Size and Rebalancing Analysis of Dockless Bike-Sharing Stations Based on Markov Chain", 《INTERNATIONAL JOURNAL OF GEO-INFORMATION》, 29 July 2019 (2019-07-29), pages 1 - 25 *
宫晓刚等: "基于马尔科夫链模型的交通方式划分研究 ———以北京市常规公交与轨道交通为例", 《青岛理工大学学报》, vol. 40, no. 3, 30 June 2019 (2019-06-30), pages 107 - 111 *

Also Published As

Publication number Publication date
CN111191185B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Fajardo et al. Automated intersection control: Performance of future innovation versus current traffic signal control
Tuli et al. Factors influencing the usage of shared E-scooters in Chicago
CN107293117A (zh) 一种公路异常事件的判断方法
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
Ganti et al. Inferring human mobility patterns from taxicab location traces
Bhanu et al. Embedding traffic network characteristics using tensor for improved traffic prediction
CN115062873B (zh) 交通出行方式预测方法和装置、存储介质及电子设备
CN104599002A (zh) 预测订单价值的方法及设备
Xiao et al. Exploring human mobility patterns and travel behavior: A focus on private cars
US20230170096A1 (en) Systems, devices, and methods for managing contact instances of persons of interest
CN108711286B (zh) 一种基于多源车联网和手机信令的交通量分配方法及系统
CN114120704A (zh) 停车导航方法、终端设备及可读存储介质
CN111191185B (zh) 一种交通出行系统的区块重要性评估方法及系统
CN110188324B (zh) 一种基于特征向量空间滤值的交通事故poisson回归分析方法
Liu et al. Using trajectory data to explore roadway characterization for bikeshare network
Prajapati et al. Evaluating safety of urban arterial roads of medium sized Indian city
Shin Inferring the Transit Trip Destination Zone of Smart Card User Using Trip Chain Structure
CN105448044B (zh) 一种确定司机疲劳状态的方法与设备
CN111417088B (zh) 一种车联网数据身份属性认证方法
CN109492116B (zh) 人物关系网络构建的方法及装置
CN112581060A (zh) 基于车辆装卸点的配货需求度检测方法、装置及设备
Kagho et al. Potential impacts of integrating an on-demand transport service with public transit system: A case study for Zurich
Rescot Feasibility of bluetooth data as a surrogate analysis measure of traffic
Shamohammadi et al. Comparison of the performance of gradient boosting, logistic regression, and linear Support Vector Classifier algorithms in classifying travel modes based on GNSS data

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