CN111931968B - 一种应用手机gps数据来优化公共自行车站点布局的方法 - Google Patents
一种应用手机gps数据来优化公共自行车站点布局的方法 Download PDFInfo
- Publication number
- CN111931968B CN111931968B CN202010172267.4A CN202010172267A CN111931968B CN 111931968 B CN111931968 B CN 111931968B CN 202010172267 A CN202010172267 A CN 202010172267A CN 111931968 B CN111931968 B CN 111931968B
- Authority
- CN
- China
- Prior art keywords
- probability
- speed
- track
- bicycle
- area
- 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 23
- 238000007637 random forest analysis Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 244000089409 Erythrina poeppigiana Species 0.000 claims description 3
- 235000009776 Rathbunia alamosensis Nutrition 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract 1
- 244000062645 predators Species 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000062804 prey Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开一种应用手机GPS数据来优化公共自行车站点布局方法,包括以下步骤:(1)通过运营商收集乘客的GPS轨迹数据;(2)将收集来的轨迹数据分成停留和移动,并通过随机森林模型将移动轨迹又分为小汽车、自行车、步行等5种轨迹;(3)提取出所有自行车出行的OD,并应用几何概率模型,建立所有OD轨迹的概率和模型;(4)根据实际情况设置站点数量和概率区域的半径,并应用PP‑PSO迭代出所有概率区域的最优中心点位置;(5)在概率区域内找寻最合适的站点位置。本发明分离出了自行车需求并提取出了自行车出行轨迹,解决了先前方法中交通方式未检测和缺少OD矩阵的弊端,并解决了实际建设条件不确定的不足,极大提高了公共自行车站点设置的最优性。
Description
技术领域
本发明涉及城市公共自行车的站点布局设计方法,尤其是对现有公共自行车站点的优化,属于交通规划领域。
背景技术
作为智慧和可持续城市发展的代表,公共自行车系统是交通、公共卫生、城市规划方面的热点。公共自行车不仅为短距离出行带来了方便,而且也扩大了公共交通站点的影响,尤其是地铁,改善了中长距离的出行结构,节约了道路资源。但是由于自行车站点的设置不合理,大大影响了公共自行车发挥它的应有的作用。过去的注重实效的布局优化中,需求预测是第一个难点,需要根据所处位置(比如商场,医院,地铁站,购物广场,居住小区)来估计潜在的交通需求。但是这种方法有很多缺陷,第一这种方法没有检测到乘客的实际的交通方式(比如,火车,地铁,私家车,公共汽车,自行车,步行等);第二,这种方法缺少OD矩阵。第二个难点是在特定的区域,建造条件的不确定性。因为不可能收集自行车站点的具体信息,所以自行车站点的建造条件不太确定。
因此,需要一种新的关于公共自行车站点优化的方法来优化现有站点的布局,充分发挥公共自行车的影响。
发明内容
本发明正是针对现有技术中存在的技术问题,提供一种收集数据方便,节省大量人力物力的应用GPS数据来优化公共自行车站点布局的方法。
为了实现上述目的,本发明的技术方案如下:本发明应用GPS数据来优化公共自行车站点布局的方法,包括如下步骤:
(1)为了更准确地识别自行车用户的起、终点,通过运营商收集一部分具有代表性的市民一段时间的GPS轨迹数据;
(2)将收集来的轨迹数据分成停留轨迹和移动轨迹,并通过随机森林模型将移动轨迹又分为火车、地铁、小汽车、自行车、步行5种轨迹;
(3)提取出所有自行车出行的OD,并应用几何概率模型,建立所有OD轨迹的概率和模型;
(4)根据实际情况设置该区域的预计规划的公共自行车站点数量和每个概率区域的半径,并应用捕食者-食饵粒子群算法迭代出所有概率区域的最优中心点位置;
(5)在每个概率区域内找寻最合适的站点位置。
更进一步的,步骤(2)中的具体步骤为:
21)停留轨迹的提取,停留轨迹对应一系列的连续的点。这些点代表用户在某个地方停留的点,通过设定相邻点之间的时间和距离限制来识别停留段。同时一些噪音点存在于GPS轨迹点中,这些噪音与实际位置有较大的偏差,应予以剔除。应用正态分布来展示这些GPS点。并运用公式和/>如果/>则标记为异常点,予以剔除。其中xi为第i个GPS轨迹点,N为所有GPS轨迹点的数量,σ为正态分布的标准差,μ为正态分布的均值。
22)移动路段的分割,首先提取出移动速度小于100m/min的路段,对应步行的交通方式,剩下的移动路段通过改变的点来分割,在改变点处乘客改变了交通方式。改变点通过两种特点来识别,分别为速度变化率(VCR)和铁路线上的点。速度变化率(VCR)是当前段的平均速度与当前观测速度之比。在GPS数据稀疏的情况下,VCR指数比加速度指数更有效、更稳定。
VCR=|S.Speedaverage-S.Speed|/S.Speedaverage;
S.Speedaverage=路段整体的平均速度;
S.Speed=路段上某点的平均速度;
23)交通类型的识别,在本部分将运用随机森林模型来进行交通类型的识别,随机模型的输入包括:路段的总距离和持续时间,六个速度(最小速度,最大速度,平均速度,整体平均速度,最大加速度,速度改变率VCR),与公路网或者铁路网重合的点的比例。并以50米或者100米作为缓冲。交通方式被输出,即火车、地铁、小汽车、自行车、步行、静止;
24)路段合并,此步骤通过应用某些特定规则来减少琐碎和不确定的路段,首先,提取具有相同交通类型的连续路段,然后将交通模式不确定的路段合并为相邻路段,对于其他复杂的情况,使用带有训练数据的分类器来合并路段;
进一步的,步骤(3)的具体步骤为:
31)通过步骤(2)识别出了自行车出行路段,并提取出所有路段的OD;
32)建立几何概率模型;
一般来说,原来规划自行车网络的时候,获得城市中多个站点的具体建设条件是困难的,所以如果最后的展示一系列的最优的站点位置,可能由于具体的实际情况而无法很好地在城市中应用起来。鉴于以上情况,概率区域的新名词被提出来,它是一个为建造站点而存在的确定的范围。在这个概率区域内,建造站点的概率是相等的。因此,在建设该系统时,只需要在这一更广阔的区域内找到最合适的地方来建设车站,从而为指导该系统的建设提供了一个非常灵活的方法。在初始布局设计中,计算出一系列的最优概率域也将更加实用,同时概率区域的中心位置和区域范围将应被计算出来,由此几何概率模型被提出来解决这个问题。覆盖概率公式:
在公式中,Ss=a1×r2+a2×R2-r×d×sina1,a1和a2是中间变量;
a1=a×cos[(r2+d2-R2)/(2×r×d)],a2=a×cos[(R2+d2-r2)/(2×R×d)],r为乘客步行可接受的最大半径,R为概率区域的半径,d为概率区域中心点Ns和Nt距离,Ss为概率区域和步行最大区域的覆盖面积。
且乘客步行可接受区域和概率区域的关系有图1中的三种,
在图1中(a)、(b)、(c)中,实圈的范围表示的是概率区域,Ns是概率区域的中心,R是概率区域的半径,Nt是自行车出行轨迹的出发点或者目的地。r是乘客可接受的发现自行车站点的最大距离,d是Ns和Nt之间的距离。
33)应用几何概率模型,建立所有OD轨迹的概率和模型;
为了避免重复计数,每个Nt只属于概率最大的一个站。上标i表示轨迹,上标j表示站点的概率区域。公式的目标是找到最优的中心位置Nsj和这些半径Rj,以最大化每个轨迹的总覆盖概率。由于自行车共享系统只有在起点和终点都有站点覆盖的情况下才对出行有用,所以轨迹的覆盖概率等于起点的覆盖概率乘以终点的覆盖概率,如式所示。
公式中,αi是起始点或目的地的旅行方式系数,Rj为第j个概率区域的半径,Nsj为第j个概率区域的中心点,Oi为自行车出行的起始点,Di为自行车出行的目的地。对于Nt密集的地区(地铁站,医院,购物广场等),相应的Ns应该接近PoIs,R应该小一些。对于Nt稀疏的地方(社区和商业区等),相应的Ns应该接近该区域的中心,R应该大一些。
进一步的,步骤(4)的具体步骤为:
根据实际情况设置站点的个数,并合理设置各个概率区域的半径,遵循Nt越密集,R越小;Nt越稀疏,R越大。
PP-PSO粒子群中的每个成员或粒子代表一个可行解,它们的速度和位置在迭代过程中根据下面公式进行更新,捕食者和猎物的速度可以被分为两种类型:捕食者群(标记为r)和食饵群(标记为y),则速度和位置公式为:
xk(τ+1)=xk(τ)+vk(τ+1)
vk和xk是粒子k的速度和位置,c1和c2是各自的加速度参数,r1和r2是随机产生的在0到1的数字,pg是在搜索区域的最好的位置,pk是在τ迭代k粒子的最好位置。
权重cr(τ)和cy(τ)分别表示捕食者群和食饵群的自适应更新。根据经验他们被定义为:
其中cmax和cmin是常数,根据实际情况凭经验给定。t为迭代次数,tmax为最大迭代次数,捕食者粒子数为食饵粒子数为/>N是Nt的总个数。
进一步,步骤(5)的具体步骤为:
因为在某个概率区域内设置站点的概率是相等的,所以应根据具体情况在概率区域内设置公共自行车站点。
有益效果:本发明与现有技术相比,具有以下优点:
1)本发明从手机运营商那里获得乘客的GPS轨迹数据,相比于常用的人工调查该区域的各种具体信息的方法可减少数据采集成本,节约大量调查资源;
2)本发明利用捕食者-食饵粒子群算法模型,相比于常用的粒子群算法,结果更精确,避免了粒子陷入局部最优解并尽快找到全局最优解;
3)本发明收集数据方便,收集数据类型比较少,大大避免了以往多样的数据类型的收集不全面而导致的优化结果不理想的缺点。
附图说明
图1是乘客步行可接受区域和概率区域的关系图;
图2是本发明方法实施流程图。
具体实施方式
下面结合实施例和说明书附图对本发明作进一步的说明。
实施例:参见图1、图2,一种应用GPS数据来优化公共自行车站点布局方法,该方法包括以下步骤:
(1)为了更准确地识别自行车用户的起、终点,本文通过运营商收集一部分具有代表性的市民一段时间的GPS轨迹数据;
(2)将收集来的轨迹数据分成停留轨迹和移动轨迹,并通过随机森林模型将移动轨迹又分为火车、地铁、小汽车、自行车、步行等5种轨迹类型;
(3)提取出所有自行车出行的OD,并应用几何概率模型,建立所有OD轨迹的概率和模型;
(4)根据实际情况设置该区域的预计规划的公共自行车站点数量和每个概率区域的半径,并应用捕食者-食饵粒子群算法(PP-PSO)迭代出所有概率区域的最优中心点位置;
(5)在每个概率区域内找寻最合适的站点位置。
具体如下:步骤(1)中,GPS轨迹数据信息采集;
通过联通,移动等运营商收集有代表性的乘客的一段时间的GPS轨迹数据,在乘客的选取中应考虑到性别,年龄,地域,职业,家庭成员类型,居住地等区别,选取有代表性的样本来代替本区域的所有乘客,收集时间持续至少一年以上,来避免因异常事件引起的异常转移。在信息收集过程中,每5分钟收集一次数据,数据包括此时的经度和纬度,为保护乘客的隐私,数据中不包括乘客的私人信息。
步骤(2)出行方式的检测,
21)停留轨迹的提取停留轨迹对应一系列的连续的点。这些点代表用户在某个地方停留的点,通过设定相邻点之间的时间和距离限制来识别停留段。同时一些噪音点存在于GPS轨迹点中,这些噪音与实际位置有较大的偏差,应予以剔除。应用正态分布来展示这些GPS点。并运用公式和/>如果/>则标记为异常点,予以剔除。其中xi为第i个GPS轨迹点,N为所有GPS轨迹点的数量,σ为正态分布的标准差,μ为正态分布的均值。
22)移动路段的分割。首先提取出移动速度小于100m/min的路段,对应步行的交通方式,剩下的移动路段通过改变的点来分割,在改变点处乘客改变了交通方式。改变点通过两种特点来识别,分别为速度变化率(VCR)和铁路线上的点。速度变化率(VCR)是当前段的平均速度与当前观测速度之比。在GPS数据稀疏的情况下,VCR指数比加速度指数更有效、更稳定。
VCR=|S.Speedaverage-S.Speed|/S.Speedaverage
S.Speedaverage=路段整体的平均速度
S.Speed=路段上某点的平均速度
23)交通类型的识别。在本部分将运用随机森林模型来进行交通类型的识别。随机模型的输入包括:路段的总距离和持续时间,六个速度(最小速度,最大速度,平均速度,整体平均速度,最大加速度,速度改变率VCR),与公路网或者铁路网重合的点的比例。并以50米或者100米作为缓冲。交通方式被输出,即火车、地铁、小汽车、自行车、步行、静止。
24)路段合并。此步骤通过应用某些特定规则来减少琐碎和不确定的路段。首先,提取具有相同交通类型的连续路段。然后将交通模式不确定的路段合并为相邻路段。对于其他复杂的情况,使用带有训练数据的分类器来合并路段。
步骤(3)应用几何概率模型,建立所有OD轨迹的概率和模型,具体如下:
31)通过步骤(2)识别出了自行车出行路段,并提取出所有路段的OD;
32)建立几何概率模型;
由图1的(a)、(b)、(c)中可知,概率区域和步行可接受的最大区域有三种关系,由此对应的几何概率模型如下所示:
在公式中,Ss=a1×r2+a2×R2-r×d×sina1,a1和a2是中间变量;
a1=a×cos[(r2+d2-R2)/(2×r×d)],a2=a×cos[(R2+d2-r2)/(2×R×d],r为乘客步行可接受的最大半径,R为概率区域的半径,d为概率区域中心点Ns和Nt距离,Ss为概率区域和步行最大区域的覆盖面积。
33)应用几何概率模型,建立所有OD轨迹的概率和模型;
为了避免重复计数,每个Nt只属于概率最大的一个站。上标i表示轨迹,上标j表示站点的概率区域。公式的目标是找到最优的中心位置Nsj和这些半径Rj,以最大化每个轨迹的总覆盖概率。由于自行车共享系统只有在起点和终点都有站点覆盖的情况下才对出行有用,所以轨迹的覆盖概率等于起点的覆盖概率乘以终点的覆盖概率,则轨迹的最大覆盖概率如下:
公式中,αi是起始点或目的地的旅行方式系数,Rj为第j个概率区域的半径,Nsj为第j个概率区域的中心点,Oi为自行车出行的起始点,Di为自行车出行的目的地。对于Nt密集的地区(地铁站,医院,购物广场等),相应的Ns应该接近PoIs,R应该小一些。对于Nt稀疏的地方(社区和商业区等),相应的Ns应该接近该区域的中心,R应该大一些。
步骤(4)应用捕食者-食饵粒子群算法迭代出所有概率区域的最优中心点位置;
根据实际情况设置站点的个数,并合理设置各个概率区域的半径,遵循Nt越密集,R越小。Nt越稀疏,R越大,这是由最大覆盖概率公式决定的。
将步骤(2)中提取的自行车轨迹的OD的起始点和终点作为PP-PSO的输入,捕食者粒子和食饵粒子各占总数的一半,通过最大500次的迭代,迭代出最优的概率区域中心点,PP-PSO迭代公式如下:
捕食者和猎物的速度可以被分为两种类型:捕食者群(标记为r)和食饵群(标记为y),则速度和位置公式为:
xk(τ+1)=xk(τ)+vk(τ+1)
vk和xk是粒子k的速度和位置,c1和c2是各自的加速度参数,r1和r2是随机产生的在0到1的数字,pg是在搜索区域的最好的位置,pk是在τ迭代k粒子的最好位置。
权重cr(τ)和cy(τ)分别表示捕食者群和食饵群的自适应更新。根据经验他们被定义为:
其中cmax=0.9,cmin=0.2,tmax=500,捕食者粒子数为食饵粒子数为/>N是Nt的总个数。
步骤(5)找出最优的站点位置。
由步骤(4)可以得到概率区域的中心点的最优位置,并根据该地区的规划设置站点数量,并依据概率区域的半径设置原则设置半径,从而得到该地区的所有概率区域的全景图,对于每个概率区域内,根据实际的建设条件在概率区域内建设站点,在概率区域内任意位置建设站点的概率是相同的。
上述实施例仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
Claims (3)
1.一种应用手机GPS数据来优化公共自行车站点布局的方法,其特征在于:该方法包括以下步骤:
(1)通过运营商收集部分市民在一段时间内的GPS轨迹数据;
(2)将收集来的轨迹数据分成停留轨迹和移动轨迹,并通过随机森林模型将移动轨迹又分为火车、地铁、小汽车、自行车、步行5种轨迹类型;
(3)提取出所有自行车出行的OD轨迹,并应用几何概率模型,建立所有OD轨迹的概率和模型;所述步骤(3)中的具体步骤为:
31)通过步骤(2)识别出了自行车出行路段,并提取出所有自行车出行路段的OD轨迹;
32)建立几何概率模型;
覆盖概率公式:
在公式中,Ss=a1×r2+a2×R2-r×d×sina1,a1和a2是中间变量;
a1=a×cos[(r2+d2-R2)/(2×r×d)],a2=a×cos[(R2+d2-r2)/(2×R×d)],
r为乘客步行可接受的最大半径,R为概率区域的半径,d为概率区域中心点Ns和Nt距离,Nt是自行车出行轨迹的出发点或者目的地,Ss为概率区域和步行最大区域的覆盖面积;
33)应用几何概率模型,建立所有OD轨迹的概率和模型;
为了避免重复计数,每个Nt只属于概率最大的一个概率区域,上标i表示轨迹,上标j表示站点的概率区域,公式的目标是找到最优的中心位置Nsj和这些半径Rj,以最大化每个轨迹的总覆盖概率,由于自行车共享系统只有在起点和终点都有站点覆盖的情况下才对出行有用,所以轨迹的覆盖概率等于起点的覆盖概率乘以终点的覆盖概率,如式所示;
公式中,αi是起始点或目的地的旅行方式系数,Rj为第j个概率区域的半径,Nsj为第j个概率区域的中心点,Oi为自行车出行的起始点,Di为自行车出行的目的地,
(4)根据实际情况设置区域内的预计规划的公共自行车站点数量和每个概率区域的半径,并应用捕食者-食饵粒子群算法迭代出所有概率区域的最优中心点位置;根据该地区的规划设置站点数量,并依据概率区域的半径设置原则设置半径,
根据步骤(3)所述概率和模型得到最优半径;
(5)在每个概率区域内找寻最合适的站点位置,
其中概率区域是为建造站点而存在的确定的范围,在一个概率区域内建造站点的概率是相等的。
2.如权利要求1所述的一种应用手机GPS数据来优化公共自行车站点布局的方法,其特征在于:所述步骤(2)中的具体步骤为:
21)停留轨迹的提取,停留轨迹对应一系列的连续的点,这些点代表用户在某个地方停留的点,通过设定相邻点之间的时间和距离限制来识别停留段,同时一些噪音点存在于GPS轨迹点中,这些噪音与实际位置有较大的偏差,应予以剔除,应用正态分布来展示这些GPS点,并运用公式和/>如果/>则标记为异常点,予以剔除,其中xi为第i个GPS轨迹点,N为所有GPS轨迹点的数量,σ为正态分布的标准差,μ为正态分布的均值;
22)移动路段的分割,首先提取出移动速度小于100m/min的路段,对应步行的交通方式,剩下的移动路段通过改变的点来分割,在改变点处乘客改变了交通方式,
改变点通过两种特点来识别,分别为速度变化率和铁路线上的点,速度变化率是当前段的平均速度与当前观测速度之比,
VCR=|S.Speedaverage-S.Speed|/S.Speedaverage;
S.Speedaverage=路段整体的平均速度;
S.Speed=路段上某点的平均速度;
VCR为速度变化率
23)交通类型的识别,在本部分将运用随机森林模型来进行交通类型的识别,随机模型的输入包括:路段的总距离和持续时间,六个速度,包括最小速度,最大速度,平均速度,整体平均速度,最大加速度,速度改变率VCR,与公路网或者铁路网重合的点的比例,并以50米或者100米作为缓冲,五种交通方式被输出,即火车、地铁、小汽车、自行车、步行;
24)路段合并,此步骤通过应用预设规则来减少琐碎和不确定的路段,首先,提取具有相同交通类型的连续路段,然后将交通模式不确定的路段合并为相邻路段,对于其他复杂的情况,使用带有训练数据的分类器来合并路段。
3.如权利要求1所述的一种应用手机GPS数据来优化公共自行车站点布局的方法,其特征在于:所述步骤(5)中的具体步骤为:
因为在某个概率区域内设置站点的概率是相等的,所以应根据具体情况在概率区域内设置公共自行车站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172267.4A CN111931968B (zh) | 2020-03-12 | 2020-03-12 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010172267.4A CN111931968B (zh) | 2020-03-12 | 2020-03-12 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931968A CN111931968A (zh) | 2020-11-13 |
CN111931968B true CN111931968B (zh) | 2023-12-01 |
Family
ID=73316163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010172267.4A Active CN111931968B (zh) | 2020-03-12 | 2020-03-12 | 一种应用手机gps数据来优化公共自行车站点布局的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931968B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111514B (zh) * | 2021-04-12 | 2022-05-27 | 清华大学深圳国际研究生院 | 一种车辆微观行驶场景仿真方法及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102647726A (zh) * | 2012-02-17 | 2012-08-22 | 无锡英臻科技有限公司 | 一种无线传感器网络覆盖能耗平衡优化策略 |
CN106227859A (zh) * | 2016-07-29 | 2016-12-14 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN107330469A (zh) * | 2017-07-04 | 2017-11-07 | 上海交通大学 | 一种基于gps轨迹数据的出行方式识别方法 |
CN107801241A (zh) * | 2016-09-07 | 2018-03-13 | 黄大卫 | 基于wifi设备的室内定位方法和系统 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110059875A (zh) * | 2019-04-12 | 2019-07-26 | 湖北工业大学 | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 |
CN110533240A (zh) * | 2019-08-26 | 2019-12-03 | 西南交通大学 | 基于轨迹数据的自行车道线网规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10324469B2 (en) * | 2017-03-28 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling motion of vehicle in shared environment |
-
2020
- 2020-03-12 CN CN202010172267.4A patent/CN111931968B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102647726A (zh) * | 2012-02-17 | 2012-08-22 | 无锡英臻科技有限公司 | 一种无线传感器网络覆盖能耗平衡优化策略 |
CN106227859A (zh) * | 2016-07-29 | 2016-12-14 | 四川大学 | 从gps数据中识别交通工具的方法 |
CN107801241A (zh) * | 2016-09-07 | 2018-03-13 | 黄大卫 | 基于wifi设备的室内定位方法和系统 |
CN107330469A (zh) * | 2017-07-04 | 2017-11-07 | 上海交通大学 | 一种基于gps轨迹数据的出行方式识别方法 |
CN109711630A (zh) * | 2018-12-28 | 2019-05-03 | 郑州大学 | 一种基于出行概率矩阵的电动汽车快充站选址定容方法 |
CN110059875A (zh) * | 2019-04-12 | 2019-07-26 | 湖北工业大学 | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 |
CN110533240A (zh) * | 2019-08-26 | 2019-12-03 | 西南交通大学 | 基于轨迹数据的自行车道线网规划方法 |
Non-Patent Citations (1)
Title |
---|
基于泰森多边形服务分区的常规公交站点布局优化;葛奔;蔡琳;王富;;武汉工程大学学报(第06期);第82-86页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931968A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681421B (zh) | 基于手机信令数据的对外客运枢纽集疏空间分布分析方法 | |
CN107463940B (zh) | 基于手机数据的车辆类型识别方法和设备 | |
CN104658252B (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
CN110298500B (zh) | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 | |
CN113256987B (zh) | 基于多源数据融合的居民出行链生成方法及共乘查询方法 | |
CN110276950B (zh) | 一种基于卡口视频数据的城市交通出行链重构方法 | |
CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
WO2019001045A1 (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
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 | |
Veloso et al. | Sensing urban mobility with taxi flow | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN105825310A (zh) | 基于信息熵的出租车寻客路线推荐方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN111653096A (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN103680130B (zh) | 一种基于浮动车技术获得区域带路专家的方法 | |
CN112784000B (zh) | 基于出租车轨迹数据的寻客方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN110019569A (zh) | 一种获取城市轨道交通运营状态信息的方法 | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
CN115795332A (zh) | 一种用户出行模式识别的方法 | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
CN116092037B (zh) | 融合轨迹空间-语义特征的车辆类型识别方法 | |
CN110211380B (zh) | 一种多源交通数据融合的高速公路拥堵区间探测方法 |
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 |