CN112132236A - 一种基于聚类算法的需求子区划分、线路规划方法及装置 - Google Patents

一种基于聚类算法的需求子区划分、线路规划方法及装置 Download PDF

Info

Publication number
CN112132236A
CN112132236A CN202011310126.0A CN202011310126A CN112132236A CN 112132236 A CN112132236 A CN 112132236A CN 202011310126 A CN202011310126 A CN 202011310126A CN 112132236 A CN112132236 A CN 112132236A
Authority
CN
China
Prior art keywords
demand
travel
determining
distance
representative
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
CN202011310126.0A
Other languages
English (en)
Other versions
CN112132236B (zh
Inventor
张晓春
刘维怡
吴宗翔
陈振武
黎旭成
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202011310126.0A priority Critical patent/CN112132236B/zh
Publication of CN112132236A publication Critical patent/CN112132236A/zh
Application granted granted Critical
Publication of CN112132236B publication Critical patent/CN112132236B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种基于聚类算法的需求子区划分、线路规划方法及装置，涉及智能交通技术领域，所述基于聚类算法的需求子区划分方法包括：获取用户的出行需求数据；根据所述出行需求数据进行聚类，确定出行需求簇；根据所述出行需求簇确定需求簇距离矩阵；根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。本发明通过以用户OD作为出行样本，将出行需求先聚类为聚类簇，再根据出行需求的权重计算聚类簇的代表OD，再根据代表OD间的距离，生成需求簇距离矩阵进行二次聚类，生成需求子区，充分考虑了出行需求的流向关系，得到了区域内主要的出行OD方向，使得生成的需求子区更加合理。

Description

一种基于聚类算法的需求子区划分、线路规划方法及装置
技术领域
本发明涉及智能交通技术领域，具体而言，涉及一种基于聚类算法的需求子区划分、线路规划方法及装置。
背景技术
随着我国的社会经济飞速发展，城市化进程不断加快，用户的出行距离和出行率日益提高，但交通系统中的供给失衡现象愈发严重。一方面用户出行需求多，但出行体验不佳，具体包括车内拥挤、换乘次数多、绕行时间长等；另一方面很多线路存在空跑情况，未最大化利用运营资源。为降低需求侧与供给侧的不匹配程度，可实行定制公交等需求导向的服务模式，提高线路走向与需求流向的匹配度，提升用户出行体验并保障企业的运营收益。因此，根据各种交通数据进行合理的线路规划显得更为重要。但由于路径规划问题求解规模的限制，现有的算法无法直接支持面向全市范围内大规模离散需求的线路规划。
在交通规划中，有专门的OD（Origin Destination）调查，又称为起讫点调查，是对某一调查区域内出行个体的出行起点和终点的调查，为分析出行个体的流动奠定基础。而出行是指居民或车辆为了某一目的从一地向另一地移动的过程。对于OD对而言，流向用连接O（起点）和D（终点）的直线或曲线表示，大量的数据会使得需求网络错综复杂，掩盖数据的原本面目和真实特征。现有技术中，大多采用聚类方法对OD出行量进行聚类分析，以此进行数据解释。但现有方法中，有些算法对空间距离和方向相似性分开考虑进行聚类，割裂了OD之间的流向关系，不能很好地结合实际需求对OD出行量进行聚类划分，反映数据的集聚情况，从而导致根据聚类划分结果不能很好地指导线路的合理规划。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，第一方面，本发明提供了一种基于聚类算法的需求子区划分方法，其包括：
获取用户的出行需求数据；
根据所述出行需求数据进行聚类，确定出行需求簇；
根据所述出行需求簇确定需求簇距离矩阵；
根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。
进一步地，所述获取出行需求数据包括：
获取固定时段内的所述出行数据，所述出行数据包括所述用户的出行起点和出行终点的经纬度信息；
对所述出行数据进行去重，根据所述出行起点和所述出行终点确定多个OD对和每个所述OD对的需求量，作为所述出行需求数据。
进一步地，所述根据所述出行需求数据进行聚类，确定出行需求簇包括：
根据所述出行需求数据中所述用户的出行起点和出行终点的经纬度信息确定多个出行需求样本；
确定多个所述出行需求样本间的欧氏距离；
根据所述欧氏距离进行聚类，确定多个所述出行需求簇。
进一步地，所述根据所述出行需求簇确定需求簇距离矩阵包括：
根据所述出行需求簇确定每个所述出行需求簇的代表OD；
确定多个所述代表OD间的距离，生成所述需求簇距离矩阵。
进一步地，所述根据所述出行需求簇确定每个所述出行需求簇的代表OD包括：
确定所述出行需求簇内所有OD对及其对应需求量；
根据每个所述OD对的起点和终点的经纬度信息和所述对应需求量进行加权计算，确定每个所述出行需求簇的所述代表OD。
进一步地，所述确定多个所述代表OD间的距离，生成所述需求簇距离矩阵包括：
确定多个所述代表OD间的位置距离相异度和方向距离相异度，其中，根据多个所述代表OD间的首尾距离确定所述位置距离相异度，根据多个所述代表OD间的夹角和长度比例确定所述方向距离相异度；
根据所述位置距离相异度和所述方向距离相异度进行加权计算，确定多个所述代表OD间的所述距离，生成所述需求簇距离矩阵。
进一步地，所述根据多个所述代表OD间的首尾距离确定所述位置距离相异度包括：
根据所述首尾距离确定多个所述代表OD间的延长相异度和绕路相异度；
确定所述延长相异度和所述绕路相异度中数值较小的作为所述位置距离相异度。
进一步地，所述根据所述首尾距离确定多个所述代表OD间的延长相异度和绕路相异度包括：
当两个所述代表OD首尾相接且方向相近时，确定所述首尾距离中的第一首尾距离为一个所述代表OD的终点和与其相邻接的另一个所述代表OD的起点间的距离；
根据所述第一首尾距离确定所述延长相异度；
当两个所述代表OD空间距离接近且方向相近时，确定所述首尾距离中的第二首尾距离为两个所述代表OD的两个起点距离、两个终点距离和两个OD中点距离中的最小值；
根据所述第二首尾距离确定所述绕路相异度。
为达上述目的，第二方面，本发明提供了一种基于聚类算法的需求子区划分装置，其包括：
获取模块，用于获取用户的出行需求数据；
一次聚类模块，用于根据所述出行需求数据进行聚类，确定出行需求簇；
处理模块，用于根据所述出行需求簇确定需求簇距离矩阵；
二次聚类模块，用于根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。
使用本发明的基于聚类算法的需求子区划分方法或装置，通过以用户OD作为出行样本，将出行需求先聚类为聚类簇，再根据出行需求的权重计算聚类簇的代表OD，再根据每个聚类簇的代表OD确定两两间的位置距离相异度和方向距离相异度，加权得到代表OD间的距离，生成需求簇距离矩阵进行二次聚类，并根据二次聚类的结果生成需求子区，充分考虑了出行需求的流向关系，得到了区域内主要的出行OD方向，使得生成的需求子区更加合理。本发明相比于直接用所有的出行需求根据空间相异度聚类生成需求子区，大大降低了样本数量，提高了计算速度。且本发明同时考虑了两条线路的方向一致性和空间距离，可以通过调节参数得到不同倾向下（距离为主/方向为主）的聚类结果，适用于更多应用场景。
为达上述目的，本发明第三方面的实施例提供了一种基于聚类算法的线路规划方法，其包括：
确定用户出行的需求子区，所述需求子区根据如上所述的基于聚类算法的需求子区划分方法进行确定；
根据所述需求子区进行线路规划。
为达上述目的，本发明第四方面的实施例提供了一种基于聚类算法的线路规划装置，其包括：
确定模块，用于确定用户出行的需求子区，所述需求子区根据如上所述的基于聚类算法的需求子区划分方法进行确定；
规划模块，用于根据所述需求子区进行线路规划。
使用本发明的基于聚类算法的线路规划方法或装置，通过在计算出行需求簇之间的距离时，同时考虑了两条路线的方向一致性和空间距离。在路径规划场景中，将路线视为用户出行订单所记录的起终点信息，则可以理解该距离计算公式考虑了车辆路线延展可行性和绕路可行性，支持后续静态路径规划和实时车辆路径规划。且本发明分区之后的线路规划问题规模将大大减少，计算效率将得到明显提升。
为达上述目的，第五方面，本发明提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现根据本发明第一方面所述的基于聚类算法的需求子区划分方法或根据本发明第三方面所述的基于聚类算法的线路规划方法。
为达上述目的，第六方面，本发明提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的基于聚类算法的需求子区划分方法或根据本发明第三方面所述的基于聚类算法的线路规划方法。
根据本发明的非临时性计算机可读存储介质和计算设备，具有与根据本发明第一方面的基于聚类算法的需求子区划分方法或根据本发明第三方面的基于聚类算法的线路规划方法具有类似的有益效果，在此不再赘述。
附图说明
图1为根据本发明实施例的基于聚类算法的需求子区划分方法的流程示意图；
图2为根据本发明实施例的获取出行需求数据的流程示意图；
图3为根据本发明实施例的确定出行需求簇的流程示意图；
图4为根据本发明实施例的确定需求簇距离矩阵的流程示意图；
图5为根据本发明实施例的确定代表OD的流程示意图；
图6为根据本发明实施例的生成需求簇距离矩阵的流程示意图；
图7为根据本发明实施例的确定位置距离相异度的流程示意图；
图8为根据本发明实施例的确定延长相异度的示意图；
图9为根据本发明实施例的确定绕路相异度的示意图；
图10为根据本发明实施例的基于聚类算法的需求子区划分装置的结构示意图；
图11为根据本发明实施例的基于聚类算法的线路规划方法的流程示意图；
图12为根据本发明实施例的线路规划的示意图；
图13为根据本发明实施例的基于聚类算法的线路规划装置的结构示意图。
具体实施方式
下面将参照附图详细描述根据本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标记表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
当前我国城市和城市交通的发展处于挑战和机遇并存的关键历史阶段。一方面，随着城镇化、机动化的持续快速发展，城市交通拥堵加剧、污染严重、事故频发，面临着严峻挑战；另一方面，我国城市处在老城改造、新城建设的城市大发展时期，是实现生态城市、绿色交通的最佳时机。从交通需求和交通供给两个方面加大力度，按照绿色交通系统的发展目标，基于交通发展的先进理念，科学制定城市综合交通系统规划并付诸实施，有望实现我国城市绿色交通系统建设的跨越式发展。
智慧城市的快速发展使得居民出行数据得以通过地理信息定位技术与智能出行终端获取。居民的出行数据中蕴含了大量的出行规律待发掘，通过对大量出行数据的识别和分析可以识别出出行的流向和热点区域，支持土地开发规划、公共交通线路规划乃至出租车的区域调度。且随着技术的发展，OD需求来源越来越多（除了传统的OD调查，还有手机信令等更细粒度的用户位置数据），这些数据中包含很多出行规律待识别。对出行需求的流动性进行合理识别也有助于合理规划线路，提高线路走向与需求流向的匹配。因此，基于OD出行量对城市的交通规划设计进行研究，支持数据驱动下的交通规划改善方案，具有重要的现实意义和良好的社会经济价值。
现有的对OD数据进行分析的方法较多的采用聚类算法进行处理，但现有的算法无法很好地结合业务场景对OD出行量进行聚类划分，例如仅考虑方向一致或位置相近的OD聚为一个簇，不能将具有流向关系的OD聚为一个簇。
本发明通过对用户出行需求的空间分布特征进行分析，将需求覆盖范围划分为多个不同的需求子区，一方面帮助决策者了解城市的出行特性，帮助开发者减少单个问题的求解规模；另一方面，通过考虑OD之间的流向关系，可以提高需求子区划分的合理性，有助于数据驱动下的公共交通线路生成。
图1所示为根据本发明实施例的基于聚类算法的需求子区划分方法的流程示意图，包括步骤S1至S4。
在步骤S1中，获取用户的出行需求数据。在本发明实施例中，基于手机信令数据或刷卡数据等数据源获取用户的出行数据。图2所示为根据本发明实施例的获取出行需求数据的流程示意图，包括步骤S11至S12。
在步骤S11中，获取固定时段内的所述出行数据，所述出行数据包括所述用户的出行起点和出行终点的经纬度信息。在本发明实施例中，基于多种数据源获取固定时段内（例如早高峰、晚高峰或全天）的用户出行数据，其中，每个用户的出行数据记录了用户的出行起点和出行终点的ID及位置等信息，具体可包括用户的出行起点和出行终点的经纬度信息。
在步骤S12中，对所述出行数据进行去重，根据所述出行起点和所述出行终点确定多个OD对和每个所述OD对的需求量，作为所述出行需求数据。在本发明实施例中，只从空间地理位置角度进行需求子区的划分，不做高需求区域和低需求区域的划分，与需求数量无关。因此对出行数据进行去重，只留下两两不重复的出行记录作为一个OD对，并将起终点相同的需求数目作为该OD对的需求量。下表1所示为根据本发明实施例的出行需求数据的数据格式，可以理解的是，所述数据格式可根据实际应用需求进行调整，本发明并不以此为限。
表1
Figure 889660DEST_PATH_IMAGE001
在步骤S2中，根据所述出行需求数据进行聚类，确定出行需求簇。图3所示为根据本发明实施例的确定出行需求簇的流程示意图，包括步骤S21至S23。
在步骤S21中，根据所述出行需求数据中所述用户的出行起点和出行终点的经纬度信息确定多个出行需求样本。在本发明实施例中，由于出行需求数据只记录了用户出行的起点和终点，不包括出行的中间轨迹点，因此一条出行需求数据可以用一条连接起点与终点的线段表示。则根据OD对的出行起点和出行终点的经纬度信息，作为聚类算法中的出行需求样本，记为：
Figure 226707DEST_PATH_IMAGE002
，
其中，
Figure 537603DEST_PATH_IMAGE003
分别表示第i个OD对的起点纬度、起点经度、终点纬度和终点经度。
在步骤S22中，确定多个所述出行需求样本间的欧氏距离。图4所示为根据本发明实施例的对路网进行初步划分的示意图，在本发明实施例中，采用欧式距离度量两个出行需求样本之间的距离，则样本i和样本j之间的欧式距离
Figure 339337DEST_PATH_IMAGE004
为：
Figure 75080DEST_PATH_IMAGE005
。
根据上述计算公式可以计算出两两样本间的欧式距离，生成欧式距离矩阵。
在步骤S23中，根据所述欧氏距离进行聚类，确定多个所述出行需求簇。在本发明实施例中，针对不用的应用场景，可以采用不同的聚类算法。若有期望的出行需求簇个数要求，则可以采用K均值聚类法（Kmeans），其中，K表示指定的簇数目；若希望识别出空间位置上与其他出行需求相似度较低的需求，可以采用密度聚类法（Density-Based SpatialClustering of Applications with Noise，DBSCAN），例如DBSCAN（D，Eps，MinPts），其中，D表示数据对象集合，Eps表示两个出行需求样本的距离阈值，MinPts表示簇内最少的出行需求样本数目；若无指定的出行需求簇个数要求，也无识别噪声点需求，可以采用average-linkage的凝聚式层次聚类法（Hierarchical Agglomerative Clustering，HAC），设定两个出行需求样本的距离阈值，当每两个簇的距离都大于该阈值时聚类停止，得到聚类结果。可以理解的是，本发明并不对具体的聚类算法进行限制。
在本发明实施例中，经过上述聚类算法根据出行需求样本间的欧氏距离进行聚类后，对每个出行需求样本打上聚类标签，最终生成若干个出行需求簇，其中，每个出行需求簇内包含多个出行起点和出行终点均相近的OD对。在本发明实施例中，通过以OD对作为出行需求样本进行聚类，充分考虑了用户出行需求的流向关系，使得后续对需求子区的划分更加合理，提高了对数据解释的可靠性。
在步骤S3中，根据所述出行需求簇确定需求簇距离矩阵。图4所示为根据本发明实施例的确定需求簇距离矩阵的流程示意图，包括步骤S31至S32。
在步骤S31中，根据所述出行需求簇确定每个所述出行需求簇的代表OD。在本发明实施例中，通过提取各个出行需求簇内的OD对确定出行需求簇的代表OD，来考虑OD需求量的权重，能更好地反映需求的集聚情况。图5所示为根据本发明实施例的确定代表OD的流程示意图，包括步骤S311至S312。
在步骤S311中，确定所述出行需求簇内所有OD对及其对应需求量。在本发明实施例中，根据上述第一次聚类的结果，可确定每个出行需求簇内包含的所有OD对，再根据上述出行需求数据确定每个OD对的需求量。
在步骤S312中，根据每个所述OD对的起点和终点的经纬度信息和所述对应需求量进行加权计算，确定每个所述出行需求簇的所述代表OD。在本发明实施例中，根据上述出行需求数据还可确定每个OD对的起点和终点的经纬度信息，再根据每个OD对的需求量进行加权平均，确定所述代表OD的起点和终点的经纬度信息。具体地，第I个出行需求簇的代表OD可表示为：
Figure 428701DEST_PATH_IMAGE007
其中，
Figure 102259DEST_PATH_IMAGE008
分别表示第I个出行需求簇的代表OD的起点纬度、起点经度、终点纬度和终点经度，
Figure 97897DEST_PATH_IMAGE009
表示OD对的需求量。在本发明实施例中，加入OD对的需求量作为权重，可使得代表OD更偏向需求量高的出行起点与出行终点，可以更好的反应用户实际的出行需求。可以理解的是，经过加权计算得出的所述代表OD的起点和终点可以不是该出行需求簇中所有OD对中的任意起点和任意终点。
在步骤S32中，确定多个所述代表OD间的距离，生成所述需求簇距离矩阵。图6所示为根据本发明实施例的生成需求簇距离矩阵的流程示意图，包括步骤S321至S322。
在步骤S321中，确定多个所述代表OD间的位置距离相异度和方向距离相异度，其中，根据多个所述代表OD间的首尾距离确定所述位置距离相异度，根据多个所述代表OD间的夹角和长度比例确定所述方向距离相异度。在本发明实施例中，所述位置距离相异度根据代表OD两两之间的首尾距离来确定，所述方向距离相异度根据代表OD两两之间的夹角和长度比例来确定。可以理解的是，通过代表OD间的位置距离相异度和方向距离相异度来同时考虑代表OD的空间距离和方向相似性，构建合理的OD需求约束，使得后续对需求子区的划分更加准确合理。
在本发明实施例中，所述方向距离相异度根据两个代表OD间的夹角和长度比例进行确定，记为
Figure 924033DEST_PATH_IMAGE010
，其中，
Figure 448555DEST_PATH_IMAGE011
，
Figure 609409DEST_PATH_IMAGE012
表示出行需求簇I与出行需求簇J对应的代表OD间的夹角；
Figure 877579DEST_PATH_IMAGE013
表示出行需求簇I与出行需求簇J对应的代表OD长度的比值。可以理解的是，由于代表OD具有方向性，两个代表OD间的夹角根据两个代表OD的方向确定；代表OD的长度可以简单采用球面距离，根据起点和终点的经纬度信息计算得到。
可以理解的是，当空间距离完全一致时，
Figure 56757DEST_PATH_IMAGE014
与
Figure 17760DEST_PATH_IMAGE013
相互制约。两个代表OD的长度比例越大时，两个代表OD间的夹角越小才可能被聚为同一个簇，即绕路距离越远时，允许绕路的角度就越小。
在步骤S322中，根据所述位置距离相异度和所述方向距离相异度进行加权计算，确定多个所述代表OD间的所述距离，生成所述需求簇距离矩阵。在本发明实施例中，采用位置距离相异度和方向距离相异度进行加权计算，确定两个代表OD间的距离，以此表征两个出行需求簇间的距离，考虑了出行需求间的流向关系，更好的反映需求之间的流动情况。
图7所示为根据本发明实施例的确定位置距离相异度的流程示意图，包括步骤S3221至S3222。
在步骤S3221中，根据所述首尾距离确定多个所述代表OD间的延长相异度和绕路相异度。在本发明实施例中，当需求点之间存在流向关系时，需求子区划分时应充分考虑OD需求约束，将一次出行的起点与终点划分在一个需求子区内。此外，为了适应共享出行的服务场景，因尽可能将满足绕路约束的OD划分在一个需求子区内。所述延长相异度用于表征线路可延长时，两个出行需求簇间的距离相异度，所述绕路相异度用于表征线路可绕路服务时，两个出行需求簇间的距离相异度。可以理解的是，上述延长相异度和绕路相异度较小的两个代表OD说明两个对应的出行需求簇在距离上相近、方向上相似，会被划分为同一个需求子区。
在本发明实施例中，由于对出行需求簇聚类的目的是将具有流向关系的OD聚为一个簇，为路径规划做指导，因此上述各相异度中对位置距离相异度的计算考虑了如下两种情况：
（1）当两个所述代表OD首尾相接且方向相近时，确定所述首尾距离中的第一首尾距离为一个所述代表OD的终点和与其相邻接的另一个所述代表OD的起点间的距离，根据所述第一首尾距离确定所述延长相异度。图8所示为根据本发明实施例的确定延长相异度的示意图。可以理解的是，在本发明实施例中，当两个代表OD间的首尾距离不超过预设阈值，且其向量夹角处于预设范围内时，可称为首尾相接且方向相近。但当两个代表OD间的向量夹角超过预设范围时，则不称为方向相近。
如图8所示，当出行需求簇I和出行需求簇J的代表OD首尾相接且方向相近时，则线路规划时可以直接连接两段行程，此时两个代表OD间的延长相异度为：
Figure 665910DEST_PATH_IMAGE015
其中，
Figure 472192DEST_PATH_IMAGE016
为球面距离计算公式，表示两个代表OD间的首尾距离，
Figure 535569DEST_PATH_IMAGE017
表示出行需求簇I的终点纬度和终点经度，
Figure 542840DEST_PATH_IMAGE018
表示与所述出行需求簇I相首位连接的出行需求簇J的起点纬度和起点经度，
Figure 802920DEST_PATH_IMAGE019
表示最大容忍距离（可取2000m），
Figure 537526DEST_PATH_IMAGE020
为系数，可取值为1，则延长相异度
Figure 566662DEST_PATH_IMAGE021
的变量范围为[0，1]，当
Figure 744834DEST_PATH_IMAGE022
时，表示两个需求首尾完全相接，当
Figure 226631DEST_PATH_IMAGE023
时，表示两个代表OD首尾的距离达到容许距离上限。
（2）当两个所述代表OD空间距离接近且方向相近时，确定所述首尾距离中的第二首尾距离为两个所述代表OD的两个起点距离、两个终点距离和两个OD中点距离中的最小值，根据所述第二首尾距离确定所述绕路相异度。图9所示为根据本发明实施例的确定绕路相异度的示意图。可以理解的是，在本发明实施例中，当两个代表OD的空间距离不超过预设阈值，且其向量夹角处于预设范围内时，可称为空间距离接近且方向相近。但当两个代表OD间的向量夹角超过预设范围时，则不称为方向相近。
如图9所示，当两个代表OD间的空间距离较近且方向相近时，线路规划时可以通过绕路进行统一服务。此时，两个代表OD间的绕路相异度为：
Figure 266393DEST_PATH_IMAGE024
其中，首尾距离
Figure 290981DEST_PATH_IMAGE025
为两个起点距离
Figure 764688DEST_PATH_IMAGE026
、两个终点距离
Figure 858414DEST_PATH_IMAGE027
、两个代表OD中点距离
Figure 810190DEST_PATH_IMAGE028
中的最小值，
Figure 689284DEST_PATH_IMAGE019
表示最大容忍距离，绕路相异度
Figure 333892DEST_PATH_IMAGE029
的变量范围为[0，1]，当
Figure 413450DEST_PATH_IMAGE030
时，两个需求起点完全一致或终点完全一致或中点完全一致，当
Figure 168917DEST_PATH_IMAGE031
时，两个代表OD的距离达到容许距离上限。
在步骤S3222中，确定所述延长相异度和所述绕路相异度中数值较小的作为所述位置距离相异度。在本发明实施例中，以延长相异度和绕路相异度中数值较小的作为位置距离相异度，进一步地计算多个代表OD间的距离，可更准确的反应实际出行需求的流向关系。
在本发明实施例中，根据位置距离相异度和方向距离相异度的加权进行计算，确定两个出行需求簇的代表OD间的距离
Figure 636938DEST_PATH_IMAGE032
为：
Figure 452448DEST_PATH_IMAGE034
其中，
Figure 520767DEST_PATH_IMAGE035
均为系数，
Figure 345503DEST_PATH_IMAGE036
可取1，
Figure 933610DEST_PATH_IMAGE037
，
Figure 342857DEST_PATH_IMAGE038
表示代表OD间的夹角阈值，例如
Figure 649205DEST_PATH_IMAGE039
。可以理解的是，可根据不同的
Figure 746474DEST_PATH_IMAGE040
的取值来实现不同倾向的聚类，即
Figure DEST_PATH_IMAGE041
较大的时候以距离为主，
Figure 235093DEST_PATH_IMAGE042
较大的时候以方向为主。
在本发明实施例中，基于上述计算公式可以计算出两两代表OD间的距离，并生成需求簇距离矩阵。可以理解的是，上述需求簇之间的距离计算公式同时考虑了两条线路（即代表OD）的方向一致性和空间距离。在路径规划场景中，将线段视为用户出行订单所记录的起终点信息，则可以理解该距离计算公式考虑了车辆路线延展可行性和绕路可行性，支持后续静态路径规划和实时车辆路径规划，提高了整体规划的有效性和可靠性。
在步骤S4中，根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。在本发明实施例中，可根据实际需求选择对应的聚类算法对生成的需求簇距离矩阵进行二次聚类，生成需求子区，其中，所述聚类算法选取原则同步骤S23，在此不再赘述。下面以HAC为例具体说明二次的聚类步骤：确定每个代表OD作为一个簇；对每两个簇，提取其各自包含的样本点，计算簇间两两样本点之间的距离（索引需求簇距离矩阵可得），以簇间样本距离的平均值作为簇间距离；得到距离最小的两个簇，若该距离小于设定的簇间距离阈值（例如1），则将两个簇合并为一个新簇；重复上述步骤，当该距离大于设定的簇间距离时，则聚类结束，返回聚类得到的簇，作为所述需求子区。可以理解的是，经过上述二次聚类后，可以生成若干个需求子区，每个需求子区中包含了所有距离相近、方向一致的OD，可有效支持数据驱动下的各方式线路规划及车辆调度。可以理解的是，根据上述二次聚类方法后，划分的需求子区内包含的OD的距离不会超过预设阈值，且其夹角也不会超过预设范围，因此称为距离相近、方向一致的OD。
采用本发明实施例的基于聚类算法的需求子区划分方法，通过以用户OD作为出行样本，将出行需求先聚类为聚类簇，再根据出行需求的权重计算聚类簇的代表OD，再根据每个聚类簇的代表OD确定两两间的位置距离相异度和方向距离相异度，加权得到代表OD间的距离，生成需求簇距离矩阵进行二次聚类，并根据二次聚类的结果生成需求子区，充分考虑了出行需求的流向关系，得到了区域内主要的出行OD方向，使得生成的需求子区更加合理。本发明相比于直接用所有的出行需求根据空间相异度聚类生成需求子区，大大降低了样本数量，提高了计算速度。且本发明同时考虑了两条线路的方向一致性和空间距离，可以通过调节参数得到不同倾向下（距离为主/方向为主）的聚类结果，适用于更多应用场景。
本发明第二方面的实施例还提供了一种基于聚类算法的需求子区划分装置。图10所示为根据本发明实施例的基于聚类算法的需求子区划分装置1000的结构示意图，包括获取模块1001、一次聚类模块1002、处理模块1003和二次聚类模块1004。
获取模块1001用于获取用户的出行需求数据。
一次聚类模块1002用于根据所述出行需求数据进行聚类，确定出行需求簇。
处理模块1003用于根据所述出行需求簇确定需求簇距离矩阵。
二次聚类模块1004用于根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。
在本发明实施例中，所述一次聚类模块1002还用于根据所述出行需求数据中所述用户的出行起点和出行终点的经纬度信息确定多个出行需求样本；确定多个所述出行需求样本间的欧氏距离；根据所述欧氏距离进行聚类，确定多个所述出行需求簇。
在本发明实施例中，处理模块1003还用于根据所述出行需求簇确定每个所述出行需求簇的代表OD；确定多个所述代表OD间的距离，生成所述需求簇距离矩阵。
所述基于聚类算法的需求子区划分装置1000的各个模块的更具体实现方式可以参见对于本发明的基于聚类算法的需求子区划分方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明第三方面的实施例还提出了一种基于聚类算法的线路规划方法。图11所示为根据本发明实施例的基于聚类算法的线路规划方法的流程示意图，包括步骤S011至S012。
在步骤S011中，确定用户出行的需求子区，所述需求子区根据如上所述的基于聚类算法的需求子区划分方法进行确定。可以理解的是，在本发明实施例中，可指定所需的需求子区数量进行确定，也可调整如上所述的基于聚类算法的需求子区划分方法中的各参数进行聚类得到满足应用需求的需求子区。
在步骤S012中，根据所述需求子区进行线路规划。在本发明实施例中，例如可根据划分出的需求子区及其内包含的OD进行私家车出行路线规划、出租车行驶线路规划、交通路况预测、公交线路及公交站点设置规划等，根据实际需求进行多种方式的线路规划。图12所示为根据本发明实施例的线路规划的示意图，在本发明实施例中，将全市出行需求进行聚类，生成不同出行方向的需求子区，大大减少了需求的混乱程度，便于对需求进行分析，后续可基于需求量统计识别出主要需求流动方向和热点需求子区，对长距离OD和短距离OD均有适用。在出行规划领域中，该方法可帮助决策者识别出需求子区，支持数据驱动下的各方式线路规划。
采用本发明实施例的基于聚类算法的线路规划方法，通过在计算出行需求簇之间的距离时，同时考虑了两条路线的方向一致性和空间距离。在路径规划场景中，将路线视为用户出行订单所记录的起终点信息，则可以理解该距离计算公式考虑了车辆路线延展可行性和绕路可行性，支持后续静态路径规划和实时车辆路径规划。且本发明分区之后的线路规划问题规模将大大减少，计算效率将得到明显提升。
本发明第四方面的实施例还提供了一种基于聚类算法的线路规划装置。图13所示为根据本发明实施例的基于聚类算法的线路规划装置1300的结构示意图，包括确定模块1301和规划模块1302。
确定模块1301用于确定用户出行的需求子区，所述需求子区根据如上所述的基于聚类算法的需求子区划分方法进行确定。
规划模块1302用于根据所述需求子区进行线路规划。
所述基于聚类算法的线路规划装置1300的各个模块的更具体实现方式可以参见对于本发明的基于聚类算法的线路规划方法的描述，且具有与之相似的有益效果，在此不再赘述。
本发明第五方面的实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现根据本发明第一方面所述的基于聚类算法的需求子区划分方法或根据本发明第三方面所述的基于聚类算法的线路规划方法。
一般来说，用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
本发明第六方面的实施例提供了一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现根据本发明第一方面所述的基于聚类算法的需求子区划分方法或根据本发明第三方面所述的基于聚类算法的线路规划方法。可以理解的是，本发明的计算设备可以是服务器，也可以有限算力的终端设备。
根据本发明第五、六方面的非临时性计算机可读存储介质和计算设备，可以参照根据本发明第一方面实施例具体描述的内容实现，并具有与根据本发明第一方面实施例的基于聚类算法的需求子区划分方法或根据本发明第三方面实施例的基于聚类算法的线路规划方法具有类似的有益效果，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种基于聚类算法的需求子区划分方法，其特征在于，包括：
获取用户的出行需求数据；
根据所述出行需求数据进行聚类，确定出行需求簇；
根据所述出行需求簇确定需求簇距离矩阵；
根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。
2.根据权利要求1所述的基于聚类算法的需求子区划分方法，其特征在于，所述获取出行需求数据包括：
获取固定时段内的所述出行数据，所述出行数据包括所述用户的出行起点和出行终点的经纬度信息；
对所述出行数据进行去重，根据所述出行起点和所述出行终点确定多个OD对和每个所述OD对的需求量，作为所述出行需求数据。
3.根据权利要求1所述的基于聚类算法的需求子区划分方法，其特征在于，所述根据所述出行需求数据进行聚类，确定出行需求簇包括：
根据所述出行需求数据中所述用户的出行起点和出行终点的经纬度信息确定多个出行需求样本；
确定多个所述出行需求样本间的欧氏距离；
根据所述欧氏距离进行聚类，确定多个所述出行需求簇。
4.根据权利要求1-3中任一项所述的基于聚类算法的需求子区划分方法，其特征在于，所述根据所述出行需求簇确定需求簇距离矩阵包括：
根据所述出行需求簇确定每个所述出行需求簇的代表OD；
确定多个所述代表OD间的距离，生成所述需求簇距离矩阵。
5.根据权利要求4所述的基于聚类算法的需求子区划分方法，其特征在于，所述根据所述出行需求簇确定每个所述出行需求簇的代表OD包括：
确定所述出行需求簇内所有OD对及其对应需求量；
根据每个所述OD对的起点和终点的经纬度信息和所述对应需求量进行加权计算，确定每个所述出行需求簇的所述代表OD。
6.根据权利要求4所述的基于聚类算法的需求子区划分方法，其特征在于，所述确定多个所述代表OD间的距离，生成所述需求簇距离矩阵包括：
确定多个所述代表OD间的位置距离相异度和方向距离相异度，其中，根据多个所述代表OD间的首尾距离确定所述位置距离相异度，根据多个所述代表OD间的夹角和长度比例确定所述方向距离相异度；
根据所述位置距离相异度和所述方向距离相异度进行加权计算，确定多个所述代表OD间的所述距离，生成所述需求簇距离矩阵。
7.根据权利要求6所述的基于聚类算法的需求子区划分方法，其特征在于，所述根据多个所述代表OD间的首尾距离确定所述位置距离相异度包括：
根据所述首尾距离确定多个所述代表OD间的延长相异度和绕路相异度；
确定所述延长相异度和所述绕路相异度中数值较小的作为所述位置距离相异度。
8.根据权利要求7所述的基于聚类算法的需求子区划分方法，其特征在于，所述根据所述首尾距离确定多个所述代表OD间的延长相异度和绕路相异度包括：
当两个所述代表OD首尾相接且方向相近时，确定所述首尾距离中的第一首尾距离为一个所述代表OD的终点和与其相邻接的另一个所述代表OD的起点间的距离；
根据所述第一首尾距离确定所述延长相异度；
当两个所述代表OD空间距离接近且方向相近时，确定所述首尾距离中的第二首尾距离为两个所述代表OD的两个起点距离、两个终点距离和两个OD中点距离中的最小值；
根据所述第二首尾距离确定所述绕路相异度。
9.一种基于聚类算法的需求子区划分装置，其特征在于，包括：
获取模块，用于获取用户的出行需求数据；
一次聚类模块，用于根据所述出行需求数据进行聚类，确定出行需求簇；
处理模块，用于根据所述出行需求簇确定需求簇距离矩阵；
二次聚类模块，用于根据所述需求簇距离矩阵进行二次聚类，确定需求子区，其中，每个所述需求子区包含多个位置和方向均相近的OD。
10.一种基于聚类算法的线路规划方法，其特征在于，包括：
确定用户出行的需求子区，所述需求子区根据如权利要求1-8中任一项所述的基于聚类算法的需求子区划分方法进行确定；
根据所述需求子区进行线路规划。
11.一种基于聚类算法的线路规划装置，其特征在于，包括：
确定模块，用于确定用户出行的需求子区，所述需求子区根据如权利要求1-8中任一项所述的基于聚类算法的需求子区划分方法进行确定；
规划模块，用于根据所述需求子区进行线路规划。
12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现根据权利要求1-8中任一项所述的基于聚类算法的需求子区划分方法或根据权利要求10所述的基于聚类算法的线路规划方法。
13.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现根据权利要求1-8中任一项所述的基于聚类算法的需求子区划分方法或根据权利要求10所述的基于聚类算法的线路规划方法。
CN202011310126.0A 2020-11-20 2020-11-20 一种基于聚类算法的需求子区划分、线路规划方法及装置 Active CN112132236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011310126.0A CN112132236B (zh) 2020-11-20 2020-11-20 一种基于聚类算法的需求子区划分、线路规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011310126.0A CN112132236B (zh) 2020-11-20 2020-11-20 一种基于聚类算法的需求子区划分、线路规划方法及装置

Publications (2)

Publication Number Publication Date
CN112132236A true CN112132236A (zh) 2020-12-25
CN112132236B CN112132236B (zh) 2021-03-26

Family

ID=73852084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011310126.0A Active CN112132236B (zh) 2020-11-20 2020-11-20 一种基于聚类算法的需求子区划分、线路规划方法及装置

Country Status (1)

Country Link
CN (1) CN112132236B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700017A (zh) * 2020-12-28 2021-04-23 招商局金融科技有限公司 物业维修资源分配方法、装置、计算机设备及存储介质
CN112991739A (zh) * 2021-03-23 2021-06-18 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN113139772A (zh) * 2021-04-23 2021-07-20 上海中通吉网络技术有限公司 快递末端投放站点预测方法和系统
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN113408833A (zh) * 2021-08-19 2021-09-17 深圳市城市交通规划设计研究中心股份有限公司 一种公共交通重点区域识别方法、装置及电子设备
CN114495484A (zh) * 2021-12-17 2022-05-13 北京航空航天大学杭州创新研究院 基于多源数据层次图聚类算法的公交站点位置推荐方法
CN115186049A (zh) * 2022-09-06 2022-10-14 深圳市城市交通规划设计研究中心股份有限公司 一种智能公交备选站点选址方法、电子设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243837A (zh) * 2015-11-03 2016-01-13 东南大学 一种公交客流走廊甄别方法
CN106651027A (zh) * 2016-12-21 2017-05-10 北京航空航天大学 一种基于社交网络的互联网班车线路优化方法
CN107818332A (zh) * 2017-09-26 2018-03-20 清华大学 高速公路互通立交服务范围分析方法及装置
CN109359682A (zh) * 2018-10-11 2019-02-19 北京市交通信息中心 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
US20190130476A1 (en) * 2017-04-25 2019-05-02 Yada Zhu Management System and Predictive Modeling Method for Optimal Decision of Cargo Bidding Price
US10636293B2 (en) * 2017-06-07 2020-04-28 International Business Machines Corporation Uncertainty modeling in traffic demand prediction
CN111366160A (zh) * 2020-05-25 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 路径规划方法、路径规划装置及终端设备
CN111429000A (zh) * 2020-03-23 2020-07-17 成都信息工程大学 一种基于站点聚类的共享单车取还站点推荐方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243837A (zh) * 2015-11-03 2016-01-13 东南大学 一种公交客流走廊甄别方法
CN106651027A (zh) * 2016-12-21 2017-05-10 北京航空航天大学 一种基于社交网络的互联网班车线路优化方法
US20190130476A1 (en) * 2017-04-25 2019-05-02 Yada Zhu Management System and Predictive Modeling Method for Optimal Decision of Cargo Bidding Price
US10636293B2 (en) * 2017-06-07 2020-04-28 International Business Machines Corporation Uncertainty modeling in traffic demand prediction
CN107818332A (zh) * 2017-09-26 2018-03-20 清华大学 高速公路互通立交服务范围分析方法及装置
CN109359682A (zh) * 2018-10-11 2019-02-19 北京市交通信息中心 一种基于f-dbscan迭代聚类的机场巴士候选站点筛选方法
CN109409599A (zh) * 2018-10-24 2019-03-01 天津市市政工程设计研究院 基于实时需求的定制公交线路开通优化方法
CN111429000A (zh) * 2020-03-23 2020-07-17 成都信息工程大学 一种基于站点聚类的共享单车取还站点推荐方法及系统
CN111366160A (zh) * 2020-05-25 2020-07-03 深圳市城市交通规划设计研究中心股份有限公司 路径规划方法、路径规划装置及终端设备

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112700017A (zh) * 2020-12-28 2021-04-23 招商局金融科技有限公司 物业维修资源分配方法、装置、计算机设备及存储介质
CN112700017B (zh) * 2020-12-28 2024-03-22 招商局金融科技有限公司 物业维修资源分配方法、装置、计算机设备及存储介质
CN112991739A (zh) * 2021-03-23 2021-06-18 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN112991739B (zh) * 2021-03-23 2022-03-04 苏州蓝图智慧城市科技有限公司 一种基于出行强度的车辆引导方法、装置、介质及设备
CN113139772A (zh) * 2021-04-23 2021-07-20 上海中通吉网络技术有限公司 快递末端投放站点预测方法和系统
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN113408833A (zh) * 2021-08-19 2021-09-17 深圳市城市交通规划设计研究中心股份有限公司 一种公共交通重点区域识别方法、装置及电子设备
CN114495484A (zh) * 2021-12-17 2022-05-13 北京航空航天大学杭州创新研究院 基于多源数据层次图聚类算法的公交站点位置推荐方法
CN114495484B (zh) * 2021-12-17 2023-10-27 北京航空航天大学杭州创新研究院 基于多源数据层次图聚类算法的公交站点位置推荐方法
CN115186049A (zh) * 2022-09-06 2022-10-14 深圳市城市交通规划设计研究中心股份有限公司 一种智能公交备选站点选址方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN112132236B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112132236B (zh) 一种基于聚类算法的需求子区划分、线路规划方法及装置
US11305780B2 (en) Road condition status prediction method, device, and server, and storage medium
WO2018113787A1 (zh) 一种区域划分方法及装置和存储介质
CN108320501B (zh) 基于用户手机信令的公交线路识别方法
CN103927873B (zh) 浮动车与路段匹配方法及并行获取实时路况的方法
CN107958302B (zh) 基于虚拟拓扑交通网络的经验路径规划方法
CN107167136B (zh) 一种面向电子地图的位置推荐方法及系统
JP2021531462A (ja) トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム
JP2019512668A (ja) ルート逸脱認識方法、端末、および記憶媒体
CN110322694A (zh) 一种城市交通控制片区划分的方法及装置
US20130217418A1 (en) Hybrid method for high accuracy and cost-effective prediction of mobile device positions through mobile networks
Tang et al. A network Kernel Density Estimation for linear features in space–time analysis of big trace data
CN111402616B (zh) 智能停车控制方法、系统、存储介质、终端
Xu et al. Traffic aware route planning in dynamic road networks
CN110598917B (zh) 一种基于路径轨迹的目的地预测方法、系统及存储介质
CN111818313A (zh) 一种基于监控视频的车辆实时追踪方法及装置
CN106708837B (zh) 兴趣点搜索方法、装置
Meng et al. Moving objects management
WO2022199388A1 (zh) 出行路径规划方法和出行路径推荐方法
WO2023005231A1 (zh) 用于确定图像采集设备位置的方法、装置、电子设备及存储介质
CN109324621A (zh) 一种无人巡逻车路径规划方法
Liu et al. A distributed Markovian parking assist system
CN109520499A (zh) 基于车辆gps轨迹数据实现区域实时等时线的方法
CN109754631A (zh) 车辆位置追踪的方法、装置、计算机设备及存储介质
Kamiński et al. Multiagent routing simulation with partial smart vehicles penetration

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Xiaochun

Inventor after: Lin Tao

Inventor after: Wu Zongxiang

Inventor after: Li Xucheng

Inventor after: Wu Xinglei

Inventor after: Chen Zhenwu

Inventor after: Liu Weiyi

Inventor after: Zhou Ziyi

Inventor before: Zhang Xiaochun

Inventor before: Liu Weiyi

Inventor before: Wu Zongxiang

Inventor before: Chen Zhenwu

Inventor before: Li Xucheng