CN112511982B - 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 - Google Patents
一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 Download PDFInfo
- Publication number
- CN112511982B CN112511982B CN202011305313.XA CN202011305313A CN112511982B CN 112511982 B CN112511982 B CN 112511982B CN 202011305313 A CN202011305313 A CN 202011305313A CN 112511982 B CN112511982 B CN 112511982B
- Authority
- CN
- China
- Prior art keywords
- passenger
- time
- station
- travel
- track
- 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 39
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011541 reaction mixture Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- 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
-
- G06Q50/40—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,包括以下步骤:S1、实时采集乘客室内外出行时空位置数据,并进行预处理,得到乘客出行轨迹;S2、进行多源数据融合的出行语义自动标注;S3、基于出行语义识别乘客出行轨迹的缺失信息;S4、乘客个体出行轨迹实时还原追溯。与现有技术相比,本发明引入出行语义自动标注,能够完整反映出乘客轨迹的时空语义信息,克服了地铁乘客出行轨迹还原信息准确度不高、追溯时效性不强等缺陷,不仅能应用于地铁智能化管理,还能够应用于后疫情时期乘客轨迹实时追踪和密切接触者识别。
Description
技术领域
本发明属于智能交通技术领域,涉及城市交通系统乘客出行行为分析,解决地铁网络大客流安全风险主动防控问题,尤其是涉及一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法。
背景技术
超大规模地铁网络化运营面临着常态或突发事件下的大客流压力,乘客个体在地铁网络内的出行时空轨迹蕴含着每位乘客在特定时间段内的出行选择特征和活动特性。实时获取乘客的出行轨迹能够为估算列车实时满载率、监控网络客流实时分布、优化客运组织方案、制定弹性票价策略等提供详尽的数据基础。此外,在地铁网络层面上获取乘客在不同路径之间的换乘比例,不同类型乘客的路径选择行为,能够更精准地挖掘客流分布的时空关联特性,为车站客运组织方案的制定和线路客流的主动预警提供量化依据,提高地铁网络化运营风险主动管控的智能化水平。特别是在突发重大卫生安全事件背景下,相对于仅获取乘客关键时空位置信息的方法,对乘客的出行轨迹进行实时追溯还原在应对疫情传播轨迹追踪、病毒溯源和密切接触者识别等问题时具有重大现实意义。
乘客个体在地铁网络内的出行具有路径多样化和过程随机化等特点,AFC系统虽然可以得到乘客的进出站刷卡数据,但无法精确获得乘客个体的实时位置信息。乘客在地铁网络内的出行需要频繁穿梭于布设在地上和地下的地铁车站及列车之间。因此,传统仅能对乘客室外或室内出行进行定位的技术,无法完整记录乘客的网络出行轨迹,中国专利201811644756.4公开了一种室内外无缝渐变导航过渡方法,为本发明乘客在室外车站、列车和室内车站和列车之间出行轨迹数据的采集提供了技术支持。
受采集设备信号相互干扰、数据传输通道等因素影响,乘客轨迹大数据中普遍存在数据冗杂和数据缺失严重的情况,此外,可能有部分乘客在到站或上车后才开启信号接收装置,导致部分位置信息未被采集到。特别地,虽然车站及车厢内布设了二维码,但从乘客到达至完成信息填写过程中需要花费一定时间。且填写的信息可能与真实值之间存在误差,特别是在时刻信息方面,难以精确记录乘客的实时出行轨迹。
现有的数据驱动模型大多是基于乘客出行时空位置信息完整的情况设计的轨迹还原模型,既无法很好地与乘客个体复杂随机的位置信息缺失情况相匹配,也无法保证出行轨迹还原追溯的实时性,因此,亟需提出一种地铁乘客个体室内外出行轨迹实时追溯还原方法。
发明内容
本发明的目的就是为了能够为地铁网络化运营管理提供实时精确的乘客出行时空轨迹信息,克服上述现有技术存在的缺陷而提供一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,依据室内外一体化定位技术获取乘客在地铁网络中的实时空间位置信息,特别是乘客在地铁车站内的走行轨迹和乘客对地铁线路、列车及车厢的选乘信息,本发明能够作为地铁网络化运营实时管理决策和重大突发事件背景下乘客个体出行轨迹实时还原追溯的重要依据,在保障网络大客流运营安全的基础上进一步提高地铁智能化服务水平。
本发明的目的可以通过以下技术方案来实现:
一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,包括以下步骤:
S1、实时采集乘客室内外出行时空位置数据,并进行预处理,得到乘客出行轨迹;
S2、进行多源数据融合的出行语义自动标注;
S3、基于出行语义识别乘客出行轨迹的缺失信息;
S4、乘客个体出行轨迹实时还原追溯。
所述的步骤S1具体为:
将无线网络接入点布设在地铁车站和列车内,获取每个乘客的时空位置信息,将信息上传至后台的位置服务器,位置服务器结合反馈的信号强弱及离线数据库中各信息采集设备的地理位置,获取乘客的实时位置数据,包括扫描时间、扫描设备的位置信息、乘客识别号、信号强度以及相应的SSID,并且对乘客实时位置数据进行预处理,生成每位乘客的室内外时空位置实时网络。
其中,j为进行了乘客个人隐私加密处理后得到的乘客编号,J为乘客编号集合,m为轨迹位置记录编号,v为日期,<R1,R2,...,Rm>为采集到的乘客时空位置属性序列,且Rm=<t,rssi,x,y>m,m为时空位置属性序列编号,M为时空位置属性序列编号集合,t为数据的采集时刻,rssi为信号强度,x和y分别为扫描设备的经度和纬度。
所述的步骤S2具体为:
S21、结合地铁物理网络拓扑和列车实际运行图数据,构建地铁运行动态拓扑网络;
S22、根据车站与扫描设备经纬度之间的关联关系,分别构建乘客出行位置语义集合和乘客出行目的语义集合,将乘客室内外出行位置实时网络与地铁运行动态拓扑网络G进行时空匹配,并进行出行语义的自动标注,所述的地铁乘客出行位置语义集合表示为{车站名称,线路编号,列车编号,站台,站厅,楼梯},乘客出行目的语义集合表示为{xx号线换乘xx号线、xx号线进站或xx号线出站}。
所述的步骤S21中,地铁物理网络拓扑A表示为:
所述的地铁运行动态拓扑网络G表示为:
其中,包括五类基本组成要素,h为时段编号,cx为出行目的语义,cx∈C,x表示出行目的语义的编号,X为出行目的语义的编号集合,x∈X,C为出行目的语义集合,表示出行位置语义属性序列,在出行位置语义属性序列中第n个参数Ln=<t,l>n,1<n<m,t为数据的采集时刻,l为出行位置语义,在中,lo为轨迹中起始位置的语义,在中,ld为轨迹中终到位置的语义。
所述的步骤S3具体包括以下步骤:
其中,<E1,E2,...,Ef>表示出行状态语义属性序列,且Ef=<l,ts,te,ty>f,f为出行状态语义属性序列编号,F为出行状态语义属性序列编号集合,ts为各出行状态ty的起始时刻,te为相应出行状态ty的结束时刻;
S32、参考完整出行语义集合,判别乘客轨迹中的缺失信息,则有:
其中,为乘客j在日期v的轨迹缺失信息集合,π为完整出行语义集合,在完整出行语义集合π中,非换乘乘客的完整出行语义序列表述为:站厅→站台→列车→站台→站厅,发生一次换乘时乘客的完整出行语义序列则表述为:站厅→站台→列车→站台→(站厅→站台)→列车→站台→站厅,(站厅→站台)表示在同台换乘时去除的部分。
所述的步骤S4具体为:
结合乘客实时出行轨迹数据、乘客历史出行轨迹特征和实时乘客群体出行轨迹数据,根据乘客个体出行轨迹的实时还原追溯模型方法,分别对起始车站、目的地车站、换乘车站、乘坐列车和车站内走行轨迹的时空语义信息进行还原追溯,最终形成完整的乘客出行轨迹。
对于起始车站缺失情景下的轨迹实时追溯还原,则有:
其中,pj(<tO,lO>)为乘客j出行起始车站为lO且对应时刻为tO的概率,Numj(<tD′,lD′>,<tO,lO>)表示乘客j的历史轨迹中上一次出行目的地车站及对应时刻为<tD′,lD′>,且相邻的下一条轨迹中起始车站及对应时刻为<tO,lO>的记录数,Numj(<tO,lO>)为乘客j的历史轨迹中起始车站及对应时刻分别为<tO,lO>的记录数;
对于目的地车站缺失情景下的轨迹实时追溯还原,则有:
其中,pj(<tD,lD>)为乘客j出行目的地车站为lD且对应时刻为tD的概率,Numj(<t,l>β-n,<t,l>β-n+1,…,<t,ld>β)为乘客j历史轨迹中经过的车站及对应时刻为(<t,l>β-n,<t,l>β-n+1,…,<t,ld>β),且同一次出行中目的地车站及对应时刻为<t,ld>β的记录数,Numj(<t,ld>)为乘客j的历史轨迹中目的地车站及对应时刻分别为<t,ld>的记录数,β为出行位置语义序列编号,且1<n<β<m。
在换乘车站缺失情景下的轨迹实时追溯还原中,
对于同台换乘情况,乘客下车后仅需要在原站台等待换乘列车到达,此时的完整出行位置语义为:站台-列车,相对于换乘前的轨迹,改变的是列车线路编号;
对于非同台换乘情况,乘客下车后的完整出行位置语义为:站台-站厅-站台-列车,通过识别乘客相邻两次出行线路编号和列车编号,连接换乘前轨迹中的下车车站与换乘轨迹中的上车车站,获得乘客换乘方向;
对于乘坐列车缺失情景下的轨迹实时追溯还原,当存在多趟列车时,结合实际运行图中列车的到发时刻匹配乘客上下车时刻,则有:
与现有技术相比,本发明具有以下优点:
一、本发明基于室内外一体化定位技术,从乘客个体角度出发提出符合地铁网络车站建设特点的乘客出行轨迹实时还原追溯设想。
二、依据具体轨迹数据缺失特点,设计了出行语义自动标注的地铁乘客个体出行轨迹的实时还原追溯模型方法,能够起始车站、目的地车站、换乘车站、乘坐列车和车站内走行轨迹的时空语义信息进行还原追溯。
三、本发明提出的轨迹实时还原追溯结果可作为日常运营管理和重大安全卫士事件发生背景下实时管理决策的数据支撑。
附图说明
图1为本发明的方法流程图。
图2为地铁网络乘客时空位置采集系统示意图。
图3为非换乘乘客轨迹与列车匹配图。
图4为换乘乘客轨迹径与列车匹配图。
图5为乘客换乘轨迹实时还原追溯结果。
图6为乘客非换乘轨迹实时还原追溯结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
为了能够完整反映乘客个体出行轨迹的时空语义信息,本发明克服了现有技术中的缺点和不足,提出一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法。结合乘客在地铁网络内的出行特性设计出行语义集合及自动标注方法,不仅能够完整追溯还原乘客的轨迹还能实时表征乘客的出行状态和出行目的,本发明能够作为新常态下地铁网络化运营实时管理决策及重大突发事件中大客流风险精准预警和主动防控的关键技术,如图1所示,该方法包括以下步骤:
S1乘客室内外时空位置数据实时采集。将无线网络接入点布设在地铁车站(包括地上、地下车站)和列车内,采集乘客的定位数据并上传至后台的服务器;结合反馈信号的强度及离线数据库中各无线网络接入点的位置信息,获取乘客的实时位置数据,主要包括扫描时间、扫描设备的位置信息、乘客识别号、信号强度以及相应的SSID;然后,对乘客位置数据进行预处理,生成每位乘客的室内外时空位置实时网络;
式(1)中,j为进行了乘客个人隐私加密处理后得到的乘客编号(简称:乘客编号),J代表乘客编号集合,v代表日期,<R1,R2,...,Rm>表示采集到的乘客时空位置属性序列,m为时空位置属性序列编号,M代表时空位置属性序列编号集合,Rm=<t,rssi,x,y>m,其中t表示数据的采集时刻,rssi是信号强度;x和y分别表示扫描设备的经度和纬度;
S2多源数据融合的出行语义自动标注。融合地铁物理网络拓扑和列车实际运行图数据,构建地铁运行动态拓扑网络;然后,设计乘客出行的位置语义和目的语义集合;将乘客室内外时空位置实时网络与地铁运行动态拓扑网络进行匹配,并进行出行语义的自动标注;
在步骤S2中,地铁物理网络拓扑A表示如下:
在步骤S2中,融合地铁物理网络拓扑和列车实际运行图数据,构建的地铁运行动态拓扑网络G表示如下:
在步骤S2中,乘客室内外时空位置实时网络与地铁运行动态拓扑网络时空匹配,主要依据车站与扫描设备经纬度之间的关联关系,设计地铁乘客出行位置语义集合={车站名称,线路编号,列车编号,站台,站厅,楼梯},乘客j某一天v的轨迹出行位置语义标注结果表示为:
式(4)中,包括五类基本组成要素,其中,h代表时段编号,cx为出行目的语义,cx∈C,x表示出行目的语义的编号,X为出行目的语义的编号集合,x∈X,具体地,出行目的语义集合={xx号线换乘xx号线,xx号线进站,xx号线出站};此外,表示出行位置语义属性序列,特别地,Ln=<t,l>n,1<n<m,t表示数据的采集时刻,l表示出行位置语义,中的lo表示轨迹中起始位置的语义,中的ld表示轨迹中终到位置的语义,可见,出行语义标注方法能够更直观地表征乘客从起始车站到目的地车站过程中的位置语义及目的语义;
S3基于出行语义的轨迹缺失信息判别,设计乘客出行的状态语义集合,参考完整出行语义集合,自动判别出乘客轨迹中的缺失信息,乘客出行状态语义集合={候车,走行,站台滞留,乘车,换乘走行,换乘候车,上车,下车},乘客j某一天v的轨迹出行状态标注表示为:
式(5)中,<E1,E2,...,Ef>表示出行状态语义属性序列,其中Ef=<l,ts,te,ty>f,f为出行状态语义属性序列编号,F代表出行状态语义属性序列编号集合,ts表示各出行状态ty的起始时刻,te表示相应出行状态ty的结束时刻;
基于出行语义的轨迹缺失信息判别方法,表述为:
式(6)中,为乘客j某一天v的轨迹缺失信息集合,π表示完整出行语义集合,非换乘乘客的完整出行语义序列表述为:站厅→站台→列车→站台→站厅,而发生一次换乘时乘客的完整出行语义序列则可表述为:站厅→站台→列车→站台→(站厅→站台)→列车→站台→站厅,若同台换乘则没有:(站厅→站台);
S4乘客个体出行轨迹实时追溯还原。结合乘客实时轨迹数据、乘客历史轨迹和实时乘客群体轨迹数据,设计乘客个体轨迹的实时追溯还原算法,对起始车站、目的地车站、换乘车站、乘坐列车和车站内走行轨迹的时空语义信息进行追溯还原,最终形成完整的乘客轨迹;
在步骤S4中,起始车站缺失情景下的轨迹实时追溯还原算法为:
式(7)中,pj(<tO,lO>)表示乘客j出行起始车站为lO且对应时刻为tO的概率,Numj(<tD′,lD′>,<tO,lO>)表示乘客j的历史轨迹中上一次出行目的地车站及对应时刻为<tD′,lD′>,而相邻的下一条轨迹中起始车站及对应时刻为<tO,lO>的记录数。Numj(<tO,lO>)为该乘客的历史轨迹中起始车站及对应时刻分别为<tO,lO>的记录数;
目的地车站缺失情景下的轨迹实时追溯还原算法为:
其中,pj(<tD,lD>)为乘客j出行目的地车站为lD且对应时刻为tD的概率,Numj(<t,l>β-n,<t,l>β-n+1,…,<t,ld>β)为乘客j历史轨迹中经过的车站及对应时刻为(<t,l>β-n,<t,l>β-n+1,…,<t,ld>β),且同一次出行中目的地车站及对应时刻为<t,ld>β的记录数,Numj(<t,ld>)为乘客j的历史轨迹中目的地车站及对应时刻分别为<t,ld>的记录数,β为出行位置语义序列编号,且1<n<β<m;
换乘车站缺失情景下的轨迹实时追溯还原难点在于换乘方向的确定。对于同台换乘情况,乘客下车后只需要在原站台等待换乘列车到达。此时的完整出行位置语义为:站台-列车,相对于换乘前的轨迹,改变的是列车线路编号。非同台换乘情况中,乘客下车后的完整出行位置语义为:站台-站厅-站台-列车。通过识别乘客相邻两次出行线路编号和列车编号,连接换乘前轨迹中的下车车站与换乘轨迹中的上车车站,便可获得乘客换乘方向;
在乘坐列车缺失情景下,当存在多趟列车时,需要结合实际运行图中列车的到发时刻匹配乘客上下车时刻。当满足公式(9)时,说明乘客乘坐列车k离开车站i:
当满足公式(10)时,表明乘客乘坐列车k到达车站z:
在步骤S4中,乘客车站内走行轨迹缺失情景下的轨迹实时追溯还原,采用基于先验搜索路径的全局路网匹配算法,具体为:
通过相似度匹配的方式,将乘客已经生成的走行轨迹和车站内群体乘客的轨迹信息进行匹配,将相似度最高的轨迹作为乘客的候选路径集合。然后识别乘客的实时位置语义信息,结合该乘客的历史轨迹信息确定当前的出行目的语义,以提高算法的匹配效率。
实施例
以编号为90的乘客在秀沿路进入地铁网络,然后在国权路离开为例,地铁线路11、2和10已记录在时空位置数据中,而未收集任何车站信息。
图(5b)中的五角星表示需要的关键位置数据,实时还原出的乘客轨迹为首先在罗山路换乘16号线,然后再在龙阳路换乘2号线,当乘客最终进入10号线并到达图(5a)中的国权路时,第三次换乘发生在南京东路,由于丢失了16号线的信息,因此可以同时使用163号和16431号列车,提取了两条可能的出行轨迹,如图(5c)所示。随着位置数据的更新,最终可以确定出乘客乘坐的列车编号。
根据编号为863的乘客的时空位置数据,实时还原出的乘客轨迹如图6所示。该乘客由海伦路出发,乘坐4号线列车到达金沙江路。同时,可以追溯乘客进出站时到达站厅、站台的时刻,所乘坐列车的车体号及该列车在途径各站的到发时刻等信息。
本发明通过设计自动标注的出行语义信息方法,弥补了现有公开的方法中乘客出行轨迹还原追溯方法大多依赖于从群体角度出发的交通分配模型,无法适应乘客个体出行路径多样化和动态化的特征。
Claims (8)
1.一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,其特征在于,包括以下步骤:
S1、实时采集乘客室内外出行时空位置数据,并进行预处理,得到乘客出行轨迹,具体为:
将无线网络接入点布设在地铁车站和列车内,获取每个乘客的时空位置信息,将信息上传至后台的位置服务器,位置服务器结合反馈的信号强弱及离线数据库中各信息采集设备的地理位置,获取乘客的实时位置数据,包括扫描时间、扫描设备的位置信息、乘客识别号、信号强度以及相应的SSID,并且对乘客实时位置数据进行预处理,生成每位乘客的室内外时空位置实时网络;
S2、进行多源数据融合的出行语义自动标注,具体为:
S21、结合地铁物理网络拓扑和列车实际运行图数据,构建地铁运行动态拓扑网络;
S22、根据车站与扫描设备经纬度之间的关联关系,分别构建乘客出行位置语义集合和乘客出行目的语义集合,将乘客室内外出行位置实时网络与地铁运行动态拓扑网络G进行时空匹配,并进行出行语义的自动标注,所述的地铁乘客出行位置语义集合表示为{车站名称,线路编号,列车编号,站台,站厅,楼梯},乘客出行目的语义集合表示为{xx号线换乘xx号线、xx号线进站或xx号线出站};
S3、基于出行语义识别乘客出行轨迹的缺失信息;
S4、乘客个体出行轨迹实时还原追溯。
5.根据权利要求4所述的一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,其特征在于,所述的步骤S3具体包括以下步骤:
其中,<E1,E2,...,Ef>表示出行状态语义属性序列,且Ef=<l,ts,te,ty>f,f为出行状态语义属性序列编号,F为出行状态语义属性序列编号集合,ts为各出行状态ty的起始时刻,te为相应出行状态ty的结束时刻;
S32、参考完整出行语义集合,判别乘客轨迹中的缺失信息,则有:
6.根据权利要求5所述的一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,其特征在于,所述的步骤S4具体为:
结合乘客实时出行轨迹数据、乘客历史出行轨迹特征和实时乘客群体出行轨迹数据,根据乘客个体出行轨迹的实时还原追溯模型方法,分别对起始车站、目的地车站、换乘车站、乘坐列车和车站内走行轨迹的时空语义信息进行还原追溯,最终形成完整的乘客出行轨迹。
7.根据权利要求6所述的一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,其特征在于,对于起始车站缺失情景下的轨迹实时追溯还原,则有:
其中,pj(<tO,lO>)为乘客j出行起始车站为lO且对应时刻为tO的概率,Numj(<tD′,lD′>,<tO,lO >)表示乘客j的历史轨迹中上一次出行目的地车站及对应时刻为< tD′,lD′>,且相邻的下一条轨迹中起始车站及对应时刻为<tO,lO>的记录数,Numj(<tO,lO>)为乘客j的历史轨迹中起始车站及对应时刻分别为<tO,lO>的记录数;
对于目的地车站缺失情景下的轨迹实时追溯还原,则有:
其中,pj(<tD,lD>)为乘客j出行目的地车站为lD且对应时刻为tD的概率,Numj(<t,l>β-n,<t,l)β-n+1,…,<t,ld>β)为乘客j历史轨迹中经过的车站及对应时刻为(<t,l>β-n,<t,l>β-n+1,…,<t,ld>β),且同一次出行中目的地车站及对应时刻为<t,ld>β的记录数,Numj(<t,ld>)为乘客j的历史轨迹中目的地车站及对应时刻分别为<t,ld>的记录数,β为出行位置语义序列编号,且1<n<β<m。
8.根据权利要求6所述的一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法,其特征在于,在换乘车站缺失情景下的轨迹实时追溯还原中,
对于同台换乘情况,乘客下车后仅需要在原站台等待换乘列车到达,此时的完整出行位置语义为:站台-列车,相对于换乘前的轨迹,改变的是列车线路编号;
对于非同台换乘情况,乘客下车后的完整出行位置语义为:站台-站厅-站台-列车,通过识别乘客相邻两次出行线路编号和列车编号,连接换乘前轨迹中的下车车站与换乘轨迹中的上车车站,获得乘客换乘方向;
对于乘坐列车缺失情景下的轨迹实时追溯还原,当存在多趟列车时,结合实际运行图中列车的到发时刻匹配乘客上下车时刻,则有:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305313.XA CN112511982B (zh) | 2020-11-19 | 2020-11-19 | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011305313.XA CN112511982B (zh) | 2020-11-19 | 2020-11-19 | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112511982A CN112511982A (zh) | 2021-03-16 |
CN112511982B true CN112511982B (zh) | 2021-11-09 |
Family
ID=74958846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011305313.XA Active CN112511982B (zh) | 2020-11-19 | 2020-11-19 | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112511982B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096785B (zh) * | 2021-04-09 | 2022-01-25 | 中南林业科技大学 | 一种疫情时期医疗资源分配方法 |
CN113642625B (zh) * | 2021-08-06 | 2024-02-02 | 北京交通大学 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
CN113889284B (zh) * | 2021-09-16 | 2022-07-05 | 同济大学 | 一种基于公共交通知识图谱的传染病接触目标追踪方法 |
CN115294785B (zh) * | 2022-06-30 | 2024-03-29 | 通号城市轨道交通技术有限公司 | 基于手机信号的地铁动态运行调整方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN109552369A (zh) * | 2018-12-17 | 2019-04-02 | 中车工业研究院有限公司 | 基于多模式能力供给的微型轨道列车动态开行方法和装置 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN110597945A (zh) * | 2019-07-02 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 城市地铁站域的认知场所特征识别方法及系统 |
WO2020227343A1 (en) * | 2019-05-07 | 2020-11-12 | The Joan and Irwin Jacobs Technion-Cornell Institute | Systems and methods for detection of anomalies in civil infrastructure using context aware semantic computer vision techniques |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109887275A (zh) * | 2019-01-26 | 2019-06-14 | 深圳市新城市规划建筑设计股份有限公司 | 一种多源轨迹数据居民通勤分析系统及方法 |
-
2020
- 2020-11-19 CN CN202011305313.XA patent/CN112511982B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN108389420A (zh) * | 2018-03-13 | 2018-08-10 | 重庆邮电大学 | 一种基于历史出行特征的公交乘客下车站点实时识别方法 |
CN109581444A (zh) * | 2018-11-01 | 2019-04-05 | 西北大学 | 一种gps轨迹分段及语义标注方法 |
CN109552369A (zh) * | 2018-12-17 | 2019-04-02 | 中车工业研究院有限公司 | 基于多模式能力供给的微型轨道列车动态开行方法和装置 |
WO2020227343A1 (en) * | 2019-05-07 | 2020-11-12 | The Joan and Irwin Jacobs Technion-Cornell Institute | Systems and methods for detection of anomalies in civil infrastructure using context aware semantic computer vision techniques |
CN110597945A (zh) * | 2019-07-02 | 2019-12-20 | 中国科学院深圳先进技术研究院 | 城市地铁站域的认知场所特征识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
用于交通出行调查的GPS时空轨迹数据简化与语义增强研究;张波;《中国优秀硕士学位论文全文数据库》;20110930;第3章、第4章、第4.3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112511982A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112511982B (zh) | 一种出行语义自动标注的地铁乘客轨迹实时追溯还原方法 | |
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 | |
CN111653097B (zh) | 一种基于手机信令数据且含个人属性修正的城市出行方式综合识别方法 | |
CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
CN107818412B (zh) | 一种基于MapReduce的大规模公交乘客OD并行计算方法 | |
CN111653096B (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN110188923B (zh) | 一种基于大数据技术的多模式公交客流推算方法 | |
CN111310994A (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
CN111311467A (zh) | 一种基于人脸识别的公交路线预测方法及系统 | |
CN114446048B (zh) | 基于手机信令数据的轨道交通出行者全出行链分析方法 | |
CN108362293A (zh) | 一种基于关键点技术的车辆轨迹匹配方法 | |
CN104066057B (zh) | 一种利用智能手机进行主动式乘客信息获取及服务的方法 | |
CN109547930B (zh) | 基于运营商数据的城市轨道交通客流来源分析的方法及装置 | |
CN107516417A (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
CN105096590B (zh) | 交通信息生成方法和交通信息生成设备 | |
CN111653099A (zh) | 基于手机信令数据的公交客流od获取方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
CN111161531A (zh) | 一种基于公交车载终端判断线路正返程和进出站的方法 | |
CN111190891A (zh) | 一种多语义轨迹数据分段存储方法 | |
CN115714957A (zh) | 基于手机信令的地铁出行识别方法、装置、设备及介质 | |
CN109493601B (zh) | 一种公交支线设置方法 | |
CN113344268B (zh) | 一种城市交通出行数据分析方法 | |
CN1760930A (zh) | 磁浮交通特种车辆调度监视方法和系统 | |
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 | |
CN111624638A (zh) | 基于大数据系统的行踪追溯及监控报告的生成方法 |
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 |