CN112700073A - 公交线路规划方法和装置 - Google Patents
公交线路规划方法和装置 Download PDFInfo
- Publication number
- CN112700073A CN112700073A CN201911007243.7A CN201911007243A CN112700073A CN 112700073 A CN112700073 A CN 112700073A CN 201911007243 A CN201911007243 A CN 201911007243A CN 112700073 A CN112700073 A CN 112700073A
- Authority
- CN
- China
- Prior art keywords
- candidate
- node
- information
- users
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种公交线路规划方法和装置,涉及智慧交通领域,用于实现准确地规划公交线路。公交线路规划方法包括:根据候选区域内用户的出行信息和属性信息构建图模型;对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;从候选的公交线路中确定目标公交线路。该方法确定的目标公交线路可较大程度地满足用户需求。
Description
技术领域
本申请涉及智慧交通领域,尤其涉及一种公交线路规划方法和装置。
背景技术
目前公交线路的规划方法通常采用对调查问卷进行投票的形式,在互联网端开放调查问卷的投票系统,先公开候选的公交线路,由居民对候选的公交线路进行投票,然后根据收集上来的投票结果从候选的公交线路中选择得票最高的公交线路作为目标公交线路。
上述公交线路的规划方法中候选的公交线路是结合人工经验和基于位置服务(location based service,LBS)报活热力图得到的,由于LBS报活热力图受天气状况、线路偶发运营情况、节假日等影响很大,而且反映的是人群短期内的行为,另外,人工经验相对粗糙和难以量化,所以得到的候选的公交线路的随意性很大,进而使得最终确定的目标公交线路无法较大程度地满足用户的真实需求。
发明内容
本申请实施例提供一种公交线路规划方法和装置,用于实现准确地规划公交线路。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种公交线路规划方法,包括:根据候选区域内用户的出行信息和属性信息构建图模型;对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;从候选的公交线路中确定目标公交线路。
本申请实施例提供的公交线路规划方法,根据候选区域内用户的出行信息和属性信息构建图模型;对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;从候选的公交线路中确定目标公交线路。不必根据人工经验来规划公交线路,消除了人工经验的随意性,可以实现准确地规划公交线路。
一种可能的实现方式中,用户的出行信息包括出发地信息、目的地信息、历史乘车记录;属性信息包括以下信息中的至少一个:用户的年龄、性别、工作属性、经济情况、出行偏好。该实施方式列举了构建图模型的一些客观要素,这些客观要素不必依赖于人工经验。
一种可能的实现方式中,根据候选区域内用户的出行信息和属性信息构建图模型,包括:对候选区域内的所有用户的出发地信息进行聚类得到至少一个出发地节点,对所有用户的目的地信息进行聚类得到至少一个目的地节点;根据每个用户的历史乘车记录以及属性信息得到每个用户对应的出发地节点与目的地节点之间的边的第一权重;根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到相同出发地节点与相同目的地节点之间的边的第二权重;根据出发地节点、目的地节点和第二权重构建图模型。
一种可能的实现方式中,对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间,包括:确定图模型中任意两个节点之间的连通性。根据阈值和两个连通的节点之间的边的权重对图模型的节点进行过滤,获得边的权重大于或等于阈值的节点。根据边的权重大于或等于阈值的节点确定公交线路的关键候选站点、关键用户以及站点时间;其中,边的权重大于或等于阈值的节点或者边的权重大于或等于阈值的节点对应的道路位置为关键候选站点,边的权重大于或等于阈值的节点对应的用户为关键用户,边的权重大于或等于阈值的节点对应的用户的出行时间段为站点时间。在该实施方式中,图连通分析和边过滤可以最大化规划的公交线路的效益,使得公交线路尽量覆盖出行需求高的节点。
一种可能的实现方式中,从候选的公交线路中确定目标公交线路,包括:将候选的公交线路输入用户体验度模型,进行迭代计算得到各个候选的公交线路对应的目标函数值;将目标函数值最高的N个候选的公交线路确定为目标公交线路。本申请不限定目标公交线路的条数。
一种可能的实现方式中,出发地信息包括下列信息中的一种或多种:出发地的经纬度、出发地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等;目的地信息包括下列信息中的一种或多种:目的地的经纬度、目的地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等)。本申请不限定出发地信息和目的地信息的具体形式。
第二方面,提供了一种公交线路规划装置,包括:构建模块,用于根据候选区域内用户的出行信息和属性信息构建图模型;分析模块,用于对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;获取模块,用于根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;确定模块,用于从候选的公交线路中确定目标公交线路。
本申请实施例提供的公交线路规划装置,根据候选区域内用户的用户的出行信息和属性信息构建图模型;对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;从候选的公交线路中确定目标公交线路。不必根据人工经验来规划公交线路,消除了人工经验的随意性,可以实现准确地规划公交线路。
一种可能的实现方式中,用户的出行信息包括出发地信息、目的地信息、历史乘车记录;用户的属性信息包括以下信息中的至少一个:用户的年龄、性别、工作属性、经济情况、出行偏好。该实施方式列举了构建图模型的一些客观要素,这些客观要素不必依赖于人工经验。
一种可能的实现方式中,构建模块,具体用于:对候选区域内的所有用户的出发地信息进行聚类得到至少一个出发地节点,对所有用户的目的地信息进行聚类得到至少一个目的地节点;根据每个用户的历史乘车记录以及属性信息得到每个用户对应的出发地节点与目的地节点之间的边的第一权重;根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到相同出发地节点与相同目的地节点之间的边的第二权重;根据出发地节点、目的地节点和第二权重构建图模型。
一种可能的实现方式中,分析模块,具体用于:确定图模型中任意两个节点之间的连通性。根据阈值和两个连通的节点之间的边的权重对图模型的节点进行过滤,获得边的权重大于或等于阈值的节点。根据边的权重大于或等于阈值的节点确定公交线路的关键候选站点、关键用户以及站点时间;其中,边的权重大于或等于阈值的节点或者边的权重大于或等于阈值的节点对应的道路位置为关键候选站点,边的权重大于或等于阈值的节点对应的用户为关键用户,边的权重大于或等于阈值的节点对应的用户的出行时间段为站点时间。
一种可能的实现方式中,确定模块,具体用于:将候选的公交线路输入用户体验度模型,进行迭代计算得到各个候选的公交线路对应的目标函数值;将目标函数值最高的N个候选的公交线路确定为目标公交线路。本申请不限定目标公交线路的条数。
一种可能的实现方式中,出发地信息包括下列信息中的一种或多种:出发地的经纬度、出发地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等);目的地信息包括下列信息中的一种或多种:目的地的经纬度、目的地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等)。本申请不限定出发地信息和目的地信息的具体形式。
第三方面,提供了一种公交线路规划的计算设备,计算设备包括处理器和存储器,其中:存储器中存储有计算机指令,处理器执行计算机指令,以实现第一方面及其可能的实现方式的方法。
第四方面,提供了一种计算机可读存储介质,其特征在于,计算机可读存储介质存储有计算机指令,当计算机可读存储介质中的计算机指令被计算设备执行时,使得计算设备执行第一方面及其可能的实现方式的方法,或者使得计算设备实现上述第二方面及其可能的实现方式的装置的功能。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算设备上运行时,使得计算设备执行上述第一方面及其可能的实现方式的方法,或者使得计算设备实现上述第二方面及其可能的实现方式的装置的功能。
第三方面至第五方面的技术效果可以参照第一方面的各种可能实施方式所述内容。
附图说明
图1为本申请实施例提供的一种可以部署公交线路规划装置的硬件示意图;
图2为本申请实施例提供的一种公交线路规划方法的流程示意图一;
图3为本申请实施例提供的一种公交线路规划方法的流程示意图二;
图4为本申请实施例提供的一种公交线路规划方法的流程示意图三;
图5为本申请实施例提供的一种图模型的示意图一;
图6为本申请实施例提供的一种图模型的示意图二;
图7为本申请实施例提供的一种公交线路规划方法的流程示意图四;
图8为本申请实施例提供的一种公交线路规划装置的结构示意图;
图9为本申请实施例提供的一种公交线路规划的计算设备的结构示意图。
具体实施方式
如本申请所使用的,术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号,以本地和/或远程过程的方式进行通信。
本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是,各个系统可以包括另外的设备、组件、模块等,并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外,还可以使用这些方案的组合。
另外,在本申请实施例中,“示例的”一词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。
本申请实施例描述的架构以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着架构的演变和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请实施例提供的公交线路规划方法,可以基于运营商和公交公司的海量数据来规划公交线路,防止根据人工经验规划公交线路时随意性大的问题。公交线路规划方法可以由公交线路规划装置执行。公交线路规划装置既可以是一个硬件装置,如服务器、终端计算设备等,也可以是一个软件装置(如可以为运行在硬件装置上的一套软件程序)。示例性的,如图1所示,公交线路规划装置可以运行在云计算设备系统(可以包括至少一个云计算设备,如服务器等),也可以运行在边缘计算设备系统(可以包括至少一个边缘计算设备,如服务器、台式电脑等),还可以运行在各种终端计算设备上(如笔记本电脑、个人台式电脑等)。
公交线路规划装置在逻辑上也可以是由各个部分构成的装置,例如公交线路规划装置可以包括处理单元、通信单元。处理单元可以执行图8中构建模块801、分析模块802、获取模块803、确定模块804的功能。通信单元可以执行与其他设备进行通信的功能。公交线路规划装置中的各个组成部分可以分别部署在不同的系统或者服务器中。公交线路规划装置的各个部分可以分别运行在云计算设备系统、边缘计算设备系统、终端计算设备中的任意两个中。云计算设备系统、边缘计算设备系统和终端计算设备之间由通信通路连接,可以互相进行通信和数据传输。
下面将结合图2对本申请实施例提供的公交线路规划方法进行说明,该方法可以由公交线路规划装置执行。
如图2所示,本申请实施例提供了一种公交线路规划方法,该方法包括步骤S201-S204:
S201、根据候选区域内用户的出行信息和属性信息构建图模型。
其中,候选区域可以指一定经纬度范围内的区域、一定字符串编码(例如,GeoHash编码、Google S2编码等)对应的区域。
Geohash将一个预设长宽度的矩形区域内的经纬度信息,转换成一个GeoHash编码,例如WX4G3。即该矩形区域内的所有经纬度共享同一个字符串编码,该矩形区域也通常被称之为Geohash区块。
Google S2将球面上的点或区域投影到立方体上,立方体的每个面对应一棵四叉树,球面上的点或区域就投影在这棵四叉树上。然后进行一些转换将立方体的空间离散,从而将这些点或区域映射在希尔伯特曲线上。在这个过程中实现了将球面的三维转化为希尔伯特曲线的一维,即球面上的点或区域对应希尔伯特曲线上的一个点,对希尔伯特曲线上每个点进行编码得到球面上的点或区域对应的Google S2编码。
用户的出行信息可以包括:用户的出发地信息、目的地信息和历史乘车记录等。
用户的出发地在不同的时间可以是相同的或不同的,同理,用户的目的地在不同的时间段也可以是相同的或不同的,所以在本申请实施例中,进行公交线路规划所采用的数据可以是是全天的,也可以一段时间内的。例如,在旅游景点与交通枢纽(例如车站、机场或渡口)之间,常常在节假日迎来通行高峰,因此在规划公交路线时,可以尽量覆盖旅游景点与交通枢纽,以方便人们出行,因此出发地可以为旅游景点,目的地可以为交通枢纽,或者,出发地可以为交通枢纽,目的地可以为旅游景点。再例如,由于在工作时间段用户出行量较大,并且用户在工作时间段通常在工作地和居住地之间通勤往返,因此在规划公交路线时,可以尽量覆盖居住地和工作地,以方便人们出行,因此早上的出发地可以为居住地,目的地可以为工作地,或者,晚上的出发地可以为工作地,目的地可以为居住地。本申请实施例对于出发地和目的地的具体形式不作限定。又例如,在旅游线路上有三个景点A、B、C,旅游线路为上午从景点A出发经过景点B到达景点C,下午再从景点C返回景点A,则上午的出发地为景点A和景点B,目的地为景点B和景点C,下午的出发地为景点C,目的地为景点A。
可以通过运营商或公交公司获取一段时间内用户的出发地信息和目的地信息用于公交线路规划,例如,可以从运营商获取候选区域内所有用户在一段时间的手机连网数据,根据手机连网数据中用户的初次连网地点和末次连网地点分别构建出发地地理热力图和目的地地理热力图,根据出发地地理热力图可以得到出发地信息,根据目的地地理热力图可以得到目的地信息,其中,出发地地理热力图用于反映出发地相同的人群的数量,目的地地理热力图用于反映目的地相同的人群的数量。出发地信息可以包括下列信息中的一种或多种:出发地的经纬度、出发地的经纬度对应的字符串编码(例如,GeoHash编码、GoogleS2编码等)。目的地信息可以包括下列信息中的一种或多种:目的地的经纬度、目的地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等)。用户的出发地信息和目的地信息可以通过用户标识来关联到具体用户。
可以通过公交公司获取用户的历史乘车记录,用户的历史乘车记录可以包括:每日乘坐公交的次数、每日换乘公交的次数。用户的历史乘车记录可以通过用户标识来关联到具体用户。历史乘车记录对于公交路线规划的意义在于,例如,乘坐公交的次数多的用户相对于乘坐公交的次数少的用户更愿意选择公交出行,换乘公交的次数多的用户相对于换乘公交的次数少的用户更愿意选择公交出行。
可以通过运营商获取用户的属性信息。用户的属性信息可以包括以下信息中的至少一个:用户的年龄、性别、工作属性、经济情况、出行偏好等。用户的属性信息可以通过用户标识来关联到具体用户。用户的属性信息对于公交路线规划的意义在于根据用户的属性信息确定用户的公交线路需求强度,例如,老年人相对于年轻人更愿意选择公交出行,收入水平低的相对于收入水平高的更愿意选择公交出行,等等。
通过用户标识,可以将用户的出行信息和用户的属性信息相关联。
示例性的,如表1所示,为用户标识为1的用户关联后的出行信息和属性信息的示例:
表1
图模型是由点(也称为节点)和线(也称为边)组成的用以描述系统的图形。图模型属于结构模型,可用于描述自然界和人类社会中的大量事物和事物之间的关系。在建模中采用图模型可利用图论作为工具。按图的性质进行分析,为研究各种系统特别是复杂系统提供了一种有效的方法。构成图模型的图形不同于一般的几何图形。例如,它的每条边可以被赋以权重,组成加权图。权重可取一定数值,用以表示距离、影响程度、重要程度等。
本申请实施例中,图模型的节点用于表示工作地或居住地等地理位置坐标,图模型的边的权重用于表示两个节点之间用户出行需求的大小。
具体的,如图3和图4所示,步骤S201包括:
S2011、对候选区域内的所有用户的出发地信息进行聚类得到至少一个出发地节点,对所有用户的目的地信息进行聚类得到至少一个目的地节点。
聚类的方式可以为地理围栏聚类等,本申请以地理围栏聚类为例进行说明,但并不意在限定于此。
地理围栏指虚拟的地理区域,例如,可以将经纬度距离一定间隔的地理区域划分为一个地理围栏。或者,可以将字符串编码(例如,GeoHash编码、Google S2编码)相同的地理区域划分为一个地理围栏。本申请中可以将候选区域划分为多个地理围栏。
地理围栏聚类指将在一个地理围栏内的所有用户的出发地信息聚类为至少一个出发地节点,将在一个地理围栏内的所有用户的目的地信息聚类为至少一个目的地节点。出发地节点和目的地节点还可以有其他生成方式,本申请不作限定。需要说明的是,对于每个用户来说,可以对应一个出发地节点和一个目的地节点,例如,如果聚类得到出发地节点S的所有用户的出发地信息中包括用户A的出发地信息,则用户A对应出发地节点S;如果聚类得到目的地节点D的所有用户的出发地信息中包括用户A的目的地信息,则用户A对应目的地节点S。
示例性的,对于如图5所示的图模型,虚线框表示地理围栏,三角形表示各个用户的出发地,圆形表示各个用户的目的地,经过地理围栏聚类后,可以得到出发地节点A1-A3和目的地节点B1-B4。
S2012、根据每个用户的历史乘车记录以及属性信息得到每个用户对应的出发地节点与目的地节点之间的边的第一权重。
具体的,根据用户评估模型,对每个用户的历史乘车记录以及属性信息中的各个属性进行加权得到一个权重W,作为该用户在对应的出发地节点与目的地节点之间的边的第一权重。其中,用户评估模型用于表征公交线路规划所需的用户的各个属性,及各属性对于用户的公交路线需求的影响,用户评估模型是一个根据经验值拟合而成的数学模型。例如,对于图5所示的图模型,假设一个用户对应的出发地节点为A1,目的地节点为B2,则该用户在节点A1与节点B2之间的边的第一权重可以表示为W=a1*年龄+a2*性别+a3*工作属性+a4*经济情况+a5*出行偏好+a6*每日乘坐公交的次数+a7*每日换乘公交的次数。其中,a表示系数,a1、a2、a3、a4、a5、a6、a7的值分别由用户评估模型根据各个属性确定。示例性的,以表1中示例为例,对于一个用户属性为:年龄50岁、男性、工作属性为公务员、经济情况10万至50万、出行偏好为公交、每日乘坐公交的次数平均为4次、每日换乘公交的次数平均为2次的用户而言,其在节点A1与节点B2的第一权重W可以表示为W=a1*50+a2*1+a3*0.8+a4*0.8+a5*1+a6*4+a7*2。
S2013、根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到该相同出发地节点与相同目的地节点之间的边的第二权重。
可以理解,当多个用户的出发地节点相同并且目的地节点相同时,则该相同出发地节点与相同目的地节点之间的边可以对应多个用户的第一权重。
可选的,可以取该边的所有用户的第一权重的平均值作为该边的第二权重。或者,也可以采用其他方式(例如根据用户的属性进行加权平均)来根据第一权重计算第二权重,本申请不作限定。
S2014、根据出发地节点、目的地节点和第二权重构建图模型。
具体的,每对出发地节点与目的地节点之间都可以有一条边,该边的权重即为第二权重。
示例性的,如图5所示,出发地节点A1与目的地节点B1之间的第二权重为W11。出发地节点A1与目的地节点B2之间的第二权重为W12。出发地节点A1与目的地节点B3之间的第二权重为W13。出发地节点A2与目的地节点B1之间的第二权重为W21。出发地节点A2与目的地节点B2之间的第二权重为W22。出发地节点A3与目的地节点B4之间的第二权重为W34。
出发地节点与目的地节点之间的第二权重表示从出发地节点至目的地节点用户出行需求的大小,权重越大则用户出行需求越大,权重越小则用户出行需求越小。
S202、对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间。
首先,确定图模型中任意两个节点之间的连通性,在图论中,图连通指在一个无向图G中,若从顶点A到顶点B有路径相连,则称顶点A和顶点B是连通的。本申请中对图模型进行图连通分析主要用于确定模型中任意两个节点之间是否有边连通,如果有边连通则可以规划途经这两个节点的公交线路,否则不规划途经这两个节点的公交线路。示例性的,如图5所示,出发地节点A3与目的地节点B4之间是连通的。出发地节点A1-A2与目的地节点B1-B3之间是连通的。出发地节点A3与目的地节点B1-B3之间是不连通的,出发地节点A1-A2与目的地节点B4之间是不连通的。
其次,根据阈值和两个连通的节点之间的边的权重对图模型的节点进行过滤,获得边的权重大于或等于阈值的节点。本申请实施例中边过滤可以指去掉权重小于阈值的边以及与该边对应的节点。示例性的,边过滤可以为动态阈值过滤等,本申请不作限定。
根据边的权重大于或等于阈值的节点确定公交线路的公交线路的关键候选站点、关键用户以及站点时间。其中,边的权重大于或等于所述阈值的节点或者所述边的权重大于或等于所述阈值的节点对应的道路位置为关键候选站点。所述边的权重大于或等于所述阈值的节点对应的用户为关键用户,如步骤S2011所描述的,对于每个用户来说,可以对应一个出发地节点和一个目的地节点,因此对于各关键候选节点(包括出发地节点和目的地节点)来说,均可以找到对应的用户,这些用户即为关键用户。边的权重大于或等于所述阈值的节点对应的用户的出行时间段为站点时间,如步骤S201所描述的,出发地在不同的时间可以是相同的或不同的,目的地在不同的时间段也可以是相同的或不同的,所以关键候选节点与站点时间也会关联。
该步骤最终效果是可以去掉用户出行需求较少的边,以提高路径规划的价值。例如,对于图5所示的图模型来说,出发点节点A3与目的地节点B4与其他节点均不连通,并且出发点节点A3与目的地节点B4之间出行的用户数量较少,使得这两个节点之间的边的第二权重W34较小,则可以过滤掉出发点节点A3和目的地节点B4,仅保留出发地节点A1-A2以及目的地节点B1-B3,最终可以得到图6所示的图模型。公交线路的关键候选站点即为剩余的节点A1、A2、B1、B2和B3。
S203、根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路。
具体的,可以调用基于迪杰斯特拉(Dijkstra)算法(类似的,还有A star搜索算法,Floyd搜索算法等)的路径规划引擎,根据关键候选站点、关键用户以及站点时间得到候选的公交线路。迪杰斯特拉(Dijkstra)算法是典型的最短路径算法,用于计算一个节点到其他节点的最短路径。其主要特点是以起始点为中心向外层层扩展(广度优先搜索思想),直到扩展到终点为止。
首先,根据地图进行路径规划的原理如下:
将地图的道路信息抽取出来,构建邻接表和节点信息索引。节点信息索引用于表示节点与地图中的点的映射关系。地图中道路的路网拓扑通过邻接表来抽象表达。邻接表包括节点(node)信息,节点信息用于表示地图中的道路路口,节点信息包括至少一个边(edge)属性,表示与该道路路口关联的邻近道路,其中,边属性是有权重值的,权重值包括道路等级、道路长度、道路现状等。最后,在邻接表中给定起始点和终点,进行Dijkstra算法搜索,找到最短路径的路由信息,再通过节点信息索引把路由信息映射回原地图中,即可得到真实的路径规划结果。
将关键候选站点作为路径的途经点,不断地去调用路径规划引擎进行上述路径规划过程,最终拼接成若干条候选的路径轨迹拼接结果,在路径规划过程中,保证规划的路径必须覆盖一定阈值的关键用户,比如,覆盖大于80%的关键用户,否则,放弃该路径。然后,通过关键用户的出发时间和到达时间的约束来对路径进行筛选,过滤掉明显不可能满足上述约束的路径,最终剩余的路径即为候选的公交线路。
示例性的,假设地图中有关键候选站点A(慧德路与南京路交叉口)、关键候选站点B(明月路口向西30米)、关键候选站点C(思勤路口向北5米),绎规划得到的候选的公交线路可以表示如下:
M1:关键候选站点A(8:30+5min)—>关键候选站点B(8:40+2min)—>关键候选站点C(9:00+3min)。
M2:关键候选站点B(8:20+5min)—>关键候选站点A(8:35+2min)—>关键候选站点C(9:00+3min)。
如前文所述的,出发地节点和目的地节点可以是地理围栏聚类后的点,并不能保证在道路上,同理,从中选择得到的关键候选站点也不能保证在道路上,因此在进行公交路线规划时,可以选取靠近关键候选站点的道路作为候选的公交线路。
S204、从候选的公交线路中确定目标公交线路。
具体的,如图7所示,步骤S204包括:
S2041、将候选的公交线路输入用户体验模型,进行迭代计算得到各个候选的公交线路对应的目标函数值。
用户体验模型用于通过对候选的公交线路进行排序来描述用户对候选的公交线路的满意度,其基本原理如下:
首先定义一个用户体验模型函数,输入包括各个用户的历史乘车记录、属性信息等,输出为该条线路的用户满意度评分,即目标函数值。然后对每一条候选的公交线路,将对应的所有的关键用户的历史乘车记录以及属性信息输入该用户体验模型函数进行计算,得到各条候选公交线路的用户满意度评分作为对应的目标函数值。
示例性的,以表1中示例为例,对于一个用户属性为:年龄50岁、男性、工作属性为公务员、经济情况10万至50万、出行偏好为公交、每日乘坐公交的次数平均为4次、每日换乘公交的次数平均为2次的用户而言,用户体验模型函数可以表示为b1*50+b2*1+b3*0.8+b4*0.8+b5*1+b6*4+b7*2,其中,b为系数,b1、b2、b3、b4、b5、b6、b7的值分别由用户体验模型根据各个属性确定。
S2042、将目标函数值最高的N个候选的公交线路确定为目标公交线路。
N为正整数,也就是说,最终确定的目标公交线路可以不止一条。
本申请实施例提供的公交线路规划方法,根据候选区域内用户的用户的出行信息和属性信息构建图模型;对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路;从候选的公交线路中确定目标公交线路。不必根据人工经验来规划公交线路,消除了人工经验的随意性,可以实现准确地规划公交线路。
可以理解的是,以上各个实施例中,由公交线路规划装置实现的方法和/或步骤,也可以由可用于公交线路规划装置的部件(例如芯片或者电路)、芯片或功能模块实现。
本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法实施例对公交线路规划装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图8示出了一种公交线路规划装置80的结构示意图。该公交线路规划装置130包括构建模块801、分析模块802、获取模块803和确定模块804。构建模块801可以执行图2中的步骤S201,图3和图4中的步骤S2011-S2014,图7中的步骤S201。分析模块802可以执行图2中的步骤S202,图3和图4中的步骤S202,图7中的步骤S202。获取模块803可以执行图2中的步骤S203,图3和图4中的步骤S203,图7中的步骤S203。确定模块804可以执行图2中的步骤S204,图3和图4中的步骤S204,图7中的步骤S2041-S2042。具体的:
构建模块801,用于根据候选区域内用户的出行信息和属性信息构建图模型。
分析模块802,用于对图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间。
获取模块803,用于根据地图、关键候选站点、关键用户以及站点时间得到候选的公交线路。
确定模块804,用于从候选的公交线路中确定目标公交线路。
在一种可能的实施方式中,用户的出行信息包括出发地信息、目的地信息、历史乘车记录;用户的属性信息包括以下信息中的至少一个:用户的年龄、性别、工作属性、经济情况、出行偏好。
在一种可能的实施方式中,构建模块801,具体用于:对候选区域内的所有用户的出发地信息进行聚类得到至少一个出发地节点,对所有用户的目的地信息进行聚类得到至少一个目的地节点;根据每个用户的历史乘车记录以及属性信息得到每个用户对应的出发地节点与目的地节点之间的边的第一权重;根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到相同出发地节点与相同目的地节点之间的边的第二权重;根据出发地节点、目的地节点和第二权重构建图模型。
在一种可能的实施方式中,分析模块802,具体用于:确定图模型中任意两个节点之间的连通性。根据阈值和两个连通的节点之间的边的权重对图模型的节点进行过滤,获得边的权重大于或等于阈值的节点。根据边的权重大于或等于阈值的节点确定公交线路的关键候选站点、关键用户以及站点时间;其中,边的权重大于或等于阈值的节点或者边的权重大于或等于阈值的节点对应的道路位置为关键候选站点,边的权重大于或等于阈值的节点对应的用户为关键用户,边的权重大于或等于阈值的节点对应的用户的出行时间段为站点时间。
在一种可能的实施方式中,确定模块804,具体用于:将候选的公交线路输入用户体验度模型,进行迭代计算得到各个候选的公交线路对应的目标函数值;将目标函数值最高的N个候选的公交线路确定为目标公交线路。
在一种可能的实施方式中,出发地信息包括下列信息中的一种或多种:出发地的经纬度、出发地的经纬度对应的字符串编码(例如,GeoHash编码或Google S2编码等);目的地信息包括下列信息中的一种或多种:目的地的经纬度、目的地的经纬度对应的字符串编码(例如,GeoHash编码、Google S2编码等)。
在本实施例中,该公交线路规划装置80以采用集成的方式划分各个功能模块的形式来呈现。这里的“模块”可以指特定ASIC,电路,执行一个或多个软件或固件程序的处理器和存储器,集成逻辑电路,和/或其他可以提供上述功能的器件。
由于本实施例提供的公交线路规划装置80可执行上述方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
如图9所示,本申请实施例提供了一种公交线路规划的计算设备。公交线路规划的计算设备90可以包括存储器901、处理器902、通信接口903以及总线904。其中,存储器901、处理器902、通信接口903通过总线904实现彼此之间的通信连接。
存储器901可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器901可以存储程序,当存储器901中存储的程序被处理器902执行时,处理器902和通信接口903用于执行公交线路规划的方法。存储器901还可以图模型,例如:存储器901中的一部分存储资源被划分成一个图模型存储模块,用于存储执行公交线路规划的方法所需的图模型。
处理器902可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路。
处理器902还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的公交线路规划装置的部分或全部功能可以通过处理器902中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器902还可以是通用处理器、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请上述实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器901,处理器902读取存储器901中的信息,结合其硬件完成本申请实施例的公交线路规划装置的部分功能。
通信接口903使用例如但不限于收发器一类的收发模块,来实现计算设备900与其他设备或通信网络之间的通信。例如,可以通过通信接口903获取数据集。
总线904可包括在计算设备90各个部件(例如,存储器901、处理器902、通信接口903)之间传送信息的通路。
在计算设备90为多个时,上述每个计算设备90间通过通信网络建立通信通路。每个计算设备90上运行构建模块801、分析模块802、获取模块803和确定模块804中的任意一个或多个。任一计算设备90可以为云数据中心中的计算设备(例如:服务器),或边缘数据中心中的计算设备,或终端计算设备。
上述各个附图对应的流程的描述各有侧重,某个流程中没有详述的部分,可以参见其他流程的相关描述。
本申请实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,当计算机可读存储介质中存储的计算机指令被计算设备执行时,使得计算设备执行上述所提供的公交线路规划方法,或者使得所述计算设备实现上述提供的公交线路规划装置的功能。
本申请实施例中,还提供了一种包含指令的计算机程序产品,当其在计算设备上运行时,使得计算设备执行上述所提供的公交线路规划方法,或者使得所述计算设备实现上述提供的公交线路规划装置的功能。
本申请实施例还提供了一种芯片,包括:处理器和接口,用于从存储器中调用并运行存储器中存储的计算机程序,执行图2、图3、图4、图7中对应的方法。
本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于公交线路规划装置执行图2、图3、图4、图7对应的方法。
在一种可能的设计中,该芯片系统还包括存储器,该存储器,用于保存公交线路规划装置必要的程序指令和数据。该芯片系统,可以包括芯片,集成电路,也可以包含芯片和其他分立器件,本申请实施例对此不作具体限定。
其中,本申请提供的公交线路规划装置、公交线路规划的计算设备、芯片、计算机存储介质、计算机程序产品或芯片系统均用于执行上文所述的方法,因此,其所能达到的有益效果可参考上文所提供的实施方式中的有益效果,此处不再赘述。
本申请实施例涉及的处理器可以是一个芯片。例如,可以是现场可编程门阵列(field programmable gate array,FPGA),可以是专用集成芯片(application specificintegrated circuit,ASIC),还可以是系统芯片(system on chip,SoC),还可以是中央处理器(central processor unit,CPU),还可以是网络处理器(network processor,NP),还可以是数字信号处理电路(digital signal processor,DSP),还可以是微控制器(microcontroller unit,MCU),还可以是可编程控制器(programmable logic device,PLD)或其他集成芯片。
本申请实施例涉及的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-onlymemory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种公交线路规划方法,其特征在于,所述方法包括:
根据候选区域内用户的出行信息和属性信息构建图模型;
对所述图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;
根据地图、所述关键候选站点、所述关键用户以及所述站点时间得到候选的公交线路;
从所述候选的公交线路中确定目标公交线路。
2.根据权利要求1所述的方法,其特征在于,所述用户的出行信息包括出发地信息、目的地信息、历史乘车记录;所述属性信息包括以下信息中的至少一个:所述用户的年龄、性别、工作属性、经济情况、出行偏好。
3.根据权利要求2所述的方法,其特征在于,所述根据候选区域内用户的出行信息和属性信息构建图模型,包括:
对所述候选区域内的所有用户的所述出发地信息进行聚类得到至少一个出发地节点,对所述所有用户的目的地信息进行聚类得到至少一个目的地节点;
根据每个用户的历史乘车记录以及所述属性信息得到所述每个用户对应的出发地节点与目的地节点之间的边的第一权重;
根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到所述相同出发地节点与所述相同目的地节点之间的边的第二权重;
根据所述出发地节点、所述目的地节点和所述第二权重构建所述图模型。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述对所述图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间,包括:
确定所述图模型中任意两个节点之间的连通性;
根据阈值和两个连通的节点之间的边的权重对所述图模型的节点进行过滤,获得边的权重大于或等于所述阈值的节点;
根据所述边的权重大于或等于所述阈值的节点确定所述公交线路的关键候选站点、关键用户以及站点时间;其中,所述边的权重大于或等于所述阈值的节点或者所述边的权重大于或等于所述阈值的节点对应的道路位置为所述关键候选站点,所述边的权重大于或等于所述阈值的节点对应的用户为所述关键用户,所述边的权重大于或等于所述阈值的节点对应的用户的出行时间段为所述站点时间。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述从所述候选的公交线路中确定目标公交线路,包括:
将所述候选的公交线路输入用户体验度模型,进行迭代计算得到各个候选的公交线路对应的目标函数值;
将目标函数值最高的N个候选的公交线路确定为所述目标公交线路。
6.根据权利要求2-3任一项所述的方法,其特征在于,所述出发地信息包括下列信息中的一种或多种:出发地的经纬度、所述出发地的经纬度对应的字符串编码;所述目的地信息包括下列信息中的一种或多种:目的地的经纬度、所述目的地的经纬度对应的字符串编码。
7.一种公交线路规划装置,其特征在于,包括:
构建模块,用于根据候选区域内用户的出行信息和属性信息构建图模型;
分析模块,用于对所述图模型进行图连通分析和边过滤,得到公交线路的关键候选站点、关键用户以及站点时间;
获取模块,用于根据地图、所述关键候选站点、所述关键用户以及所述站点时间得到候选的公交线路;
确定模块,用于从所述候选的公交线路中确定目标公交线路。
8.根据权利要求7所述的装置,其特征在于,所述用户的出行信息包括出发地信息、目的地信息、历史乘车记录;所述属性信息包括以下信息中的至少一个:所述用户的年龄、性别、工作属性、经济情况、出行偏好。
9.根据权利要求8所述的装置,其特征在于,所述构建模块,具体用于:
对候选区域内的所有用户的所述出发地信息进行聚类得到至少一个出发地节点,对所有用户的目的地信息进行聚类得到至少一个目的地节点;
根据每个用户的历史乘车记录以及所述属性信息得到每个用户对应的出发地节点与目的地节点之间的边的第一权重;
根据具有相同出发地节点和相同目的地节点的所有用户的第一权重得到所述相同出发地节点与所述相同目的地节点之间的边的第二权重;
根据所述出发地节点、所述目的地节点和所述第二权重构建所述图模型。
10.根据权利要求7-9任一项所述的装置,其特征在于,
所述分析模块,具体用于:确定所述图模型中任意两个节点之间的连通性;根据阈值和两个连通的节点之间的边的权重对所述图模型的节点进行过滤,获得边的权重大于或等于阈值的节点;根据所述边的权重大于或等于阈值的节点确定公交线路的关键候选站点、关键用户以及站点时间;其中,所述边的权重大于或等于所述阈值的节点或者所述边的权重大于或等于所述阈值的节点对应的道路位置为所述关键候选站点,所述边的权重大于或等于所述阈值的节点对应的用户为所述关键用户,所述边的权重大于或等于所述阈值的节点对应的用户的出行时间段为所述站点时间。
11.根据权利要求7-10任一项所述的装置,其特征在于,所述确定模块,具体用于:
将所述候选的公交线路输入用户体验度模型,进行迭代计算得到各个候选的公交线路对应的目标函数值;
将目标函数值最高的N个候选的公交线路确定为所述目标公交线路。
12.根据权利要求8-9任一项所述的装置,其特征在于,所述出发地信息包括下列信息中的一种或多种:出发地的经纬度、所述出发地的经纬度对应的字符串编码;所述目的地信息包括下列信息中的一种或多种:目的地的经纬度、所述目的地的经纬度对应的字符串编码。
13.一种公交线路规划的计算设备,其特征在于,所述计算设备包括处理器和存储器,其中:
所述存储器中存储有计算机指令;
所述处理器执行所述计算机指令,以实现所述权利要求1-6中任一项权利要求所述的方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机可读存储介质中的计算机指令被计算设备执行时,使得所述计算设备执行所述权利要求1-6中任一项权利要求所述的方法,或者使得所述计算设备实现所述权利要求7-12任一项所述装置的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007243.7A CN112700073B (zh) | 2019-10-22 | 2019-10-22 | 公交线路规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007243.7A CN112700073B (zh) | 2019-10-22 | 2019-10-22 | 公交线路规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700073A true CN112700073A (zh) | 2021-04-23 |
CN112700073B CN112700073B (zh) | 2024-04-12 |
Family
ID=75504612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007243.7A Active CN112700073B (zh) | 2019-10-22 | 2019-10-22 | 公交线路规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700073B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361749A (zh) * | 2021-05-14 | 2021-09-07 | 北京北大千方科技有限公司 | 基于主成分分析的公交快线规划方法、装置、设备及介质 |
CN113514071A (zh) * | 2021-06-29 | 2021-10-19 | 阿波罗智联(北京)科技有限公司 | 公共交通路线的确定方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136160A (zh) * | 2015-07-28 | 2015-12-09 | 浙江工业大学 | 一种基于移动终端和增强现实技术的近距离最优公交站点导航方法 |
CN107506864A (zh) * | 2017-08-30 | 2017-12-22 | 国信优易数据有限公司 | 一种客运巴士路线规划方法和装置 |
CN107657330A (zh) * | 2017-08-16 | 2018-02-02 | 深圳先进技术研究院 | 一种候选公交线路计算方法、系统及电子设备 |
CN108267144A (zh) * | 2016-12-30 | 2018-07-10 | 沈阳美行科技有限公司 | 一种导航路线推荐方法、系统及其装置 |
CN110175691A (zh) * | 2019-04-09 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 规划区域交通运营线路的方法、装置和电子设备 |
-
2019
- 2019-10-22 CN CN201911007243.7A patent/CN112700073B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105136160A (zh) * | 2015-07-28 | 2015-12-09 | 浙江工业大学 | 一种基于移动终端和增强现实技术的近距离最优公交站点导航方法 |
CN108267144A (zh) * | 2016-12-30 | 2018-07-10 | 沈阳美行科技有限公司 | 一种导航路线推荐方法、系统及其装置 |
CN107657330A (zh) * | 2017-08-16 | 2018-02-02 | 深圳先进技术研究院 | 一种候选公交线路计算方法、系统及电子设备 |
CN107506864A (zh) * | 2017-08-30 | 2017-12-22 | 国信优易数据有限公司 | 一种客运巴士路线规划方法和装置 |
CN110175691A (zh) * | 2019-04-09 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 规划区域交通运营线路的方法、装置和电子设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361749A (zh) * | 2021-05-14 | 2021-09-07 | 北京北大千方科技有限公司 | 基于主成分分析的公交快线规划方法、装置、设备及介质 |
CN113361749B (zh) * | 2021-05-14 | 2024-04-16 | 北京北大千方科技有限公司 | 基于主成分分析的公交快线规划方法、装置、设备及介质 |
CN113514071A (zh) * | 2021-06-29 | 2021-10-19 | 阿波罗智联(北京)科技有限公司 | 公共交通路线的确定方法及装置 |
US11867518B2 (en) | 2021-06-29 | 2024-01-09 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method and apparatus for determining public transport route |
CN113514071B (zh) * | 2021-06-29 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 公共交通路线的确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112700073B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018113787A1 (zh) | 一种区域划分方法及装置和存储介质 | |
CN110008413B (zh) | 一种交通出行问题查询方法和装置 | |
Liu et al. | Characterizing mixed-use buildings based on multi-source big data | |
CN105677804B (zh) | 权威站点的确定以及权威站点数据库的建立方法和装置 | |
US7953548B2 (en) | Location-based information determination | |
EP2808832A1 (en) | Iterative public transit scoring | |
CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN110399445B (zh) | 一种兴趣点的处理方法、装置及设备 | |
Golubev et al. | Geospatial data generation and preprocessing tools for urban computing system development | |
Wang et al. | A context-based geoprocessing framework for optimizing meetup location of multiple moving objects along road networks | |
CN104034340A (zh) | 具有反欺骗者机制的导航系统及其操作的方法 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN104024801A (zh) | 使用有界地理区域用于导航的方法和系统 | |
CN112700073B (zh) | 公交线路规划方法和装置 | |
CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Rigby et al. | A continuous representation of ad hoc ridesharing potential | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
Bandt et al. | Building a spatial decision support system for tourism and infrastructure planning: Τechnical solution and data integration challenges | |
Cai et al. | A novel vector-based dynamic path planning method in urban road network | |
Albalawneh et al. | A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst | |
CN118195341A (zh) | 基于路网和出行需求数据的地区碳排放量预测方法和装置 | |
Grassi et al. | Emergency management through information crowdsourcing | |
Schoier et al. | Individual movements and geographical data mining. Clustering algorithms for highlighting hotspots in personal navigation routes | |
CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220217 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Applicant after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |