CN112749836A - 一种基于客流时间序列的定制客运智能运力调配方法 - Google Patents

Abstract

本发明提供了一种基于客流时间序列的定制客运智能运力调配方法，包括如下步骤：S1：按时段统计所有订单的乘客数量，形成基本客流量时间序列；S2：对所述基本客流量时间序列使用多尺度滑动窗口，获取客流量时间子序列；S3：计算客流量时间子序列的和，并对每周同天以及法定节假日分组；S4：对每一分组采用层次聚类，根据获得的聚类中心，求解加权平均值；S5：计算未来时段预测点所需车辆数量。本发明提供的方法实现根据客流量的细微变化，对定制客运的运力做智能化动态调配。

Description

一种基于客流时间序列的定制客运智能运力调配方法

技术领域

本发明涉及客运调配领域，特别是指一种基于客流时间序列的定制客运智能运力调配方法。

背景技术

目前，定制客运服务以其“灵活”、“快速”、“小批量”的特点，对改变现行道路旅客运输固定线路、时间、站点、班次运行方式有着积极的作用，满足了社会公众定制化客运服务的需求，是传统客运的升级版和有益补充。按交通部规定，定制客运有如下特点：通过移动互联网等信息技术支撑，改变定点(汽车站-汽车站)、定线(严格按照审批线路运行)、定车(7座以上车辆)、定时(严格按照发班时间运行)运行方式中的一个或者几个。由于定制客运投入的车辆多，为了节约运营成本，需要根据客流量及时调配运力。尤其是城际之间，当运力不足时，顾客取消订单率会明显上升，当运力过剩时，又会造成浪费。通过数据挖掘的方法，可以对客流量做相应的预测，进而可计算出相应车型的日需求量及投入量，达到节约运营成本的目的。

目前，现有的方法中，主要按天进行统计或挖掘进行预测，无法反映一天内不同时段的运力需求趋势，也就无法进行精细化运力调配。个别方法按照时间段划分，但不能反映这些时间段车辆需求的变化趋势。这些方法用于传统客运尚可，但考虑定制客运当前特点，这些方法已经不能满足智能化运力调配需要。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于客流时间序列的定制客运智能运力调配方法，把客流量按等长或不等长时段划分后形成时间序列，再通过聚类的方法获得车辆每天的需求量趋势，为当天运力调配提供预测，可实现根据客流量的细微变化，对定制客运的运力做智能化动态调配。

本发明采用如下技术方案：

一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，包括如下步骤：

S1：按时段统计所有订单的乘客数量，形成基本客流量时间序列；

S2：对所述基本客流量时间序列使用多尺度滑动窗口，获取客流量时间子序列；

S3：计算客流量时间子序列的和，并对每周同天以及法定节假日分组；

S4：对每一分组采用层次聚类，根据获得的聚类中心，求解加权平均值；

S5：计算未来时段预测点所需车辆数量。

所述S1按时段统计所有订单的乘客数量，形成基本客流量时间序列，具体包括：

S1.1：按相同时间间隔划分后，统计每个时间间隔内该线路客流量，形成客流量时间序列F＝(f₁，f₂，...，f_n)，n为正整数；

S1.2：重复步骤S1.1，获取所有线路的客流量时间序列集合D。

所述S2对所述基本客流量时间序列使用多尺度滑动窗口，获取客流量时间子序列；具体包括：

S2.1：以滑动窗口长度为l，从时间序列F∈D中提取客流量时间子序列S(F)_k＝(f_k，f_k+1，...，f_k+l-1)，k∈(1≤k≤n-l+1)，l为正整数；

S2.2：重复步骤S2.1，直至获取客流量时间序列F的所有客流量时间子序列集合

S2.3：重复步骤S2.1-S2.2，直至获取客流量时间序列集合D内所有序列的子序列集合SD。

所述S3计算客流量时间子序列的和，具体为：

求解子序列长度为l时的客流量之和，按相同或者不同间隔形成的客流量时间序列仍记为F＝(f₁,f₂,...,f_n)。

所述S4对每一分组采用层次聚类，根据获得的聚类中心，求解加权平均值，具体为：

S4.1：采用层次聚类对每一分组时间序列进行聚类；并采用欧氏距离度量客流时间序列的相似度，具体为

S4.2：对每一分组组时间序列获得的k个聚类中心，求解加权平均值；

每个簇C_j(1≤j≤k)中包含了N_j个时间序列，并根据如下公式分配权值：

S4.3：重复步骤S4.1-S4.2，直到每组时间序列都获得权值。

所述S5计算未来时段预测点所需车辆数量，具体为：

S5.1：在未来时段预测点所属的分组中，对各聚类中心做加权平均，形成所属的分组的加权客流时间序列

所述加权平均具体为：

S5.2：根据投放市场的车型和满载率，计算分组各时段车辆需求量V_i＝(v_i1，v_i2，...，v_in)：

其中，r_i是分组满载率常数，按每车实际平均载客量与该车型实际座位数比值计算，s为投入车型的座位数。

S5.3：重复步骤S5.1-S5.2，直到获得每组车辆各时段需求量。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

(1)本发明提供的方法，按时段统计所有上车乘客数量，即客流量，形成基本客流量时间序列；可按时间做合理的等长划分，也可根据高峰和非高峰时段，按不同时间间隔划分时段；根据客运车辆运营规律，把时间序列按每周同一天以及法定节假日分组，然后使用多尺度滑动窗口，对每组客流时间序列聚类，最终获得的各聚类中心即为当天所有时段的客流趋势；做运力调配时，根据当前时段，对各时间序列做加权平均，获得未来各时段的客流序列，再根据车型计算所需车辆数量；通过分析客流量时间序列，并采用聚类方法，有助于发现客流量的细微变化，对定制客运的运力做智能化动态调配；且本发明提出的方法可用于定制客运公司的运营管理，方法通用，不依赖于特定场景。

附图说明

图1是本发明实施例提供的方法的整体流程图；

图2是本发明实施例中寻找相关子序列过程示意图。

以下结合附图和具体实施例对本发明作进一步详述。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

如图1所示，本发明实施例提出的一种基于客流时间序列的定制客运智能运力调配方法流程图，具体步骤如下：

步骤1：按时段统计所有订单的乘客数量，形成基本客流量时间序列。

在提取客流量时间序列过程中，为了获取更好区分度的客流量序列，首先确定最小统计时段。最小统计时段根据高峰客流量设定，一般设定20分钟。

步骤1.1按相同时间间隔划分后，统计每个时间间隔内该线路客流量，形成客流量时间序列F＝(f₁，f₂，...，f_n)。

步骤1.2重复步骤1.1，获取所有线路的客流量时间序列集合D；

步骤2：使用多尺度滑动窗口，获取客流量时间子序列。

高峰期和非高峰期可使用相同或者不同尺度滑动窗口。如果一个城市客流量全天相对均匀，可按相同尺度滑动窗口划分，如果高峰期和非高峰期客流差别较大，可按不同尺度滑动窗口划分。

客流量的变化趋势需要一定周期才能体现出来，根据城市规模，平均60分钟以上能体现出来，所以设置：高峰时期客流量序列的最短子序列长度l≥3；非高峰时期的最短子序列的长度l≥6；滑动窗口步长index＝1；

步骤2.1：以滑动窗口长度为l，从时间序列F∈D中提取客流量时间子序列S(F)_k＝(f_k，f_k+1，...，f_k+l-1)，k∈(1≤k≤n-l+1)，如图2所示。

2.2)重复步骤2.1)，直至获取客流量时间序列F的所有客流量时间子序列集合

2.3)重复步骤2.1)、步骤2.2)，直至获取客流量时间序列集合D内所有序列的子序列集合SD。

如图2是本发明实施例中寻找相关子数列的示意图。

步骤3：计算客流量时间子序列的和；对每周同天以及法定节假日分组。

采用公式(1)求解子序列长度为l时的客流量之和。为方便表达，最终按相同或者不同间隔形成的客流量时间序列扔记为F＝(f₁，f₂，...，f_n)。

根据乘客出行需求，定制客运的运力趋势在每周同天之间具有相似性，在节假日也具有相似性，因此，按每周同天和法定节假日分组，记为

m是分组个数，由于法定假日每年具体天数不同，因此m不是固定值。非节假日时，每周共分为7组。全国法定假日7个，根据出行特点，需要纳入节假日前一天的客流时间序列，因为该天的客流量和工作日有显著不同。如果节假日和周末重叠，该天的客流量按节假日分组，如果两个节假日重叠，随机分组即可。

步骤4：对G中任意一组G_i时间序列聚类。

步骤4.1：采用层次聚类对G_i组时间序列进行聚类。其中，使用公式(2)欧氏距离度量客流时间序列的相似度。

步骤4.2：对G_i组时间序列获得的k个聚类中心，求解加权平均值。

每个簇C_j(1≤j≤k)中包含了N_j个时间序列，则按公式(3)分配权值。

步骤4.3：重复步骤4.1，4.2，直到G中每组时间序列都获得一系列权值。

步骤5：在某个预测点，计算未来时段所需车辆数量。

步骤5.1：在预测时间点所属的组G_i中，按公式(4)对各聚类中心做加权平均，形成G_i组的加权客流时间序列

步骤5.2：根据投放市场的车型和满载率，按公式(5)计算G_i组各时段车辆需求量V_i＝(v_i1，v_i2，...，v_in)。

其中，r_i是G_i组满载率常数，按每车实际平均载客量与该车型实际座位数比值计算，s为车辆的座位数。

步骤5.3：重复步骤5.1，5.2，直到获得G中每组车辆各时段需求量。

本发明提供的具体实施例：

(1)以厦门到平潭线路为例，根据某定制客运平台的订单数据，高峰期每天从8点开始，持续到20点，期间客流有波动。设定20分钟为一个时段，对客流量进行统计，初步得到如表1所示2019年6月3日(周一)的基本客流量时间序列。

表1某日客流时间序列

(2)设滑动窗口长度：高峰期l＝3，非高峰期l＝6，从表1所示的时间序列中提取客流量时间子序列，如表2所示。

表2合并子序列

(3)对表2所示的客流量时间子序列累加，可得到如下客流量序列:F＝(1,1,0,1,40,59,56,74,86,86,56,64,88,66,92,49,16,0)；

(4)对3年的平台订单数据按每周及节假日分组，共获得24组客流时间序列。24组客流时间序列包括：每周从周一到周日共7组，法定节假日共11天，6个节假日的前一天共6组。

(5)采用层次聚类法，对24组客流时间序列分别聚类，共获得24组聚类结果；求解每组聚类结果的加权平均值。

以周一组为例，共获得5个簇，根据簇中序列数量求解得到5个权值，分别为：0.1,0.2,0.3,0.3,0.1；计算加权时间序列，得到

投放市场的车型为7座商务车，以及统计出的满载率常数0.8，计算周一组各时段车辆需求量V_Mon＝(0.1,0.14,0,0.1,5.17,7.41,6.93,10.18,11.34,10.77,7.36,8.57,11.45,8.66,12.05,6.64,2.21,0.06)；取整后，车辆需求量V_Mon＝(1,1,0,1,6,8,7,11,12,11,8,9,12,9,13,7,3,1)；

如果当前所处时段为上午8点，则车辆需求量为6台运营车辆

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (6)

1.一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，包括如下步骤：

S1：按时段统计所有订单的乘客数量，形成基本客流量时间序列；

S2：对所述基本客流量时间序列使用多尺度滑动窗口，获取客流量时间子序列；

S3：计算客流量时间子序列的和，并对每周同天以及法定节假日分组；

S4：对每一分组采用层次聚类，根据获得的聚类中心，求解加权平均值；

S5：计算未来时段预测点所需车辆数量。

2.根据权利要求1所述的一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，所述S1按时段统计所有订单的乘客数量，形成基本客流量时间序列，具体包括：

S1.1：按相同时间间隔划分后，统计每个时间间隔内该线路客流量，形成客流量时间序列F＝(f₁，f₂，...，f_n)，n为正整数；

S1.2：重复步骤S1.1，获取所有线路的客流量时间序列集合D。

3.根据权利要求2所述的一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，所述S2对所述基本客流量时间序列使用多尺度滑动窗口，获取客流量时间子序列；具体包括：

S2.1：以滑动窗口长度为l，从时间序列F∈D中提取客流量时间子序列S(F)_k＝(f_k，f_k+1，...，f_k+l-1)，k∈(1≤k≤n-l+1)，l为正整数；

S2.2：重复步骤S2.1，直至获取客流量时间序列F的所有客流量时间子序列集合

S2.3：重复步骤S2.1-S2.2，直至获取客流量时间序列集合D内所有序列的子序列集合SD。

4.根据权利要求3所述的一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，所述S3计算客流量时间子序列的和，具体为：

求解子序列长度为l时的客流量之和，按相同或者不同间隔形成的客流量时间序列仍记为F＝(f₁,f₂,…,f_n)。

。

5.根据权利要求1所述的一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，所述S4对每一分组采用层次聚类，根据获得的聚类中心，求解加权平均值，具体为：

S4.1：采用层次聚类对每一分组时间序列进行聚类；并采用欧氏距离度量客流时间序列的相似度，具体为

S4.2：对每一分组时间序列获得的k个聚类中心，求解加权平均值；

每个簇C_j(1≤j≤k)中包含了N_j个时间序列，并根据如下公式分配权值：

S4.3：重复步骤S4.1-S4.2，直到每组时间序列都获得权值。

6.根据权利要求5所述的一种基于客流时间序列的定制客运智能运力调配方法，其特征在于，所述S5计算未来时段预测点所需车辆数量，具体为：

S5.1：在未来时段预测点所属的分组中，对各聚类中心做加权平均，形成所属的分组的加权客流时间序列

所述加权平均具体为：

S5.2：根据投放市场的车型和满载率，计算分组各时段车辆需求量V_i＝(v_i1，v_i2，…，v_in)：

其中，r_i是分组满载率常数，按每车实际平均载客量与该车型实际座位数比值计算，s为投入车型的座位数。

S5.3：重复步骤85.1-S5.2，直到获得每组车辆各时段需求量。

Images