CN112907088B - 一种清分模型的参数调整方法及系统 - Google Patents
一种清分模型的参数调整方法及系统 Download PDFInfo
- Publication number
- CN112907088B CN112907088B CN202110234289.3A CN202110234289A CN112907088B CN 112907088 B CN112907088 B CN 112907088B CN 202110234289 A CN202110234289 A CN 202110234289A CN 112907088 B CN112907088 B CN 112907088B
- Authority
- CN
- China
- Prior art keywords
- probability
- path
- passenger flow
- flow set
- optimal
- 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 51
- 238000012546 transfer Methods 0.000 claims abstract description 88
- 230000011664 signaling Effects 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 30
- 238000012795 verification Methods 0.000 claims description 18
- 230000007781 signaling event Effects 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种清分模型的参数调整方法及系统,方法包括:根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,并对路径选择概率进行概率修正;根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,计算进出站的权重,根据欧式距离和权重确定损失函数,并对损失函数进行网格搜索和迭代计算,以得到最佳待选参数;根据最佳待选参数得到最佳换入客流集;根据清分模型的初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集,验证最佳待选参数。有益效果:提高清分模型的准确性。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种清分模型的参数调整方法及系统。
背景技术
近年来,城市交通以其大运量、快捷、准时、安全的特点在我国获得了快速地发展,并且某些大城市的交通已相继进入网络化运营管理的新阶段。客流是城市交通网络化运营管理的基础,科学预测和分析客流在网络上的分布情况是解决网络运营协调、列车运行图编制、票款合理清分清算、运营风险控制以及突发事件应急处置等一系列重要问题的前提和依据。网络化运营条件下,不同的交通路线往往是由不同的运营管理部门来经营的,但是复杂连接的交通路网结构以及与此相适应的"一票换乘"体系,使得乘客的换乘信息无法被票卡记录,对票款清分比例的准确性提出了挑战,即乘客在网络中的出行路径无法被直接确定,给运营管理部门的客流预测及分析带来了困难。因此,在乘客的起始站和终点站间有多条出行路径可供选择时,需要通过一定的方法确定每条出行路径的选择概率。
为了解决上述问题,目前大多采用人工抽样调查设定初始参数,通过清分模型计算每条路径的选择概率,最后确定各线路的清分收益。但是传统的人工调查抽样率较小,无法有效反应乘客的交通出行规律。
发明内容
本发明针对现有技术中的缺点,提供了一种清分模型的参数调整方法及系统。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率;
对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离;
计算进出站的权重;
根据欧式距离和权重确定损失函数,对损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
将最佳待选参数作为清分模型的模型参数取值,执行客流分配,以得到最佳换入客流集;
根据清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集;
根据初始换入客流集和标准换入客流集验证最佳换入客流集对应的最佳待选参数,保留通过验证的最佳待选参数。
优选的,清分模型的参数调整方法,其中,计算路径选择概率,具体包括以下步骤:
采集交通轨道的各基站种记录的乘客的移动设备在移动网络中产生的各种信令事件,对信令事件进行格式化处理后得到移动信令;
通过进出站数据验证移动信令;
获取进出站之间的所有换乘路径;
根据通过验证的移动信令获取进出站之间的每条换乘路径的路径选择人次;
根据换乘路径的数量和每条换乘路径的路径选择人次计算得到路径选择概率。
优选的,清分模型的参数调整方法,其中,对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,具体包括以下步骤:
获取需剔除事件的剔除概率阈值;
结合剔除概率阈值对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率。
优选的,清分模型的参数调整方法,其中,根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,具体包括以下步骤:
获取清分模型输出的路径输出概率;
获取进出站的数量,以及进出站之间的所有换乘路径;
根据换乘路径的数量,和每条换乘路径对应的路径输出概率,和每条换乘路径对应的修正路径概率计算当前进出站的欧式距离。
优选的,清分模型的参数调整方法,其中,根据自然断点法计算进出站的权重,具体包括以下步骤:
获取移动信令和进出站数据计算得到的进出站的客流量;
将进出站的客流量结合自然断点法计算得到进出站的权重,如下述公式所示:
wj=jenks(ODj);
其中,wj用于表示第j个进出站的权重;
ODj用于表示第j个进出站的客流量。
优选的,清分模型的参数调整方法,其中,根据欧式距离和权重确定损失函数,如下述公式所示:
其中,loss用于表示损失函数值;
n用于表示进出站的数量;
wj用于表示第j个进出站的权重;
disj用于表示第j个进出站的欧式距离。
优选的,清分模型的参数调整方法,其中,得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数,具体包括:
将进行迭代计算后得到的最小的损失函数值对应的待选参数作为最佳待选参数。
优选的,清分模型的参数调整方法,其中,根据清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集;根据初始换入客流集和标准换入客流集验证最佳换入客流集对应的最佳待选参数,保留通过验证的最佳待选参数,具体包括:
获取清分模型基于初始参数的初始换入客流集;
根据乘客的移动信令和进出站数据获取标准换入客流集;
获取标准换入客流集和初始换入客流集之间的第一差值集;
获取标准换入客流集和最佳换入客流集之间的第二差值集;
当第二差值集小于第一差值集时,确定最佳待选参数通过验证。
优选的,清分模型的参数调整方法,其中,结合剔除概率阈值对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,如下述公式所示:
其中,RPi用于表示第i条有效换乘路径的修正路径概率;
Pi用于表示第i条换乘路径的路径选择概率;
delt用于表示剔除概率阈值。
优选的,清分模型的参数调整方法,其中,根据换乘路径的数量,和每条换乘路径对应的路径输出概率,和每条换乘路径对应的修正路径概率计算当前进出站的欧式距离,如下述公式所示:
其中,disj用于表示第j个进出站的欧式距离;
m用于表示第j个进出站之间的换乘路径的数量;
RPi用于表示第i条有效换乘路径的修正路径概率;
Xi用于表示第i条有效换乘路径的路径输出概率。
还包括一种清分模型的参数调整系统,其中,包括:
修正模块,用于根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
选择模块,与修正模块连接,用于根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,计算进出站的权重,根据欧式距离和权重确定损失函数,对损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
执行分配模块,与选择模块连接,用于将最佳待选参数作为清分模型的模型参数取值,执行客流分配,以得到最佳换入客流集;
验证模块,与执行分配模块连接,用于根据清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集,根据初始换入客流集和标准换入客流集验证最佳换入客流集对应的最佳待选参数,保留通过验证的最佳待选参数。
还包括一种基于参数调整系统的票务清算系统,其中,包括:
参数调整子系统,参数调整系统采用如上述任一的清分模型的参数调整方法,以得到最佳待选参数;
概率获取模块,与参数调整子系统连接,将最佳待选参数输入清分模型中,以得到清分模型输出的路径输出概率;
售票分配模块,与概率获取模块连接,获取交通的售票金额,并结合路径输出概率将售票金额分配到不同的线路运营商。
上述技术方案具有如下优点或有益效果:
第一、依据移动信令能够记录乘客出行轨迹的特点,根据交通客群的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,并且对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,随后把进出站的不同出行路径的修正路径概率作为清分模型的拟合目标,采用网格搜索和迭代计算获取最佳待选参数,接着对最佳待选参数进行参数检验后,可以计算出一组最适合客流现状的模型参数;
第二、通过进出站数据验证移动信令的真实性和完整性;
第三、结合剔除概率阈值对路径选择概率进行概率修正,从而提高经过损失函数获取得到的最佳待选参数的准确性;
第四、采用网格搜索的进行最佳待选参数的标定,从而提高最佳待选参数的标定效率;
第五、采用对标准换入客流集和初始换入客流集之间的第一差值和标准换入客流集和最佳换入客流集之间的第二差值进行比较来验证最佳待选参数,以便最终获取较为准确合理的清分模型的模型参数取值,并且提高清分模型路径输出概率计算的精度;
第六、通过绘制标准换入客流集,初始换入客流集和最佳换入客流集的曲线图,更为直观的获取第一差值和第二差值之间的比较关系。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明清分模型的参数调整方法的实施例的流程图;
图2为本发明清分模型的参数调整方法的实施例的所有待选参数的损失函数值的曲线图;
图3为本发明清分模型的参数调整方法的实施例的标准换入客流集、初始换入客流集和最佳换入客流集的曲线图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
一种清分模型的参数调整方法,如图1所示,包括以下步骤:
根据乘客的移动信令和进出站数据计算得到每个进出站(即站站OD,OD:Origin-Destination,起终点)之间的每条换乘路径的路径选择概率;
对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,计算进出站的权重,并根据欧式距离和权重确定损失函数,并对损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
将最佳待选参数作为清分模型的模型参数取值,并执行客流分配,以得到最佳换入客流集;
根据清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集;
根据初始换入客流集和标准换入客流集验证最佳换入客流集对应的最佳待选参数,保留通过验证的最佳待选参数。
在上述实施例中,依据移动信令能够记录乘客出行轨迹的特点,根据交通客群的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,并且对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,随后把进出站的不同出行路径的修正路径概率作为清分模型的拟合目标,采用网格搜索和迭代计算获取最佳待选参数,接着对最佳待选参数进行参数检验后,可以计算出一组最适合客流现状的模型参数,从而提高清分模型的准确性。
在上述实施例中,通过移动信令进行最佳待选参数的标定,避免了频繁应用人工客流调查的方法而造成大量人力、物力、财力上的耗费。
进一步地,在上述实施例中,根据交通客群的移动信令和进出站数据计算得到进出站之间的每条换乘路径的路径选择概率,具体包括以下步骤:
采集交通轨道的各基站种记录的乘客的移动设备在移动网络中产生的各种信令事件,对信令事件进行格式化处理后得到移动信令;
通过进出站数据验证移动信令;
获取进出站之间的所有换乘路径;
根据通过验证的移动信令获取进出站之间的每条换乘路径的路径选择人次;
根据换乘路径的数量和每条换乘路径的路径选择人次计算得到路径选择概率,如下述公式(1)所示:
其中,在上述公式(1)中,Pi用于表示第i条换乘路径的路径选择概率;
Ai用于表示第i条换乘路径的路径选择人次;
m用于表示当前进出站之间的换乘路径的数量。
在上述实施例中,在进出站的站点地上与地下分别布设有不同的基站,通过对基站进行识别及标识,监测乘客进出交通站点时移动信令的数据变更,可以对交通站点的进站和出站的客流量进行有效的识别与统计。
其中,可以通过进出站数据验证移动信令的真实性和完整性。
在上述实施例中,通过移动信令可以计算乘客的标准换入客流集,并且通过进出站数据验证移动信令的真实性和完整性。
作为优选的实施方式,交通的站点可以包括:A站,B站,C站和D站;
可以将进出站设置为A站-B站和C站-D站;
获取A站-B站之间的所有换乘路径:路径AB1,路径AB2,路径AB3和路径AB4;
获取C站-D站之间的所有换乘路径:路径CD1;
根据通过验证的移动信令获取每个进出站之间的每条换乘路径的路径选择人次,如下表1所示:
表1
将换乘路径的数量和每条换乘路径的路径选择人次输入至上述公式(1)中,计算得到路径选择概率,并将路径选择概率填入表中,如下表2所示:
表2
进一步地,在上述实施例中,进出站数据选自交通的自动售检票系统。
作为优选的实施方式,交通可以是轨道交通,例如地铁交通轨道,当交通为地铁交通轨道时,进出站数据可以选自地铁闸机数据,即可以通过地铁闸机数据验证乘客进出地铁站点的移动信令的真实性和完整性。
进一步地,在上述实施例中,对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,具体包括以下步骤:
获取需剔除事件的剔除概率阈值;
结合剔除概率阈值对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,如下述公式(2)所示:
其中,在上述公式(2)中,RPi用于表示第i条有效换乘路径的修正路径概率;
Pi用于表示第i条换乘路径的路径选择概率;
delt用于表示剔除概率阈值。
在上述实施例中,由于需剔除事件的发生,会给后续进行损失函数带来异常扰动,因此需要剔除上述需剔除事件;
进一步地,作为优选的实施方式,需剔除事件为小概率事件,其中需剔除事件可以自定义,并且小概率事件的概率小于0.01或者小于0.05。
作为优选的实施方式,小概率事件包括只有一条换乘路径的进出站,当修正后概率为0的路径不作为拟合路径,以上表2作为示例,由于C站-D站只有一条路径CD1,因此将路径CD1对应的路径选择概率剔除,如下表3所示:
表3
进一步地,在上述实施例中,根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,具体包括以下步骤:
获取清分模型输出的路径输出概率;
获取进出站的数量,以及进出站之间的所有换乘路径;
根据换乘路径的数量,和每条换乘路径对应的路径输出概率,和每条换乘路径对应的修正路径概率计算当前进出站的欧式距离,如下述公式(3)所示:
其中,在上述公式(3)中,disj用于表示第j个进出站的欧式距离;
m用于表示第j个进出站之间的换乘路径的数量;
RPi用于表示第i条有效换乘路径的修正路径概率;
Xi用于表示第i条有效换乘路径的路径输出概率。
进一步地,在上述实施例中,步骤S2中的根据自然断点法计算进出站的权重,具体包括以下步骤:
获取移动信令和进出站数据计算得到的进出站的客流量;
将进出站的客流量结合自然断点法计算得到进出站的权重,如下述公式(4)所示:
wj=jenks(ODj); (4)
其中,在上述公式(4)中,wj用于表示第j个进出站的权重;
ODj用于表示第j个进出站的客流量。
进一步地,在上述实施例中,根据欧式距离和权重确定损失函数,如下述公式(5)所示:
其中,在上述公式(5)中,loss用于表示损失函数值;
n用于表示进出站的数量;
wj用于表示第j个进出站的权重;
disj用于表示第j个进出站的欧式距离。
在上述实施例中,loss表示所有进出站的欧式距离(即路径概率距离)与所有进出站的权重乘积的和,loss越小代表欧式距离越近,参数值越好。
进一步地,在上述实施例中,对损失函数进行网格搜索和迭代计算,具体包括:
获取清分模型的多组待选参数和每组待选参数对应的搜索参数集;
结合上述待选参数和每组待选参数对应的搜索参数集通过网格搜索的方式结合损失函数计算每组待选参数的损失函数值。
进一步地,在上述实施例中,得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数,具体包括:
将进行迭代计算后得到的最小的损失函数值对应的待选参数作为最佳待选参数。
作为优选的实施方式,搜索参数集可以包括:搜索范围和搜索步长,需要说明的是,清分模型的待选参数的搜索范围和搜索步长根据清分模型的实际意义确定。
例如,以下表4为例:
表4
计算上表4中的每组待选参数的损失函数值,并将每组待选参数的损失函数值进行绘制,如图2所示。
将进行迭代计算后得到的最小的损失函数值对应的待选参数作为最佳待选参数。
在上述实施例中,考虑到客流分配本身的计算量,如果直接以枚举方法来确定最佳待选参数,将是一件非常耗时且低效的工作。为此,采用本发明提出的网格搜索的参数标定方法进行最佳待选参数的标定。
进一步地,在上述实施例中,将最佳待选参数作为清分模型的模型参数取值,并执行客流分配,以得到最佳换入客流集,如下述公式(6)所示;
fbesti=(b1,b2,……bn); (6)
验证方法包括:
获取清分模型基于初始参数的初始换入客流集,如下述公式(7)所示;
finiti=(a1,a2,……an); (7)
根据乘客的移动信令和进出站数据获取标准换入客流集,标准换入客流集如下述公式(8)所示:
fobji=(c1,c2,……cn); (8)
获取标准换入客流集和初始换入客流集之间的第一差值,如下述公式(9)所示;
获取标准换入客流集和最佳换入客流集之间的第二差值,如下述公式(10)所示;
其中,在上述公式(6)-(10)中,
fobji用于表示在第i条换乘线路的标准换入客流集;
finiti用于表示在第i条换乘线路的初始换入客流集;
fbesti用于表示在第i条换乘线路的最佳换入客流集;
n用于表示进出站的数量;
k用于表示统计时间,例如,统计得到七月(七月一号至七月三十一号)标准换入客流集,并且获取七月的初始换入客流集和七月的最佳换入客流集;
dis(fio)用于表示所有进出站的所有换乘路线的第一差值;
dis(fbo)用于表示所有进出站的所有换乘路线的第二差值;
当第二差值小于第一差值时,确定最佳待选参数通过验证,即认为最佳待选参数改善了清分模型的清分效果。
进一步地,在上述实施例中,验证方法还包括:
获取清分模型基于初始参数的初始换入客流集;
根据乘客的移动信令和进出站数据获取标准换入客流集;
分别绘制标准换入客流集,初始换入客流集和最佳换入客流集的曲线图,如图3所示,标准换入客流集的曲线图被标记为fobj,初始换入客流集的曲线图被标记为finit,最佳换入客流集的曲线图被标记为fbest;
当最佳换入客流集的曲线图更接近标准换入客流集的曲线图时确定最佳待选参数通过验证,如图3所示,最佳换入客流集的曲线图相较于初始换入客流集的曲线图更接近标准换入客流集的曲线图,因此可以确定最佳待选参数通过验证。
还包括一种清分模型的参数调整系统,包括:
修正模块,用于根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,并对路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
选择模块,与修正模块连接,用于根据修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,计算进出站的权重,并根据欧式距离和权重确定损失函数,并对损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
执行分配模块,与选择模块连接,用于将最佳待选参数作为清分模型的模型参数取值,执行客流分配,以得到最佳换入客流集;
验证模块,与执行分配模块连接,用于根据清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集,根据初始换入客流集和标准换入客流集验证最佳换入客流集对应的最佳待选参数,保留通过验证的最佳待选参数。
需要说明的是,本发明清分模型的参数调整系统的具体实施方式与上述清分模型的参数调整方法各实施例基本相同,在此不再赘述。
还包括一种基于参数调整系统的票务清算系统,包括:
参数调整子系统,参数调整系统采用如上述清分模型的参数调整方法,以得到最佳待选参数;
概率获取模块,与参数调整子系统连接,将最佳待选参数输入清分模型中,以得到清分模型输出的路径输出概率;
售票分配模块,与概率获取模块连接,获取售票金额,并结合路径输出概率将售票金额分配到不同的线路运营商。
需要说明的是,参数调整子系统采用的清分模型的参数调整方法的实施方式与上述清分模型的参数调整方法各实施例基本相同,在此不再赘述。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (11)
1.一种清分模型的参数调整方法,其特征在于,包括以下步骤:
根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,具体包括以下步骤:采集交通轨道的各基站种记录的乘客的移动设备在移动网络中产生的各种信令事件,对所述信令事件进行格式化处理后得到移动信令;通过进出站数据验证移动信令;获取进出站之间的所有所述换乘路径;根据通过验证的移动信令获取进出站之间的每条所述换乘路径的路径选择人次;根据所述换乘路径的数量和每条所述换乘路径的所述路径选择人次计算得到所述路径选择概率;
对所述路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
根据所述修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离;
计算进出站的权重;
根据所述欧式距离和所述权重确定损失函数,对所述损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
将所述最佳待选参数作为所述清分模型的模型参数取值,执行客流分配,以得到最佳换入客流集;
根据所述清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集;
根据所述初始换入客流集和所述标准换入客流集验证所述最佳换入客流集对应的所述最佳待选参数,保留通过验证的所述最佳待选参数。
2.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述对所述路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率,具体包括以下步骤:
获取需剔除事件的剔除概率阈值;
结合所述剔除概率阈值对所述路径选择概率进行概率修正,以得到每条所述有效换乘路径的所述修正路径概率。
3.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述根据所述修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,具体包括以下步骤:
获取所述清分模型输出的所述路径输出概率;
获取进出站的数量,以及进出站之间的所有所述换乘路径;
根据所述换乘路径的数量,和每条所述换乘路径对应的所述路径输出概率,和每条所述换乘路径对应的修正路径概率计算当前进出站的欧式距离。
4.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述根据自然断点法计算进出站的权重,具体包括以下步骤:
获取移动信令和进出站数据计算得到的进出站的客流量;
将进出站的客流量结合自然断点法计算得到进出站的权重,如下述公式所示:
wj=jenks(ODj);
其中,wj用于表示第j个进出站的权重;
ODj用于表示第j个进出站的客流量。
5.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述根据所述欧式距离和所述权重确定所述损失函数,如下述公式所示:
其中,loss用于表示损失函数值;
n用于表示进出站的数量;
wj用于表示第j个进出站的权重;
disj用于表示第j个进出站的欧式距离。
6.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数,具体包括:
将进行迭代计算后得到的最小的所述损失函数值对应的所述待选参数作为所述最佳待选参数。
7.如权利要求1所述的清分模型的参数调整方法,其特征在于,所述根据所述清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集;根据所述初始换入客流集和所述标准换入客流集验证所述最佳换入客流集对应的所述最佳待选参数,保留通过验证的所述最佳待选参数,具体包括:
获取所述清分模型基于所述初始参数的所述初始换入客流集;
根据乘客的移动信令和进出站数据获取标准换入客流集;
获取所述标准换入客流集和所述初始换入客流集之间的第一差值集;
获取所述标准换入客流集和所述最佳换入客流集之间的第二差值集;
当所述第二差值集小于所述第一差值集时,确定所述最佳待选参数通过验证。
8.如权利要求2所述的清分模型的参数调整方法,其特征在于,结合所述剔除概率阈值对所述路径选择概率进行概率修正,以得到每条所述有效换乘路径的所述修正路径概率,如下述公式所示:
其中,RPi用于表示第i条所述有效换乘路径的所述修正路径概率;
Pi用于表示第i条所述换乘路径的所述路径选择概率;
delt用于表示所述剔除概率阈值。
9.如权利要求3所述的清分模型的参数调整方法,其特征在于,根据所述换乘路径的数量,和每条所述换乘路径对应的所述路径输出概率,和每条所述换乘路径对应的修正路径概率计算当前进出站的欧式距离,如下述公式所示:
其中,disj用于表示第j个进出站的欧式距离;
m用于表示第j个进出站之间的所述换乘路径的数量;
RPi用于表示第i条所述有效换乘路径的所述修正路径概率;
xi用于表示第i条所述清分模型输出的所述路径输出概率。
10.一种清分模型的参数调整系统,其特征在于,包括:
修正模块,用于根据乘客的移动信令和进出站数据计算得到每个进出站之间的每条换乘路径的路径选择概率,对所述路径选择概率进行概率修正,以得到每条有效换乘路径的修正路径概率;
选择模块,与所述修正模块连接,用于根据所述修正路径概率和清分模型输出的路径输出概率计算进出站的欧式距离,计算进出站的权重,根据所述欧式距离和所述权重确定损失函数,对所述损失函数进行网格搜索和迭代计算,以得到满足预设条件的损失函数值对应的待选参数作为最佳待选参数;
执行分配模块,与所述选择模块连接,用于将所述最佳待选参数作为所述清分模型的模型参数取值,执行客流分配,以得到最佳换入客流集;
验证模块,与所述执行分配模块连接,用于根据所述清分模型的初始参数获取初始参数对应的初始换入客流集,根据乘客的移动信令和进出站数据获取标准换入客流集,根据所述初始换入客流集和所述标准换入客流集验证所述最佳换入客流集对应的所述最佳待选参数,保留通过验证的所述最佳待选参数。
11.一种基于参数调整系统的票务清算系统,其特征在于,包括:
参数调整子系统,所述参数调整系统采用如权利要求1-9中任一所述的清分模型的参数调整方法,以得到所述最佳待选参数;
概率获取模块,与所述参数调整子系统连接,将所述最佳待选参数输入清分模型中,以得到所述清分模型输出的路径输出概率;
售票分配模块,与所述概率获取模块连接,获取售票金额,并结合所述路径输出概率将所述售票金额分配到不同的线路运营商。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234289.3A CN112907088B (zh) | 2021-03-03 | 2021-03-03 | 一种清分模型的参数调整方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110234289.3A CN112907088B (zh) | 2021-03-03 | 2021-03-03 | 一种清分模型的参数调整方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907088A CN112907088A (zh) | 2021-06-04 |
CN112907088B true CN112907088B (zh) | 2024-03-08 |
Family
ID=76107542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110234289.3A Active CN112907088B (zh) | 2021-03-03 | 2021-03-03 | 一种清分模型的参数调整方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907088B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763612A (zh) * | 2010-01-12 | 2010-06-30 | 北京轨道交通路网管理有限公司 | 一种轨道交通系统运费清分方法 |
CN101976294A (zh) * | 2010-11-18 | 2011-02-16 | 南开大学 | 基于空间映射算法的微波器件计算机自动辅助调谐的设计方法 |
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106548278A (zh) * | 2016-10-25 | 2017-03-29 | 河南理工大学 | 一种高标准基本农田建设项目区优选自动化计算方法 |
CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
CN107066791A (zh) * | 2016-12-19 | 2017-08-18 | 银江股份有限公司 | 一种基于病人检验结果的辅助疾病诊断方法 |
CN107767946A (zh) * | 2017-09-26 | 2018-03-06 | 浙江工业大学 | 基于pca和pso‑kelm模型的乳腺癌诊断系统 |
CN108055645A (zh) * | 2018-01-19 | 2018-05-18 | 深圳技术大学(筹) | 一种基于手机信令数据的路径识别方法及系统 |
CN108108897A (zh) * | 2017-12-20 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种轨道交通客流清分方法、系统及电子设备 |
CN108875779A (zh) * | 2018-05-07 | 2018-11-23 | 深圳市恒扬数据股份有限公司 | 神经网络的训练方法、装置及终端设备 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
CN109978654A (zh) * | 2018-12-29 | 2019-07-05 | 方正国际软件(北京)有限公司 | 售票处理方法、售票终端及管理终端 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110532606A (zh) * | 2019-07-23 | 2019-12-03 | 交控科技股份有限公司 | 一种轨道交通票款清分方法 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111932429A (zh) * | 2020-10-14 | 2020-11-13 | 中国矿业大学(北京) | 基于od的轨道交通站点客流结构相似性分析方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
-
2021
- 2021-03-03 CN CN202110234289.3A patent/CN112907088B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763612A (zh) * | 2010-01-12 | 2010-06-30 | 北京轨道交通路网管理有限公司 | 一种轨道交通系统运费清分方法 |
CN101976294A (zh) * | 2010-11-18 | 2011-02-16 | 南开大学 | 基于空间映射算法的微波器件计算机自动辅助调谐的设计方法 |
CN102279950A (zh) * | 2011-08-02 | 2011-12-14 | 中国铁道科学研究院电子计算技术研究所 | 基于数据挖掘和神经网络的轨道交通清分方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106548278A (zh) * | 2016-10-25 | 2017-03-29 | 河南理工大学 | 一种高标准基本农田建设项目区优选自动化计算方法 |
CN107066791A (zh) * | 2016-12-19 | 2017-08-18 | 银江股份有限公司 | 一种基于病人检验结果的辅助疾病诊断方法 |
CN106841390A (zh) * | 2017-03-14 | 2017-06-13 | 浙江大学 | 一种基于支持向量机的环焊缝超声相控阵自动聚焦方法 |
CN107767946A (zh) * | 2017-09-26 | 2018-03-06 | 浙江工业大学 | 基于pca和pso‑kelm模型的乳腺癌诊断系统 |
CN108108897A (zh) * | 2017-12-20 | 2018-06-01 | 中国科学院深圳先进技术研究院 | 一种轨道交通客流清分方法、系统及电子设备 |
CN108055645A (zh) * | 2018-01-19 | 2018-05-18 | 深圳技术大学(筹) | 一种基于手机信令数据的路径识别方法及系统 |
CN108875779A (zh) * | 2018-05-07 | 2018-11-23 | 深圳市恒扬数据股份有限公司 | 神经网络的训练方法、装置及终端设备 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
CN109978654A (zh) * | 2018-12-29 | 2019-07-05 | 方正国际软件(北京)有限公司 | 售票处理方法、售票终端及管理终端 |
CN110209859A (zh) * | 2019-05-10 | 2019-09-06 | 腾讯科技(深圳)有限公司 | 地点识别及其模型训练的方法和装置以及电子设备 |
CN110532606A (zh) * | 2019-07-23 | 2019-12-03 | 交控科技股份有限公司 | 一种轨道交通票款清分方法 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111932429A (zh) * | 2020-10-14 | 2020-11-13 | 中国矿业大学(北京) | 基于od的轨道交通站点客流结构相似性分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112907088A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4030365A1 (en) | Multi-mode multi-service rail transit analog simulation method and system | |
CN106779429B (zh) | 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法 | |
CN105279572B (zh) | 城市轨道交通客流密集度指数计算与发布系统 | |
CN111680745B (zh) | 一种基于多源交通大数据融合的突发拥堵判别方法及系统 | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
CN111091225B (zh) | 一种基于深度学习的城市轨道交通短期客流预测方法 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN103606274A (zh) | 一种城市道路交通状态评估方法 | |
CN107610282A (zh) | 一种公交客流统计系统 | |
CN109377050A (zh) | 一种基于风险分析及ai人工智能模型风险分析方法 | |
US20160171786A1 (en) | Fare refund system, and method for same | |
CN108876064A (zh) | 基于客流量的城市轨道交通网络关键车站识别方法 | |
CN116564551B (zh) | 一种数据-知识驱动的城市轨道交通风险辨识方法 | |
CN112907088B (zh) | 一种清分模型的参数调整方法及系统 | |
CN109830101A (zh) | 一种基于异常微波交通数据修复的拥堵区域识别方法 | |
Zhou et al. | Detecting unmetered taxi rides from trajectory data | |
CN112528867A (zh) | 一种地铁车站突发大客流预警方法及其应用 | |
Oliveira-Neto et al. | Tracking large trucks in real time with license plate recognition and text-mining techniques | |
CN115577968A (zh) | 一种基于企业违章管理和自动违规判定的积分系统及方法 | |
Zhu et al. | Data fusion approach for evaluating route choice models in large-scale complex urban rail transit networks | |
CN113780682A (zh) | 基于故障标志物的轨道交通系统业务故障预测方法 | |
CN113536493A (zh) | 基于聚类反推的有效路径生成方法及断面客流估算方法 | |
CN112488568A (zh) | 一种地铁车站大客流运营风险评价方法及其应用 | |
CN107943920A (zh) | 一种基于地铁刷卡数据的出行人群识别方法 |
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 |