CN113010507A - 基于时间校准和遗传算法的公交od计算方法及系统 - Google Patents
基于时间校准和遗传算法的公交od计算方法及系统 Download PDFInfo
- Publication number
- CN113010507A CN113010507A CN202110308275.1A CN202110308275A CN113010507A CN 113010507 A CN113010507 A CN 113010507A CN 202110308275 A CN202110308275 A CN 202110308275A CN 113010507 A CN113010507 A CN 113010507A
- Authority
- CN
- China
- Prior art keywords
- station
- time
- clustering
- bus
- genetic algorithm
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 241001061225 Arcos Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
Abstract
本发明公开了基于时间校准和遗传算法的公交OD计算方法及系统,该方法包括以下步骤:S1、校准刷卡数据的时间偏移;S2、获取乘客的上站站点;S3、获取乘客的下站站点;S4、获取用户的出行喜好;S5、输出公交OD矩阵。有益效果:不仅有效地防止了匹配到不正确站点情况的发生,而且能够更精确的描述乘客的行程轨迹,从而得到更精确地OD矩阵,此外,采用遗传算法进行编码、选择、交叉、变异进行调整,根据相关评价指标获取最优的参数,相比穷举法遍历DBSCAN聚类这两个参数,采用遗传算法调参能更快的时间获取最优的聚类半径参数和最小聚类点个数参数,从而获取更精确的聚类效果。
Description
技术领域
本发明涉及智能交通领域,具体来说,涉及基于时间校准和遗传算法的公交OD计算方法及系统。
背景技术
公交OD用于描述乘客上站区域和下站区域相互关系,对于交通堵塞、公交调度排班具有重要指导意义。其中OD中的O为ORIGIN,意为出行的出发地点,D为DESTINATION,意为出行的目的地。通过实际调查,现行的关联GPS的乘客刷卡时间普遍存在时间偏移,没有经过时间校准,当前站点的乘客刷卡时间,由于时间偏移,被匹配到当前站点的上一站点或下一站点的情况屡屡发生。以往公交OD的计算上下站点时候,没有考虑用户在不同时段会具有不同的上下站区域聚类情况,使得公交OD的计算具有一定误差。以往公交OD的聚类计算,要么采用固定聚类参数,要么采用暴力穷举法遍历所有可能的聚类算法的相关参数,来求取聚类结果,这样大幅增加了聚类的时间,延长了整体的OD计算时间。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出基于时间校准和遗传算法的公交OD计算方法及系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了基于时间校准和遗传算法的公交OD计算方法,该方法包括以下步骤:
S1、校准刷卡数据的时间偏移:获取车辆的进出站时间及乘客的刷卡时间,并对同一公交线路上所有乘客的刷卡时间进行偏移校准;
S2、获取乘客的上站站点:依据经过时间校准后的刷卡时间数据及公交到站后的出站时间数据,计算位于公交到站后出站时间区间内的刷卡数据,得到相应的上站站点;
S3、获取乘客的下站站点:若同一乘客当天刷卡次数大于等于两次,则利用两次刷卡的时间数据及公交到站出站的时间数据计算得到两次的上站站点,并将当前上站站点与下一上站站点相距预设值范围内的最近下游站点作为下站站点;
S4、获取用户的出行喜好:将乘客预设时间内的上下站点按照不同时间段进行聚类,利用预设的聚类算法得到对应的上站及下站区域,对当前上站站点与下一上站站点之间的距离不在预设值范围内的乘客,则通过该乘客过去预设时间内的历史聚类区域站点来进行匹配得到对应的下站站点;
S5、输出公交OD矩阵:利用获取的所述上站站点及下站站点的信息构建OD矩阵。
进一步的,所述S1中对同一公交线路上所有乘客的刷卡时间进行偏移校准包括以下步骤:
以偏移范围为正负5分钟,每次偏移2秒,车辆进出站时间内的刷卡数据的多少为评价指标;
把落于车辆进出站时间区间内最多刷卡数据对应的时间偏移及对应的公交线路号记录到数据库中,得到用于校准每条公交线路刷卡数据的时间校准表;
利用所述校准表对同一公交线路上所有乘客的刷卡时间进行偏移校准。
进一步的,所述S2中对于不在公交到站后出站时间区间内的刷卡数据,则计算站点进出站区间中心与刷卡数据的距离,距离最近的站点即为上站站点。
进一步的,所述S4中将乘客预设时间内的上下站点按照不同时间段进行聚类,得到对应的上站及下站区域具体包括以下步骤:
将一天24小时中每三个小时作为一个时间区间;
分别对每个区间对应的上站站点及下站站点进行聚类,获取上站区域id、上站站点列表、下站区域id及下站站点列表;
计算每个区域的区域中心,分别得到上站区域中心点及下站区域中心点,即得到用户出行区域的喜好表。
进一步的,所述通过该乘客过去预设时间内的历史聚类区域站点来进行匹配得到对应的下站站点具体包括以下步骤:
根据乘客的id及刷卡时间利用所述喜好表匹配得到对应的时段,并依据上站站点匹配得到上站站点列表对应的上站区域id;
根据上站区域id得到对应的下站站点列表,若上站站点当前线路的下游列表中的站点在下站站点列表中,则从中选取最近的站点为下站站点;
若上站站点当前线路的下游列表中的站点不在下站站点列表中,则依次计算下游列表中每个站点与下站区域中心点的经纬度距离,并选取距离最近的站点为下游站点。
进一步的,所述聚类算法为DBSCAN聚类算法,且该算法的参数主要包括聚类半径参数及最小聚类点个数。
进一步的,所述聚类算法中采用遗传算法对聚类半径参数及最小聚类点个数进行调整,该调整方法包括以下步骤:
采用遗传算法编码方式对所述聚类半径参数及最小聚类点个数进行编码;
对编码后的所述聚类半径参数及最小聚类点个数进行选择操作;
进行交叉、变异操作,并通过相关的评价函数获取更优的聚类半径参数及最小聚类点个数。
进一步的,所述遗传算法编码方式包含但不限于二进制编码法、浮点编码法及符号编码法。
进一步的,所述选择操作包含但不限于轮盘赌选择、随机竞争选择、最佳保留选择及无回放随机选择。
根据本发明的另一个方面,提供了基于时间校准和遗传算法的公交OD计算系统,该系统包括时间偏移校准模块、基于时段的上下车区域聚类模块及用户出行区域喜好记录模块;
其中,所述时间偏移校准模块用于对刷卡时间进行偏移校准;
所述基于时段的上下车区域聚类模块用于根据用户不同的出行时段的上下车站点,进行聚类识别上下车区域;
所述用户出行区域喜好记录模块用于对用户出行时段内上下站点的记录本发明的有益效果为:
1)、本发明采用的时间偏移校准模块,可以对刷卡时间进行偏移校准,使得刷卡时间落于车辆进出站的时间区间内,从而有效地防止了匹配到不正确站点情况的发生。
2)、本发明的基于时段的上下车区域聚类模块,依据用户在一天当中不同时段可能会出现不同的上下站区域行程,获取不同时段的上下站区域进行聚类,能够更精确的描述乘客的行程轨迹,从而得到更精确地OD矩阵。
3)、本发明所述的基于遗传算法调参的DBSCAN聚类,对DBSCAN的聚类半径参数和最小聚类点个数这两个参数,采用遗传算法对其进行编码、选择、交叉、变异进行调整,根据相关评价指标获取最优的参数,相比穷举法遍历DBSCAN聚类这两个参数,采用遗传算法调参能更快的时间获取最优的聚类半径参数和最小聚类点个数参数,从而获取更精确的聚类效果。
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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于时间校准和遗传算法的公交OD计算方法的流程示意图;
图2是根据本发明实施例的基于时间校准和遗传算法的公交OD计算方法中时间校准的原理示意图;
图3是根据本发明实施例的基于时间校准和遗传算法的公交OD计算方法中遗传算法调参DBSCAN聚类参数的流程示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了基于时间校准和遗传算法的公交OD计算方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1-3所示,根据本发明的一个实施例,提供了基于时间校准和遗传算法的公交OD计算方法,该方法包括以下步骤:
S1、校准刷卡数据的时间偏移:获取车辆的进出站时间及乘客的刷卡时间,车辆进站时间即下区间表示为td,车辆出站时间即上区间表示为tu,乘客的刷卡时间tp,并对同一公交线路上所有乘客的刷卡时间进行偏移校准;从而最大程度的防止当前站的刷卡数据由于时间偏移被匹配到当前站点的上一站点或下一站点情况的发生;
其中,所述S1中对同一公交线路上所有乘客的刷卡时间进行偏移校准包括以下步骤:
以偏移范围为正负5分钟,每次偏移2秒,车辆进出站时间内的刷卡数据的多少D(K)为评价指标,把落于车辆进出站时间区间内最多刷卡数据D(K)=∑k对应的时间偏移td及对应的公交线路号记录到数据库中,得到用于校准每条公交线路刷卡数据的时间校准表;
具体的,以上逻辑的优化函数可以表示为:
max D(k)=∑k
约束条件可以表示:
tp=tp-td
tp-td≥0
tu-tp≥0
-5×60≤td≤5×60
利用所述校准表对同一公交线路上所有乘客的刷卡时间进行偏移校准。
S2、获取乘客的上站站点:依据经过时间校准后的刷卡时间数据tp及公交到站后的出站时间数据,计算位于公交到站后出站时间区间内的刷卡数据,得到相应的上站站点,车辆进站时间即下区间表示为td,车辆出站时间即上区间表示为tu,所以根据S1的逻辑,匹配刷卡数据位于公交到站出站时间区间内的表示达式可用以下逻辑表示:tp-td≥0,tu-tp≥0。
对于不在公交到站出站时间区间内的刷卡数据,其上站站点su则通过函数f计算站点进出站区间中心tc与刷卡时间数据tp的时间差,对该线路的所有站点遍历计算出最短时间差获取对应的下站站点su,该过程的函数用f表示,表达式如下所示:
S3、获取乘客的下站站点:若同一乘客当天刷卡次数小于两次,则通过S4来预测下站站点sd,若当天刷卡次数大于等于两次,则利用两次刷卡的时间数据及公交到站出站的时间数据计算得到两次的上站站点,并将当前上站站点与下一上站站点相距2000米范围内的最近下游站点作为下站站点;
S4、获取用户的出行喜好:将乘客30天内的上下站点按照不同时间段进行聚类,利用预设的聚类算法得到对应的上站及下站区域,对当前上站站点与下一上站站点之间的距离不在2000米范围内的乘客(对于在S3中,如果不能找到符合条件的下站站点),则通过该乘客过去30天内的历史聚类区域站点来进行匹配得到对应的下站站点;
为了更精确记录乘客的上站、下站轨迹,将一天24小时,每3个小时内对应的上站、下站点的数据分别做一次上站区域和下站区域的聚类。之后的下站识别中,会根据乘客的上站的时段找到对应时段的上、下站聚类区域,来匹配出下站站点。
具体的,将一天24小时中每三个小时作为一个时间区间;
分别对每个区间对应的上站站点及下站站点进行聚类,获取上站区域id、上站站点列表、下站区域id及下站站点列表;
计算每个区域的区域中心,分别得到上站区域中心点及下站区域中心点,即得到用户出行区域的喜好表,如下表所示:
对于在S3中,如果不能找到符合条件的下站站点,则通过上表匹配,先根据乘客的id及刷卡时间利用所述喜好表匹配得到对应的时段,并依据上站站点匹配得到上站站点列表对应的上站区域id;
再根据上站区域id找到对应的下站站点列表,若上站站点当前线路的下游列表中的站点在下站站点列表中,则从中选取最近的站点为下站站点;
若上站站点当前线路的下游列表中的站点不在下站站点列表中,则依次计算下游列表中每个站点与下站区域中心点的经纬度距离,并选取距离最近的站点为下游站点。其中,经纬度距离的公式如下:
min fdistance(Xsd,Ysd,Xsi,Ysi)
=R*arcos[cos(Ysd)*cos(Ysi)*cos(Xsd-Xsi)+sin(Ysd)*sin(Ysi)]
约束条件为:
fdistance≤2000
sd∈down_station_list
其中,down_station_list为下游站点列表,R为地球半径6371km,函数fdistance表示计算两点经纬度距离,Xsd和Ysd分别表示下游站点的经度和纬度,Xsi和Ysi分别表示上站站点的经度和纬度。
具体的,所述聚类算法为DBSCAN聚类算法(Density-Based Spatial Clusteringof Applications with Noise,为具有噪声的基于密度的聚类方法),且该算法的参数主要包括聚类半径参数及最小聚类点个数。需要调试不同的参数值,才能获取最优的聚类结果,本发明中采用遗传算法对DBSCAN聚类算法的这两个参数进行调整,该调整方法包括以下步骤:
先采用遗传算法编码方式对所述聚类半径参数及最小聚类点个数进行编码;所述遗传算法编码方式一般由二进制编码法、浮点编码法及符号编码法,本实施例中,编码方式采用二进制编码。
再对编码后的所述聚类半径参数及最小聚类点个数进行选择操作;所述选择操作一般包括轮盘赌选择、随机竞争选择、最佳保留选择及无回放随机选择,本实施例中,选的是轮盘赌选择。
然后再进行交叉、变异操作,并通过相关的评价函数获取更优的聚类半径参数及最小聚类点个数。评价函数,通过机器学习框架sklearn框架内置的两个参数:每一个聚出的类仅包含一个类别的程度度量参数homogeneity和每一个类别被指向相同聚出的类的程度度量参数completeness,然后通过下式得到:
v=2*(homogeneity*completeness)/(homogeneity+completeness)。
S5、输出公交OD矩阵:利用获取的所述上站站点及下站站点的信息构建OD矩阵。
根据本发明的另一个实施例,提供基于时间校准和遗传算法的公交OD计算系统,该系统包括时间偏移校准模块、基于时段的上下车区域聚类模块及用户出行区域喜好记录模块;
其中,所述时间偏移校准模块用于对刷卡时间进行偏移校准,具体的,利用偏移范围为正负5分钟,每次偏移2秒,算出刷卡时间落于进出站时间间隔的最大比例,最大程度的防止当前站的刷卡数据由于时间偏移被匹配到当前站点的上一站点或下一站点情况的发生;
所述基于时段的上下车区域聚类模块用于根据用户不同的出行时段的上下车站点,进行聚类识别上下车区域,具体的,依据是用户在一天当中的不同时段,由于不同的行程,出现不同的上下车区域,上下车区域为数个相邻的上下车站点聚类形成,从而更精确的记录用户一天当中的出行轨迹,为后续精确地OD计算打下基础;
所述用户出行区域喜好记录模块用于对用户出行时段内上下站点的记录。
综上所述,借助于本发明的上述技术方案,本发明采用的时间偏移校准模块,可以对刷卡时间进行偏移校准,使得刷卡时间落于车辆进出站的时间区间内,从而有效地防止了匹配到不正确站点情况的发生。
此外,本发明的基于时段的上下车区域聚类模块,依据用户在一天当中不同时段可能会出现不同的上下站区域行程,获取不同时段的上下站区域进行聚类,能够更精确的描述乘客的行程轨迹,从而得到更精确地OD矩阵。
此外,本发明所述的基于遗传算法调参的DBSCAN聚类,对DBSCAN的聚类半径参数和最小聚类点个数这两个参数,采用遗传算法对其进行编码、选择、交叉、变异进行调整,根据相关评价指标获取最优的参数,相比穷举法遍历DBSCAN聚类这两个参数,采用遗传算法调参能更快的时间获取最优的聚类半径参数和最小聚类点个数参数,从而获取更精确的聚类效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于时间校准和遗传算法的公交OD计算方法,其特征在于,该方法包括以下步骤:
S1、校准刷卡数据的时间偏移:获取车辆的进出站时间及乘客的刷卡时间,并对同一公交线路上所有乘客的刷卡时间进行偏移校准;
S2、获取乘客的上站站点:依据经过时间校准后的刷卡时间数据及公交到站后的出站时间数据,计算位于公交到站后出站时间区间内的刷卡数据,得到相应的上站站点;
S3、获取乘客的下站站点:若同一乘客当天刷卡次数大于等于两次,则利用两次刷卡的时间数据及公交到站出站的时间数据计算得到两次的上站站点,并将当前上站站点与下一上站站点相距预设值范围内的最近下游站点作为下站站点;
S4、获取用户的出行喜好:将乘客预设时间内的上下站点按照不同时间段进行聚类,利用预设的聚类算法得到对应的上站及下站区域,对当前上站站点与下一上站站点之间的距离不在预设值范围内的乘客,则通过该乘客过去预设时间内的历史聚类区域站点来进行匹配得到对应的下站站点;
S5、输出公交OD矩阵:利用获取的所述上站站点及下站站点的信息构建OD矩阵。
2.根据权利要求1所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述S1中对同一公交线路上所有乘客的刷卡时间进行偏移校准包括以下步骤:
以偏移范围为正负5分钟,每次偏移2秒,车辆进出站时间内的刷卡数据的多少为评价指标;
把落于车辆进出站时间区间内最多刷卡数据对应的时间偏移及对应的公交线路号记录到数据库中,得到用于校准每条公交线路刷卡数据的时间校准表;
利用所述校准表对同一公交线路上所有乘客的刷卡时间进行偏移校准。
3.根据权利要求1所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述S2中对于不在公交到站后出站时间区间内的刷卡数据,则计算站点进出站区间中心与刷卡数据的距离,距离最近的站点即为上站站点。
4.根据权利要求1所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述S4中将乘客预设时间内的上下站点按照不同时间段进行聚类,得到对应的上站及下站区域具体包括以下步骤:
将一天24小时中每三个小时作为一个时间区间;
分别对每个区间对应的上站站点及下站站点进行聚类,获取上站区域id、上站站点列表、下站区域id及下站站点列表;
计算每个区域的区域中心,分别得到上站区域中心点及下站区域中心点,即得到用户出行区域的喜好表。
5.根据权利要求4所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述通过该乘客过去预设时间内的历史聚类区域站点来进行匹配得到对应的下站站点具体包括以下步骤:
根据乘客的id及刷卡时间利用所述喜好表匹配得到对应的时段,并依据上站站点匹配得到上站站点列表对应的上站区域id;
根据上站区域id得到对应的下站站点列表,若上站站点当前线路的下游列表中的站点在下站站点列表中,则从中选取最近的站点为下站站点;
若上站站点当前线路的下游列表中的站点不在下站站点列表中,则依次计算下游列表中每个站点与下站区域中心点的经纬度距离,并选取距离最近的站点为下游站点。
6.根据权利要求1所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述聚类算法为DBSCAN聚类算法,且该算法的参数主要包括聚类半径参数及最小聚类点个数。
7.根据权利要求1所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述聚类算法中采用遗传算法对聚类半径参数及最小聚类点个数进行调整,该调整方法包括以下步骤:
采用遗传算法编码方式对所述聚类半径参数及最小聚类点个数进行编码;
对编码后的所述聚类半径参数及最小聚类点个数进行选择操作;
进行交叉、变异操作,并通过相关的评价函数获取更优的聚类半径参数及最小聚类点个数。
8.根据权利要求7所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述遗传算法编码方式包含但不限于二进制编码法、浮点编码法及符号编码法。
9.根据权利要求7所述的基于时间校准和遗传算法的公交OD计算方法,其特征在于,所述选择操作包含但不限于轮盘赌选择、随机竞争选择、最佳保留选择及无回放随机选择。
10.基于时间校准和遗传算法的公交OD计算系统,用以实现权利要求1-9中任一所述的基于时间校准和遗传算法的公交OD计算方法的步骤,其特征在于,该系统包括时间偏移校准模块、基于时段的上下车区域聚类模块及用户出行区域喜好记录模块;
其中,所述时间偏移校准模块用于对刷卡时间进行偏移校准;
所述基于时段的上下车区域聚类模块用于根据用户不同的出行时段的上下车站点,进行聚类识别上下车区域;
所述用户出行区域喜好记录模块用于对用户出行时段内上下站点的记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308275.1A CN113010507B (zh) | 2021-03-23 | 2021-03-23 | 基于时间校准和遗传算法的公交od计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308275.1A CN113010507B (zh) | 2021-03-23 | 2021-03-23 | 基于时间校准和遗传算法的公交od计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113010507A true CN113010507A (zh) | 2021-06-22 |
CN113010507B CN113010507B (zh) | 2024-08-02 |
Family
ID=76405366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308275.1A Active CN113010507B (zh) | 2021-03-23 | 2021-03-23 | 基于时间校准和遗传算法的公交od计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010507B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
CN105185105A (zh) * | 2015-06-26 | 2015-12-23 | 东南大学 | 基于车辆gps和公交ic卡数据的公交换乘识别方法 |
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 |
CN106530190A (zh) * | 2016-10-28 | 2017-03-22 | 西安建筑科技大学 | 基于历史出行模式判断公交ic卡乘客下车站点的方法 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN109308546A (zh) * | 2018-08-31 | 2019-02-05 | 江苏智通交通科技有限公司 | 乘客公交出行下车站点预测方法及系统 |
CN109584555A (zh) * | 2018-12-13 | 2019-04-05 | 昆山市公共交通集团有限公司 | 基于afc数据的公交乘客下车站点推测方法 |
CN110348614A (zh) * | 2019-06-24 | 2019-10-18 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN111402618A (zh) * | 2020-03-27 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种上车站点的确定方法、装置、存储介质和电子设备 |
CN111985710A (zh) * | 2020-08-18 | 2020-11-24 | 深圳诺地思维数字科技有限公司 | 一种公交乘客出行站点预测方法、存储介质及服务器 |
-
2021
- 2021-03-23 CN CN202110308275.1A patent/CN113010507B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097002A (zh) * | 2010-11-22 | 2011-06-15 | 东南大学 | 一种基于ic卡数据获取公交站点od的方法及系统 |
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 |
CN105185105A (zh) * | 2015-06-26 | 2015-12-23 | 东南大学 | 基于车辆gps和公交ic卡数据的公交换乘识别方法 |
CN106530190A (zh) * | 2016-10-28 | 2017-03-22 | 西安建筑科技大学 | 基于历史出行模式判断公交ic卡乘客下车站点的方法 |
CN107818412A (zh) * | 2017-10-18 | 2018-03-20 | 福州大学 | 一种基于MapReduce的大规模公交乘客OD并行计算方法 |
CN109308546A (zh) * | 2018-08-31 | 2019-02-05 | 江苏智通交通科技有限公司 | 乘客公交出行下车站点预测方法及系统 |
CN109584555A (zh) * | 2018-12-13 | 2019-04-05 | 昆山市公共交通集团有限公司 | 基于afc数据的公交乘客下车站点推测方法 |
CN110348614A (zh) * | 2019-06-24 | 2019-10-18 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN111402618A (zh) * | 2020-03-27 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种上车站点的确定方法、装置、存储介质和电子设备 |
CN111985710A (zh) * | 2020-08-18 | 2020-11-24 | 深圳诺地思维数字科技有限公司 | 一种公交乘客出行站点预测方法、存储介质及服务器 |
Non-Patent Citations (4)
Title |
---|
周涛;翟长旭;高志刚;: "基于公交IC卡数据的OD推算技术研究", 城市交通, no. 03, 15 May 2007 (2007-05-15) * |
胡继华、邓俊等: "结合出行链的公交 IC 卡乘客下车站点判断概率模型", 《交通运输系统工程与信息》, vol. 14, no. 2, 15 April 2014 (2014-04-15) * |
胡继华;高立晓;梁嘉贤;: "基于交通大数据的公交线路OD矩阵推断方法", 科学技术与工程, no. 11, 18 April 2017 (2017-04-18) * |
陈绍辉;陈艳艳;尹长勇;: "基于特征站点的公交IC卡数据站点匹配方法研究", 北京工业大学学报, no. 06, 10 June 2012 (2012-06-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN113010507B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10928209B2 (en) | Assessing inter-modal passenger travel options | |
AU2018353633B2 (en) | Timetable modification device and automatic train control system | |
CN101964148B (zh) | 道路交通信息记录服务器和gps用户终端 | |
KR101413505B1 (ko) | 이력 및 현재 데이터에 기초하는 예상된 도로 교통 조건의 예측 방법 및 장치 | |
US20170323564A1 (en) | Prediction for lane guidance assist | |
Jenelius | Data-driven metro train crowding prediction based on real-time load data | |
US11022457B2 (en) | Method, apparatus, and computer program product for lane-level route guidance | |
US20140309914A1 (en) | Learning road navigation paths based on aggregate driver behavior | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
JP2023155476A (ja) | 情報処理システム、情報処理装置、情報処理方法及び情報処理プログラム | |
CN116862325A (zh) | 一种城市轨道交通乘客出行链推断方法及系统 | |
CN113379159A (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN113010507A (zh) | 基于时间校准和遗传算法的公交od计算方法及系统 | |
CN114923497B (zh) | 一种铁路出行的路径规划方法、装置、设备及存储介质 | |
Izadpanah | Freeway travel time prediction using data from mobile probes | |
CN108665705B (zh) | 交通诱导统计模型校对方法及装置 | |
CN115273457A (zh) | 考虑城市路网行程时间动态变化的全局最优路径规划方法 | |
JP2015114271A (ja) | 経路探索システム、経路探索方法、経路探索装置、交通情報処理装置及びコンピュータプログラム | |
TWI635447B (zh) | 乘車需求量預測方法及系統 | |
JP2022006482A (ja) | ナビゲーション装置、及びナビゲーション方法 | |
CN112766950A (zh) | 一种动态路径费用确定方法、装置、设备及介质 | |
KR20210096403A (ko) | 인공지능 기반의 최적배차 시스템 및 이를 위한 방법 | |
Mishra | Evaluating the Impacts of Existing Priority and Developing a Passenger Based Transit Signal Priority | |
Ma | The use of advanced transportation monitoring data for official statistics | |
Gutesa | Development and evaluation of cooperative intersection management algorithm under connected vehicles environment |
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 |