CN113642625A - 一种城市轨道交通乘客个体出行目的推断的方法及系统 - Google Patents
一种城市轨道交通乘客个体出行目的推断的方法及系统 Download PDFInfo
- Publication number
- CN113642625A CN113642625A CN202110901736.6A CN202110901736A CN113642625A CN 113642625 A CN113642625 A CN 113642625A CN 202110901736 A CN202110901736 A CN 202110901736A CN 113642625 A CN113642625 A CN 113642625A
- Authority
- CN
- China
- Prior art keywords
- geographic
- interest point
- passenger
- weighted
- travel
- 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 66
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000470 constituent Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000037230 mobility Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000005019 pattern of movement Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Abstract
本发明实施例提供了一种城市轨道交通乘客个体出行目的推断的方法及系统。该方法包括:基于多源地理数据结合人均服务面积数据,生成考虑服务能力的加权地理兴趣点数据集;运用加权地理兴趣点数据集及地铁乘客智能卡数据为乘客的出行过程赋予时空语义;根据乘客出行过程的时空语义特征聚类得到乘客出行模式,识别乘客出行目的。该系统包括:多源地理数据抓取模块、居住类加权地理兴趣点数据集生成模块、非居住类加权地理兴趣点数据集生成模块、时空语义生成模块和出行目的分析模块。本发明的方法及系统有助于城市轨道交通运营管理人员准确把握乘客出行特征,为分析个性化乘客出行需求、提供定制化出行服务提供更精准、合理的依据。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种城市轨道交通乘客个体出行目的推断的方法及系统。
背景技术
随着城市居民人数大幅增加,人口流动变得不可预测和复杂,对公共安全和健康构成重大挑战。地铁系统作为城市交通的重要组成部分,日益成为城市居民不可或缺的选择。因此,分析乘客的出行模式,推断乘客个体出行目的,有助于城市轨道交通运营管理人员准确把握乘客出行特征,为乘客提供更高质量的个性化出行服务。
发明内容
本发明的实施例提供了一种城市轨道交通乘客个体出行目的推断的方法及系统,首先将房屋交易平台提供的居住区域信息和地理信息服务商提供的建筑物理属性信息添加到原始兴趣点数据中,以将原始兴趣点数据转换成考虑服务能力的加权兴趣点数据;运用乘客智能卡数据和加权地理兴趣点数据,编码组合为包含时间属性和空间属性的高维稀疏出行向量;基于堆叠自编码器(SAE)的无监督深度学习框架将高维稀疏出行向量转化为低维稠密出行向量;通过聚类算法识别乘客出行移动模式,推断乘客个体出行目的。
为了实现上述目的,本发明采取了如下技术方案。
一种城市轨道交通乘客个体出行目的推断的方法,包括:
步骤1:基于多源地理数据结合人均服务面积数据,生成考虑服务能力的加权地理兴趣点数据集;
步骤2:运用加权地理兴趣点数据集及地铁乘客智能卡数据为乘客的出行过程赋予时空语义;
步骤3:根据乘客出行过程的时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
优选地,所述步骤1中多源地理数据包括:地理兴趣点数据、居住区域数据和建筑物理属性数据;所述步骤1中加权地理兴趣点数据集包括:居住类加权地理兴趣点数据集和非居住类加权地理兴趣点数据集;
所述生成考虑服务能力的加权地理兴趣点数据集,包含以下步骤:
步骤1.1:基于地理兴趣点数据将地理兴趣点划分为居住类地理兴趣点和非居住类地理兴趣点;
步骤1.2:对于居住类地理兴趣点,运用居住区域数据生成考虑服务能力的居住类加权地理兴趣点数据集;
步骤1.3:对于非居住类地理兴趣点,运用建筑物理属性数据和人均服务面积数据,生成考虑服务能力的非居住类加权地理兴趣点数据集。
优选地,所述步骤1.2包括以下步骤:
步骤1.2.1:遍历居住区域数据中的所有居住区域,获取所有居住区域经纬度和名称,根据以下公式计算给定地理兴趣点和各个居住区域的距离,选择该地理兴趣点周边阈值范围内的所有居住区域作为备选集;
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离;θA,B表示 A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度,B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径;
步骤1.2.2:将备选集中居住区域的名称与给定地理兴趣点的名称进行匹配,最后将名称相同的居住区域的住户数量作为该地理兴趣点的服务能力。
优选地,所述步骤1.3包括:
步骤1.3.1:遍历建筑物理属性数据中的所有建筑物,获取所有建筑物经纬度、名称和类别,根据以下公式计算给定地理兴趣点和各个建筑物的距离,选择该地理兴趣点周边阈值范围内的所有建筑物作为备选集;
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离,单位为米;θA,B表示A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度, B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径;
步骤1.3.2:将备选集中建筑物的名称与地理兴趣点的名称进行匹配,得到地理兴趣点代表的建筑物,并获取其实际使用面积;
步骤1.3.3:根据地理兴趣点代表的建筑物的建筑类型,从《全国民用建筑工程设计技术措施》或《全国统一建筑工程预算工程量计算规则》规范中获取该类型建筑的人均服务面积;
步骤1.3.4:用地理兴趣点代表的建筑物的实际使用面积除以其人均服务面积,得到该地理兴趣点的服务能力。
优选地,所述步骤2包括:
步骤2.1:基于加权地理兴趣点数据集,编码乘客的出行过程,为乘客的出行赋予空间语义,生成包含空间语义的出行向量;
步骤2.2:基于地铁乘客智能卡数据,编码乘客的出行过程,为乘客的出行赋予时间语义,生成包括时间语义的出行向量;
步骤2.3:运用自编码器将上述包含空间语义和时间语义的出行向量深度融合为时空语义向量。
优选地,所述步骤2.1包括:
步骤2.1.1:将加权地理兴趣点分为e类,e为正整数;
步骤2.1.2:乘客出行的空间语义由出发车站空间语义ΟR和目的地车站空间语义DR构成,ΟR和DR是两个e维向量,每个维度对应步骤2.1.1中的一类兴趣点,其计算公式如下:
优选地,所述步骤2.2的实现方法为:
乘客出行的时间语义用独热编码的出行开始时间TR、星期WR和旅行时间 HR表示;对于开始时间TR,把一天分为间隔固定的离散时间段,除去地铁不提供运营服务的时间;对于星期WR,WR表示7维向量;对于旅行时间HR,将乘客出行时间分为c个时段,间隔时长为q。
优选地,所述步骤2.3的实现方法为:
用R代表乘客出行的时空语义向量,计算公式如下:
R={ΟR,DR,TR,WR,HR}
运用堆叠自编码器构建的深度神经网络模型实现出行空间和时间语义向量的深度融合,具体地:运用多层编码将输入的时空语义稀疏向量转化为稠密向量提取抽象特征,运用堆叠自编码器构建的深度神经网络模型实现空间和时间语义向量的深度融合的表达式如下:
hn+1=fa(Wnhn+bn)
公式中,hn和hn+1表示第n层和第(n+1)层的输出向量,n为非零正整数, Wn和bn表示权重参数矩阵和从第n层到第(n+1)层的偏置,fa(·)表示激活函数。
一种城市轨道交通乘客个体出行目的推断的系统,包括以下模块:
多源地理数据抓取模块,用于获取多源地理数据;
居住类加权地理兴趣点数据集生成模块,用于将获取的居住类地理兴趣点与居住区域数据匹配,获取居住区域的住户数量,得到考虑服务能力的居住类加权地理兴趣点数据集;
非居住类加权地理兴趣点数据集生成模块,用于将获取的非居住类地理兴趣点与建筑物理属性数据匹配,获取建筑物的类型、层高及面积,结合该类型建筑的使用面积数据,得到考虑服务能力的非居住类加权地理兴趣点数据集;
时空语义生成模块,用于使用地铁乘客智能卡数据,结合加权地理兴趣点数据,为乘客的出行赋予时空语义;
出行目的分析模块,用于对时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
优选地,所述城市轨道交通乘客个体出行目的推断的系统用于执行上述任一项所述的城市轨道交通乘客个体出行目的推断的方法的操作。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例通过了一种城市轨道交通乘客个体出行目的推断的方法及系统,具有以下有益效果:
(1)本发明提出了一种多源数据融合方法,避免了仅使用地理兴趣点的数量来量化土地利用特征难以描述兴趣点真实服务能力的缺点。
(2)本发明提出一种基于堆叠自编码器的无监督深度学习框架,嵌入旅客出行的时空信息,实现旅客出行记录向低维稠密向量的转换。在此框架下,利用自编码实现时空信息的嵌入,无需标记数据和监督训练,比现有方法更全面地提取旅行记录的特征。
(3)使用基于密度的聚类算法来识别乘客移动模式,可以根据数据分布生成聚类数目,而无需手动指定聚类数,避免了人为干预。
(4)本发明有助于城市轨道交通运营管理人员准确把握乘客出行特征,为分析个性化乘客出行需求、提供定制化出行服务提供更精准、合理的依据。
(5)本技发明在精准广告投放方面的具有现实应用前景。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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为本发明实施例提供的一种城市轨道交通乘客个体出行目的推断的方法的流程图;
图2为本发明实施例提供的加权地理兴趣点与原始地理兴趣点的比较:(a) 为北京地铁站分布图,(b)和(c)分别为地铁站500米范围内的原始地理兴趣点和加权地理兴趣点分布热图;
图3为本发明实施例提供的SAE迭代时MSE的变化;
图4为本发明实施例提供的不同参数对应的SC值;
图5本发明实施例提供的所识别出的6种出行目的(当δ=16且ε=9.5):(a) 和(b)显示了起点站和终点站周围兴趣点类别的分布,揭示了空间特征;(c)、 (d)和(e)分别显示了一天开始时间的分布、一周中一天的分布和旅行时间的分布;
图6为本发明实施例提供的与不同模型方法的比较。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以几个具体实施例为例做进一步的解释说明,且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种城市轨道交通乘客个体出行目的推断的方法,如图1所示,包括以下步骤:
步骤1:基于多源地理数据结合人均服务面积数据,生成考虑服务能力的加权地理兴趣点数据集;
步骤2:运用加权地理兴趣点数据集及地铁乘客智能卡数据为乘客的出行过程赋予时空语义;
步骤3:根据乘客出行过程的时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
以北京地铁网络为例,具体说明如下:
步骤1、采集2018年9月至10月共1.7681亿条智能卡数据和同时期地理兴趣点数据。进一步说明,同时期多源地理数据包括从链家采集的居民区域数据、从Arctiler采集的建筑物理属性数据以及从Amap采集的地理兴趣点数据三种类型。其中,地理兴趣点数据包含目标兴趣点的名称、类别和经纬度;居住区域数据包含目标住宅小区的名称、经纬度和住户数量;建筑物理属性数据包含目标建筑的名称、经纬度、类别、可用面积和层数。
本发明实施例从出行目的的角度出发,将Amap数据库中24类地理兴趣点整合为8个类别,如表1所示。
表1
基于以上采集数据,将地理兴趣点数据转换成考虑服务能力的加权地理兴趣点数据集。
进一步说明,对于给定的目标地理兴趣点,从Arctiler数据库中选择一个建筑物,计算两者之间的距离,以确定是否相互匹配。进一步说明,从 Arctiler获得的建筑基地轮廓的经纬度需要转换为建筑基地中心的经纬度。两个坐标之间的实际距离计算公式如下:
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
其中,Distance(A,B)表示两个坐标点A和B之间的实际距离,单位为米。θA,B表示A、B两点与地心连线的夹角,A.lat(B.lat)和A.lng(B.lng)表示A(B)的经纬度,REarth表示地球的半径为6371千米。进一步说明,本发明实施例中的所有经度和纬度均基于1984年世界大地测量系统(WGS-84)坐标系。
最后,判断得到的距离是否小于设定为50米的阈值。如果是,则根据从《全国民用建筑工程设计技术措施》中获得的人均服务面积,即加权地理兴趣点,标定目标地理兴趣点的实际服务能力;否则,从Arctiler数据库中选择另一栋建筑重新匹配目标地理兴趣点。
进一步说明,本发明实施例中,从Amap获取的11382条居住类地理兴趣点数据,其中10927个居住类地理兴趣点数据可与链家住宅区数据库成功匹配,匹配率为96%;从Amap获取的6887条非居住类建筑数据,其中6336条非居住类建筑数据可与Arctiler数据库成功匹配,匹配率为92%。
进一步说明,本发明实施例选取居住类地理兴趣点说明校准后的加权地理兴趣点优势,其信息如图2所示。其中,图2(a)为北京地铁站分布图,图2(b) 和(c)分别为地铁站500米范围内的原始地理兴趣点和加权地理兴趣点分布热图。可以看出,图2(b)中的居住点分布更均匀,在城市中心的密度更高。相反,图2(c)中的居住人口以极不均衡的方式集中在郊区。进一步说明,造成上述差异是由于城市中心区的住宅地理兴趣点主要是酒店、别墅和低层的住宅建筑,而郊区的住宅地理兴趣点主要是高密度、高层的住宅社区。
进一步说明,在图2(c)中具有4个高密度住宅区,分别位于城市的北部、东部和西南部,即分别对应于昌平、通州、房山和大兴。上述地区都有类似的特点,比如房价低,住房密度大,大量通勤者居住在该地区。结果表明,加权地理兴趣点能够更准确地反映地铁站周围土地利用的类别。
步骤2运用乘客智能卡数据和加权地理兴趣点数据,编码组合为包含时间属性和空间属性的高维出行向量。
进一步说明,地铁乘客智能卡数据包含出行开始时间出发车站到站时间和目的地车站将其处理成对应旅行记录R,包括出发车站空间语义ΟR、目的地车站空间语义DR、出行开始时间TR、星期WR和旅行时间 HR,旅行记录R对应于向量R{ΟR,DR,TR,WR,HR}。
进一步说明,对于空间语义即出发车站和目的地车站,利用目标站一定范围(500米)内的加权地理兴趣点来表示该站,将P定义为研究区域内所有加权地理兴趣点的集合。对于出发车站和目的地车站500米内的加权地理兴趣点公式表示如下:
如步骤1中所述,加权地理兴趣点被分为e类(e=8),即娱乐、工作、购物、交通、教育、住宅、医院和政府,ΟR和DR分别表示为一个8维向量。加权地理兴趣点的值代表其服务能力,值越大,成为车站乘客的出发点或目的地的概率越大。ΟR和DR公式表示如下:
其中,∑|pj|表示第j类别的加权地理兴趣点值之和,j=1,2,…,e,和表示出发车站和目的车站周边500米范围内的所有加权地理兴趣点之和。地理兴趣点类别的顺序对应于表1中的行顺序,即娱乐、工作、购物、交通、教育、住宅、医院和政府。
进一步说明,对于时间语义TR、WR、HR,采用one-hot编码表示三个属性。对于TR,把一天分为间隔固定的离散时间段,本发明间隔被设置为一个小时,即一天被分为19个时间间隔(除去地铁不提供运营服务的早上0点到5 点),TR表征为19维向量。例如,如果是5:16:29(在5和6之间),它可以表示为{1,0,0,……,0}。例如,是22:51:33(在22和23之间),它可以表示为 {0,0,0,……,0,1,0}。对于WR,WR可以表示为7维向量,例如,在星期一,可以表示为{1,0,0,0,0,0,0}。对于HR,由于大部分乘客出行时间在120分钟以内,本发明中将出行时间分为8个时段,间隔15分钟。例如,R的行程时间为27分钟(15-30之间),HR可以表示为{0,1,0,0,0,0, 0,0}。
进一步说明,行程向量R={ΟR,DR,TR,WR,HR}经上述过程可被表示为50维 (8+8+19+7+8)稀疏向量。
步骤3:根据乘客出行过程的时空语义特征聚类得到乘客出行模式,识别乘客出行目的,包括以下步骤:
3.1、将步骤2中获取的50维稀疏出行向量转化为低维稠密出行向量。运用堆叠多个自动编码器(SAE)构建的深度神经网络模型实现高维稀疏出行向量向低维稠密出行向量的转化。
进一步说明,首先将输入的50维稀疏向量R升级为64维向量提取抽象特征,然后将维数逐层降维为16维和8维向量,实现稠密向量的表示。上述过程表达式如下:
hn+1=fa(Wnhn+bn)
公式中,hn和hn+1表示第n层和第(n+1)层的输出向量,Wn和bn表示权重参数矩阵和从第n层到第(n+1)层的偏置,fa(·)表示激活函数。
进一步说明,模型中需要估计参数Wn和bn,特别是当n=1,hn=R,由于 h1的维数小于h2的维数(50<64),因此需要避免权重参数的无效训练。第一层的权重参数需要进行预训练,其中使用贪婪的逐层预训练方法。损失函数的构造如下,在这个过程中使用正则化。
Loss=L(x,g(f(x)))+Ω(h)
其中,h=f(x)表示编码器的输出,g(f(x))表示解码器的输出,L(x,g(f(x)))表示x和g(f(x))的差值,可以用均方差(MSE)来衡量,Ω(h)表示正则项,此处为l1范数。
进一步说明,其他层的权重参数,可以使用截断正态初始值。选择MSE 作为整个SAE的损失函数。将稠密向量定义为稠密Rdense,将输出重构高维向量定义为Rrc,损失函数损失floss公式表示如下
floss=MSE(Rrc)=∑N(Ri-Rrc,i)2/N
其中,N表示旅行记录的总数,Ri和Rrc,i表示向量R和Rrc中的第i个元素。经上述过程,高维稀疏R就转化成了低维稠密Rdense。
进一步说明,图3显示了本发明实施例中在训练SAE模型时,均方差如何随着迭代次数而变化。当迭代次数达到40次时,MSE的值保持稳定,即SAE 可以以稳定的方式编码输入行程记录的时空特征,将高维稀疏向量转换为低维稠密向量。
3.2、基于低维稠密出行向量通过聚类算法识别乘客出行移动模式,推断乘客个体出行目的。利用DBSCAN算法对低维稠密的出行向量进行聚类,实现移动模式识别以及乘客个体出行目的推断。
在DBSCAN算法中定义了两个参数即样本邻域大小参数δ和距离参数ε,以此来描述中心样本、邻域样本以及不同样本之间的关系,实现聚类。
进一步说明,所述的中心样本是指在数据集中的一个样本的ε距离内至少有δ其他样本,这些其他样本被指定为中心样本的邻域样本。公式表达如下:
进一步说明,Rdense为中心样本的条件公式表达如下:
neighbor(Rdense)≥δ
进一步说明,参数δ和ε的值需要结合数据集的特征和聚类目标来设置,不同的参数值对聚类结果有显著影响。本发明实施例运用了聚类内误差平方和(SSE)和轮廓系数(SC)两个指标用于量化算法性能。其中,SSE表示被认定为同一出行模式下的不同乘客之间的差异,公式表示如下:
公式中,k表示簇的数量,Mk表示第k个簇中的样本数量,表示第k 个簇的第m个向量中的第i个元素,表示第k个簇的中心向量中的第i个元素。进一步说明,SSE值越小,聚类性能越好。这意味着被识别为同一移动模式的乘客具有较小的可识别差异,表明模式识别是准确的。
SC表示为一个凝聚和分离相结合的综合指标。其中,凝聚力反映了单个乘客与其他被确定为同一流动模式的乘客之间的平均差异;分离反映了单个乘客和具有其他移动模式的乘客之间的最小差异。SC公式表示如下:
bm=min(bm,k′),k′∈(1,2,…,K),k′≠k
进一步说明,当SC接近1时,表示数据聚类良好,即移动性模式识别及乘客个体出行目的识别良好;当SC为负甚至接近-1时,表明不同出行时空特征的乘客被识别为同一模式,即未能准确识别乘客个体出行目的,结果不理想。
进一步说明,簇的数量是根据参数δ和ε自动生成的,因此需要检查聚类的数量和对应于不同参数值的算法性能。本发明旨在识别乘客个体出行目的,因此要求簇的数量不应太大(难以解释乘客的潜在活动)或太小(难以区分乘客类别)。
进一步说明,簇的数量随着δ和ε的增加而减少。此外,当δ<8和ε<7时,簇的数量被验证为大于30,这使得难以准确。当δ>18和ε>10时,簇的数量不到 3个,不利于我们探索旅客流动模式。因此,参数取值范围确定为:δ∈[8,18]和ε∈[7,10]。表2列出了本实例中在不同参数值下,由SSE和SC量化的簇的数量和算法性能的结果。可以发现,随着δ的增加,SSE减小。此外ε对SSE的影响是有限的。
表2
ID | δ | ε | K | SSE | SC | ID | δ | ε | K | SSE | SC |
1 | 8 | 7 | 27 | 33136 | 0.466 | 22 | 14 | 7 | 18 | 25702 | 0.356 |
2 | 8 | 7.5 | 29 | 33407 | 0.473 | 23 | 14 | 7.5 | 16 | 24084 | 0.381 |
3 | 8 | 8 | 24 | 30895 | 0.439 | 24 | 14 | 8 | 12 | 25114 | 0.503 |
4 | 8 | 8.5 | 18 | 34989 | 0.139 | 25 | 14 | 8.5 | 10 | 23429 | 0.597 |
5 | 8 | 9 | 16 | 31018 | 0.621 | 26 | 14 | 9 | 9 | 23796 | 0.646 |
6 | 8 | 9.5 | 15 | 31731 | 0.568 | 27 | 14 | 9.5 | 9 | 23889 | 0.596 |
7 | 8 | 10 | 11 | 23133 | 0.712 | 28 | 14 | 10 | 3 | 23647 | 0.793 |
8 | 10 | 7 | 24 | 28931 | 0.248 | 29 | 16 | 7 | 18 | 24333 | 0.348 |
9 | 10 | 7.5 | 22 | 29168 | 0.38 | 30 | 16 | 7.5 | 14 | 22281 | 0.38 |
10 | 10 | 8 | 19 | 27447 | 0.421 | 31 | 16 | 8 | 10 | 23117 | 0.502 |
11 | 10 | 8.5 | 14 | 27925 | 0.361 | 32 | 16 | 8.5 | 10 | 23255 | 0.487 |
12 | 10 | 9 | 13 | 27374 | 0.616 | 33 | 16 | 9 | 9 | 23760 | 0.646 |
13 | 10 | 9.5 | 12 | 28828 | 0.621 | 34 | 16 | 9.5 | 6 | 23715 | 0.815 |
14 | 10 | 10 | 9 | 27158 | 0.657 | 35 | 16 | 10 | 5 | 23568 | 0.596 |
15 | 12 | 7 | 19 | 26676 | 0.295 | 36 | 18 | 7 | 17 | 22439 | 0.151 |
16 | 12 | 7.5 | 17 | 26224 | 0.379 | 37 | 18 | 7.5 | 13 | 21892 | 0.364 |
17 | 12 | 8 | 16 | 26786 | 0.424 | 38 | 18 | 8 | 10 | 23129 | 0.25 |
18 | 12 | 8.5 | 11 | 26077 | 0.188 | 39 | 18 | 8.5 | 7 | 22538 | 0.507 |
19 | 12 | 9 | 11 | 26775 | 0.614 | 40 | 18 | 9 | 7 | 23407 | 0.681 |
20 | 12 | 9.5 | 10 | 26596 | 0.56 | 41 | 18 | 9.5 | 7 | 23436 | 0.629 |
21 | 12 | 10 | 6 | 26638 | 0.686 | 42 | 18 | 10 | 6 | 23675 | 0.654 |
进一步说明,δ、ε和SC之间的关系如图4所示。整体来看,SC随着参数δ和ε的增加而增加。当δ=16,ε=9.5,SC值随着参数的增加而减小。其中, SSE=23715和SC=0.815,表现出良好的聚类性能。
3.3、对模型结果进行分析。
使用步骤3.2中的参数来识别本发明实施例中乘客个体出行目的。图5显示了δ=16和ε=9.5时的结果。每种颜色代表一种公认的移动模式,C1-C6表示簇1 到簇6的移动特征。其中,图5(a)和(b)显示了起点站和终点站周围兴趣点类别的分布,揭示了空间特征。图5(c)、(d)和(e)分别显示了一天开始时间的分布、一周中一天的分布和旅行时间的分布。
如表3所示,总结了上述六种迁移模式的特征。其中,C1和C5占35.808%(13.716%+22.092%),代表工作日内与工作相关的流动性。进一步说明,C1表示远距离工作,其开始时间在早上7点到8点之间,旅行时间主要是40-80分钟。C5表示短途工作,其开始时间在早上7点到9点之间(晚于C1的开始时间),因为旅行者需要花费较短的旅行时间(主要在40分钟内)。可以发现,尽管时间信息符合通勤者的典型移动模式,但目的地车站周围的公共场所包括多个类别地理兴趣点,例如娱乐、工作、医院和购物,这些类别表示乘客各种可能的工作场所。C3表示的娱乐和购物活动主要发生在周末,因为目的站周围有大量的娱乐和购物场所,这种移动的开始时间在上午9点到下午7点之间,旅行时间在60分钟以内。C2和C4占34.323%(19.817%+14.506%),表示与家庭相关的移动,大多数发生在工作日和周日,目的地地理兴趣点主要是住宅。C6(占15.961%)表示了一种难以直接识别出行目的的出行模式,其始发地主要是娱乐、购物、医院地理兴趣点,出发时间在上午11点到下午5点之间,出行时间在40分钟以内。这种模式的出行目的很难准确认定,可以认为是发生在工作日非高峰时段的短途出行。
表3
3.4、对比本发明与现有的技术方法
(1)比较不同向量形式。将稀疏向量(50维)和密集向量(8维)分别用于识别乘客移动模式。当簇数为6时,用不同的向量形式来检验性能。比较结果如表4所示。
表4
向量 | 计算时间 | SSE | SC |
高维稀疏向量 | 2674s | 28706 | 0.602 |
低维稠密向量 | 144s | 23715 | 0.815 |
进一步说明,使用稀疏向量的计算时间比使用稠密向量的计算时间长得多。这是因为稠密向量在计算过程中需要消耗较少的计算资源。此外,与稀疏向量相比,使用稠密向量可以给出更好的结果,原因是基于SAE的嵌入方法有效提取了旅客出行记录中的时空信息,证明了嵌入时空语义的必要性和优越性。
(2)比较不同的模型方法。第一个是基于聚类的方法,与本发明不同的是,该方法旨在从长期历史旅行数据库中挖掘时空旅行模式,而od站被视为空间特征,进出站的时间戳被视为时间特征;第二个方法是基于LDA的主题模型,在该模型中,车站位置、开始时间、周几和持续时间用来描述乘客旅行。
进一步说明,本发明实施例通过SSE和SC来评估模型性能。图6显示了通过不同方法获得的结果对应的两个指标(SSE和SC)的值,其中K表示聚类的数量。可以发现,当聚类数为11时,三种方法的SSE具有可比性,本发明提出的方法优于方法1和方法2。在相同聚类数的情况下,本发明所提出的方法具有比方法2更大的SC值,即方法2未能很好地区分不同模式的行程。总之,所提出的方法在移动性分析中表现良好,这说明了使用基于多源数据的加权兴趣点来表征空间属性的必要性,以及使用基于编码的方法来矢量化乘客行程的优越性。
3.5、分析本发明的应用领域:
(1)个性化诱导策略。本发明提出的城市轨通交通乘客个体出行目的推断方法及系统有助于产生更准确的个性化乘客引导策略。在传统实践中,地铁运营商根据经验向乘客推荐旅行时间最短或旅行成本最低的路线。然而不同旅行目的的乘客对不同因素的关注程度不同。例如,通勤者可能更关心旅行时间的可靠性。对城市轨通交通乘客个体出行目的推断有助于提供个性化的指导策略。
(2)指导城市轨道交通车站广告投放。对于广告主来说,本发明提出的轨通交通乘客个体出行目的推断的方法及系统有助于在考虑车站的乘客需求下,进行车站内广告的投放。例如,在周边有很多通勤者居住的车站,招聘和求职广告竞争非常激烈。
本发明实施例提供了一种城市轨道交通乘客个体出行目的推断的系统,包括多源地理数据抓取模块、居住类加权地理兴趣点数据集生成模块、非居住类加权地理兴趣点数据集生成模块、时空语义生成模块和出行目的分析模块,其中:
多源地理数据抓取模块,用于获取多源地理数据。
进一步地,在本发明的实施例中,多源地理数据包括:地理兴趣点数据、居住区域数据和建筑物理属性数据。
居住类加权地理兴趣点数据集生成模块,用于将获取的居住类地理兴趣点与居住区域数据匹配,获取居住区域的住户数量,得到考虑服务能力的居住类加权地理兴趣点数据集。
进一步地,在本发明的实施例中,居住类加权地理兴趣点数据集生成模块遍历居住区域数据中的所有居住区域,获取所有居住区域经纬度和名称,根据以下公式计算给定地理兴趣点和各个居住区域的距离,选择该地理兴趣点周边阈值范围内的所有居住区域作为备选集;将备选集中居住区域的名称与给定地理兴趣点的名称进行匹配,最后将名称相同的居住区域的住户数量作为该地理兴趣点的服务能力。
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离;θA,B表示 A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度,B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径。
非居住类加权地理兴趣点数据集生成模块,用于将获取的非居住类地理兴趣点与建筑物理属性数据匹配,获取建筑物的类型、层高及面积,结合该类型建筑的使用面积数据,得到考虑服务能力的非居住类加权地理兴趣点数据集。
进一步地,在本发明的实施例中,非居住类加权地理兴趣点数据集生成模块,遍历建筑物理属性数据中的所有建筑物,获取所有建筑物经纬度、名称和类别,根据以下计算给定地理兴趣点和各个建筑物的距离,选择该地理兴趣点周边阈值范围内的所有建筑物作为备选集;将备选集中建筑物的名称与地理兴趣点的名称进行匹配,得到地理兴趣点代表的建筑物,并获取其实际使用面积;根据地理兴趣点代表的建筑物的建筑类型,从《全国民用建筑工程设计技术措施》或《全国统一建筑工程预算工程量计算规则》规范中获取该类型建筑的人均服务面积;用地理兴趣点代表的建筑物的实际使用面积除以其人均服务面积,得到该地理兴趣点的服务能力。
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离,单位为米;θA,B表示A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度, B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径;
时空语义生成模块,用于使用地铁乘客智能卡数据,结合加权地理兴趣点数据,为乘客的出行赋予时空语义。
进一步地,在本发明实施例中,时空语义生成模块,基于居住类加权地理兴趣点数据集和非居住类加权地理兴趣点数据集组成的考虑服务能力的加权地理兴趣点数据集,编码乘客的出行过程,为乘客的出行赋予空间语义,生成包含空间语义的出行向量;基于地铁乘客智能卡数据,编码乘客的出行过程,为乘客的出行赋予时间语义,生成包括时间语义的出行向量;运用自编码器将上述包含空间语义和时间语义的出行向量深度融合为时空语义向量。
进一步地,在本发明实施例中,时空语义生成模块将加权地理兴趣点分为e类,e为正整数;乘客出行的空间语义由出发车站空间语义ΟR和目的地车站空间语义DR构成,ΟR和DR是两个e维向量,每个维度对应e类中的一类兴趣点,其计算公式如下:
进一步地,在本发明实施例中,时空语义生成模块将乘客出行的时间语义用独热编码的出行开始时间TR、星期WR和旅行时间HR表示;对于开始时间TR,把一天分为间隔固定的离散时间段,除去地铁不提供运营服务的时间;对于星期WR,WR表示7维向量;对于旅行时间HR,将乘客出行时间分为 c个时段,间隔时长为q。
进一步地,在本发明实施例中,时空语义生成模块用R代表乘客出行的时空语义向量,计算公式如下:
R={ΟR,DR,TR,WR,HR}
运用堆叠自编码器构建的深度神经网络模型实现出行空间和时间语义向量的深度融合,具体地:运用多层编码将输入的时空语义稀疏向量转化为稠密向量提取抽象特征,运用堆叠自编码器构建的深度神经网络模型实现空间和时间语义向量的深度融合的表达式如下:
hn+1=fa(Wnhn+bn)
公式中,hn和hn+1表示第n层和第(n+1)层的输出向量,n为非零正整数, Wn和bn表示权重参数矩阵和从第n层到第(n+1)层的偏置,fa(·)表示激活函数。
出行目的分析模块,用于对时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
本发明实施例提供的城市轨道交通乘客个体出行目的推断的系统用于执行上述任一实施例所述的城市轨道交通乘客个体出行目的推断的方法的操作。
本发明实施例提供的城市轨道交通乘客个体出行目的推断的系统有助于产生更准确的个性化乘客引导策略。在传统实践中,地铁运营商根据经验向乘客推荐旅行时间最短或旅行成本最低的路线。然而不同旅行目的的乘客对不同因素的关注程度不同。例如,通勤者可能更关心旅行时间的可靠性。因此,本系统对城市轨通交通乘客个体出行目的推断有助于提供个性化的指导策略。本系统还可以指导城市轨道交通车站广告投放,有助于在考虑车站的乘客需求下,进行车站内广告的投放。例如,在周边有很多通勤者居住的车站,招聘和求职广告竞争非常激烈。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种城市轨道交通乘客个体出行目的推断的方法,其特征在于,包括:
步骤1:基于多源地理数据结合人均服务面积数据,生成考虑服务能力的加权地理兴趣点数据集;
步骤2:运用加权地理兴趣点数据集及地铁乘客智能卡数据为乘客的出行过程赋予时空语义;
步骤3:根据乘客出行过程的时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中多源地理数据包括:地理兴趣点数据、居住区域数据和建筑物理属性数据;所述步骤1中加权地理兴趣点数据集包括:居住类加权地理兴趣点数据集和非居住类加权地理兴趣点数据集;
所述生成考虑服务能力的加权地理兴趣点数据集,包含以下步骤:
步骤1.1:基于地理兴趣点数据将地理兴趣点划分为居住类地理兴趣点和非居住类地理兴趣点;
步骤1.2:对于居住类地理兴趣点,运用居住区域数据生成考虑服务能力的居住类加权地理兴趣点数据集;
步骤1.3:对于非居住类地理兴趣点,运用建筑物理属性数据和人均服务面积数据,生成考虑服务能力的非居住类加权地理兴趣点数据集。
3.根据权利要求2所述的方法,其特征在于,所述步骤1.2包括以下步骤:
步骤1.2.1:遍历居住区域数据中的所有居住区域,获取所有居住区域经纬度和名称,根据以下公式计算给定地理兴趣点和各个居住区域的距离,选择该地理兴趣点周边阈值范围内的所有居住区域作为备选集;
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离;θA,B表示A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度,B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径;
步骤1.2.2:将备选集中居住区域的名称与给定地理兴趣点的名称进行匹配,最后将名称相同的居住区域的住户数量作为该地理兴趣点的服务能力。
4.根据权利要求2所述的方法,其特征在于,所述步骤1.3包括:
步骤1.3.1:遍历建筑物理属性数据中的所有建筑物,获取所有建筑物经纬度、名称和类别,根据以下公式计算给定地理兴趣点和各个建筑物的距离,选择该地理兴趣点周边阈值范围内的所有建筑物作为备选集;
θA,B=arccos(cos(A.lat)cos(B.lat)cos(A.lng-B.lng)+sin(A.lat)sin(B.lat))
上式中,Distance(A,B)表示两个地理坐标点A和B之间的实际距离,单位为米;θA,B表示A、B两点与地心连线的夹角;A.lat和A.lng表示A的经度和纬度,B.lat和B.lng表示B的经度和纬度;REarth表示地球的半径;
步骤1.3.2:将备选集中建筑物的名称与地理兴趣点的名称进行匹配,得到地理兴趣点代表的建筑物,并获取其实际使用面积;
步骤1.3.3:根据地理兴趣点代表的建筑物的建筑类型,从《全国民用建筑工程设计技术措施》或《全国统一建筑工程预算工程量计算规则》规范中获取该类型建筑的人均服务面积;
步骤1.3.4:用地理兴趣点代表的建筑物的实际使用面积除以其人均服务面积,得到该地理兴趣点的服务能力。
5.根据权利要求1所述的方法,其特征在于,所述步骤2包括:
步骤2.1:基于加权地理兴趣点数据集,编码乘客的出行过程,为乘客的出行赋予空间语义,生成包含空间语义的出行向量;
步骤2.2:基于地铁乘客智能卡数据,编码乘客的出行过程,为乘客的出行赋予时间语义,生成包括时间语义的出行向量;
步骤2.3:运用自编码器将上述包含空间语义和时间语义的出行向量深度融合为时空语义向量。
7.根据权利要求6所述的方法,其特征在于,所述步骤2.2的实现方法为:
乘客出行的时间语义用独热编码的出行开始时间TR、星期WR和旅行时间HR表示;对于开始时间TR,把一天分为间隔固定的离散时间段,除去地铁不提供运营服务的时间;对于星期WR,WR表示7维向量;对于旅行时间HR,将乘客出行时间分为c个时段,间隔时长为q。
8.根据权利要求7所述的方法,其特征在于,所述步骤2.3的实现方法为:
用R代表乘客出行的时空语义向量,计算公式如下:
R={ΟR,DR,TR,WR,HR}
运用堆叠自编码器构建的深度神经网络模型实现出行空间和时间语义向量的深度融合,具体地:运用多层编码将输入的时空语义稀疏向量转化为稠密向量提取抽象特征,运用堆叠自编码器构建的深度神经网络模型实现空间和时间语义向量的深度融合的表达式如下:
hn+1=fa(Wnhn+bn)
公式中,hn和hn+1表示第n层和第(n+1)层的输出向量,n为非零正整数,Wn和bn表示权重参数矩阵和从第n层到第(n+1)层的偏置,fa(·)表示激活函数。
9.一种城市轨道交通乘客个体出行目的推断的系统,其特征在于,包括以下模块:
多源地理数据抓取模块,用于获取多源地理数据;
居住类加权地理兴趣点数据集生成模块,用于将获取的居住类地理兴趣点与居住区域数据匹配,获取居住区域的住户数量,得到考虑服务能力的居住类加权地理兴趣点数据集;
非居住类加权地理兴趣点数据集生成模块,用于将获取的非居住类地理兴趣点与建筑物理属性数据匹配,获取建筑物的类型、层高及面积,结合该类型建筑的使用面积数据,得到考虑服务能力的非居住类加权地理兴趣点数据集;
时空语义生成模块,用于使用地铁乘客智能卡数据,结合加权地理兴趣点数据,为乘客的出行赋予时空语义;
出行目的分析模块,用于对时空语义特征聚类得到乘客出行模式,识别乘客出行目的。
10.根据权利要求9所述的系统,其特征在于,所述城市轨道交通乘客个体出行目的推断的系统用于执行如权利要求1-8中任一项所述的城市轨道交通乘客个体出行目的推断的方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901736.6A CN113642625B (zh) | 2021-08-06 | 2021-08-06 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110901736.6A CN113642625B (zh) | 2021-08-06 | 2021-08-06 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642625A true CN113642625A (zh) | 2021-11-12 |
CN113642625B CN113642625B (zh) | 2024-02-02 |
Family
ID=78419949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110901736.6A Active CN113642625B (zh) | 2021-08-06 | 2021-08-06 | 一种城市轨道交通乘客个体出行目的推断的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642625B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220054A (zh) * | 2021-12-15 | 2022-03-22 | 北京中科智易科技有限公司 | 基于装备总线数据分析装备战术动作并同步展示的方法 |
CN115081762A (zh) * | 2022-08-24 | 2022-09-20 | 北京交通大学 | 基于城市轨道交通的乘客一体化智慧出行方法和系统 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN116911688A (zh) * | 2023-07-28 | 2023-10-20 | 深圳大学 | 一种绿色建筑信息的自动化处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
CN109886746A (zh) * | 2019-02-20 | 2019-06-14 | 东南大学 | 一种基于乘客下车时间和地点的出行目的识别方法 |
CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
WO2020199524A1 (zh) * | 2019-04-02 | 2020-10-08 | 长安大学 | 一种基于网络表示学习的网约共享出行人员匹配方法 |
CN112511982A (zh) * | 2020-11-19 | 2021-03-16 | 同济大学 | 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 |
CN112988855A (zh) * | 2021-05-24 | 2021-06-18 | 中国矿业大学(北京) | 一种基于数据挖掘的地铁乘客分析方法及系统 |
-
2021
- 2021-08-06 CN CN202110901736.6A patent/CN113642625B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874432A (zh) * | 2017-01-24 | 2017-06-20 | 华南理工大学 | 一种公共交通乘客出行时空轨迹提取方法 |
CN109886746A (zh) * | 2019-02-20 | 2019-06-14 | 东南大学 | 一种基于乘客下车时间和地点的出行目的识别方法 |
WO2020199524A1 (zh) * | 2019-04-02 | 2020-10-08 | 长安大学 | 一种基于网络表示学习的网约共享出行人员匹配方法 |
CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
CN112511982A (zh) * | 2020-11-19 | 2021-03-16 | 同济大学 | 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 |
CN112988855A (zh) * | 2021-05-24 | 2021-06-18 | 中国矿业大学(北京) | 一种基于数据挖掘的地铁乘客分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
段盈盈: ""基于深度学习的个体出行目的地预测方法研究"", 《北京交通大学硕士学位论文》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220054A (zh) * | 2021-12-15 | 2022-03-22 | 北京中科智易科技有限公司 | 基于装备总线数据分析装备战术动作并同步展示的方法 |
CN114220054B (zh) * | 2021-12-15 | 2023-04-18 | 北京中科智易科技股份有限公司 | 基于装备总线数据分析装备战术动作并同步展示的方法 |
CN115081762A (zh) * | 2022-08-24 | 2022-09-20 | 北京交通大学 | 基于城市轨道交通的乘客一体化智慧出行方法和系统 |
CN115081762B (zh) * | 2022-08-24 | 2022-11-01 | 北京交通大学 | 基于城市轨道交通的乘客一体化智慧出行方法和系统 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN115545759B (zh) * | 2022-09-27 | 2023-05-19 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN116911688A (zh) * | 2023-07-28 | 2023-10-20 | 深圳大学 | 一种绿色建筑信息的自动化处理方法及系统 |
CN116911688B (zh) * | 2023-07-28 | 2024-04-16 | 深圳大学 | 一种绿色建筑信息的自动化处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113642625B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642625B (zh) | 一种城市轨道交通乘客个体出行目的推断的方法及系统 | |
Shang et al. | Inferring gas consumption and pollution emission of vehicles throughout a city | |
Sadhukhan et al. | Commuters’ perception towards transfer facility attributes in and around metro stations: experience in Kolkata | |
CN112133090A (zh) | 一种基于手机信令数据的多方式交通分布模型构建方法 | |
Kim et al. | Ridership patterns at subway stations of Seoul capital area and characteristics of station influence area | |
CN108874911B (zh) | 基于区域环境与犯罪事件数据的疑犯位置预测方法 | |
Shen et al. | Prediction of entering percentage into expressway service areas based on wavelet neural networks and genetic algorithms | |
Cui et al. | Social media and mobility landscape: Uncovering spatial patterns of urban human mobility with multi source data | |
Kato et al. | Latest urban rail demand forecast model system in the Tokyo Metropolitan Area | |
CN115034429A (zh) | 基于深度图神经网络的城市出租车接客点推荐方法 | |
Chen et al. | An analysis of movement patterns between zones using taxi GPS data | |
Huynh et al. | An agent based model for the simulation of road traffic and transport demand in a Sydney metropolitan area | |
Li et al. | Short-term holiday travel demand prediction for urban tour transportation: a combined model based on STC-LSTM deep learning approach | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
Liu et al. | Short-term online taxi-hailing demand prediction based on the multimode traffic data in metro station areas | |
Yeh et al. | Big data, urban analytics and the planning of smart cities | |
CN115660157A (zh) | 智慧城市充电桩建造规划方法和物联网系统、装置及介质 | |
CN114862001B (zh) | 一种基于区域功能增强特征的城市人群流量预测方法及系统 | |
Shen et al. | Built environment and autonomous vehicle mode choice: A first-mile scenario in singapore | |
CN112650949B (zh) | 基于多源特征融合协同过滤的区域poi需求识别方法 | |
CN115169466A (zh) | 一种地块画像方法、装置、电子设备及计算机可读介质 | |
Klügl et al. | Agents in traffic and transportation | |
Gao | Estimation of Tourist Travel Patterns with Recursive Logit Models based on Wi-Fi Data with Kyoto City Case Study | |
Yuan et al. | A novel learning approach for citywide crowd flow prediction | |
Rosa et al. | Advances on urban mobility using innovative data-driven models |
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 |