CN113723459B - 一种基于时间聚合的公交运营时段划分及单程点推荐方法 - Google Patents
一种基于时间聚合的公交运营时段划分及单程点推荐方法 Download PDFInfo
- Publication number
- CN113723459B CN113723459B CN202110877657.6A CN202110877657A CN113723459B CN 113723459 B CN113723459 B CN 113723459B CN 202110877657 A CN202110877657 A CN 202110877657A CN 113723459 B CN113723459 B CN 113723459B
- Authority
- CN
- China
- Prior art keywords
- time
- cluster
- sample
- data
- way
- 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 26
- 230000002776 aggregation Effects 0.000 title claims abstract description 24
- 238000004220 aggregation Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000013179 statistical model 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于时间聚合的公交运营时段划分及单程点推荐方法,包括以下步骤:1)公交车全球卫星定位数据预处理,包括公交车单程时间提取,公交车全球卫星定位数据标准化处理,线路公交车单程时间数据筛选与剔除;2)运营时间段初步分析与时段数n的确定;3)改进的时间聚合算法分析,依据得到的运营时段划分,聚类中心,极值点,案例数,推荐各个运营时段的单程时间。本发明考虑运营和优化调度需要考虑不同时段的差异性,提出一种科学的、有鉴别的方案进行运营时段划分和单程时间推荐。
Description
技术领域
本发明涉及一种基于车辆历史运行数据的公交运营时段划分及单程点推荐方法,属于公共交通数据挖掘应用和服务评价领域。
背景技术
近年来,随着公交优先发展政策实施和公交都市的建设,公交设施逐渐增加和完善,线网的覆盖率普遍提升,但公共交通的接驳分担率普遍难以提升,甚至出现了下降趋势,尤其以地面公交中的普通公共汽车为代表。公交车的吸引力水平不在主要取决于提供更多的接驳能力,而是在于服务水平,提升准点率就是提高服务水平的一种方式。公交发车时刻表作为公共交通运营的基础,其优劣不仅影响着乘客的出行,同时也影响着公交企业的运营成本。由于客流、路况等不确定性因素的影响,导致公交运营高低峰期易发生同线路车辆单次完成线路的时间(称为单程点)不尽相同,但也存在一定相似特征规律,需要进行单程点数据背后运营特征的深挖掘应用。然而,在目前大多数的情况下,公交公司基本都是根据客流和线路运营环境采用手工方式凭经验划分时段。这样完全根据经验人工划分的时段一般比较粗略,与现实的运营规律之间很可能存在偏差。
但目前公交车辆在运行过程中通过车载全球卫星定位终端设备,实时地将车辆经纬度坐标、运行速度、运行状态等信息反馈给公交调度中心,实现车辆实时监控的同时也完成了相关全球卫星定位数据的采集工作。单点定位精度可以达到15米以内,同时全球卫星定位数据记录的产生时间间隔可以自主设定(一般为10至20秒)。与传统人工调查采集技术相比,公交全球卫星定位数据采集技术成本较低、信息量大且时间连续,是城市公交基础数据采集的主要新途径。申请号为201810093910.7的专利发明了一种基于车时成本优化的运营时段划分方法,利用log-logistic统计模型对历史行程时间进分布拟合,计算给定发车时刻下每个发车方向具备可靠性的行程时间;利用历史客流数据和法定最低发车频率,计算完成此时间窗内运输任务所需的最小车队规模;对所述时间窗的起始时间以一定的步长沿着时间轴方向滑动,依次计算每个时间窗内的理论最小车队规模;计算运营时段划分方案的车队运营时间总成本,即各时段时长与相应理论最小车队规模之乘积的累加总和;以所述车队运营时间总成本最小化为目标,对全天运营时段划分方案进行寻优。申请号为201910325267.0的专利介绍了一种城市公共交通线路的运营时段划分方法,该发明调查连续K个工作日公交线路A的每趟公交车到达、驶离每个站点的时刻以及在每个站点的上车与下车人数,基于基础公交线路运行数据,统计公交车辆的实际车头时距,统计公交线路的乘客流量,确定公交线路运营时段划分初始方案集,优选最佳的公交线路运营时段划分方案,实现运营时段的精确、快速划分,解决现有方法划分粗略,精度差,以及划分速度较慢的问题。本发明不仅可以提高公交系统的智能化水平,还可以提升公交调度方案的科学性,减少乘客出行时间。
随着全球卫星定位系统的普及应用,智能公共交通系统数据采集技术,调度技术的发展,公交企业已积累了大量的运营数据,公交线路在不同时段的运营时间和客流规律通常存在很大差异,所以一般需要考虑运营和优化调度需要考虑不同时段的差异性,提出一种科学的、有鉴别的方案进行运营时段划分和单程时间推荐。
发明内容
本发明目的在于提出一种,通过对于获取的公交车全球卫星定位数据进行预处理,使用时间聚合算法对于单程时间进行聚类,得出各个聚类时段以此划分公交运营时段,以及单程点推荐值,为提高公交车合理运营,进行更为合理的时刻表编制,逐步提高公交车的准点率和出行服务质量。
为了实现上述目的,本发明采用以下技术方案。
基于时间聚合算法的公交运营时段划分及单程点推荐的方法,其特征在于包括以下步骤:
步骤1,公交车全球卫星定位数据预处理;
步骤1.1,公交车单程时间提取;
公交车载全球卫星定位回传的原始数据以数据表的形式储存,根据运营需求,不同公交运营公司的车辆所回传的全球卫星定位数据表结构不同(如北京公交集团设置24个字段、八方达客运公司设置22个字段),但在数据字段中均包含了全球卫星定位车载终端的SIM卡号、线路编号、车辆编号、数据回传时间、回传点的经纬度坐标、瞬时速度等主要信息,如下表1所示。
表1 公交车载全球卫星定位原始数据示例
而本方法主要对线路公交车的单程时间进行研究分析,因此,首先需要对公交车单程时间进行提取,计算公式如下式(1)所示:
其中:为公交线路i第j辆车从始发站到终点站的单程时间,/>为公交线路i第j辆车到达终点站的时刻,/>为公交线路i第j辆车从始发站出发的时刻。
步骤1.2,公交车全球卫星定位数据标准化处理;
为了实现所述目的,选取需要的字段类型数据进行标准化处理,选取字段为时间、线路名称、方向、出发时间、结束时间和单程点,如表2所示,并对所有字段格式进行解释。
表2 公交车载全球卫星定位标准化数据示例
时间 | 线路名称 | 方向 | 开始时间 | 结束时间 | 单程点 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:00 | 5:40 | 40 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:10 | 5:47 | 37 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:20 | 6:00 | 40 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:32 | 6:07 | 35 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:39 | 6:27 | 48 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:48 | 6:34 | 46 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 5:57 | 6:46 | 49 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 6:05 | 6:58 | 53 |
4/11/2019 | 31(北京华侨城-甜水园街北口) | 1 | 6:15 | 7:04 | 50 |
其中,公交车载全球卫星定位标准化数据示例表的数据字段说明如表3所示:
表3 标准化数据字段说明
步骤1.3,线路公交车单程时间数据筛选与剔除;
剔除错误数据和筛选有效数据的规则如下:
1.筛选出线路方向同为“0”或“1”的数据记录;
2.剔除运营时段研究范围之外的记录数据;
3.剔除由于数据传输、网络设备等问题导致出现的单程点不合理值。
步骤2,运营时间段初步分析与时段数n的确定
在对公交车运营时段进行划分时,需要首先考虑划分时间段数,因此需要对运营时间段进行初步分析,并且确定要划分的时段数n。由于是对各时段出发的公交车进行单程时间推荐,所以主要选取出发时间作为研究的主要维度对单程点进行分析。对单位天数的线路车辆车载全球卫星定位数据,选取发车时间和单程点两个字段的数据,数据格式如表4所示,用Python中的matplotlib库编程绘制散点图,可以得到该线路的高峰、平峰、平峰数,根据高低平峰数量初步确定运营时段的划分段数。
后续使用计算轮廓系数的方法,对比得到准确的划分时段数n(即聚类类别数),同时可以对比初步划分的时段数量,判断其合理性,具体步骤如下所示:
1.轮廓系数:
是评判聚类好坏的标准,结合类内聚合度以及类间分离度两种指标来计算得到。
2.计算方法:
a.计算样本i到同簇内其他样本的平均距离ai,该值越小,说明样本i越应该被聚类到该簇中,可以将ai称作样本的簇内不相似度。
b.簇C中所有样本的ai均值被称作是簇C的簇不相似度。
计算样本i到其他簇Cj中所有样本的平均距离称作是样本i与簇Cj的不相似度。定义样本i的簇间不相似度为:bi=min(bi1,bi2…bik)
c.bi越大说明样本i越不属于其他簇。根据样本i的簇内不相似度ai和簇间不相似度bi,定义样本i的轮廓系数:
3.判断方法
1.s(i)越接近1,则说明样本i聚类合理。
2.s(i)越接近-1,说明样本i更适合聚到其他类
3.s(i)越接近0,则说明样本i在两个簇的边界上
4.根据轮廓系数选择n
可以在固定的n值上多次执行,求取轮廓系数的均值,再依据上述判断准则选出合理的n值。
表4 导入字段数据格式说明
序号 | time | dcd |
1 | 5:00 | 40 |
2 | 5:10 | 37 |
3 | 5:20 | 40 |
4 | 5:32 | 35 |
… | HH:MM(时/分) | M(分) |
步骤3,改进的时间聚合算法分析
聚类算法是解决聚类问题的一种经典算法,具有效率高和易实现的特点,被广泛应用于地球科学、信息技术、决策科学、医学和商业智能等领域的对大规模数据聚类。因此,本发明拟设计出能够有效划分运营时段的改进时间聚合算法,以下为算法的基本步骤:
S1,通过计算轮廓系数s(i)值确定聚类类别数n;
S2,从n个对象作为每个簇的初始簇中心;
S3,对每个单程点对象p∈P,计算其与各个簇中心的距离将p赋予最类似(对应/>最小)的簇;
S4,更新簇中心mi(i=1,2,……,k),
S5,根据式(2)计算标准测度E,如果相邻两次迭代的E的差值的绝对值小于给定限定值,则算法终止,否则重复步骤2。
S6,输出各个簇的簇中心值和边界点,以及各个簇的单程点个数。
S7,输出运用边界点划分时段的聚类分析结果图。由边界点划分运营时段,其中各个簇中心确定各个运营时段的单程点推荐值。
K均值算法是个简单实用的聚类算法,其主要优点有:原理比较简单,实现也是很容易,收敛速度快,聚类效果较优,算法的可解释度比较强。但是它也有两个明显的缺陷,或者说它有两种运用场景不能使用,第一是非均质的数据,因为,模型使用欧氏距离衡量数据间的相似度,因此它要求数据在各个维度上都是均质。第二是不同类别内部方差不相同。模型假设不同类别的内部方差是大致相等的。根据本研究的需要,以及对数据的使用,对算法进行了一定的改进。
在传统的聚类算法中,在每轮迭代时,要计算所有的样本点到所有的质心的距离,这样在程序运行时会比较耗时。针对这个问题,ELKAN等人研究分析后发现很多距离的计算都是不必要的,因而提出了基于三角形不等式原理来避免冗余的距离计算。
其中第一个原理是对于一个样本点x和两个质心uj1,uj2。如果预先计算出了这两个质心之间的距离D(j1,j2),则如果计算发现2D(x,j1)≤D(j1,j2),立即就可以知道D(x,j1)≤D(x,j2)。此时不需要再计算D(x,j2),这样下来就可以减少一步的计算。
第二个原理是对于一个样本点x和两个质心uj1,uj2,可以得到D(x,j2)≥max{0,D(x,j1)-D(j1,j2)}。
根据两个规律计算对象和其它聚类中心的距离,这样避免了多余的距离计算,减少了程序运行的时间,改进的时间聚合算法比起传统的算法迭代速度有很大的提高。
发明与现有技术相比,具有以下明显的优势和有益效果:
(1)在原数据的获取上,不同于传统的人工采样,通过对公交车全球卫星定位数据的准确提取,基于定位数据采集结果得到首末站时间进而计算单程点,这种指标、参数获取方式更准确高效,更具有全面性。
(2)使用改进的时间聚合算法对出发时间作为维度的单程点进行聚类分析,得到各个时段的边界时刻点确定运营时段的划分以及簇中心进行时段内的单程时间推荐,相比现有大多采用人工经验法确定时段,平均单程点作为单程时间推荐的方法更加科学、合理、有效。
附图说明
图1为基于时间聚合算法的公交运营时段划分及单程点推荐方法流程图;
图2为31路单程时间散点图分析;
图3时间聚合分析结果图
具体实施方案
本实施案例选取北京公交31路为研究对象,以发车时间作为研究的时间维度,研究运营时段为5:00-23:00,使用2019年11月4日到17日车载全球卫星定位记录的单程点数据进行时间聚合分析,得到31路公交运营时段划分方法及各个时段的运营单程点推荐值。
本实施例包括以下步骤:
步骤1,对车载全球卫星定位原始数据进行预处理;
从平台将需要的全球卫星定位字段数据导出,筛选对应时间对应方向的数据作为基础,通过公式(1)简单计算得到各个发车时刻的运营单程时间,剔除掉由于数据传输、网络设备等问题导致出现的单程点不合理值,再按照表2的数据字段说明对基础数据进行标准化。
步骤2,运营时段初步划分;
选取发车时间和单程点两个字段的数据,将其导入已经编写好Python程序中,绘制出31路单程时间发车时刻统计处理绘制成的散点图,可以得到单程时间的全天分布都呈现出2个波峰段,分别是早高峰、晚高峰,还有两个低峰段,一个平峰段,初步划分运营时段为5段,计算轮廓系数,对比得到具体的聚类类别数,最终确定n=5,还存在一些单程时间过高或过低的点,可以在下一步分析中剔除。
步骤3,时间聚合分析及结果导出;
结合以上对于31路两个星期的单程点数据进行的分析,利用可获得的车载全球卫星定位记录数据,设计适用于的公交运营时段划分的时间聚合算法对单程点进行聚类分析,对运营时段进行划分,聚类算法经过多次迭代过程,输出了运用边界点划分时段的聚类分析结果图,得到各个簇的簇中心值和边界点,以及各个簇的单程点个数。
首先,通过已经得到边界点值,并且以10分钟为最小划分单位,划分出31路公交的各个运营时段:
表5 31路公交分时段运营表
在取得各个时段聚类中心点的同时,得到了各聚类时段的最大值及最小值,以及每个聚类中的案例数,具体数值如表6所示:
表6 最终聚类中心
表7 聚类后不同类别的极值
类 | 1 | 2 | 3 | 4 | 5 |
最小值 | 32.28 | 57.30 | 52.55 | 58.25 | 31.01 |
最大值 | 60.15 | 91.19 | 70.61 | 91.83 | 63.31 |
表8 每个聚类中的案例数
直接聚类的结果能较好的区分聚类数据的类别,但考虑到各类别的案例数据量及较好的区分度和使用情况,采用在极值范围内,单程时间推荐值由聚类中心点值±2min的原则对不同运营时段的单程时间参考值进行了最终划分:
表9 单程时间参考值
时段 | 发车时间 | 聚类中心点值(取整) | 单程时间参考值 |
1第一时段 | 5:00-6:40 | 48 | 46min-50min |
2第二时段 | 6:40-11:20 | 70 | 68min-72min |
3第三时段 | 11:20-15:30 | 61 | 59min-63min |
4第四时段 | 15:30-18:50 | 69 | 67min-71min |
5第五时段 | 18:50-23:00 | 51 | 49min-53min |
为了对比直接平均与时间聚合两种方法的优劣性,这里选取了均方误差MSE,平均绝对误差MAE作为指标分别进行了两种方法得到的推荐值与后续运营的实际值对比,具体数值如表10所示。可以看出,时间聚合方法推荐的单程时间与运营单程时间的MSE,MAE都相比直接平均方案的要小,与后续运营时间更加吻合,证明了时间聚合算法划分运营时段,推荐单程时间更加有效。
表10 方案评价指标对比
评价指标 | MSE | MAE |
直接平均 | 4.6360 | 29.4739 |
时间聚合 | 1.3684 | 3.1579 |
Claims (3)
1.基于时间聚合的公交运营时段划分及单程点推荐方法,其特征在于,包括以下步骤:
1)公交车全球卫星定位数据预处理,包括公交车单程时间提取,公交车全球卫星定位数据标准化处理,线路公交车单程时间数据筛选与剔除;
2)运营时间段初步分析与时段数n的确定;
3)改进的时间聚合算法分析,依据得到的运营时段划分、聚类中心、极值点和案例数,推荐各个运营时段的单程时间;
所述步骤2)中,轮廓系数的计算方法及其判断方法为:
计算方法:a)计算样本i到同簇内其他样本的平均距离ai,平均距离ai越小,说明样本i越应该被聚类到该簇中,将ai称作样本的簇内不相似度;b)簇C中所有样本的ai均值被称作是簇C的簇不相似度;计算样本i到其他簇Cj中所有样本的平均距离称作是样本i与簇Cj的不相似度;定义样本i的簇间不相似度为:bi=min(bi1,bi2…bik);c)bi越大说明样本i越不属于其他簇;根据样本i的簇内不相似度ai和簇间不相似度bi,定义样本i的轮廓系数:
判断方法:a)s(i)越接近1,则说明样本i聚类合理;b)s(i)越接近-1,说明样本i更适合聚到其他类;c)s(i)越接近0,则说明样本i在两个簇的边界上d)根据轮廓系数选择n;在固定的n值上多次执行,求取轮廓系数的均值,再依据上述判断准则选出合理的n值;
所述步骤3)中,时间聚合算法步骤如下:
a)通过计算轮廓系数s(i)值确定聚类类别数n;b)从n个对象作为每个簇的初始簇中心;c)对每个单程点对象p∈P,计算其与各个簇中心的距离将p赋予最类似即对应/>最小的簇;d)更新簇中心mi,i=1,2,......,k,/> e)根据d)中的公式计算标准测度E,如果相邻两次迭代的E的差值的绝对值小于给定限定值,则算法终止,否则重复步骤b);f)输出各个簇的簇中心值和边界点,以及各个簇的单程点个数;g)输出运用边界点划分时段的聚类分析结果图;由边界点划分运营时段,各个簇中心确定各个运营时段的单程点推荐值;
所述步骤3)中,时间聚合算法改进方法如下:
基于三角形不等式原理来避免冗余的距离计算;第一个原理是对于一个样本点x和两个质心uj1,uj2;如果预先计算出这两个质心之间的距离D(j1,j2),则如果计算发现2D(x,j1)≤D(j1,j2),立即就知道D(x,j1)≤D(x,j2);此时不需要再计算D(x,j2),这样下来就可以减少一步的计算;
第二个原理是对于一个样本点x和两个质心uj1,uj2,得到D(x,j2)≥max{0,D(x,j1)-D(j1,j2)}。
2.根据权利要求1所述的基于时间聚合的公交运营时段划分及单程点推荐方法,其特征在于所述步骤1)中,公交车单程时间进行提取的计算公式为:
其中:为公交线路i第j辆车从始发站到终点站的单程时间,/>为公交线路i第j辆车到达终点站的时刻,/>为公交线路i第j辆车从始发站出发的时刻。
3.根据权利要求1所述的基于时间聚合的公交运营时段划分及单程点推荐方法,其特征在于所述步骤1)中,剔除错误数据和筛选有效数据的规则如下:
a)筛选出线路方向同为“0”或“1”的数据记录;b)剔除运营时段研究范围之外的记录数据;c)剔除由于数据传输、网络设备问题导致出现的单程点不合理值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877657.6A CN113723459B (zh) | 2021-08-01 | 2021-08-01 | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877657.6A CN113723459B (zh) | 2021-08-01 | 2021-08-01 | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723459A CN113723459A (zh) | 2021-11-30 |
CN113723459B true CN113723459B (zh) | 2024-03-08 |
Family
ID=78674656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877657.6A Active CN113723459B (zh) | 2021-08-01 | 2021-08-01 | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723459B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757390A (zh) * | 2023-05-05 | 2023-09-15 | 北京蔚行科技有限公司 | 基于时间序列聚类的公交运营时段划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399468A (zh) * | 2018-01-31 | 2018-08-14 | 华南理工大学 | 一种基于车时成本优化的运营时段划分方法 |
CN110046824A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种城市公共交通线路的运营时段划分方法 |
CN110704993A (zh) * | 2019-09-11 | 2020-01-17 | 东南大学 | 一种疏解地铁客流压力的定制公交线路设计方法 |
-
2021
- 2021-08-01 CN CN202110877657.6A patent/CN113723459B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399468A (zh) * | 2018-01-31 | 2018-08-14 | 华南理工大学 | 一种基于车时成本优化的运营时段划分方法 |
CN110046824A (zh) * | 2019-04-22 | 2019-07-23 | 吉林大学 | 一种城市公共交通线路的运营时段划分方法 |
CN110704993A (zh) * | 2019-09-11 | 2020-01-17 | 东南大学 | 一种疏解地铁客流压力的定制公交线路设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113723459A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
CN111008223B (zh) | 一种基于时空关联规则的区域交通拥堵相关性计算方法 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN107545730B (zh) | 一种基于公交ic卡数据的站点上下车乘客数估计方法 | |
CN113436433B (zh) | 一种高效的城市交通离群值检测方法 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN111598333B (zh) | 客流数据的预测方法及装置 | |
CN112507624B (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及系统 | |
CN113723459B (zh) | 一种基于时间聚合的公交运营时段划分及单程点推荐方法 | |
CN112116810A (zh) | 基于城市道路卡口数据的全路网路段行程时间估计方法 | |
CN111640304A (zh) | 面向连续流交通设施的交通拥堵传播特征自动化量化提取方法 | |
CN113538067A (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN111047860B (zh) | 一种车辆运行轨迹提取方法 | |
CN115311858A (zh) | 基于交通流韧性的城市路段分级管制方法 | |
CN106570182B (zh) | 公交车辆下车站点识别方法与系统 | |
CN112559909B (zh) | 一种基于gcn嵌入空间聚类模型的商业区发现方法 | |
CN112052405B (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN108681741A (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN112699955A (zh) | 一种用户分类方法、装置、设备及存储介质 |
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 |