CN114202254B - 一种城市轨道交通通勤分布估计方法及系统 - Google Patents

一种城市轨道交通通勤分布估计方法及系统 Download PDF

Info

Publication number
CN114202254B
CN114202254B CN202210135670.9A CN202210135670A CN114202254B CN 114202254 B CN114202254 B CN 114202254B CN 202210135670 A CN202210135670 A CN 202210135670A CN 114202254 B CN114202254 B CN 114202254B
Authority
CN
China
Prior art keywords
trip
passenger
station
time period
commuter
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
Application number
CN202210135670.9A
Other languages
English (en)
Other versions
CN114202254A (zh
Inventor
杨军
叶谈
侯振华
韩啸
杨恢凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202210135670.9A priority Critical patent/CN114202254B/zh
Publication of CN114202254A publication Critical patent/CN114202254A/zh
Application granted granted Critical
Publication of CN114202254B publication Critical patent/CN114202254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/40—

Abstract

本发明的实施例涉及一种城市轨道交通通勤分布估计方法及系统，提取时间周期T内交通出行交易记录，提取通勤人员；计算每个通勤人员的出行信息，构建每个通勤人员的画像；基于所述画像估计通勤人员群体的通勤分布；每隔特定时段T0，提取时段T0内交通出行交易记录，提取通勤人员；对于已经存在画像的通勤人员，计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则更新通勤人员的画像；对于不存在画像的通勤人员，采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。本发明提取通勤人员，为通勤人员构建画像并定期更新，基于画像估计通勤分布，估计准确且计算量更小。

Description

一种城市轨道交通通勤分布估计方法及系统
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通勤分布估计方法及系统。
背景技术
对乘客出行需求分析和预测是城市轨道交通运营组织的基础，准确掌握公交乘客通勤出行的起点 （Origin）和终点（Destination），即公交通勤OD对于公交系统的线网规划和运营管理具有重要意义。
通勤交通是城市早、晚高峰客流的主要组成部分，吸引通勤者选择公共交通出行，对于缓解城市交通拥堵具有重要作用。获得乘客的通勤OD分布，能够对公交通勤出行需求的特征和规律进行分析，掌 握通勤者公交出行需求的特征和规律，是优化公交系统、更高水平地满足通勤出行需求的 基础。传统的公交出行信息一般是通过大规模居民出行调查来获得，具有费用高、数据生命 周期短的不足。决策信息的匮乏和滞后造成公交线网规划和公交运营计划难以根据出行需 求的动态变化来进行及时调整。
发明内容
针对现有技术存在的问题，本发明提供一种城市轨道交通通勤分布估计方法及系统，提取通勤人员，为通勤人员构建画像并定期更新，基于画像估计通勤分布，估计准确且计算量更小。
为达到上述目的，本发明提供了一种城市轨道交通通勤分布估计方法，包括：
提取时间周期T内交通出行交易记录，提取通勤人员；
计算每个通勤人员的出行信息，构建每个通勤人员的画像；
基于所述画像估计通勤人员群体的通勤分布；
每隔特定时段T0，更新所述通勤人员及对应画像，包括：提取时段T0内交通出行交易记录，提取通勤人员；对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用时间周期T内的数据重新计算通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，采用时间周期T内的数据重新计算通勤人员的出行信息，构建通勤人员的画像。
进一步地，所述出行信息，包括居住地、工作地、进站时间段以及出站时间段；
提取通勤人员，包括：
对所述交通出行交易记录去除乘客隐私信息后，按照设定格式导入数据库；
进行数据清洗，删除数据库中重复数据、缺项数据填充或删除以及异常数据填充或删除；
提取乘客在时间周期T内的N条出行交易记录，统计乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF；
设定通勤族在时间周期T内的出行次数的阈值f及工作日首次出行平均时间的最大时间差的阈值diff； 如果乘客在统计周期T内的工作日出行次数F>f,工作日首次出行平均时间的最大时间差为DIFF<diff,则标记该乘客为通勤人员。
进一步地，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF，包括：
提取乘客在时间周期T内的N条出行交易记录，每条出行交易记录形成中间表，以分钟表征进站和出站时间片；
按照时间顺序排列每名乘客的所述中间表，并添加每日首末次出行记录标志形成临时表；
所述按照临时表统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个 工作日的首次出行平均时间
Figure 388150DEST_PATH_IMAGE001
，由
Figure 502737DEST_PATH_IMAGE001
的最大值和最小值得到工作日的首次出行平均时 间的最大时间差DIFF，id表示乘客编号。
进一步地，计算通勤人员居住地和工作地，包括：
根据所述临时表构建四个向量：
乘客首次出行出发站比例向量First_In=[
Figure 752452DEST_PATH_IMAGE002
]，其中
Figure 3305DEST_PATH_IMAGE003
为某id 乘客首次出行出发站是站点i的比例, S是站点编号;
乘客末次出行终点站比例向量 Last_Out=[
Figure 578643DEST_PATH_IMAGE004
]
Figure 914946DEST_PATH_IMAGE005
为某id乘客 末次出行终点站是站点i的比例；
乘客首次出行终点站比例向量First_Out=[
Figure 233932DEST_PATH_IMAGE006
,
Figure 834897DEST_PATH_IMAGE007
]
Figure 581136DEST_PATH_IMAGE008
为某id乘 客首次出行终点站是站点i的比例；
乘客末次出行出发站比例向量Last_In=[
Figure 139156DEST_PATH_IMAGE009
……,
Figure 261833DEST_PATH_IMAGE010
]
Figure 956120DEST_PATH_IMAGE011
为某id乘客末 次出行出发站是站点i的比例;
如果max(
Figure 138839DEST_PATH_IMAGE012
w1，则对应站点为该通勤人员的居住地，否则站点i= argmax(
Figure 449735DEST_PATH_IMAGE013
）为居住地，即判定首次出行最早时间对应的出发站站点i为居住地，
Figure 844944DEST_PATH_IMAGE014
为首 次出行出发站的最早时间，argmax表示自变量函数；
如果max(
Figure 659316DEST_PATH_IMAGE015
)
Figure 12937DEST_PATH_IMAGE016
w2，则对应的站点为该通勤人员的工作地，否则站点i =argmax(
Figure 545550DEST_PATH_IMAGE017
为工作地，即判定末次出行最晚时间对应的出发站站点i为工作地，
Figure 744450DEST_PATH_IMAGE018
的最晚时间；其中argmax表示自变量函数，w1为居住地阈值，w2为工作 地阈值。
进一步地，计算与时段T0前一个时间周期T内出行信息的相似度，包括：
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
另一方面提供一种城市轨道交通通勤分布估计系统，包括：数据接入模块、通勤族分析模块、出行信息分析模块以及更新模块；
所述数据接入模块，每日特定时间获取出行交易记录；
所述通勤族分析模块，提取时间周期T内交通出行交易记录，提取通勤人员，并发送至所述出行信息分析模块；每隔特定时段T0，提取时段T0内交通出行交易记录，提取通勤人员，并发送至所述更新模块；
所述出行信息分析模块，计算通勤人员的出行信息，构建每个通勤人员的画像；
所述更新模块，每隔特定时段T0，更新所述通勤人员及对应画像；对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用控制所述出行信息分析模块，基于时间周期T内的数据重新计算该通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，控制所述出行信息分析模块采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。
进一步地，还包括数据清洗模块，对所述交通出行交易记录去除乘客隐私信息后，按照设定格式导入数据库；进行数据清洗，删除数据库中重复数据、缺项数据填充或删除以及异常数据填充或删除。
进一步地，所述通勤族分析模块，提取乘客在时间周期T内的N条出行交易记录，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF；
设定通勤族在时间周期T内的出行次数的阈值f及工作日首次出行平均时间的最大时间差的阈值diff，满足此双阈值的乘客标记为通勤人员；如果乘客在统计周期T内的工作日出行次数F>f,工作日首次出行平均时间的最大时间差为DIFF<diff,则标记该乘客为通勤人员。
进一步地，所述出行信息，包括居住地、工作地、进站时间段以及出站时间段；所述通勤族分析模块，统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个工作日首次出行平均时间的最大时间差为DIFF，包括：
提取乘客在时间周期T内的N条出行交易记录，每条出行交易记录形成中间表，以分钟表征进站和出站时间片；
按照时间顺序排列每名乘客的所述中间表，并添加每日首末次出行记录标志形成临时表；
所述按照临时表统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个 工作日的首次出行平均时间
Figure 678908DEST_PATH_IMAGE001
，由
Figure 203430DEST_PATH_IMAGE001
的最大值和最小值得到工作日的首次出行平均时 间的最大时间差DIFF。
进一步地，所述出行信息分析模块，包括居住地分析及工作地分析单元；
所述居住地分析及工作地分析单元，计算通勤人员居住地和工作地，包括：
根据所述临时表构建四个向量：
乘客首次出行出发站比例向量First_In=[
Figure 957760DEST_PATH_IMAGE019
,
Figure 960351DEST_PATH_IMAGE020
]，其中
Figure 749315DEST_PATH_IMAGE003
为某id乘客 首次出行出发站是站点i的比例, S是站点编号;
乘客末次出行终点站比例向量 Last_Out=[
Figure 179160DEST_PATH_IMAGE004
]
Figure 187829DEST_PATH_IMAGE021
为某id乘客 末次出行终点站是站点i的比例；
乘客首次出行终点站比例向量First_Out=[
Figure 994111DEST_PATH_IMAGE006
,
Figure 372003DEST_PATH_IMAGE007
]
Figure 238328DEST_PATH_IMAGE008
为某id乘 客首次出行终点站是站点i的比例；
乘客末次出行出发站比例向量Last_In=[
Figure 967249DEST_PATH_IMAGE009
……,
Figure 577222DEST_PATH_IMAGE010
]
Figure 340779DEST_PATH_IMAGE011
为某id乘客末 次出行出发站是站点i的比例;
如果max(
Figure 112426DEST_PATH_IMAGE012
w1，则对应站点为该通勤人员的居住地，否则站点i= argmax(
Figure 594223DEST_PATH_IMAGE013
）为居住地，即判定首次出行最早时间对应的出发站站点i为居住地，
Figure 742307DEST_PATH_IMAGE014
为首 次出行出发站的最早时间，argmax表示自变量函数；
如果max(
Figure 94791DEST_PATH_IMAGE015
)
Figure 37339DEST_PATH_IMAGE016
w2，则对应的站点为该通勤人员的工作地，否则站点i =argmax(
Figure 740853DEST_PATH_IMAGE017
为工作地，即判定末次出行最晚时间对应的出发站站点i为工作地，
Figure 692629DEST_PATH_IMAGE018
的最晚时间；其中argmax表示自变量函数，w1为居住地阈值，w2为工作 地阈值。
进一步地，所述更新模块计算与时段T0前一个时间周期T内出行信息的相似度，包括：
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
提供一种Hadoop大数据平台，包括所述的城市轨道交通通勤分布估计系统。
本发明的上述技术方案具有如下有益的技术效果：
（1）本发明提取通勤人员，为通勤人员构建画像并定期更新，基于画像估计通勤分布，估计准确且计算量更小。
（2）本发明在通勤族乘客的前提下分析计算其每日首末次出行的出发站，终点站比例的空间特征及首末次出行的时间特征，通过空间、时间上的双重判定条件分析通勤族的居住地、工作地，判断准确性更高。
（3）本发明基于统计周期内乘客工作日出行次数f和每个工作日首次出行平均时间的最大时间差的双阈值设置判定乘客是否属于通勤族，准确提取通勤人员。
（4）基于通勤人员群体的通勤分布，可以预估车站的人流量，进行资源配置；分析早高峰时段，组织客运，分析乘客组成；规划交通线网的建设。
附图说明
图1是一些实施例中的城市轨道交通通勤分布估计流程图；
图2提取时间周期T内交通出行交易记录，提取通勤人员过程示意图；
图3为一些实施例中的城市轨道交通通勤分布估计系统组成示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在一些实施例中提供一种城市轨道交通通勤分布估计方法，包括如下步骤：
S100提取时间周期T内交通出行交易记录，提取通勤人员。
结合图2，具体包括如下步骤：
S110提取时间周期T内交通出行交易记录，周期T例如为3个月。在一个实施例中，通过地铁AFC系统(Automatic Fare Collection System, 城市轨道交通自动售检票系统)获取出行交易数据。再又一实施例中，通过公交系统获取出行交易数据。
S120对出行交易数据进行格式转换，去除乘客隐私信息，处理后数据内容及格式如表1所示。
表1 初始记录表ori表
列名 描述 示例
ID 乘客标识号 P_SZ_2020_000000001
TRADE_TYPE 交易类型 1（乘车码）2（IC卡）3（其它）
IN_TIME 进站时间 20200823 08:33:21
IN_STATION 进站点 示例站点1
OUT_TIME 出站时间 20200823 08:58:22
OUT_STATION 出站点 示例站点2
搭建Hadoop大数据平台，构建hive数据库。设计乘客数据存储模型，将表1转换后的数据导入hive数据库。
S130数据清洗。
制定数据治理的规则，包括数据重复、数据缺项、数据异常。对于数据重复，删除重复数据；对于数据缺项，缺项部分进行均值/重值填充或删除处理；对于数据异常，即数据某属性不在正常范围内，进行均值/重值填充或删除处理。
以深圳地铁8号线为例，其运营时间为05：00—22：05，如果表数据时间属性有不在此范围内，应该将此条记录删除。计算乘客每个OD段的平均出行时长，对缺失进站时间或出站时间的记录进行补全等。
S140乘客为通勤族的判定：
（1）提取固定时间周期内地铁出行交易初始记录ori表的数据，转化成成中间表R表如下：
R=[
Figure 165198DEST_PATH_IMAGE022
],N为总的出行记录条数。
每条原始交易记录数据
Figure 278648DEST_PATH_IMAGE023
处理成字典类型数据，数据采用key（关键字）:value （值）形式，
Figure 469458DEST_PATH_IMAGE023
为一条出行记录，其中key包括id、in_station，month、day、in_slot，week， out_station，out_slot，见表2。
表2 中间表R表
Key Value(示例) 说明
id P_SZ_2020_000000001 乘客标识号
in_station S01 出发站编号,对各站点用”S”+”id”表示,S表示车站，id为车站编号
month 12 月份
day 12 日期
in_slot 513 进站时间片,单位换算为分钟，例如将入站时间08:33记为8*60+33=513
week 1 周一～周日
out_station S02 终点站编号
out_slot 543 出站时间片, 单位换算为分钟例如将出站时间09:03记为9*60+3=543
（2）将表2中间表R表依次按照用户id分出所属每个用户的临时表，并将month、 day、in_slot进行升序排序,添加上每日首末次出行记录标志sign，首次则sign=1，末次则 sign=3，首次也是末次则sign=2(当日只有一次出行记录)，其他情况sign=4，得到新的临时 表P表=[
Figure 959345DEST_PATH_IMAGE024
]，P为统计周期内某用户的所有出行记录，M为统计周期内某用户 的出行记录条数，
Figure 552000DEST_PATH_IMAGE025
表示某乘客的一条出行记录，M为该乘客在统计周期内的出行记录总条 数,每个
Figure 603395DEST_PATH_IMAGE025
分别有关键字id、in_station、month、day、in_slot、week、out_station、out_ slot、sign。
表3临时表P表
Key Value(示例) 说明
id P_SZ_2020_000000001 乘客标识号
in_station S01 出发站编号,对各站点用”S”+”id”表示,S表示车站，id为车站编号
month 12 月份
day 12 日期
in_slot 513 进站时间片,单位换算为分钟，例如将入站时间08:33记为8*60+33=513
week 1 周一～周日
out_station S02 终点站编号
out_slot 543 出站时间片, 单位换算为分钟例如将出站时间09:03记为9*60+3=543
sign 1 每日首末次出行记录标志,首次sign=1，末次sign=3，即是首次也是末次则sign=2(当日只有一次出行记录)，其他情况sign=4
上述初始记录表ori表，临时表P表,中间表R表,采用MapReduce，HiveSQL或SparkSQL程序获取需求数据构建。
计算统计周期内所有乘客工作日出行次数F和每个工作日首次出行平均时间
Figure 15922DEST_PATH_IMAGE026
。 F是在表3(临时表P表)的基础上计算得来的。表3并不真实存储，只存在于计算过程。
例如
Figure 309500DEST_PATH_IMAGE027
=count({X|X∈P&&
Figure 756662DEST_PATH_IMAGE028
.id=id&&
Figure 211914DEST_PATH_IMAGE028
.week=1|2|3|4|5})表示编号为id的乘客 在统计周期内工作日的出行次数。
Figure 377316DEST_PATH_IMAGE026
是在表3（临时表P表）的基础上，依次抽取各乘客统 计周期内所有工作日首次出行的记录集合{E|E∈P&&E.sign=1|2}计算得来的。例如
Figure 209006DEST_PATH_IMAGE029
(
Figure 510674DEST_PATH_IMAGE030
=id&&
Figure 402407DEST_PATH_IMAGE031
week=j)表示标识符为id的乘客在周j的首次出行平均 时间的平均时间，其中N为标识符为id的乘客在统计周期内工作日周j有出行记录的天数。
F和
Figure 789526DEST_PATH_IMAGE026
是所有通勤人员的数据集。
Figure 159327DEST_PATH_IMAGE027
和
Figure 581081DEST_PATH_IMAGE001
是具体某一个通勤人员的数据。&&表 示逻辑判断“且”，id表示某一个乘客id，Xi表示临时表P里的一条记录，
Figure 643715DEST_PATH_IMAGE028
.week表示，count 表示计算集合内的参数数量，P.sign表示临时表P里的sign的值，=表示取值，竖线表示逻辑 “或”。
工作日客流特征:周期性，波动性(季节，月份)，随机性。
（3）通勤族的第一次判断：通勤族有工作日出行次数相对固定，每日通常上下班两 次，工作日首末次出行的出发站，目的站相反的特点。根据所有乘客在统计周期(三个月)内 工作日出行次数F，设置通勤人员出行次数的最小阈值f，即P(工作日出行次数>f)=
Figure 518130DEST_PATH_IMAGE032
。若某 乘客统计周期内工作日出行次数大于阈值f，则进入通勤族的第二次判断。（为了尽可能使 大部分有可能是通勤族的乘客能进入通勤族的第二次判断之中,例如设定概率值
Figure 691623DEST_PATH_IMAGE032
不小于 0.75，并不是假定通勤类乘客占比最小是0.75。）
（4）通勤族的第二次判断：通勤族的另一大特点是其在工作日每天首次出行时间 相对固定，在乘客每个工作日首次出行平均时间
Figure 967883DEST_PATH_IMAGE033
的基础上计算其最大时间差DIFF。
例如首先构建某标识符为id的通勤人员工作日平均首次出行时间列表
Figure 201419DEST_PATH_IMAGE034
= [
Figure 297550DEST_PATH_IMAGE035
,
Figure 274734DEST_PATH_IMAGE036
,
Figure 172545DEST_PATH_IMAGE037
,
Figure 576981DEST_PATH_IMAGE038
,
Figure 160410DEST_PATH_IMAGE039
]，计算得该通勤人员工作日平均首次出行时间的最大时间 差
Figure 941284DEST_PATH_IMAGE040
=
Figure 926557DEST_PATH_IMAGE041
-
Figure 501895DEST_PATH_IMAGE042
。继而得到所有通勤人员工作日平均首次出行时间的最 大时间差DIFF。
通过ks检验得DIFF基本符合正态分布。类似地对DIFF的概率密度函数求积分如下：
P(0<x<diff)=
Figure 572619DEST_PATH_IMAGE043
=
Figure 891605DEST_PATH_IMAGE044
类似地，为了尽可能使真正的通勤族基本能被判定出来，例如此处设定积分面积
Figure 996964DEST_PATH_IMAGE044
不小于0.75，并不是假定通勤类乘客最小占比是0.75，0.75对应最大时间差的阈值diff。
Figure 743204DEST_PATH_IMAGE045
为统计周期内所有乘客工作日首次出行最大时间差DIFF的平均值，
Figure 566803DEST_PATH_IMAGE046
为标准差。 取diff为统计周期内乘客工作日首次出行最大时间差的阈值。
通过步骤（3）、（4）的计算，我们得出统计周期内工作日最少出行次数f，每个工作日首次出行最大时间差diff两个阈值来判定乘客是否为通勤族。
S200计算每个通勤人员的出行信息，构建每个通勤人员的画像。
所述出行信息，包括居住地、工作地、进站时间段以及出站时间段。所述画像中包含的信息参见表2。
S210通勤族居住地、工作地的初步判定，统计周期内针对某一乘客的出行记录。
（1）乘客首次出行出发站比例向量First_In，乘客末次出行终点站比例向量Last_Out，乘客首次出行终点站比例向量First_Out，乘客末次出行出发站比例向量Last_In计算前的数据准备。
根据临时表P表计算：
Figure 158321DEST_PATH_IMAGE047
=count({X|X∈P&&
Figure 383766DEST_PATH_IMAGE028
.id=id&&
Figure 300907DEST_PATH_IMAGE028
.sign=1|2})
Figure 346223DEST_PATH_IMAGE048
=count({X|X∈P&&
Figure 7012DEST_PATH_IMAGE028
.id=id&&
Figure 821384DEST_PATH_IMAGE028
.sign=3|2})
Figure 909426DEST_PATH_IMAGE049
=count({X|X∈P&&
Figure 442038DEST_PATH_IMAGE028
.id=id&&
Figure 425560DEST_PATH_IMAGE028
.start_station=s&&
Figure 360018DEST_PATH_IMAGE028
.sign=1|2})
Figure 618961DEST_PATH_IMAGE050
=
Figure 638870DEST_PATH_IMAGE051
Figure 641461DEST_PATH_IMAGE049
表示某乘客在统计周期内首次出行出发站点是s的次数，其中id是乘客标识，s 是站点编号。 n站点总数。s是站点编号。X是某乘客首次出行出发站点是s的记录集合， count是用来计算的集合记录条数的函数。
Figure 430426DEST_PATH_IMAGE052
是乘客首次出行的记录数。
Figure 860270DEST_PATH_IMAGE048
是乘客末 次出行的记录数。
Figure 367475DEST_PATH_IMAGE050
是乘客id首次出行出发站是站点s的比例。
类似地，计算可得
Figure 173757DEST_PATH_IMAGE053
，
Figure 551648DEST_PATH_IMAGE054
，
Figure 417973DEST_PATH_IMAGE055
，
Figure 146895DEST_PATH_IMAGE056
，
Figure 756868DEST_PATH_IMAGE057
，
Figure 254845DEST_PATH_IMAGE058
如下：
Figure 292071DEST_PATH_IMAGE053
=count({X|X∈P&&
Figure 508289DEST_PATH_IMAGE028
.id=id &&
Figure 656374DEST_PATH_IMAGE028
.end_station=s&&
Figure 274437DEST_PATH_IMAGE028
.sign=3|2}) X是某乘 客末次出行终点站点是s的记录集合，count是用来计算的集合记录条数的函数。
Figure 984029DEST_PATH_IMAGE054
=
Figure 421964DEST_PATH_IMAGE059
（n站点总数，s是站点编号）
Figure 373739DEST_PATH_IMAGE054
是乘客id末次出行终点站是站点s的比例。
Figure 846309DEST_PATH_IMAGE055
=count({X|X∈P&&
Figure 225337DEST_PATH_IMAGE028
.id=id&&
Figure 416147DEST_PATH_IMAGE028
.end_station=s&&
Figure 906034DEST_PATH_IMAGE028
.sign=1|2}) X是某乘 客首次出行终点站点是s的记录集合，count是用来计算的集合记录条数的函数。
Figure 498690DEST_PATH_IMAGE056
=
Figure 517461DEST_PATH_IMAGE060
（n站点总数，s是站点编号）
Figure 195567DEST_PATH_IMAGE056
是乘客id首次出行终点站是站点s的比 例。
Figure 489146DEST_PATH_IMAGE057
=count({X|X∈P&&
Figure 936307DEST_PATH_IMAGE028
.id=id&&
Figure 657139DEST_PATH_IMAGE028
.start_station=s&&
Figure 556962DEST_PATH_IMAGE028
.sign=3|2}) X是某乘 客末次出行出发站点是s的记录集合，count是用来计算的集合记录条数的函数。
Figure 123072DEST_PATH_IMAGE058
=
Figure 690320DEST_PATH_IMAGE061
（n站点总数，s是站点编号）
Figure 582052DEST_PATH_IMAGE058
是乘客id末次出行出发站是站点s的比例。
（2）根据上一步（1）计算可得如下向量结果：
①乘客首次出行出发站比例向量
First_In=[
Figure 969171DEST_PATH_IMAGE062
,
Figure 371596DEST_PATH_IMAGE063
,
Figure 793350DEST_PATH_IMAGE064
]
Figure 855984DEST_PATH_IMAGE065
即某乘客首次出行出发站是站点i的比例
②乘客末次出行终点站比例向量
Last_Out=[
Figure 730399DEST_PATH_IMAGE066
,
Figure 903892DEST_PATH_IMAGE067
,
Figure 180152DEST_PATH_IMAGE068
]
Figure 148108DEST_PATH_IMAGE021
即乘客末次出行终点站是站点i的比例
③乘客首次出行终点站比例向量
First_Out=[
Figure 509819DEST_PATH_IMAGE069
,
Figure 487003DEST_PATH_IMAGE070
,
Figure 617770DEST_PATH_IMAGE071
]
Figure 22206DEST_PATH_IMAGE008
即乘客首次出行终点站是站点i的比例
④乘客末次出行出发站比例向量
Last_In=[
Figure 605634DEST_PATH_IMAGE009
,
Figure 386508DEST_PATH_IMAGE072
,
Figure 371782DEST_PATH_IMAGE073
]
Figure 947120DEST_PATH_IMAGE011
即乘客末次出行出发站是站点i的比例
针对居住地，计算①②向量里对应站点比例的平方和开方，即max(
Figure 283423DEST_PATH_IMAGE012
阈值w1对应的站点为居住地；计算③④向量里对应站点比例的平方和开 方，即max(
Figure 602409DEST_PATH_IMAGE015
)
Figure 707768DEST_PATH_IMAGE016
阈值w2对应的站点为工作地。
S220通勤族居住地、工作地的二次判定。
对于步骤S210无法判定的乘客，添加时间上的权重,对于居住地而言，首次出行进 入出发站的时间越早，该站属于居住地的可能性越大；对于工作地而言，末次出行进入出发 站的时间越晚，该站属于工作地的可能性越大，于是计算乘客工作日对应的站点i=argmax(
Figure 188428DEST_PATH_IMAGE013
）为居住地；类似地，站点i=argmax(
Figure 513493DEST_PATH_IMAGE017
为工作地。
Figure 370590DEST_PATH_IMAGE014
对应首次出行出发站的最早时间,
Figure 330456DEST_PATH_IMAGE074
的最晚时间，T均换算 为单位:分钟。
Figure 513176DEST_PATH_IMAGE014
=
Figure 558492DEST_PATH_IMAGE075
Figure 953701DEST_PATH_IMAGE076
=
Figure 299232DEST_PATH_IMAGE077
)
在得出乘客是通勤族的情况下得出其工作地，居住地，如果工作地、居住地有变动的情况，使用下一个统计周期的数据重复上述S210，S220的操作，更新计算工作地、居住地。
S300基于所述画像估计通勤人员群体的通勤分布。
有通勤人员的画像进行群体估计，统计通勤人员群体的通勤分布。进一步地，根据群体估计可以预估车站的人流量，进行资源配置；还可以分析早高峰时段，组织客运，分析乘客组成；也可以基于分布情况规划交通线网的建设。例如可以统计通勤人员的居住地及首次出行时间，判断早高峰的公交或者地铁各站点的人流量。
S400每隔特定时段T0，更新所述通勤人员及对应画像。
进一步地，提取时段T0内交通出行交易记录，提取通勤人员；对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用时间周期T内的数据重新计算通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
比如上一个周期使用1，2，3月份的数据。在更新的时候首先使用4月份的数据，计算上一个周期(1,2,3月)这四个向量和目前这个周期（4月）的余弦相似度（cos值），其cos相似度对应的角度不超过30°，认定此人没发生变化，超过30°认定是发生了变化的；对于发生变化的人，采用2，3，4月份的数据更新画像。如果更新后发现该人员已经不再是通勤人员，则删除该人员的画像。对于新筛选出的通勤人员，采用步骤S200的方式构建画像。
另一方面提供一种城市轨道交通通勤分布估计系统，基于Hadoop大数据平台。结合图3，城市轨道交通通勤分布估计系统包括：数据接入模块、数据清洗模块、通勤族分析模块、出行信息分析模块以及更新模块。
所述数据接入模块，每日特定时间通过ftp服务器获取出行交易记录。
所述数据清洗模块，对所述交通出行交易记录去除乘客隐私信息后，按照设定格式导入数据库；进行数据清洗，删除数据库中重复数据、缺项数据填充或删除以及异常数据填充或删除。定义数据各项具体的范围值，对于异常记录采用取重，取均，删除等操作。
所述通勤族分析模块，提取时间周期T内交通出行交易记录，提取通勤人员，并发送至所述出行信息分析模块；每隔特定时段T0，提取时段T0内交通出行交易记录，提取通勤人员，并发送至所述更新模块。
所述通勤族分析模块，提取乘客在时间周期T内的N条出行交易记录，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF；
设定通勤族在时间周期T内的出行次数的阈值f及工作日首次出行平均时间的最大时间差的阈值diff，满足此双阈值的乘客标记为通勤人员。 例如：某乘客在统计周期内的出行次数为n（n>f）,工作日首次出行平均时间的最大时间差为t（t<diff）,则标记该乘客为通勤人员。
所述通勤族分析模块，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF，包括：
提取乘客在时间周期T内的N条出行交易记录，每条出行交易记录形成中间表，以分钟表征进站和出站时间片；
按照时间顺序排列每名乘客的所述中间表，并添加每日首末次出行记录标志形成临时表；
所述按照临时表统计所有乘客在时间周期T内工作日出行次数F，计算每个工作日的首次出行时间，继而获取工作日的首次出行平均时间的最大时间差DIFF。
所述出行信息分析模块，计算通勤人员的出行信息，构建每个通勤人员的画像。
所述出行信息，包括居住地、工作地、进站时间段以及出站时间段。
所述出行信息分析模块，包括居住地分析及工作地分析单元；
所述居住地分析及工作地分析单元，计算通勤人员居住地和工作地，包括：
根据所述临时表构建四个向量：
乘客首次出行出发站比例向量First_In=[
Figure 121694DEST_PATH_IMAGE019
,
Figure 654307DEST_PATH_IMAGE020
]，其中
Figure 118786DEST_PATH_IMAGE003
为某id乘客 首次出行出发站是站点i的比例, S是站点编号;
乘客末次出行终点站比例向量 Last_Out=[
Figure 53244DEST_PATH_IMAGE004
]
Figure 312187DEST_PATH_IMAGE005
为某id乘客 末次出行终点站是站点i的比例；
乘客首次出行终点站比例向量First_Out=[
Figure 332096DEST_PATH_IMAGE006
,
Figure 69108DEST_PATH_IMAGE007
]
Figure 858072DEST_PATH_IMAGE008
为某id乘 客首次出行终点站是站点i的比例；
乘客末次出行出发站比例向量Last_In=[
Figure 553496DEST_PATH_IMAGE009
……,
Figure 60700DEST_PATH_IMAGE010
]
Figure 601403DEST_PATH_IMAGE011
为某id乘客末 次出行出发站是站点i的比例;
如果max(
Figure 244874DEST_PATH_IMAGE012
w1，则对应站点为居住地，否则站点i=argmax(
Figure 606804DEST_PATH_IMAGE013
）为 居住地，
Figure 335726DEST_PATH_IMAGE014
为首次出行出发站的最早时间，argmax表示自变量函数；
如果max(
Figure 680120DEST_PATH_IMAGE015
)
Figure 443676DEST_PATH_IMAGE016
w2，则对应的站点为工作地，否则站点i=argmax(
Figure 480903DEST_PATH_IMAGE017
为工作地，
Figure 697120DEST_PATH_IMAGE018
的最晚时间；其中argmax表示自变量函数，w1为居住 地阈值，w2为工作地阈值。
所述更新模块，对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用控制所述出行信息分析模块，基于时间周期T内的数据重新计算该通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，控制所述出行信息分析模块采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。
所述更新模块计算与时段T0前一个时间周期T内出行信息的相似度，包括：
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
还可以设置前端展示模块：对乘客出行模式，工作地，居住地等情况的展示。
提供一种Hadoop大数据平台，包括所述的城市轨道交通通勤分布估计系统。
综上所述，本发明的实施例涉及一种城市轨道交通通勤分布估计方法及系统，提取时间周期T内交通出行交易记录，提取通勤人员；计算每个通勤人员的出行信息，构建每个通勤人员的画像；基于所述画像估计通勤分布；每隔特定时段T0，提取时段T0内交通出行交易记录，提取通勤人员；对于已经存在画像的通勤人员，计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则更新通勤人员的画像；对于不存在画像的通勤人员，采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。本发明提取通勤人员，为通勤人员构建画像并定期更新，基于画像估计通勤分布，估计准确且计算量更小。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (12)

1.一种城市轨道交通通勤分布估计方法，其特征在于，包括：
提取时间周期T内交通出行交易记录，提取通勤人员；
计算每个通勤人员的出行信息，所述出行信息包括通勤人员居住地和工作地，构建每个通勤人员的画像；包括：
构建四个向量：
乘客首次出行出发站比例向量
Figure FDA0003585114120000011
其中
Figure FDA0003585114120000012
为某id乘客首次出行出发站是站点i的比例,S是站点编号；
乘客末次出行终点站比例向量
Figure FDA0003585114120000013
Figure FDA0003585114120000014
为某id乘客末次出行终点站是站点i的比例；
乘客首次出行终点站比例向量
Figure FDA0003585114120000015
Figure FDA0003585114120000016
为某id乘客首次出行终点站是站点i的比例；
乘客末次出行出发站比例向量
Figure FDA0003585114120000017
Figure FDA0003585114120000018
为某id乘客末次出行出发站是站点i的比例；
如果
Figure FDA0003585114120000019
则对应站点为该通勤人员的居住地，否则站点
Figure FDA00035851141200000110
为居住地，即判定首次出行最早时间对应的出发站站点i为居住地，
Figure FDA00035851141200000111
为首次出行出发站的最早时间，argmax表示自变量函数；
如果
Figure FDA00035851141200000112
则对应的站点为该通勤人员的工作地，否则站点
Figure FDA00035851141200000113
为工作地，即判定末次出行最晚时间对应的出发站站点i为工作地，
Figure FDA00035851141200000114
末次出行出发站的最晚时间；其中argmax表示自变量函数，w1为居住地阈值，w2为工作地阈值；
基于所述画像估计通勤人员群体的通勤分布；
每隔特定时段T0，更新所述通勤人员及对应画像，包括：提取时段T0内交通出行交易记录，提取通勤人员；对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用时间周期T内的数据重新计算通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，采用时间周期T内的数据重新计算通勤人员的出行信息，构建通勤人员的画像。
2.根据权利要求1所述的城市轨道交通通勤分布估计方法，其特征在于，所述出行信息，包括居住地、工作地、进站时间段以及出站时间段；
提取通勤人员，包括：
对所述交通出行交易记录去除乘客隐私信息后，按照设定格式导入数据库；
进行数据清洗，删除数据库中重复数据、缺项数据填充或删除以及异常数据填充或删除；
提取乘客在时间周期T内的N条出行交易记录，统计乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF；
设定通勤族在时间周期T内的出行次数的阈值f及工作日首次出行平均时间的最大时间差的阈值diff；
如果乘客在统计周期T内的工作日出行次数F>f,工作日首次出行平均时间的最大时间差为DIFF<diff,则标记该乘客为通勤人员。
3.根据权利要求2所述的城市轨道交通通勤分布估计方法，其特征在于，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF，包括：
提取乘客在时间周期T内的N条出行交易记录，每条出行交易记录形成中间表，以分钟表征进站和出站时间片；
按照时间顺序排列每名乘客的所述中间表，并添加每日首末次出行记录标志形成临时表；
所述按照临时表统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个工作日的首次出行平均时间
Figure FDA0003585114120000032
由
Figure FDA0003585114120000031
的最大值和最小值得到工作日的首次出行平均时间的最大时间差DIFF，id表示乘客编号。
4.根据权利要求3所述的城市轨道交通通勤分布估计方法，其特征在于，
根据所述临时表构建所述四个向量。
5.根据权利要求4所述的城市轨道交通通勤分布估计方法，其特征在于，计算与时段T0前一个时间周期T内出行信息的相似度，包括：
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
6.一种城市轨道交通通勤分布估计系统，其特征在于，包括：数据接入模块、通勤族分析模块、出行信息分析模块以及更新模块；
所述数据接入模块，每日特定时间获取出行交易记录；
所述通勤族分析模块，提取时间周期T内交通出行交易记录，提取通勤人员，并发送至所述出行信息分析模块；每隔特定时段T0，提取时段T0内交通出行交易记录，提取通勤人员，并发送至所述更新模块；
所述出行信息分析模块，计算通勤人员的出行信息，构建每个通勤人员的画像，所述出行信息包括通勤人员居住地和工作地；所述出行信息分析模块包括居住地分析及工作地分析单元，计算通勤人员居住地和工作地，包括：
构建四个向量：
乘客首次出行出发站比例向量
Figure FDA0003585114120000041
其中
Figure FDA0003585114120000042
为某id乘客首次出行出发站是站点i的比例,S是站点编号；
乘客末次出行终点站比例向量
Figure FDA0003585114120000043
Figure FDA0003585114120000044
为某id乘客末次出行终点站是站点i的比例；
乘客首次出行终点站比例向量
Figure FDA0003585114120000045
Figure FDA0003585114120000046
为某id乘客首次出行终点站是站点i的比例；
乘客末次出行出发站比例向量
Figure FDA0003585114120000047
Figure FDA0003585114120000048
为某id乘客末次出行出发站是站点i的比例；
如果
Figure FDA0003585114120000049
则对应站点为该通勤人员的居住地，否则站点
Figure FDA00035851141200000410
为居住地，即判定首次出行最早时间对应的出发站站点i为居住地，
Figure FDA00035851141200000411
为首次出行出发站的最早时间，argmax表示自变量函数；
如果
Figure FDA00035851141200000412
则对应的站点为该通勤人员的工作地，否则站点
Figure FDA00035851141200000413
为工作地，即判定末次出行最晚时间对应的出发站站点i为工作地，
Figure FDA00035851141200000414
末次出行出发站的最晚时间；其中argmax表示自变量函数，w1为居住地阈值，w2为工作地阈值；
所述更新模块，每隔特定时段T0，更新所述通勤人员及对应画像；对于已经存在画像的通勤人员，针对每个通勤人员计算时段T0内的数据提取出行信息，并计算与时段T0前一个时间周期T内出行信息的相似度，如果相似度不超过设定阈值则不更新所述画像；否则，采用控制所述出行信息分析模块，基于时间周期T内的数据重新计算该通勤人员的出行信息，更新通勤人员的画像；对于不存在画像的通勤人员，控制所述出行信息分析模块采用时间周期T内的数据重新计算通勤人员的出行信息构建通勤人员的画像。
7.根据权利要求6所述的城市轨道交通通勤分布估计系统，其特征在于，还包括数据清洗模块，对所述交通出行交易记录去除乘客隐私信息后，按照设定格式导入数据库；进行数据清洗，删除数据库中重复数据、缺项数据填充或删除以及异常数据填充或删除。
8.根据权利要求7所述的城市轨道交通通勤分布估计系统，其特征在于，所述通勤族分析模块，提取乘客在时间周期T内的N条出行交易记录，统计所有乘客在时间周期T内工作日出行次数F和工作日的首次出行平均时间的最大时间差DIFF；
设定通勤族在时间周期T内的出行次数的阈值f及工作日首次出行平均时间的最大时间差的阈值diff，满足此双阈值的乘客标记为通勤人员；如果乘客在统计周期T内的工作日出行次数F>f,工作日首次出行平均时间的最大时间差为DIFF<diff,则标记该乘客为通勤人员。
9.根据权利要求6至8之一所述的城市轨道交通通勤分布估计系统，其特征在于，所述出行信息，包括居住地、工作地、进站时间段以及出站时间段；所述通勤族分析模块，统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个工作日首次出行平均时间的最大时间差为DIFF，包括：
提取乘客在时间周期T内的N条出行交易记录，每条出行交易记录形成中间表，以分钟表征进站和出站时间片；
按照时间顺序排列每名乘客的所述中间表，并添加每日首末次出行记录标志形成临时表；
所述按照临时表统计所有乘客在时间周期T内工作日出行次数F，计算各周第j个工作日的首次出行平均时间
Figure FDA0003585114120000061
由
Figure FDA0003585114120000062
的最大值和最小值得到工作日的首次出行平均时间的最大时间差DIFF。
10.根据权利要求9所述的城市轨道交通通勤分布估计系统，其特征在于，
根据所述临时表构建所述四个向量。
11.根据权利要求10所述的城市轨道交通通勤分布估计系统，其特征在于，所述更新模块计算与时段T0前一个时间周期T内出行信息的相似度，包括：
计算时段T0内乘客首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量，与计算时段T0前一个时间周期T内首次出行出发站比例向量、乘客末次出行终点站比例向量、乘客首次出行终点站比例向量以及乘客末次出行出发站比例向量的余弦相似度。
12.一种Hadoop大数据平台，其特征在于，包括权利要求6至11之一所述的城市轨道交通通勤分布估计系统。
CN202210135670.9A 2022-02-15 2022-02-15 一种城市轨道交通通勤分布估计方法及系统 Active CN114202254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210135670.9A CN114202254B (zh) 2022-02-15 2022-02-15 一种城市轨道交通通勤分布估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210135670.9A CN114202254B (zh) 2022-02-15 2022-02-15 一种城市轨道交通通勤分布估计方法及系统

Publications (2)

Publication Number Publication Date
CN114202254A CN114202254A (zh) 2022-03-18
CN114202254B true CN114202254B (zh) 2022-05-27

Family

ID=80658966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210135670.9A Active CN114202254B (zh) 2022-02-15 2022-02-15 一种城市轨道交通通勤分布估计方法及系统

Country Status (1)

Country Link
CN (1) CN114202254B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279534B (zh) * 2013-05-31 2016-06-01 西安建筑科技大学 基于智能公交系统数据的公交卡乘客通勤od分布估计方法
CN105701180B (zh) * 2016-01-06 2021-09-03 北京航空航天大学 一种基于公交ic卡数据的通勤乘客判定方法
CN106448233B (zh) * 2016-08-19 2017-12-05 大连理工大学 基于大数据的公交线路时刻表协同优化方法
CN108681741B (zh) * 2018-04-08 2021-11-12 东南大学 基于ic卡和居民调查数据的地铁通勤人群信息融合方法
CN110134865B (zh) * 2019-04-26 2023-03-24 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
CN110992686B (zh) * 2019-11-25 2021-07-20 厦门路桥信息股份有限公司 交通出行大数据分析方法
CN113723979A (zh) * 2020-05-26 2021-11-30 百度在线网络技术（北京）有限公司 通勤偏好分析方法、挖掘方法、装置、设备和介质

Also Published As

Publication number Publication date
CN114202254A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
CN109299438B (zh) 一种基于网约车数据的公共交通设施供给水平评价方法
Cui Bus passenger origin-destination matrix estimation using automated data collection systems
Li et al. Estimating a transit passenger trip origin-destination matrix using automatic fare collection system
Nair et al. A model of deadheading trips and pick-up locations for ride-hailing service vehicles
CN106529711B (zh) 用户行为预测方法及装置
CN106448132A (zh) 一种常规公交服务指数实时评价系统及评价方法
CN111932925A (zh) 一种公共交通站点的出行客流的确定方法、装置及系统
CN114331234A (zh) 基于乘客出行信息的轨道交通客流预测方法和系统
CN111598333A (zh) 客流数据的预测方法及装置
Ma et al. Public transportation big data mining and analysis
Guo et al. Exploring potential travel demand of customized bus using smartcard data
CN111414719A (zh) 地铁站周边特征提取、交通需求估计方法及装置
Basso et al. Crowding on public transport using smart card data during the COVID-19 pandemic: New methodology and case study in Chile
CN114202254B (zh) 一种城市轨道交通通勤分布估计方法及系统
Yagi et al. Joint models of home-based tour mode and destination choices: applications to a developing country
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
CN109523788B (zh) 一种路段运行效果评价方法
CN114923497A (zh) 一种铁路出行的路径规划方法、装置、设备及存储介质
JP2007265317A (ja) 来場人数予測方法及びシステム
Dafu et al. Commuter travel identification based on bus IC data
CN112000874A (zh) 一种数字孪生城市人口管理方法和存储设备
Singh et al. The boundary between random and non-random passenger arrivals: Robust empirical evidence and economic implications
CN115050188B (zh) 一种室内停车场剩余车位预测方法
CN112733891B (zh) 对出行链断链时公交ic卡乘客进行下车站点识别的方法

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