CN114923497B - 一种铁路出行的路径规划方法、装置、设备及存储介质 - Google Patents

一种铁路出行的路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114923497B
CN114923497B CN202210426617.4A CN202210426617A CN114923497B CN 114923497 B CN114923497 B CN 114923497B CN 202210426617 A CN202210426617 A CN 202210426617A CN 114923497 B CN114923497 B CN 114923497B
Authority
CN
China
Prior art keywords
parameter
information
estimated
risk
value
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
CN202210426617.4A
Other languages
English (en)
Other versions
CN114923497A (zh
Inventor
吕红霞
刘坤
蒋雪莹
倪少权
陈钉均
潘金山
吕苗苗
陈韬
李雪婷
郭秀云
廖常宇
谢春
徐如君
任婷婷
程晓莉
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210426617.4A priority Critical patent/CN114923497B/zh
Publication of CN114923497A publication Critical patent/CN114923497A/zh
Application granted granted Critical
Publication of CN114923497B publication Critical patent/CN114923497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种铁路出行的路径规划方法、装置、设备及存储介质，涉及轨道交通技术领域。本申请中，对于乘客的出行成本是基于出行风险成本、时间成本以及乘车票价成本这三种因素综合考虑，并不单一的以车票价位定义出行成本，而且分别针对不同乘客对出行影响因素的关切程度，以三者成本的评估值之和作为相邻车站节点的广义费用值，然后基于路线将所有广义费用值求和得到每条路径对应的出行成本值，然后基于出行成本值选择适合自己的出行路径，满足乘客出行路径个性化、多样化的需求。提出车站客流量预测技术与旅客进站到乘车时间预测技术，展示车站客流随时间动态变化趋势，为优化车站流线组织与乘客合理决策到站时间提供依据。

Description

一种铁路出行的路径规划方法、装置、设备及存储介质
技术领域
本发明涉及轨道交通技术领域，具体而言，涉及一种铁路出行的路径规划方法、装置、设备及存储介质。
背景技术
保障乘客运输安全、提高客运服务水平、增强铁路吸引力、实现铁路行业可持续发展是铁路运营企业不断追求的目标。目前乘客在铁路出行的方式下，主要面临感染疾病风险、自然灾害风险、治安风险和铁路设施设备故障风险等，尤其当传染疾病蔓延时，会出现运输量大幅减少，铁路客运市场持续低迷的情况，进而使得铁路行业面临严峻挑战。如何保持铁路活力，增强铁路运输系统韧性，降低乘客出行风险是亟须解决的问题。重大公共事件对公共交通客流量的影响研究结果表明乘客对出行风险的担忧会导致大量客流损失。除乘客出行风险的感知与铁路出行之间存在紧密关系外，铁路出行的旅行票价、旅行时间、安全性和舒适性是影响乘客选择铁路出行的重要因素。但是，既有的出行规划研究主要是以交通路网进行，并没有结合出行风险、出行时间、出行车票费用等因素对出行路径进行优化。
发明内容
本发明的目的在于提供一种铁路出行的路径规划方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种铁路出行的路径规划方法，包括：获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息；
基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值。
基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和。
根据所述出行成本值选择适合的出行路径。
第二方面，本申请还提供了一种铁路出行的路径规划装置，包括第一获取模块、第一计算模块、第二计算模块和第三计算模块，其中：
第一获取模块：用于获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息。
第一计算模块：用于基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值。
第二计算模块：用于基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和。
第三计算模块：用于根据所述出行成本值选择适合的出行路径。
第三方面，本申请还提供了一种铁路出行的路径规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述铁路出行的路径规划方法的步骤。
第四方面，本申请还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于铁路出行的路径规划方法的步骤。
本发明的有益效果为：
本申请中，对于乘客的出行成本是基于出行时间成本、乘车票价成本以及风险成本这三种因素综合考虑，并不单一的以车票价位定为出行成本，而且分别针对不同乘客对出行影响因素的关切程度，以三者成本的评估值之和作为相邻车站节点的广义费用值，然后基于路线将所有广义费用值求和得到每条路径对应的出行成本值，然后基于出行成本值选择适合自己的出现路径，满足乘客出行路径个性化、多样化的需求。再者，本申请中将出行路径从出发地至目的地分割成两两相连的车站节点，分别考察其广义费用值，便于乘客根据自己的需要在不同路段、不同时段等情境下做出合理成本评估，进而提高广义费用值的精准度，便于后期选择出更为符合乘客预期愿望的路径。上述方法可以有效降低乘客基于铁路运输出行方式的风险，缓解乘客对铁路出行发生公共安全事故的焦虑，提振乘客出行信心和意愿，进而刺激乘客出行需求，有助于提高铁路行业活力。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本实施例中所述的铁路出行的路径规划方法的框图；
图2为本实施例中所述的铁路出行的路径规划装置的框图；
图3为本实施例中所述的铁路出行的路径规划设备的框图。
图中：700-铁路出行的路径规划装置；710-第一获取模块；720-第一计算模块；721-第一获取子单元；722-第一处理单元；723-第二处理单元；724-第二获取子单元；725-对比单元；726-第三处理单元；727-第四处理单元；728-第五处理单元；730-第二计算模块；731-第三获取子单元；732-第六处理单元；733-第七处理单元；734-第八处理单元；740-第三计算模块；750-第二获取模块；760-第四计算模块；770-客流量预测模块；780-第五计算模块；790-第六计算模块；800-铁路出行的路径规划设备；801-处理器；802-存储器；803-多媒体组件；804-输入/输出(I/O)接口；805-通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
首先，对本申请可适用的应用场景以及该应用场景下的系统架构进行介绍。本申请可以应用于由终端设备或服务器提供路线规划服务的场景下。这里所述的路线可以指广义上的公共交通路线，即简称公交路线，不仅可以包括根据个人需求定制的个性化路线，还可以包括根据业务需求而定制的其它公共交通定制路线等。其中，公共交通定制路线例如为由交通运输平台基于多个特殊车站的服务区域(例如旅游区域等)而定制的专属公共交通定制路线等。
实施例1：
参见图1，图1为本实施例中铁路出行的路径规划方法的框图。图1中示出了本方法包括步骤S1、步骤S2、步骤S3和骤S4。
步骤S1、获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息。
可以理解的是，在本步骤中，提供路线规划服务的终端设备检测到路线规划的触发操作时，获得乘客的出发地信息和目的地信息。可选地，触发操作可以是在设备上在输入框中输入出发地信息和目的地信息，也可以是通过点击选择出发地和目的地，还可以是启动定位功能等等。当然，在另一示例性实施例中，提供路线规划服务还可以是服务器等，具体不作限制。
步骤S2、基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值。
可以理解的是，在本步骤中，提供路线规划服务的终端设备基于预先存储在本地的离线铁路运输网络信息执行路径规划操作。其中离线公交路线布局信息可以根据预设时间进行定期更新，例如通过服务器指示终端设备对离线铁路运输网络信息进行7天内的同步更新，以每个车站为一个节点，定期更新车站节点内所有列车对应的时间信息、票价信息和风险估值(例如专家对相应风险事件进行预测得出的风险评估值)等。在特殊时期列车可行数量路径、票价等会进行调整，如定期更新，可以预告一周内的列车开行调整信息以及一周内的各时段的票价以及其中的最低票价等信息，为乘客合理规划出行路径提供决策信息，便于乘客做出相应的调整。然后根据第一信息从离线铁路运输网络信息中选择出所有符合规定的路线信息，构成路径集合信息。
在另一示例性实施例中，步骤S2中的风险估值的获取方法还包括步骤S21、步骤S22、步骤S23、步骤S24、步骤S25、步骤S26、步骤S27和步骤S28，其中：
步骤S21、获取第二信息和第三信息，所述第二信息为铁路运输网络中所有所述车站节点的信息；所述第三信息为各地所发生的影响出行安全的风险事件信息。
可以理解的是，在本步骤中，铁路大数据采集全国铁路列车运行数据、铁路运行客票数据和全国车站线路数据，本实施例中采用图来描述铁路运输网络的拓扑结构，以车站为网络节点，车站之间通车以连线表示作为网络边，令铁路运输网络为G＝(V,E)具体如下：
V(G)＝{νa|1≤a≤n}；
E(G)＝{eab|eab＝<νa，νb>，1≤a≤n，1≤b≤n}；
其中，V为车站节点集合，E为车站节点边集合，n为铁路运输网络图中所有车站节点中的总个数；Va表示出发地，Vb表示目的地；eab表示(Va，Vb)的边。移动设备通过互联网大数据采集各个地区内是否发生自然灾害事件、公共治安事件信息或传染疾病爆发事件等公共安全事件，并根据相应的公共安全事件采集现场的具体情况构成第三信息，便于后期进行准确的风险评估。此外，移动设备还包括公共安全信息推送模块和防护宣传模块，公共安全信息推送模块用于向乘客实时推送全国风险事件动态和铁路公共安全事件信息，同时也用于乘客查询目的地的出行政策信息；防护宣传模块用于宣传铁路安全防护政策和措施。
步骤S22、基于所述第三信息，得到风险概率集合，所述风险概率集合中的每个风险概率对应一个待估区域发生公共安全事件的预测概率，所述待估区域为自定义的行政区划。
可以理解的是，在本步骤中，本实施例中待估区域以市级行政区划为单位，在其他实施例中，待估区域还可以是以县级行政区划为单位，根据具体情况可作相应调整，具体不作限制。多个专家根据安全事故概率等级以及其现场的具体情况，分别对同一个待估区域是否会发生风险事件进行预测打分，并取多个专家预测分数平均值作为待估区域的风险概率，专家所擅长的领域需与风险事件所处的领域相一致。以均值反应一个待估区域内的风险概率较为客观，且便于乘客直观了解出行风险，避免因专家的个人因素而使其过大或过小，较为准确的风险概率有利于优化后续的出行路线规划。其中各项安全事故的概率等级为偏低、中等、偏高、高四级，对应的各等级发生安全事故概率范围依次为0-0.3，0.3-0.5，0.5-0.8，0.8-1。
步骤S23、基于所述第二信息，分别判断每个所述车站节点是否在所述待估区域内，若是则根据所述待估区域对应的所述风险概率，确定每个所述待估区域内所有所述车站节点的风险权值。
可以理解的是，在本步骤中，将所有车站节点按照上述的待估区域进行划分，市级行政区划内的所有的车站节点为一个整体，然后根据待估区域找到其所对应的风险概率，将该风险概率作为所有车站节点的风险权值。
步骤S24、基于所有的所述待估区域，获取第一参数、第二参数和第三参数，所述第一参数为每个所述待估区域内的人口总数；所述第二参数为每个待估区域内的车站总数；所述第三参数为每个所述待估区域内总的客流量。
步骤S25、遍历所有第一参数，找到最多人口总数所对应的所述待估区域作为对比区域。
步骤S26、基于所述对比区域和所述第一参数，得到第一比例，所述第一比例为所述待估区域的人口总数与所述对比区域人口总数的比值。
步骤S27、基于所述对比区域、所述第二参数和所述第三参数，得到第二比例，所述第二比例为所述待估区域内的人口流动性的衡量值。
步骤S28、基于所述第一比例、所述第二比例和所述风险权值的乘积，得到所述待估区域内每个所述车站节点的风险估值。
可以理解的是，在本步骤中，安全事故的发生以及其所产生的影响程度不仅与地区人口数量有关，还与其人口流动性有关。区域人口数越多，人口流动性越大，则人类政治经济活动就愈发频繁，发生疾病传播、自然灾害、公共治安事故的几率就越大，造成的社会经济影响程度就越大。本申请中在基于待评估区域的风险概率的基础上，结合该区域内的人口数和人口流动性来评估车站节点的风险估值，不仅可以获得每个车站节点较为准确的出行风险估值，充分考虑当地人口数和人口流动性的因素，尤其是对于重大传染疾病来说，能够优化出行路径的规划选出风险较小的路线，可以有效降低乘客出行风险，针对出行安全关切度较高的乘客能缓解其出行焦虑，振奋乘客的出行信心和意愿，刺激乘客出行需求，对于提高乘客运输安全和铁路行业活力，助力铁路行业可持续发展有重要作用。上述方法一示例性实施例可以采用下列算法表示：
RA＝PA×FA；FA＝OA×MA；
其中，A表示待估区域；X表示对比区域；i表示相邻车站节点中的出发站；j表示相邻车站节点中的到达站；且当车站i在待估区域A内则为1，否则为0；当车站i在对比区域X内则/>为1，否则为0；M表示所有待估区域的集合；N表示每个待估区域内所有车站节点的集合；fij表示待分区i车站内的客流量；OA为第一比例表示相对人口系数；MA为第二比例表示相对人口流动性系数；FA表示影响程度系数；PA表示风险权值(步骤S23得出)；RA表示风险估值。
步骤S3、基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和。
可以理解的是，在本步骤中，乘客根据自己对出行情况(关注时间或票价或出行风险)的关切度，分别确定相邻两个车站节点对应的时间、票价和出行风险的评估值，上述三者评估值求和得到相邻两个车站节点的广义费用值。然后根据每条路径中所包含的车站节点的范围，将所有广义费用值求和得到该路径对应的出行成本值。再者，本申请中将出行路径从出发地至目的地分割成两两相连的车站节点，分别考察其广义费用值，便于乘客根据自己的需要在不同路段、不同时段等情境下做出合理成本评估，进而提高广义费用值的精准度，便于后期选择出更为符合乘客预期愿望的路径。且当旅行中途出现问题时便于乘客根据实际情况对后面的车站节点进行实时的调整，实现个性化的出行路径规划。
在另一示例性实施例中，步骤S3中的广义费用值的计算方法还包括步骤S31、步骤S32、步骤S33和步骤S34，其中：
步骤S31、获取第一权值、第二权值、第三权值、第一广义费用计算参数、第二广义费用计算参数和第三广义费用计算，所述第一权值为乘客对时间关切度的估值的算术平均数；所述第二权值为乘客对出行费用关切度的估值的算术平均数；所述第三权值为乘客对出行风险关切度的估值的算术平均数；所述第一广义费用计算参数为乘客出发地的人均GDP总数与法定工作时长的比值；所述第二广义费用计算参数为乘客出行目的的价值系数；所述第三广义费用计算参数为乘客出行意外赔偿的最高额度数。
可以理解的是，在本步骤中，通过乘客出行意愿调查，得到乘客对出行时间、票价费用和出行风险关切程度的关注分值，并分别计算平均值，分别得到第一权值、第二权值和第三权值。在其他实施例中，针对有个性化需求的乘客，可根据乘客对出行风险、出行时间、出行票价费用的关切程度按自身需求确定相应的权重值。第二广义费用计算参数根据乘客的出行目的不同选取相应的系数，参考相关研究，对于公务、商务、通勤等出行目的取系数1，探亲、旅游等出行目的取系数0.5，学习及其他出行目的取系数0.25。
步骤S32、基于所述第一广义费用计算参数和所述第二广义费用计算参数的乘积，得到单位时间生产价值量。
可以理解的是，通过单位时间生产价值量可以衡量乘客的本次出行所能创造的个人劳务价值，便于后期根据乘客的出行目的对时间评估值做出相应的调整，进而优化广义费用值的计算以便选出符合出行目的的路线。
步骤S33、基于所述风险估值和所述第三广义费用计算参数的乘积，得到风险成本值。
步骤S34、基于所述第一权值、所述第二权值、所述第三权值、所述单位时间生产价值量、所述风险成本值、所述时间信息和所述票价信息，得到广义费用值。
可以理解的是，本实施例中广义费用值的计算是在基于加权计算法的思想，考察时间、票价和出行风险的因素分别对本次出行价值的影响，且提出了单位时间生产价值量反应乘客在不同的出行目的下，个人所对应的时间信息评估值存在细微的差异，以便于后期在进行路径规划时，可以根据个人的出行目的进一步地优化广义费用值的计算。
详细地，步骤S34中包括步骤S341、步骤S342、步骤S343和步骤S344，其中：
步骤S341、基于所述第一权值、所述单位时间生产价值量和所述时间信息的乘积，得到时间费用值，所述时间信息为相邻所述车站节点之间乘车时间与换乘时间之和。
步骤S342、基于所述第二权值和所述票价信息的乘积，得到旅行费用值，所述票价信息为相邻所述车站节点之间的车票费用。
步骤S343、基于所述第三权值和所述风险成本值的乘积，得到风险费用值。
步骤S344、基于所述时间费用值、所述旅行费用值和所述风险费用值之和，得到所述广义费用值。
上述步骤S34的广义费用值采用下列算法表示：
Cjk＝ω1QTjk+ω2Djk+ω3Bjk；Bjk＝W×RA；
其中，ω1为第一权值；ω2为第二权值；ω3为第三权值；Q为单位时间生产价值量；Tjk为相邻车站节点之间的乘车时间(包括换乘时间在内)；Djk为相邻车站节点之间的票价费用；Bjk为相邻车站节点之间的额外风险费用；S为法定工作时长(如8小时制)；α为乘客出行目的的价值系数；W为乘客出行意外赔偿的最高额度数；RA为风险估值。
步骤S4、根据所述出行成本值选择适合的出行路径。
可以理解的是，在本步骤中，移动设备根据出行成本值的大小将其有小到大进行排列并推送给乘客，乘客可根据自己的个人意愿选择最合适的出行路径，并购买车票。每条路径的出行成本值是根据乘客的自身情况做出的三个成本评估值计算得到的，能满足乘客多样化的出行需求，提供综合考虑出行安全、出行时间和出行费用这三个成本因素之后选出的最佳路径。
在另一示例性实施例中，基于所述第一信息得到路径集合信息之后，还包括步骤S35、步骤S36和步骤S37，其中：
步骤S35、根据每个所述车站集合信息，得到节点数，所述节点数为每个所述车站集合信息中所有所述车站节点的总个数。
可以理解的是，在本步骤中，根据车站集合信息计算每条从出发地到目的地的路线中，所经过的车站节点的总数。
步骤S36、判断每个所述车站集合信息所对应的所述节点数是否在预设节点范围内，若不是，则从所述路径集合信息中剔除掉所述车站集合信息；所述预设节点为从所述出发地至所述目的地经过的所述车站节点数的最大值。
可以理解的是，在本步骤中，根据预设节点范围，从路径集合信息中将超过预设节点范围的路线剔除掉，保留在预设节点范围内的路线。预设节点范围用于限制规划路径的换乘次数，避免换乘次数过多，影响乘客出行便捷性。
步骤S37、基于剔除后的所述路径集合信息，根据Dijkstra算法求解找出广义出行成本最低路径作为最优出行路径。
可以理解的是，在本步骤中，将相邻车站节点之间的广义费用值作为铁路运输网络中网络边的权值，然后利用Dijkstra算法对剩余的路径进行求解找出广义出行成本最低路径作为出行路径。设L1、L2、L3…Lm为满足预设节点范围限制的m条路径，最优路径的求解算法为：
设dist[h]0为从出发节点a出发经过0个中间节点到达节点h的最优路径出行成本。dist[h]k为从出发节点a经过最多k个中间节点到达节点h的最优路径成本，最优路径的成本可表示为：
dist[h]0＝C[a][h]
dist[h]k＝min{dist[i]k-1+C[i][h]}
其中，a是出发地，h是目的地，i是中间车站节点；k是经过车站节点的总数；dist[h]0代表从出发地a出发经过0个中间车站节点到达目的地h的最优路径出行成本，C[a][h]表示由出发地a到目的地h的路径的广义出行费用；C[i][h]表示由中间车站节点i到目的地h的路径的广义出行费用。
根据上述求解算法，从出发地到目的地的路径中，从出发节点a开始直至目的地，每次都需根据相邻车站节点的具体情况做出调整，从中选择广义出行费用值最小的路径，依次迭代得到满足预设节点数约束的，且由出发地至目的地的广义出行成本最小的路径。将路线进行分割规划，便于根据乘客的临时需求实时的更改路径，更符合乘客的需求，满足个性化路径规划的需求，提升乘客体验度。
在另一示例性实施例中，所述铁路出行的路径规划方法还包括步骤S5，步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55，其中：
步骤S51、获取所述车站节点的第四参数、第五参数、第六参数、第七参数和第八参数，所述第四参数为所述车站节点的历史客流量随时间变化分布的数据；所述第五参数包括所述车站节点当前的时间数据和客流量数据；所述第六参数为所述车站节点中为乘客办理业务的业务点的总数；所述第七参数为所述业务点在单位时间内完成业务办理的总乘客数；所述第八参数为单位时间内到达所述业务点的乘客数。
可以理解的是，在本步骤中，第四参数通过车站历史数据统计获得，第五参数通过闸机统计的进站人数与车站发送乘客人数的差值得到，第六参数通过统计车站具体服务窗口数得到，第七参数可通过实验测试服务人员单位时间办理乘客数得到。第八参数根据闸机获取的乘客流量并确定单位时间内到达所述业务点的乘客数。
步骤S52、将所述第四参数输入ARMA模型中，得到客流量预测模型。
可以理解的是，在本步骤中，ARMA模型由自回归模型(AR)和滑动平均模型(MA)为基础“混合”构成，模型如下：
其中：y为当前车站预测客流量；t表示时间；μ为常数项；γd为自回归系数；θd为滑动平均系数；εt为白噪声序列，相互独立且服从均值为零的正态分布；p为自回归模型的阶数；q为移动平均模型的阶数；d为回归、移动平均模型的第d阶部分，用于控制取第几部分的历史值，若d＝1，则取用yt-1，εt-1的历史值。步骤S52还包括步骤S521、步骤S522、步骤S523、步骤S524和步骤S525，其中：
步骤S521、ARMA模型中输入车站客流时间序列，ADF平稳性检验。不平稳进行则进行差分处理。
步骤S522、绘制自相关系数(ACF)图与偏自相关系数PACF图，进行白噪声检验。若客流序列是白噪声序列，表明车站客流完全随机的，没有规律，故没有必要再深入分析；若为非白噪声，则运用ARMA模型进行预测。判断标准ACF图与PACF图全为0。
步骤S523、模型定阶。(p，q)值确定的常见做法是选择多组(p，q)组合，通过参数估计建立多个ARMA模型，然后根据AIC信息最小准则确定一组最好的(p，q)，信息值准则值越小，模型越好。设经测算(p，q)取值(2，1)取得较优车站客流预测效果。
步骤S524、极大似然法参数估计。模型阶数(p，q)确定完成后，采用极大似然估计法，在ARMA算法带入历史客流数据标定。
步骤S525、残差检验。计算残差序列，检验残差序列是否为随机正态分布的、不自相关的白噪声信号，检验方法同步骤2。若残差序列为白噪声序列，则有用的信号已经都被提取到ARMA模型，输出预测结果；否则返回步骤3，重新进行模型定阶。
设根据上述步骤得到京沪线上车站1的客流量预测模型为：
y＝0.0128+1.004yt-1-0.072yt-2-0.072εt-1
ARMA模型对数据样本容量要求不高，有明确的收敛准则，能够对数据进行深入的学习，是一个较为通用的时间序列模型，准确性和实时性都比较高，适合动态铁路客流预测。
步骤S53、根据所述第五参数和所述客流量预测模型，得到所述车站节点未来时段的预测客流量。
可以理解的是，根据客流量预测模型将车站上一时刻的第五参数作为更新后的第四参数进行迭代更新，得到未来时刻所对应的预测客流量，进而获得车站预测客流量。
步骤S54、根据所述第六参数、所述第七参数和所述第八参数，得到第一数据，所述第一数据为描述乘客在所述业务点可直接办理业务的概率。
可以理解的是，在本步骤中，在排队论模型中每一名乘客通过排队服务系统总要经过乘客到达、排队等待、接受服务和离去四个环节。乘客通过闸机到达进站后，需依次排队等待安检与检票，接受安检与检票服务后，离开到站台准备乘车。(1)排队论模型输入过程，输入过程考察乘客到达车站的规律，用一定时间内乘客到达数或前后两个乘客相继到达的间隔时间来描述。设乘客到达车站为随机型输入，即在时间t内顾客到达数n(t)服从一定的随机分布，如泊松分布、负指数分布等。乘客通过闸机进站，利用闸机获取一定时间内乘客到达人数以及相邻乘客的到站间隔时间。通过历史统计数据分析，本模型设定乘客到达车站时间服从负指数分布。(2)排队规则，为乘客进行服务的次序是先到先服务(FCFS)；服务机构为多个平行设置的业务点，业务办理时间为随机型。(3)乘客排队安检与检票均采用(M/M/C):(∞/∞/FCFS)马尔可夫排队模型，该模型表示乘客到达时间间隔和业务办理时间均为随机时间且服从指数分布，该系统有C个业务人员，系统容量和顾客来源无限，排队规则即服务顺序为先到先服务。(4)求解模型，在排队系统总时间为乘客从闸机进站时间到站台乘车时间。对于(M/M/C):(∞/∞/FCFS)马尔可夫排队模型，根据下式计算第一数据：
其中：p0为第一数据代表乘客在所述业务点可直接办理业务的概率，C为第六参数代表业务点的总数；n为在业务点不需要排队等待的乘客数(0≤n≤C-1)；μ为第七参数代表业务点在单位时间内完成业务办理的总乘客数；λ为单位时间内到达所述业务点的乘客数；ρ为繁忙度。
步骤S55、根据所述第一数据、所述第六参数、所述第七参数和所述第八参数，得到第二数据，所述第二数据为描述乘客在所述业务点的停留时间。
可以理解的是，在本步骤中，乘客在所述业务点的停留时间的计算方法如下：
乘客排队长Lq：
乘客排队平均等待时间Wq：
乘客过安检或检票时平均停留时间Wt：
乘客在排队系统的总时间W为乘客安检平均停留时间Wt1、乘客检票平均停留时间Wt1及乘客从安检至检票的平均走行时间WZ三者之和，即W＝Wt1+Wt2+WZ。
设在安检处排队时，乘客到达业务点的强度λ1＝20人/小时；车站节点中为乘客办理业务的业务点的总数C1为2；业务点在单位时间内完成业务办理的总乘客数μ1＝30人/小时；n为1，代入下式计算：
设在检票处排队时，乘客到达业务点的强度λ2＝20人/小时；车站节点中为乘客办理业务的业务点的总数C2为2；业务点在单位时间内完成业务办理的总乘客数μ2＝30人/小时；n为1，则根据上述计算公式计算Wt2为1.25min。在本案例中乘客从安检至检票的平均走行时间Wz取4min，则乘客排队时总的停留时间W＝Wt1+Wt2+Wz＝7.5min。
移动设备通过历史和当前某段时间内车站客流量数据，预测未来时段车站内的客流量并绘制客流折线图，展示车站客流随时间动态变化趋势，为优化车站流线组织提供依据。针对传播型疾病的公共安全事件说，该方法还能降低乘客在站内聚集感染风险。
利用闸机获取的乘客到达强度数据，预测乘客从进站到站台乘车所需的时间，为乘客合理决策到站时间提供依据。从而帮助乘客合理规划出行时间，避免过早到达车站，减少在车站等待时间，降低乘客误车率，提升乘客出行效率和便捷性。
实施例2：
如图2所示为本实施例中铁路出行的路径规划装置700的框图，该铁路出行的路径规划装置700包括第一获取模块710、第一计算模块720、第二计算模块730和第三计算模块740，其中：
第一获取模块710：用于获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息。
第一计算模块720：用于基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值。
优选地，所述第一计算模块720包括第一获取子单元721、第一处理单元722、第二处理单元723、对比单元725、第三处理单元726、第四处理单元727和第五处理单元728，其中：
第一获取子单元721：用于获取第二信息和第三信息，所述第二信息为铁路运输网络中所有所述车站节点的信息；所述第三信息为各地所发生的影响出行安全的风险事件信息。
第一处理单元722：用于基于所述第三信息，得到风险概率集合，所述风险概率集合中的每个风险概率对应一个待估区域发生公共安全事件的预测概率，所述待估区域为自定义的行政区划。
第二处理单元723：用于基于所述第二信息，分别判断每个所述车站节点是否在所述待估区域内，若是则根据所述待估区域对应的所述风险概率，确定每个所述待估区域内所有所述车站节点的风险权值。
第二获取子单元724：用于基于所有的所述待估区域，获取第一参数、第二参数和第三参数，所述第一参数为每个所述待估区域内的人口总数；所述第二参数为每个待估区域内的车站总数；所述第三参数为每个所述待估区域内总的客流量。
对比单元725：用于遍历所有第一参数，找到最多人口总数所对应的所述待估区域作为对比区域。
第三处理单元726：用于基于所述对比区域和所述第一参数，得到第一比例，所述第一比例为所述待估区域的人口总数与所述对比区域人口总数的比值。
第四处理单元727：用于基于所述对比区域、所述第二参数和所述第三参数，得到第二比例，所述第二比例为所述待估区域内的人口流动性的衡量值。
第五处理单元728：用于基于所述第一比例、所述第二比例和所述风险权值的乘积，得到所述待估区域内每个所述车站节点的风险估值。
第二计算模块730：用于基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和。
优选地，所述第二计算模块730包括第三获取子单元731、第六处理单元732、第七处理单元733和第八处理单元734，其中：
第三获取子单元731：用于获取第一权值、第二权值、第三权值、第一广义费用计算参数、第二广义费用计算参数和第三广义费用计算，所述第一权值为乘客对时间关切度的估值的算术平均数；所述第二权值为乘客对出行费用关切度的估值的算术平均数；所述第三权值为乘客对出行风险关切度的估值的算术平均数；所述第一广义费用计算参数为乘客出发地的人均GDP总数与法定工作时长的比值；所述第二广义费用计算参数为乘客出行目的的价值系数；所述第三广义费用计算参数为乘客出行意外赔偿的最高额度数。
第六处理单元732：用于基于所述第一广义费用计算参数和所述第二广义费用计算参数的乘积，得到单位时间生产价值量。
第七处理单元733：用于基于所述风险估值和所述第三广义费用计算参数的乘积，得到风险成本值。
第八处理单元734：用于基于所述第一权值、所述第二权值、所述第三权值、所述单位时间生产价值量、所述风险成本值、所述时间信息和所述票价信息，得到广义费用值。
第三计算模块740：用于根据所述出行成本值选择适合的出行路径。
进一步地，所述铁路出行的路径规划装置700还包括第二获取模块750、第四计算模块760、客流量预测模块770、第五计算模块780和第六计算模块790，其中：
第二获取模块750：用于获取所述车站节点的第四参数、第五参数、第六参数、第七参数和第八参数，所述第四参数为所述车站节点的历史客流量随时间变化分布的数据；所述第五参数包括所述车站节点当前的时间数据和客流量数据；所述第六参数为所述车站节点中为乘客办理业务的业务点的总数；所述第七参数为所述业务点在单位时间内完成业务办理的总乘客数；所述第八参数为单位时间内到达所述业务点的乘客数。
第四计算模块760：用于将所述第四参数输入ARMA模型中，得到客流量预测模型。
客流量预测模块770：用于根据所述第五参数和所述客流量预测模型，得到所述车站节点未来时段的预测客流量。
第五计算模块780：用于根据所述第六参数、所述第七参数和所述第八参数，得到第一数据，所述第一数据为描述乘客在所述业务点可直接办理业务的概率。
第六计算模块790：用于根据所述第一数据、所述第六参数、所述第七参数和所述第八参数，得到第二数据，所述第二数据为描述乘客在所述业务点的停留时间。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种铁路出行的路径规划设备，下文描述的一种铁路出行的路径规划设备与上文描述的一种铁路出行的路径规划方法可相互对应参照。
图3是根据示例性实施例示出的一种铁路出行的路径规划设备800的框图。如图3所示，该铁路出行的路径规划设备800可以包括：处理器801，存储器802。该铁路出行的路径规划设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该铁路出行的路径规划设备800的整体操作，以完成上述的铁路出行的路径规划方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该铁路出行的路径规划设备800的操作，这些数据例如可以包括用于在该铁路出行的路径规划设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该铁路出行的路径规划设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，铁路出行的路径规划设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的铁路出行的路径规划方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种存储介质，下文描述的一种存储介质与上文描述的一种铁路出行的路径规划方法可相互对应参照。
一种存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的铁路出行的路径规划方法的步骤。
该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，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以权利要求的保护范围为准。

Claims (6)

1.一种铁路出行的路径规划方法，其特征在于，包括：
获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息；
基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值；
基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和；
根据所述出行成本值选择适合的出行路径；
其中，每个所述车站节点的风险估值的获取方法，包括：
获取第二信息和第三信息，所述第二信息为铁路运输网络中所有所述车站节点的信息；所述第三信息为各地所发生的影响出行安全的风险事件信息；
基于所述第三信息，得到风险概率集合，所述风险概率集合中的每个风险概率对应一个待估区域发生公共安全事件的预测概率，所述待估区域为自定义的行政区划；
基于所述第二信息，分别判断每个所述车站节点是否在所述待估区域内，若是则根据所述待估区域对应的所述风险概率，确定每个所述待估区域内所有所述车站节点的风险权值；
基于所有的所述待估区域，获取第一参数、第二参数和第三参数，所述第一参数为每个所述待估区域内的人口总数；所述第二参数为每个待估区域内的车站总数；所述第三参数为每个所述待估区域内总的客流量；
遍历所有第一参数，找到最多人口总数所对应的所述待估区域作为对比区域；
基于所述对比区域和所述第一参数，得到第一比例，所述第一比例为所述待估区域的人口总数与所述对比区域人口总数的比值；
基于所述对比区域、所述第二参数和所述第三参数，得到第二比例，所述第二比例为所述待估区域内的人口流动性的衡量值；
基于所述第一比例、所述第二比例和所述风险权值的乘积，得到所述待估区域内每个所述车站节点的风险估值；
其中，所述广义费用值的计算方法，包括：
获取第一权值、第二权值、第三权值、第一广义费用计算参数、第二广义费用计算参数和第三广义费用计算，所述第一权值为乘客对时间关切度的估值的算术平均数；所述第二权值为乘客对出行费用关切度的估值的算术平均数；所述第三权值为乘客对出行风险关切度的估值的算术平均数；所述第一广义费用计算参数为乘客出发地的人均GDP总数与法定工作时长的比值；所述第二广义费用计算参数为乘客出行目的的价值系数；所述第三广义费用计算参数为乘客出行意外赔偿的最高额度数；
基于所述第一广义费用计算参数和所述第二广义费用计算参数的乘积，得到单位时间生产价值量；
基于所述风险估值和所述第三广义费用计算参数的乘积，得到风险成本值；
基于所述第一权值、所述第二权值、所述第三权值、所述单位时间生产价值量、所述风险成本值、所述时间信息和所述票价信息，得到广义费用值。
2.根据权利要求1所述的铁路出行的路径规划方法，其特征在于，所述铁路出行的路径规划方法还包括：
获取所述车站节点的第四参数、第五参数、第六参数、第七参数和第八参数，所述第四参数为所述车站节点的历史客流量随时间变化分布的数据；所述第五参数包括所述车站节点当前的时间数据和客流量数据；所述第六参数为所述车站节点中为乘客办理业务的业务点的总数；所述第七参数为所述业务点在单位时间内完成业务办理的总乘客数；所述第八参数为单位时间内到达所述业务点的乘客数；
将所述第四参数输入ARMA模型中，得到客流量预测模型；
根据所述第五参数和所述客流量预测模型，得到所述车站节点未来时段的预测客流量；
根据所述第六参数、所述第七参数和所述第八参数，得到第一数据，所述第一数据为描述乘客在所述业务点可直接办理业务的概率；
根据所述第一数据、所述第六参数、所述第七参数和所述第八参数，得到第二数据，所述第二数据为描述乘客在所述业务点的停留时间。
3.一种铁路出行的路径规划装置，其特征在于，包括：
第一获取模块：用于获取第一信息，所述第一信息包括乘客出行的出发地信息和目的地信息；
第一计算模块：用于基于所述第一信息，得到路径集合信息，所述路径集合信息中的每个路径信息对应一个车站集合信息，每个所述车站集合信息为从所述出发地至所述目的地的所有不同车站节点顺序连接而成的路线信息；每个所述车站节点包括与所述车站节点对应的时间信息、票价信息和风险估值；
第二计算模块：用于基于所述路径集合信息，得到出行成本值，所述出行成本值为每个所述路径信息中对所有的广义费用值求和得到的参数，所述广义费用值为相邻所述车站节点之间的所述时间信息的评估值、所述票价信息的评估值和所述风险估值的评估值之和；
第三计算模块：用于根据所述出行成本值选择适合的出行路径；
其中，所述第一计算模块，包括：
第一获取子单元：用于获取第二信息和第三信息，所述第二信息为铁路运输网络中所有所述车站节点的信息；所述第三信息为各地所发生的影响出行安全的风险事件信息；
第一处理单元：用于基于所述第三信息，得到风险概率集合，所述风险概率集合中的每个风险概率对应一个待估区域发生公共安全事件的预测概率，所述待估区域为自定义的行政区划；
第二处理单元：用于基于所述第二信息，分别判断每个所述车站节点是否在所述待估区域内，若是则根据所述待估区域对应的所述风险概率，确定每个所述待估区域内所有所述车站节点的风险权值；
第二获取子单元：用于基于所有的所述待估区域，获取第一参数、第二参数和第三参数，所述第一参数为每个所述待估区域内的人口总数；所述第二参数为每个待估区域内的车站总数；所述第三参数为每个所述待估区域内总的客流量；
对比单元：用于遍历所有第一参数，找到最多人口总数所对应的所述待估区域作为对比区域；
第三处理单元：用于基于所述对比区域和所述第一参数，得到第一比例，所述第一比例为所述待估区域的人口总数与所述对比区域人口总数的比值；
第四处理单元：用于基于所述对比区域、所述第二参数和所述第三参数，得到第二比例，所述第二比例为所述待估区域内的人口流动性的衡量值；
第五处理单元：用于基于所述第一比例、所述第二比例和所述风险权值的乘积，得到所述待估区域内每个所述车站节点的风险估值；
其中，所述第二计算模块，包括：
第三获取子单元：用于获取第一权值、第二权值、第三权值、第一广义费用计算参数、第二广义费用计算参数和第三广义费用计算，所述第一权值为乘客对时间关切度的估值的算术平均数；所述第二权值为乘客对出行费用关切度的估值的算术平均数；所述第三权值为乘客对出行风险关切度的估值的算术平均数；所述第一广义费用计算参数为乘客出发地的人均GDP总数与法定工作时长的比值；所述第二广义费用计算参数为乘客出行目的的价值系数；所述第三广义费用计算参数为乘客出行意外赔偿的最高额度数；
第六处理单元：用于基于所述第一广义费用计算参数和所述第二广义费用计算参数的乘积，得到单位时间生产价值量；
第七处理单元：用于基于所述风险估值和所述第三广义费用计算参数的乘积，得到风险成本值；
第八处理单元：用于基于所述第一权值、所述第二权值、所述第三权值、所述单位时间生产价值量、所述风险成本值、所述时间信息和所述票价信息，得到广义费用值。
4.根据权利要求3所述的铁路出行的路径规划装置，其特征在于，所述铁路出行的路径规划装置还包括：
第二获取模块：用于获取所述车站节点的第四参数、第五参数、第六参数、第七参数和第八参数，所述第四参数为所述车站节点的历史客流量随时间变化分布的数据；所述第五参数包括所述车站节点当前的时间数据和客流量数据；所述第六参数为所述车站节点中为乘客办理业务的业务点的总数；所述第七参数为所述业务点在单位时间内完成业务办理的总乘客数；所述第八参数为单位时间内到达所述业务点的乘客数；
第四计算模块：用于将所述第四参数输入ARMA模型中，得到客流量预测模型；
客流量预测模块：用于根据所述第五参数和所述客流量预测模型，得到所述车站节点未来时段的预测客流量；
第五计算模块：用于根据所述第六参数、所述第七参数和所述第八参数，得到第一数据，所述第一数据为描述乘客在所述业务点可直接办理业务的概率；
第六计算模块：用于根据所述第一数据、所述第六参数、所述第七参数和所述第八参数，得到第二数据，所述第二数据为描述乘客在所述业务点的停留时间。
5.一种铁路出行的路径规划设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至2任一项所述的铁路出行的路径规划方法的步骤。
6.一种存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述的铁路出行的路径规划方法的步骤。
CN202210426617.4A 2022-04-21 2022-04-21 一种铁路出行的路径规划方法、装置、设备及存储介质 Active CN114923497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210426617.4A CN114923497B (zh) 2022-04-21 2022-04-21 一种铁路出行的路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210426617.4A CN114923497B (zh) 2022-04-21 2022-04-21 一种铁路出行的路径规划方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114923497A CN114923497A (zh) 2022-08-19
CN114923497B true CN114923497B (zh) 2023-07-21

Family

ID=82807002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210426617.4A Active CN114923497B (zh) 2022-04-21 2022-04-21 一种铁路出行的路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114923497B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115480575B (zh) * 2022-09-26 2023-12-29 重庆赛迪奇智人工智能科技有限公司 一种铁路运输路径规划方法、装置、存储介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016130966A (ja) * 2015-01-14 2016-07-21 株式会社デンソーアイティーラボラトリ 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム
EP3373230A1 (en) * 2017-03-07 2018-09-12 Frediano Rossi Risk data management method and system
CN110428117A (zh) * 2019-08-15 2019-11-08 北京交通大学 城市轨道交通多场景下客流精准诱导方法及系统
CN111105110A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 驾驶风险确定方法、装置、介质和计算设备

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010079173A (ko) * 2001-06-20 2001-08-22 유익수 지식정보매매에 관한 손해보상시스템 및 기술적 방법
JP3860496B2 (ja) * 2002-03-28 2006-12-20 富士通株式会社 配車方法、および配車プログラム
JP4481235B2 (ja) * 2005-11-01 2010-06-16 恭敬 飯田 ゾーン別発生・集中交通量とｏｄ交通量の高精度推定方法
US10229460B2 (en) * 2014-06-24 2019-03-12 Hartford Fire Insurance Company System and method for telematics based driving route optimization
CN104217129B (zh) * 2014-09-22 2018-02-02 北京交通大学 一种城轨路网客流估算方法
US20180082586A1 (en) * 2016-09-21 2018-03-22 Conduent Business Services, Llc Method and system for real-time prediction of crowdedness in vehicles in transit
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
CN106779190B (zh) * 2016-12-02 2020-03-31 东南大学 一种城市轨道交通乘客出行路径建议方法及系统
CN108256714A (zh) * 2016-12-29 2018-07-06 得道车联网络科技（上海）有限公司 一种基于车联网大数据的行车轨迹实时风险评估模型
CN109165971A (zh) * 2018-07-30 2019-01-08 北京工业大学 一种基于出行者心理主观感知全因素的可选交通方式广义费用的确定方法
CN109801491B (zh) * 2019-01-18 2022-09-13 深圳壹账通智能科技有限公司 基于风险评估的智能导航方法、装置、设备及存储介质
CN109934457A (zh) * 2019-01-31 2019-06-25 长安大学 一种基于网约车行程中的风险评估方法
CN110084397B (zh) * 2019-03-11 2022-06-17 昆明理工大学 一种地铁直达线路规划方法
CN110033615B (zh) * 2019-03-22 2020-09-01 山西省交通科学研究院有限公司 一种基于物联网的道路危险货物运输动态风险评估方法
CN110222912B (zh) * 2019-06-21 2021-06-11 清华大学 基于时间依赖模型的铁路行程路线规划方法及装置
CN110428096B (zh) * 2019-07-26 2022-01-18 西南交通大学 基于票务信息的城市轨道交通多交路运输组织优化方法
CN110807651A (zh) * 2019-09-26 2020-02-18 北京交通大学 基于广义费用函数的城际铁路客票分时定价方法
CN111275999A (zh) * 2020-02-18 2020-06-12 山东交通学院 基于全交通网络可换乘的路径规划方法及系统
CN112304326A (zh) * 2020-10-29 2021-02-02 深圳前海微众银行股份有限公司 出行路线规划方法、设备及存储介质
CN112700034B (zh) * 2020-12-18 2023-05-16 西南交通大学 一种联程联运路径选择方法、装置、设备及可读存储介质
CN112766950A (zh) * 2020-12-31 2021-05-07 广州广电运通智能科技有限公司 一种动态路径费用确定方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016130966A (ja) * 2015-01-14 2016-07-21 株式会社デンソーアイティーラボラトリ 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム
EP3373230A1 (en) * 2017-03-07 2018-09-12 Frediano Rossi Risk data management method and system
CN111105110A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 驾驶风险确定方法、装置、介质和计算设备
CN110428117A (zh) * 2019-08-15 2019-11-08 北京交通大学 城市轨道交通多场景下客流精准诱导方法及系统

Also Published As

Publication number Publication date
CN114923497A (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Malekzadeh et al. A review of transit accessibility models: Challenges in developing transit accessibility models
JP6872331B2 (ja) 評価システム及び評価方法
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
Nassir et al. A strategy-based recursive path choice model for public transit smart card data
CN112380398B (zh) 一种空港旅客多交通方式换乘出行链构建装置
Nielsen et al. Relevance of detailed transfer attributes in large-scale multimodal route choice models for metropolitan public transport passengers
JP6895325B2 (ja) 交通需要予測装置、交通需要予測方法、及び交通需要予測プログラム
CN104884900A (zh) 行程时间信息提供设备和行程时间信息提供方法
JP2012196987A (ja) 旅客流動予測装置
CN114923497B (zh) 一种铁路出行的路径规划方法、装置、设备及存储介质
CN115527369A (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
Li et al. Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering
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
US10402755B2 (en) Transportation service information providing apparatus, and transportation service information providing method
Yan et al. MobiRescue: Reinforcement learning based rescue team dispatching in a flooding disaster
JP5969957B2 (ja) 列車混雑度予測システム、及び列車混雑度予測方法
Xu et al. Quantifying the competitiveness of transit relative to taxi with multifaceted data
JP7425680B2 (ja) ナビゲーション装置、及びナビゲーション方法
JP2017009361A (ja) 交通情報提供システム及び交通情報提供方法
Okubo et al. A transportation choice model on the commuter railroads using inverse reinforcement learning
JP2012226503A (ja) 移動分析方法および移動分析装置
CN112378412A (zh) 骑行导航路线规划的方法及其系统
JP7095892B2 (ja) 情報処理システム、情報処理方法および情報処理プログラム
CN111275227A (zh) 危险性预测方法、装置、电子设备及计算机可读存储介质
CN115034622B (zh) 一种公交系统输入输出风险量化评估方法

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