CN115048576A - 一种空港旅客群体出行方式柔性推荐方法 - Google Patents
一种空港旅客群体出行方式柔性推荐方法 Download PDFInfo
- Publication number
- CN115048576A CN115048576A CN202210635782.0A CN202210635782A CN115048576A CN 115048576 A CN115048576 A CN 115048576A CN 202210635782 A CN202210635782 A CN 202210635782A CN 115048576 A CN115048576 A CN 115048576A
- Authority
- CN
- China
- Prior art keywords
- passenger
- passengers
- airport
- travel
- attribute
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种空港旅客群体出行方式柔性推荐方法。该方法包括:对空港旅客属性约减的群体出行偏好进行分级处理,生成空港旅客的出行偏好序列;根据路网节点及节点间传递关系构建城市复合公共交通网络拓扑与运力关系模型;根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,通过遗传算法实现基于遗传算法的到港旅客出行方式的柔性推荐。本发明能够将预测数据集中不同特征的旅客出行偏好,结合空港陆侧真实运力关系模型及公共交通路网拓扑,实现到港旅客群体与交通运力间的匹配,为旅客进行出行方式的柔性推荐并生成多目标优化路径,为旅客出行偏好与机场高效疏解双向需求提供了一种切实有效的解决方案。
Description
技术领域
本发明涉及机场旅客出行管理技术领域,尤其涉及一种空港旅客群体出行方式柔性推荐方法。
背景技术
人民生活水平飞速提高,因出行而增加的中长途客运量正带动民航运输业快速发展。同时民航旅客服务也面临着诸多的挑战:国内逐步完善的铁路线网利用准时便捷的特性,给民航运输业的发展带来的一定冲击;同时国外枢纽机场利用更加智慧化的服务也在不断蚕食国内市场。机场作为大型交通枢纽,旅客及时高效地出行有利于机场人流疏散,同时旅客可以方便快捷地到达目的地,这就使得出行方式推荐及路径优化成为机场智慧化服务的重点。
空港陆侧具有城市公交、轨道交通、出租车、私家车等多种交通方式,可以为旅客提供较为完善的出行选择。过往对出行方式推荐的研究多立足于旅客个体需求的基础上,并没有由点到面的延伸到整个旅客群体的出行优化角度;同时,目前的LBS(LocationBased Services,基于位置的服务)软件局限于室外的分段信息估计及出行换乘策略,没有考虑室内室外复杂的路径分布与衔接,导致出行方式没有做到出行链全覆盖的推荐。
目前,现有技术中还没有一种空港旅客群体出行方式柔性推荐方法。
发明内容
本发明的实施例提供了一种空港旅客群体出行方式柔性推荐方法,以实现为到港旅客进行出行方式的柔性推荐并生成多目标优化路径。
为了实现上述目的,本发明采取了如下技术方案。
一种空港旅客群体出行方式柔性推荐方法,包括:
对空港旅客属性约减的群体出行偏好进行分级处理,生成空港旅客的出行偏好序列;
根据路网节点及节点间传递关系构建城市复合公共交通网络拓扑与运力关系模型;
根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,通过遗传算法实现基于遗传算法的到港旅客出行方式的柔性推荐。
优选地,所述的对空港旅客属性约减的群体出行偏好进行分级处理,生成空港旅客的出行偏好序列,包括:
挖掘空港旅客的特征属性与决策属性间的耦合依赖度,生成基于核属性的知识约简序列,删除冗余属性,基于量化权值的方式计算特征属性与决策属性间的关联程度,通过基于特征属性与决策属性间的关联程度的加权贝叶斯算法生成空港旅客的出行偏好序列。
优选地,所述的挖掘空港旅客的特征属性与决策属性间的耦合依赖度,包括:
Step1:设空港旅客数据集为S,特征属性集为C,决策属性集为D,计算旅客数据集S中的决策属性集D相对特征属性集C的条件熵H(D/C):
其中{X1,X2,…,Xn}和{Y1,Y2,…,Ym}分别为C和D的属性集合,p(Xi)与p(Yj)表示旅客数据集中对应属性类型的出现概率,p(Yj|Xi)表示特征属性类型Xi出现下决策属性类型Yj出现的概率;
Step2:计算旅客数据集S中特征属性集C相对决策属性集D的核属性CORED(C),对于特征属性集C的所有属性n,若H(D/C小于H(D/C-{n}),则:
CORED(C)=CORED(C)∪{n} (3)
令P=CORED(C),B=C-CORED(C);
Step3:进行条件信息熵的计算,分为以下几步:
①计算条件信息熵H(D/P),转到④;
②对B中的每个属性bi(i=1,…,n)计算条件熵H(D/P∪bi),计算属性bi的依赖度:
SGF(bi,P,D)=H(D/P)-H(D/P∪bi) (4)
③选择使SGF(bi,P,D)最小的属性bi,若多个属性达到了最小值,则选取一个与P的属性值组合最少的属性,从B中删除bi,并把bi增加到P的尾部;从B中删除使SGF的值为0的属性bi;
④若H(D/P)=H(D/C),则转到Step4,否则就转②;
Step4:从P的尾部开始,从后向前判别每个属性b是否可约,若b∈CORED(C,则从b开始向前的属性都是核属性,不可约简,终止算法;若H(D/P-{a})=H(D/C),则b是可约简的,把b从P中删除。
优选地,所述的通过基于特征属性与决策属性间的关联程度的加权贝叶斯算法生成空港旅客的出行偏好序列,包括:
计算特征属性Ci与决策属性D间的相关系数δi:
利用δi对每个特征属性赋予相应的权值,使特征属性权值等于相关系数,权值越大,特征属性Ci对决策的影响越大;
利用先验概率,通过贝叶斯公式计算每个旅客实例x=(c1,c2,...cn)属于决策类d的概率:
其中,P(d)是决策类d的先验概率,P(c1,c2,...,cn|d)是决策类d的后验概率,对于旅客实例x=(c1,c2,...cn),按照公交、大巴、地铁和出租车四个决策类的后验概率大小排序,输出到港旅客的出行偏好梯度序列,其中最高级出行偏好即为相应的极大似然估计:
优选地,所述的根据路网节点及节点间传递关系构建城市复合公共交通网络拓扑与运力关系模型,包括:
设定交通方式包括公交、大巴、出租车和地铁,定义站点和换乘点为网络拓扑中的节点,定义道路和轨道为网络拓扑中的弧边,定义道路特征为网络拓扑中的弧边权值,针对不同交通方式生成多层级路网,分析路段特性一致性关系,将道路特征统一为路段权值,该路段权值包括单位耗时、单位花费、单位舒适度阈值和单位通行运力,通过邻接表的方式建立多元权值表存储,形成节点-路段-边权值的拓扑关系,将整个路网定义成一个由节点和路段组成的城市复合公共交通网络拓扑系统;
考虑交通方式的通行运力和车辆容量、路况信息,调研不同路段宽度及车辆运载能力,进行路段运力流量的合理匹配,制定基于真实路段特征的交通方式运力关系模型,同时结合线性化表示方式实现单位通行运力度量标准化。
优选地,所述的根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,通过遗传算法实现基于遗传算法的到港旅客出行方式的柔性推荐,包括:
针对真实空港陆侧出发环境,根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,确定遗传算法的目标函数,在旅客出行偏好的前提下,将旅客出行规划看做是从一个中心点向外扩散的遍历流程,实现基于遗传算法的到港旅客出行方式的柔性推荐;
Step1:根据旅客出行偏好序列数目,确立基因数目,应用出行偏好序列中旅客不同出行方式推荐值,结合浮点编码法,生成初始种群;
Step2:将种群信息输入到交通方式运力分配模型中,计算旅客总延误时间,构建适应度函数,并求出个体旅客序列适应度;
Step3:建立选择函数,剔除总延误时间过高的旅客序列,通过轮盘赌选择的方式,每组旅客序列进入下一代的概率等于它的适应度与整个种群中个体适应度值和的比例,依据此抉择出优秀父代种群;
Step4:进行遗传算法的染色体交叉操作,结合算数交叉的方式,对两组配对的旅客序列交换对应旅客交通方式推荐值的部分基因,形成两个新的旅客序列个体;
Step5:将旅客序列个体中的基因座以固定的概率进行变异运算,形成随机扰动,形成基因突变操作;
Step6:进行算法迭代,设置进化代数上限为500代,若最后代间优化值小于1min,则提前终止算法,输出旅客群体最优柔性推荐序列。
优选地,所述的方法还包括:
根据生成的旅客推荐出行方式,应用改进的Dijkstra算法实现在耗时、花费、舒适三个目标维度的多交通方式出行路径规划,具体处理过程包括;
Step1:初始化阶段,包括空港陆侧复合路网拓扑和路段权值邻接表的生成,包括节点和参数的初始化及分配:定义出发点为O点;到达点为D点;定义Si为节点i判断变量,Si为1,表示节点i已访问,Si为0,表示节点i为未访问,Si预置都为0;定义min{}为路径集合;
Step2:结合旅客群体最优柔性推荐序列,根据旅客偏好在所有未访问的节点中抉择出发节点,命名为节点A,SA=1,节点O记录进min{};
Step3:根据花费、耗时、舒适三种出行目标分别设置遍历规则,判断换乘类型并更新参数;
Step4:更新目标函数,记录节点A;
Step5:对当前节点是否为目的地进行判断:若是,则转到Step7;若不是转到Step6;
Step6:根据更新后的遍历值重新寻找节点A;
Step7:输出到港旅客花费、耗时、舒适三种出行方式对应的柔性推荐路径,算法结束。
优选地,所述的输出到港旅客花费、耗时、舒适三种出行方式对应的柔性推荐路径,包括:
到港旅客最优花费路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最少花费路径规划模型,最优花费路径规划算法使用Mincost来记录当前路程花费,同时所述模型需要考虑路段里程和票价之间的关系,在总花费引入一个中间变量Newmin_R来存储换乘节点间的路段里程,根据Newmin_R而不是相邻站点间里程来计算分段行程花费,通过Afterlinei判断站点i是否为换乘状态:若为持续乘坐状态,则对Newmin_R进行累加,不进行当前制式花费计算;若为换乘状态,根据Newmin_R以及当前制式票价计算函数进行当前制式花费的计算,并计入总花费,循环往复,最终达到从O点到D点的最优花费路径寻找,并输出全时空覆盖分段花费估计;
到港旅客最优耗时路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最短出行路径规划模型,在路径查找的过程中,使用一个中间变量Newmini来存储当前到达节点i的总耗时,用Afterlinei存储站点i后面的换乘信息,通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则在原有耗时基础上加上当前交通制式班次间隔;若为换乘状态,则需要根据所述的制式间隔延长表和换乘走行时间来进行换乘时间的估计,进而计算当前总耗时,循环往复,最终达到从O点到D点的最优耗时路径寻找,并输出全时空覆盖分段时间估计;
到港旅客最优舒适度路径构建方法,具体用于构建旅客在城市交通拓扑网络中的舒适度最优出行路径规划模型,通过舒适度权值来遍历路径查找最优舒适度路径,在路径查找的过程中,使用一个中间变量ComfortA来存储当前到达节点i的总舒适度权值,用Afterlinei存储站点i后面的换乘信息,通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则估计交通制式班次间隔产生的舒适度权值,计入总舒适度权值;若为换乘状态,通过对换乘走行时间以及换乘等待时间的估计,从而计算换乘环节产生的舒适度权值,并计入总舒适度权值。循环往复,最终达到从O点到D点的最优舒适度路径寻找,并输出全时空覆盖分段舒适度权值估计。
由上述本发明的实施例提供的技术方案可以看出,由上述本发明的实施例提供的技术方案可以看出,本发明能够将预测数据集中不同特征的旅客出行偏好,结合空港陆侧真实运力关系模型及公共交通路网拓扑,实现到港旅客群体与交通运力间的匹配,为旅客进行出行方式的柔性推荐并生成多目标优化路径,为旅客出行偏好与机场高效疏解双向需求提供了一种切实有效的解决方案。
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空港旅客群体出行方式柔性推荐方法的实现原理示意图;
图2为本发明实施例提供的一种空港旅客数据集属性约简流程示意图;
图3为本发明实施例提供的一种基于改进贝叶斯的旅客出行预测结构示意图;
图4为本发明实施例提供的一种面向空港陆侧真实道路特征的复合城市路网拓扑示意图;
图5为本发明实施例提供的一种群体旅客出行柔性推荐下的多目标优化路径生成流程图。
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空港旅客群体出行方式柔性推荐方法,以实现智慧化预测枢纽机场旅客出行偏好,实现到港旅客的高效疏解,并提供不同出行目标下的最优换乘规划路径。
本发明实施例提供的一种空港旅客群体出行方式柔性推荐方法的实现原理示意图如图1所示,包括空港旅客属性约减的群体出行偏好序列分级方法、城市复合公共交通网络拓扑与运力关系模型构建、旅客群体出行柔性推荐与多目标优化的路径生成。所述的旅客群体出行柔性推荐与多目标优化的路径生成与空港旅客属性约减的群体出行偏好序列分级方法、城市复合公共交通网络拓扑与运力关系模型构建关联。三个子方法构建了完整的空港旅客群体出行方式柔性推荐方法体系。
所述的空港旅客属性约减的群体出行偏好序列分级方法,用于挖掘决策属性与各个特征属性间的依赖度,以此来约简冗余属性,提高分类性能的同时,实现基于改进贝叶斯分类算法的旅客出行偏好预测。
图2为本发明实施例提供的一种空港旅客数据集属性约简流程示意图。假设旅客数据集为S,特征属性集为C,决策属性集为D,具体属性约简算法如下:
Step1:计算旅客数据集S中的决策属性集D相对特征属性集C的条件熵H(D/C):
其中{X1,X2,…,Xn}和{Y1,Y2,…,Ym}分别为C和D的属性集合,p(Xi)与p(Yj)表示旅客数据集中对应属性类型的出现概率,p(Yj|Xi)表示特征属性类型Xi出现下决策属性类型Yj出现的概率。
Step2:计算旅客数据集S中特征属性集C相对决策属性集D的核属性CORED(C),对于特征属性集C的所有属性n,若H(D/C小于H(D/C-{n}),则:
CORED(C)=CORED(C)∪{n} (3)
令P=CORED(C),B=C-CORED(C)。
Step3:进行条件信息熵的计算,主要分为以下几步:
①计算条件信息熵H(D/P),转到④;
②对B中的每个属性bi(i=1,…,n)计算条件熵H(D/P∪bi),计算属性bi的依赖度:
SGF(bi,P,D)=H(D/P)-H(D/P∪bi) (4)
③选择使SGF(bi,P,D)最小的属性bi(若多个属性达到了最小值,则选取一个与P的属性值组合最少的属性),从B中删除bi,并把bi增加到P的尾部;从B中删除使SGF的值为0的属性bi;
④若H(D/P)=H(D/C),则转到Step4,否则就转②;
Step4:从P的尾部开始,从后向前判别每个属性b是否可约,若b∈CORED(C,则从b开始向前的属性都是核属性,不可约简,终止算法;若H(D/P-{a})=H(D/C),则b是可约简的,把b从P中删除。
图3为本发明实施例提供的一种基于改进贝叶斯的旅客出行预测结构示意图。朴素贝叶斯算法是基于每个特征属性独立性来进行决策属性的分类预测,这使得在特征属性过多的条件下贝叶斯分类性能衰减,因此提出一种基于相关系数的加权贝叶斯算法进行到港旅客的出行偏好预测。计算特征属性Ci与决策属性D间的相关系数δi:
利用δi对每个特征属性赋予相应的权值,使特征属性权值等于相关系数,权值越大,特征属性Ci对决策的影响越大。
利用先验概率,通过贝叶斯公式计算每个旅客实例x=(c1,c2,...cn)属于决策类d的概率:
其中,P(d)是决策类d的先验概率,P(c1,c2,…,cn|d)是决策类d的后验概率,对于旅客实例x=(c1,c2,...cn),按照四个决策类(公交、大巴、地铁、出租车)的后验概率大小排序,输出到港旅客的出行偏好梯度序列,其中最高级出行偏好即为相应的极大似然估计:
所述的城市复合公共交通网络拓扑与运力关系模型构建,图4为本发明实施例提供的一种面向空港陆侧真实道路特征的复合城市路网拓扑示意图。空港陆侧交通具有交通方式种类全、路径繁杂、运力时空分布随机等特征,通过出行链特征解构与重构的方式,实现空港陆侧复杂交通的复合网络拓扑化。
研究中考虑公交、大巴、出租车、地铁四种交通方式,以及路段、站点、换乘点等为路网拓扑基础:定义站点、换乘点为网络拓扑中的节点,定义道路/轨道为网络拓扑中的弧边,定义道路特征为网络拓扑中的弧边权值,针对不同交通方式生成多层级路网。规范网络拓扑建模规则,通过网络中符号形态、颜色的划分区别不同交通方式及线路。不同交通方式间的换乘一般为步行,因此不同层级路网间通过步行轨迹相连。
道路基本特征包括路段长度、制式通行时间、制式通行容量、路况等,分析路段特性一致性关系,将道路特征统一为单位耗时、单位花费、单位舒适度阈值、单位通行运力等路段权值,通过邻接表的方式建立多元权值表存储,形成“节点-路段-边权值”的拓扑关系,将整个路网定义成一个由大量的节点和路段组成的复合网络拓扑系统。
①单位耗时:根据不同交通方式,结合官方标准行车速率、路段长度,可得到此路段单位耗时;
②单位花费:城市交通计费方式为里程梯度计费方式,因此设置随目标点变化的动态虚拟权值来进行后面路网拓扑中的遍历。乘坐同一交通方式中,花费虚拟权值为一个里程范围值,当里程总数跨过一个计费梯度时,虚拟权值动态变换;当需要换乘另一交通方式时,花费虚拟权值清零,随后动态变换成另一交通方式里程范围计费值;
③单位舒适度阈值:通过路段不同特征实现旅客乘坐舒适度的量化,舒适度阈值主要和交通方式的乘坐性能有关,通过数据调研,得到四种交通方式的量化乘坐舒适性,结合单位耗时,实现舒适度阈值的单位化:
上述运力关系模型,需要考虑交通方式的通行运力和车辆容量、路况等关联,调研不同路段宽度及车辆运载能力,进行路段运力流量的合理匹配,制定基于真实路段特征的交通方式运力关系模型,同时结合线性化表示方式实现单位通行运力度量标准化。
所述的旅客群体出行柔性推荐与多目标优化的路径生成,具体用于构建基于遗传算法的到港旅客出行方式柔性推荐,结合推荐序列实现多目标优化的旅客出行路径生成,图5为本发明实施例提供的一种基于群体旅客出行柔性推荐下的多目标优化路径生成流程图。
遗传算法是一种借鉴生物界自然选择和遗传机制的随机化搜索最优解的算法,面向真实空港陆侧出发环境,结合交通方式运力关系模型,确立目标函数,结合旅客出行偏好序列,依据以下步骤实现空港陆侧出发环境下交通方式运力的梯度匹配:
Step1:根据旅客出行偏好序列数目,确立基因数目,应用出行偏好序列中旅客不同出行方式推荐值,结合浮点编码法,生成初始种群;
Step2:将种群信息输入到交通方式运力分配模型中,计算旅客总延误时间,构建适应度函数,并求出个体(旅客序列)适应度;
Step3:建立选择函数,剔除总延误时间过高的一些旅客序列,主要通过轮盘赌选择的方式,每组旅客序列进入下一代的概率等于它的适应度与整个种群中个体适应度值和的比例,依据此抉择出优秀父代种群;
Step4:进行遗传算法的染色体交叉操作,结合算数交叉的方式,对两组配对的旅客序列交换部分基因(对应旅客交通方式推荐值),从而形成两个新的旅客序列个体;
Step5:将旅客序列个体中的基因座以固定的概率进行变异运算,形成随机扰动,形成基因突变操作;
Step6:进行算法迭代,设置进化代数上限为500代,若最后代间优化值小于1min,则提前终止算法,输出旅客群体最优柔性推荐序列。
上面的Step1-Step6通过改进的遗传算法进行旅客流出行偏好与陆侧交通运力的梯度匹配,实现旅客出行方式柔性推荐;下面的Step1-Step7是根据生成的旅客推荐出行方式,应用改进的Dijkstra算法实现在耗时、花费、舒适三个目标维度的多交通方式出行路径规划。
针对旅客出行偏好、交通运力约束等多约束条件下,结合旅客最优柔性推荐序列,实现在耗时、花费、舒适三个目标维度的多交通方式出行路径规划算法设计。该方法在旅客出行偏好的前提下,将旅客出行规划看做是从一个中心点向外扩散的遍历流程,主要分为七个步骤:
Step1:初始化阶段,主要包括空港陆侧复合路网拓扑和路段权值邻接表的生成,包括节点和参数的初始化及分配:定义出发点为O点;到达点为D点;定义Si为节点i判断变量(1为已访问,0为未访问),预置都为0;定义min{}为路径集合以及其他参数设置;
Step2:结合旅客群体最优柔性推荐序列,根据旅客偏好在所有未访问的节点中抉择出发节点,命名为节点A,SA=1,节点O记录进min{};
Step3:根据花费、耗时、舒适三种出行目标分别设置遍历规则,判断换乘类型并更新参数;
Step4:更新目标函数,记录节点A;
Step5:对当前节点是否为目的地进行判断:若是,则转到Step7;若不是转到Step6;
Step6:根据更新后的遍历值重新寻找节点A;
Step7:输出到港旅客花费、耗时、舒适三种出行方式对应的柔性推荐路径及具体信息,算法结束。
具体用于旅客最优耗时路径构建方法、旅客最优花费路径构建方法、旅客最优舒适度路径构建方法遍历规则以及参数更新的区别性:
上述旅客最优耗时路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最短出行路径规划模型。在路径查找的过程中,使用一个中间变量Newmini来存储当前到达节点i的总耗时,用Afterlinei存储站点i后面的换乘信息。通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则在原有耗时基础上加上当前交通制式班次间隔;若为换乘状态,则需要根据所述的制式间隔延长表和换乘走行时间来进行换乘时间的估计,进而计算当前总耗时。循环往复,最终达到从O点到D点的最优耗时路径寻找,并输出全时空覆盖分段时间估计。
上述旅客最优花费路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最少花费路径规划模型。最优花费路径规划算法使用Mincost来记录当前路程花费,同时所述模型需要考虑路段里程和票价之间的关系,在总花费引入一个中间变量Newmin_R来存储换乘节点间的路段里程,根据Newmin_R而不是相邻站点间里程来计算分段行程花费。通过Afterlinei判断站点i是否为换乘状态:若为持续乘坐状态,则对Newmin_R进行累加,不进行当前制式花费计算;若为换乘状态,根据Newmin_R以及当前制式票价计算函数进行当前制式花费的计算,并计入总花费。循环往复,最终达到从O点到D点的最优花费路径寻找,并输出全时空覆盖分段花费估计。
上述旅客最优舒适度路径构建方法,具体用于构建旅客在城市交通拓扑网络中的舒适度最优出行路径规划模型。通过舒适度权值来遍历路径查找最优舒适度路径。在路径查找的过程中,使用一个中间变量ComfortA来存储当前到达节点i的总舒适度权值,用Afterlinei存储站点i后面的换乘信息。通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则估计交通制式班次间隔产生的舒适度权值,计入总舒适度权值;若为换乘状态,通过对换乘走行时间以及换乘等待时间的估计,从而计算换乘环节产生的舒适度权值,并计入总舒适度权值。循环往复,最终达到从O点到D点的最优舒适度路径(总舒适度权值最小)寻找,并输出全时空覆盖分段舒适度权值估计。
综上所述,本发明实施例能够对空港旅客陆侧出行的到港旅客进行多约束条件的出行方式柔性推荐及多目标最优路径规划。通过基于粗糙集理论的旅客数据集约简,实现到港旅客出行偏好序列的生成及优化,面向空港陆侧真实交通环境,结合路段特征,生成城市复合交通网络拓扑与交通方式运力关系模型,实现算法负载环境的搭建;构建基于遗传算法的空港陆侧出发环境下交通方式运力梯度匹配模型,生成优化后的到港旅客出行方式柔性推荐序列;针对耗时、花费、舒适度三种出行目标,实现基于Dijkstra算法的旅客出行路径规划实施。本发明为空港旅客提供了一种智慧出行方式,是国内民航旅客智能化服务的一次有效探索。
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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
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 (8)
1.一种空港旅客群体出行方式柔性推荐方法,其特征在于,包括:
对空港旅客属性约减的群体出行偏好进行分级处理,生成空港旅客的出行偏好序列;
根据路网节点及节点间传递关系构建城市复合公共交通网络拓扑与运力关系模型;
根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,通过遗传算法实现基于遗传算法的到港旅客出行方式的柔性推荐。
2.根据权利要求1所述的方法,其特征在于,所述的对空港旅客属性约减的群体出行偏好进行分级处理,生成空港旅客的出行偏好序列,包括:
挖掘空港旅客的特征属性与决策属性间的耦合依赖度,生成基于核属性的知识约简序列,删除冗余属性,基于量化权值的方式计算特征属性与决策属性间的关联程度,通过基于特征属性与决策属性间的关联程度的加权贝叶斯算法生成空港旅客的出行偏好序列。
3.根据权利要求2所述的方法,其特征在于,所述的挖掘空港旅客的特征属性与决策属性间的耦合依赖度,包括:
Step1:设空港旅客数据集为S,特征属性集为C,决策属性集为D,计算旅客数据集S中的决策属性集D相对特征属性集C的条件熵H(D/C):
其中{X1,X2,…,Xn}和{Y1,Y2,…,Ym}分别为C和D的属性集合,p(Xi)与p(Yj)表示旅客数据集中对应属性类型的出现概率,p(Yj|Xi)表示特征属性类型Xi出现下决策属性类型Yj出现的概率;
Step2:计算旅客数据集S中特征属性集C相对决策属性集D的核属性CORED(C),对于特征属性集C的所有属性n,若H(D/C小于H(D/C-{n}),则:
CORED(C)=CORED(C)∪{n} (3)
令P=CORED(C),B=C-CORED(C);
Step3:进行条件信息熵的计算,分为以下几步:
①计算条件信息熵H(D/P),转到④;
②对B中的每个属性bi(i=1,…,n)计算条件熵H(D/P∪bi),计算属性bi的依赖度:
SGF(bi,P,D)=H(D/P)-H(D/P∪bi) (4)
③选择使SGF(bi,P,D)最小的属性bi,若多个属性达到了最小值,则选取一个与P的属性值组合最少的属性,从B中删除bi,并把bi增加到P的尾部;从B中删除使SGF的值为0的属性bi;
④若H(D/P)=H(D/C),则转到Step4,否则就转②;
Step4:从P的尾部开始,从后向前判别每个属性b是否可约,b∈CORED(C,则从b开始向前的属性都是核属性,不可约简,终止算法;若H(D/P-{a})=H(D/C),则b是可约简的,把b从P中删除。
4.根据权利要求3所述的方法,其特征在于,所述的通过基于特征属性与决策属性间的关联程度的加权贝叶斯算法生成空港旅客的出行偏好序列,包括:
计算特征属性Ci与决策属性D间的相关系数δi:
利用δi对每个特征属性赋予相应的权值,使特征属性权值等于相关系数,权值越大,特征属性Ci对决策的影响越大;
利用先验概率,通过贝叶斯公式计算每个旅客实例x=(c1,c2,...cn)属于决策类d的概率:
其中,P(d)是决策类d的先验概率,P(c1,c2,...,cn|d)是决策类d的后验概率,对于旅客实例x=(c1,c2,...cn),按照公交、大巴、地铁和出租车四个决策类的后验概率大小排序,输出到港旅客的出行偏好梯度序列,其中最高级出行偏好即为相应的极大似然估计:
5.根据权利要求4所述的方法,其特征在于,所述的根据路网节点及节点间传递关系构建城市复合公共交通网络拓扑与运力关系模型,包括:
设定交通方式包括公交、大巴、出租车和地铁,定义站点和换乘点为网络拓扑中的节点,定义道路和轨道为网络拓扑中的弧边,定义道路特征为网络拓扑中的弧边权值,针对不同交通方式生成多层级路网,分析路段特性一致性关系,将道路特征统一为路段权值,该路段权值包括单位耗时、单位花费、单位舒适度阈值和单位通行运力,通过邻接表的方式建立多元权值表存储,形成节点-路段-边权值的拓扑关系,将整个路网定义成一个由节点和路段组成的城市复合公共交通网络拓扑系统;
考虑交通方式的通行运力和车辆容量、路况信息,调研不同路段宽度及车辆运载能力,进行路段运力流量的合理匹配,制定基于真实路段特征的交通方式运力关系模型,同时结合线性化表示方式实现单位通行运力度量标准化。
6.根据权利要求5所述的方法,其特征在于,所述的根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,通过遗传算法实现基于遗传算法的到港旅客出行方式的柔性推荐,包括:
针对真实空港陆侧出发环境,根据所述城市复合公共交通网络拓扑与运力关系模型和空港旅客的出行偏好序列,确定遗传算法的目标函数,在旅客出行偏好的前提下,将旅客出行规划看做是从一个中心点向外扩散的遍历流程,实现基于遗传算法的到港旅客出行方式的柔性推荐;
Step1:根据旅客出行偏好序列数目,确立基因数目,应用出行偏好序列中旅客不同出行方式推荐值,结合浮点编码法,生成初始种群;
Step2:将种群信息输入到交通方式运力分配模型中,计算旅客总延误时间,构建适应度函数,并求出个体旅客序列适应度;
Step3:建立选择函数,剔除总延误时间过高的旅客序列,通过轮盘赌选择的方式,每组旅客序列进入下一代的概率等于它的适应度与整个种群中个体适应度值和的比例,依据此抉择出优秀父代种群;
Step4:进行遗传算法的染色体交叉操作,结合算数交叉的方式,对两组配对的旅客序列交换对应旅客交通方式推荐值的部分基因,形成两个新的旅客序列个体;
Step5:将旅客序列个体中的基因座以固定的概率进行变异运算,形成随机扰动,形成基因突变操作;
Step6:进行算法迭代,设置进化代数上限为500代,若最后代间优化值小于1min,则提前终止算法,输出旅客群体最优柔性推荐序列。
7.根据权利要求6所述的方法,其特征在于,所述的方法还包括:
根据生成的旅客推荐出行方式,应用改进的Dijkstra算法实现在耗时、花费、舒适三个目标维度的多交通方式出行路径规划,具体处理过程包括;
Step1:初始化阶段,包括空港陆侧复合路网拓扑和路段权值邻接表的生成,包括节点和参数的初始化及分配:定义出发点为O点;到达点为D点;定义Si为节点i判断变量,Si为1,表示节点i已访问,Si为0,表示节点i为未访问,Si预置都为0;定义min{}为路径集合;
Step2:结合旅客群体最优柔性推荐序列,根据旅客偏好在所有未访问的节点中抉择出发节点,命名为节点A,SA=1,节点O记录进min{};
Step3:根据花费、耗时、舒适三种出行目标分别设置遍历规则,判断换乘类型并更新参数;
Step4:更新目标函数,记录节点A;
Step5:对当前节点是否为目的地进行判断:若是,则转到Step7;若不是转到Step6;
Step6:根据更新后的遍历值重新寻找节点A;
Step7:输出到港旅客花费、耗时、舒适三种出行方式对应的柔性推荐路径,算法结束。
8.根据权利要求7所述的方法,其特征在于,所述的输出到港旅客花费、耗时、舒适三种出行方式对应的柔性推荐路径,包括:
到港旅客最优花费路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最少花费路径规划模型,最优花费路径规划算法使用Mincost来记录当前路程花费,同时所述模型需要考虑路段里程和票价之间的关系,在总花费引入一个中间变量Newmin_R来存储换乘节点间的路段里程,根据Newmin_R而不是相邻站点间里程来计算分段行程花费,通过Afterlinei判断站点i是否为换乘状态:若为持续乘坐状态,则对Newmin_R进行累加,不进行当前制式花费计算;若为换乘状态,根据Newmin_R以及当前制式票价计算函数进行当前制式花费的计算,并计入总花费,循环往复,最终达到从O点到D点的最优花费路径寻找,并输出全时空覆盖分段花费估计;
到港旅客最优耗时路径构建方法,具体用于构建旅客在城市交通拓扑网络中的耗时最短出行路径规划模型,在路径查找的过程中,使用一个中间变量Newmini来存储当前到达节点i的总耗时,用Afterlinei存储站点i后面的换乘信息,通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则在原有耗时基础上加上当前交通制式班次间隔;若为换乘状态,则需要根据所述的制式间隔延长表和换乘走行时间来进行换乘时间的估计,进而计算当前总耗时,循环往复,最终达到从O点到D点的最优耗时路径寻找,并输出全时空覆盖分段时间估计;
到港旅客最优舒适度路径构建方法,具体用于构建旅客在城市交通拓扑网络中的舒适度最优出行路径规划模型,通过舒适度权值来遍历路径查找最优舒适度路径,在路径查找的过程中,使用一个中间变量ComfortA来存储当前到达节点i的总舒适度权值,用Afterlinei存储站点i后面的换乘信息,通过变量Afterlinei来判断是否为换乘状态:若为持续乘坐状态,则估计交通制式班次间隔产生的舒适度权值,计入总舒适度权值;若为换乘状态,通过对换乘走行时间以及换乘等待时间的估计,从而计算换乘环节产生的舒适度权值,并计入总舒适度权值。循环往复,最终达到从O点到D点的最优舒适度路径寻找,并输出全时空覆盖分段舒适度权值估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635782.0A CN115048576A (zh) | 2022-06-07 | 2022-06-07 | 一种空港旅客群体出行方式柔性推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635782.0A CN115048576A (zh) | 2022-06-07 | 2022-06-07 | 一种空港旅客群体出行方式柔性推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115048576A true CN115048576A (zh) | 2022-09-13 |
Family
ID=83160769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635782.0A Pending CN115048576A (zh) | 2022-06-07 | 2022-06-07 | 一种空港旅客群体出行方式柔性推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115048576A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527369A (zh) * | 2022-09-29 | 2022-12-27 | 北京交通大学 | 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 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
-
2022
- 2022-06-07 CN CN202210635782.0A patent/CN115048576A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115527369A (zh) * | 2022-09-29 | 2022-12-27 | 北京交通大学 | 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 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470444B (zh) | 一种基于遗传算法优化的城市区域交通大数据分析系统与方法 | |
Yu et al. | Transit route network design-maximizing direct and transfer demand density | |
Kechagiopoulos et al. | Solving the urban transit routing problem using a particle swarm optimization based algorithm | |
CN115048576A (zh) | 一种空港旅客群体出行方式柔性推荐方法 | |
CN109377048B (zh) | 一种综合交通网络枢纽节点选择方法 | |
CN112380398B (zh) | 一种空港旅客多交通方式换乘出行链构建装置 | |
Mahmoudi et al. | A hybrid egalitarian bargaining game-DEA and sustainable network design approach for evaluating, selecting and scheduling urban road construction projects | |
CN112070355A (zh) | 一种机场摆渡车的分配调度方法 | |
CN111898793B (zh) | 一种组合出行方式下考虑用户感知差异性的路径选择方法 | |
CN110598942A (zh) | 一种考虑区域全覆盖的接驳地铁的社区公交线网与发车频率同步优化方法 | |
CN112347596B (zh) | 一种城市公交线网优化方法 | |
Duran et al. | Transit network design with pollution minimization | |
CN110619441A (zh) | 基于领导者的ga-pso的软时间窗车辆路径优化方法 | |
Huang et al. | A GIS-based framework for bus network optimization using genetic algorithm | |
CN113822461A (zh) | 一种轨道交通跨线运营优化方法、系统、设备及存储介质 | |
CN114580751B (zh) | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 | |
CN109887280B (zh) | 一种交通网络节点关键度评估方法 | |
Chen et al. | Reposition optimization in free-floating bike-sharing system: A case study in Shenzhen City | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
CN108197724B (zh) | 公交复杂网络中效率权重计算与公交方案性能评估方法 | |
Bao et al. | Optimization of airport shuttle bus routes based on travel time reliability | |
Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
Wang et al. | Multi-objective optimal scheduling model for shared bikes based on spatiotemporal big data | |
CN114897213A (zh) | 一种历史街区公交可达性测算方法与优化方法 |
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 |