CN115081762B - 基于城市轨道交通的乘客一体化智慧出行方法和系统 - Google Patents

基于城市轨道交通的乘客一体化智慧出行方法和系统 Download PDF

Info

Publication number
CN115081762B
CN115081762B CN202211015388.3A CN202211015388A CN115081762B CN 115081762 B CN115081762 B CN 115081762B CN 202211015388 A CN202211015388 A CN 202211015388A CN 115081762 B CN115081762 B CN 115081762B
Authority
CN
China
Prior art keywords
passenger
information
data
trip
station
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
CN202211015388.3A
Other languages
English (en)
Other versions
CN115081762A (zh
Inventor
许心越
闫业凡
李海鹰
蔡昌俊
刘军
叶红霞
王纪芳
张佳音
张安忠
林俊宏
李浩然
孔庆雪
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.)
Beijing Jiaotong University
Guangzhou Metro Group Co Ltd
Original Assignee
Beijing Jiaotong University
Guangzhou Metro Group Co Ltd
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 Beijing Jiaotong University, Guangzhou Metro Group Co Ltd filed Critical Beijing Jiaotong University
Priority to CN202211015388.3A priority Critical patent/CN115081762B/zh
Publication of CN115081762A publication Critical patent/CN115081762A/zh
Application granted granted Critical
Publication of CN115081762B publication Critical patent/CN115081762B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • 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)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及轨道交通领域，提供了一种基于城市轨道交通的乘客一体化智慧出行方法和系统，其中方法包括步骤：采集多源数据，根据多源数据建立乘客属性预测模型，预测乘客属性，建立与乘客属性匹配的需求场景，根据多源数据得到车站类型并生成服务信息，将服务信息与需求场景进行匹配得到一体化服务信息，根据多源数据构建马尔科夫模型，通过马尔科夫模型预测出行信息，选取与出行信息相对应的一体化服务信息指导乘客出行，根据设备监测数据对出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正出行信息。本发明为不同需求的乘客提供不同环境下的个性化信息，提高了城市轨道交通乘客服务水平。

Description

基于城市轨道交通的乘客一体化智慧出行方法和系统
技术领域
本发明涉及轨道交通领域，尤其是一种基于城市轨道交通的乘客一体化智慧出行方法和系统。
背景技术
近年来，我国城市轨道交通不断发展并逐渐成为城市居民出行的主要交通工具，一方面，随着我国经济不断增长，乘客的出行需求逐渐趋于多样化；另一方面，伴随着5G、物联网、大数据等新兴技术的发展，城市轨道交通的服务供给的内容和手段也更加丰富，因此，亟待构建以城市轨道交通为主的乘客智慧出行服务体系来优化乘客的出行体验、提升城市轨道交通服务水平，乘客智慧出行服务体系是指在满足乘客基本的出行需求的基础上，以城市轨道交通为主运用新技术、新设备为乘客提供一站式的出行服务解决方案，以提高城市轨道交通服务的信息化、智能化、人性化水平，进而提高运营效率。
城市轨道交通是一种为乘客提供位移服务的交通系统，随着信息化、智能化的发展，乘客的需求已不再局限于传统的“位移”，而对出行便捷性、舒适性有了更高的要求，在满足多样化出行需求的同时，乘客对生活增值服务的需求也与日俱增。乘客在出行方面的需求已经从高效便捷的位移转变为优质的出行体验、完善的出行服务。出行作为生活延伸的一部分，乘客需要在满足出行需求的同时获得更多的人性化的生活服务，但是现在的轨道交通服务对于乘客在新技术条件下的需求尚未分析，需求把握不全面，轨道交通服务并且缺少城市轨道交通的一体化服务信息生成，服务仍是群体性的，未实现乘客出行服务信息的精准匹配，无法根据需求场景和乘客的基本属性进行精准服务，因此如今的轨道交通服务分散且无法形成智能化服务。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种基于城市轨道交通的乘客一体化智慧出行方法和系统。
为实现上述目的，本发明提供一种基于城市轨道交通的乘客一体化智慧出行方法，包括：
采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预测模型得到乘客属性，建立与所述乘客属性匹配的需求场景；
根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
根据本发明的一个方面，所述根据所述乘客数据建立乘客属性预测模型的方法为：
所述乘客属性预测模型包括基于内积的时空模块和基于自动编码器的压缩模块，在所述时空模块中，建立时空特征矩阵
Figure DEST_PATH_IMAGE001
，将所述时空特征矩阵
Figure 121095DEST_PATH_IMAGE001
表示为
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE003
表示乘客样本数量，
Figure DEST_PATH_IMAGE004
表示特征维度，
Figure DEST_PATH_IMAGE005
为矩阵的表现形式，选取所述乘客数据中关于出发和到达时间、出行位置信息、出行频率、出行距离和目的地POI的数据转化为特征字段，将所述时空特征矩阵
Figure 144677DEST_PATH_IMAGE001
内嵌至所述特征字段中得到字段集合，将所述字段集合表示为
Figure DEST_PATH_IMAGE006
，其中，
Figure DEST_PATH_IMAGE007
表示所述字段集合中第
Figure DEST_PATH_IMAGE008
个所述特征字段，
Figure DEST_PATH_IMAGE009
表示所述字段集合中有I个所述特征字段，所述特征字段表示为
Figure DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE011
为第
Figure 901629DEST_PATH_IMAGE008
个所述特征字段的长度，根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1，在所述压缩模块中，根据所述乘客数据和所述车站周边数据得到站点到达频率，根据所述站点到达频率建立公交站点稀疏矩阵
Figure DEST_PATH_IMAGE012
，将所述公交站点稀疏矩阵
Figure 809804DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure DEST_PATH_IMAGE013
，计算所述重构矩阵
Figure DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 432415DEST_PATH_IMAGE012
的均方误差使得所述重构矩阵
Figure 735221DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 217018DEST_PATH_IMAGE012
数值相同得到第二输出L 2，将所述第一输出L 1和所述第二输出L 2串联得到第三输出L 3，将所述第三输出L 3通过softmax函数得到所述乘客属性，其中，所述第一输出L 1为所述特征字段进行成对运算后的数据集合，所述第二输出L 2为所述重构矩阵
Figure 397726DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 546947DEST_PATH_IMAGE012
数值相同的数据集合，所述第三输出L 3为将所述第一输出L 1中的数据和所述第二输出L 2中的数据进行匹配后的数据集合。
根据本发明的一个方面，所述根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1的公式为：
Figure DEST_PATH_IMAGE015
；
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
；
其中，
Figure DEST_PATH_IMAGE018
表示两个所述特征字段运算后的第一次数值；
Figure DEST_PATH_IMAGE019
表示所述字段集合中与
Figure DEST_PATH_IMAGE020
不同的所述特征字段；
Figure DEST_PATH_IMAGE021
表示第
Figure 302545DEST_PATH_IMAGE008
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE022
表示第
Figure DEST_PATH_IMAGE023
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE024
表示第一次数值的权重矩阵；
Figure DEST_PATH_IMAGE025
表示偏置项量；
Figure DEST_PATH_IMAGE026
为修正线性单元激活函数。
根据本发明的一个方面，所述将所述公交站点稀疏矩阵
Figure 225632DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 177408DEST_PATH_IMAGE014
的公式为：
Figure DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE028
；
其中，
Figure DEST_PATH_IMAGE029
表示所述自动编码器的编码部分；
Figure DEST_PATH_IMAGE030
表示所述自动编码器的解码部分；
Figure DEST_PATH_IMAGE031
表示所述公交站点稀疏矩阵
Figure 135131DEST_PATH_IMAGE012
的隐藏表示。
根据本发明的一个方面，所述建立与所述乘客属性匹配的需求场景的方法为：
根据所述乘客数据和所述乘客属性定义所述需求场景，所述需求场景包括通勤场景、旅游场景、特殊场景和社区需求场景；
乘客年龄处于18岁到45岁之间、工作日日均出行次数在3次以上、出行OD与学校和商务办公有交集的乘客与所述通勤场景匹配，所述通勤场景的子场景包括餐饮预约、通勤出行、通勤服务；
乘客在休息日和节假日日均出行次数在3次以上、工作日出行在3次以下、出行OD与风景名胜有交集的乘客与旅游场景匹配，所述旅游场景的子场景包括旅游信息搜集、景点热门程度推荐旅游线、旅游出行、景区介绍和景区推荐路径；
乘客年龄大于60岁、出行时间在平峰时段、出行OD与医院集合和政府集合有交集的乘客与所述特殊场景匹配，所述特殊场景的子场景包括线上预约和爱心服务；
乘客年龄处于18岁到45岁之间、出行时长处于45分钟到90分钟之间、日均使用App次数在10次以上的乘客与所述社区需求场景匹配，所述社区需求场景的子场景包括热议话题、乘客互助、社区活动和社区服务。
根据本发明的一个方面，所述将所述服务信息与所述需求场景进行匹配得到一体化服务信息的方法为：
根据所述车站周边数据生成车站画像得到所述车站类型，所述车站周边数据包括车站客流量数据和车站周边环境数据，所述车站类型包括办公类车站、休闲类车站和交通枢纽类车站，根据所述车站类型生成单个车站的所述服务信息，将不同车站的所述服务信息与所述需求场景进行匹配得到与所述需求场景匹配的所述一体化服务信息，所述一体化服务信息包括站点信息和增值服务信息，所述站点信息包括起始站、换乘站和终点站，所述增值服务信息包括增值信息和求助信息，所述增值信息包括购物、餐饮、休闲娱乐和地铁资讯四个维度的信息，所述求助信息包括站内求助、车厢求助和紧急求助三个维度的信息。
根据本发明的一个方面，所述通过所述马尔科夫模型预测出行信息的方法为：
提取所述乘客数据中的历史出行数据，所述历史出行数据包括：历史出发时间、历史出发站点和历史到达站点，根据所述历史出行数据构建所述马尔科夫模型并预测所述出行信息，所述出行信息包括乘客下一次出行的出发时间、出发站点和到达站点，按照2小时为一个节点，将城市轨道交通的运营时间分割为9个时段，获取乘客出行的当前时段，根据所述历史出行数据得到下一个时段所有数据记录，通过所述马尔科夫模型和下一个时段的所有数据记录计算乘客下一个时段的出行概率，计算所述出行概率的公式为
Figure DEST_PATH_IMAGE032
，其中，
Figure 310897DEST_PATH_IMAGE008
表示9个时段，
Figure 32866DEST_PATH_IMAGE023
表示到达不同站点的名称，A i 表示第
Figure 555376DEST_PATH_IMAGE008
个时段的状态转移矩阵的数值，
Figure DEST_PATH_IMAGE033
表示第
Figure 679190DEST_PATH_IMAGE008
个时段到达不同站点的概率，判断所述出行概率是否大于预设阈值，若大于，则乘客下一个时段会出行从而得到乘客下一次出行的出发时间，将所述马尔科夫模型转化为状态转移矩阵，将上一次乘客出行最后的到达站点作为下一次出行的出发站点，使用所述状态转移矩阵根据所述历史出行数据计算下一次出行的到达站点的概率，概率最大的为下一次出行的到达站点。
根据本发明的一个方面，所述通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行的方法为：
所述增值信息和所述求助信息通过一位有效编码的方法进行编码后通过深度神经网络进行特征提取并将其转化为信息特征向量，将所述乘客属性通过转化所述增值信息和所述求助信息的方法将其转化为乘客特征向量，计算所述信息特征向量和所述乘客特征向量的相似度，计算相似度的公式为
Figure DEST_PATH_IMAGE034
，其中，
Figure DEST_PATH_IMAGE035
表示所述信息特征向量和所述乘客特征向量的相似度数值，
Figure DEST_PATH_IMAGE036
表示所述乘客特征向量，
Figure DEST_PATH_IMAGE037
表示所述信息特征向量，
Figure DEST_PATH_IMAGE038
表示乘客数据，
Figure DEST_PATH_IMAGE039
表示信息数据，根据相似度最大的数据和所述出行信息得到与之对应的所述一体化服务信息，根据所述一体化服务信息指导乘客出行。
根据本发明的一个方面，所述实时判断是否有突发事件对乘客出行进行干扰的方法为：
若突发事件发生在乘客出行前，则根据所述设备监测数据获取突发事件的信息，包括开始时间、结束时间和发生地点，根据预测到的所述出行信息与突发事件进行比对，若不影响，则不对所述出行信息进行更改，若影响且乘客更换所述出行信息，则同步修改与所述出行信息对应的所述一体化服务信息，若影响且乘客不更换所述出行信息，则根据突发事件的发展程度实时修改所述一体化服务信息；
若突发事件发生在乘客出行中，则定位乘客的位置并获得乘客还未完成的所述出行信息，根据所述设备监测数据判断突发事件的类型，若突发事件的类型为拥挤大客流事件，则预测所述拥挤大客流事件的持续时间，若在乘客到达之前，所述拥挤大客流事件消失，则不更改未完成的所述出行信息，若所述拥挤大客流事件的持续时间大于乘客的到达时间，则修改所述出行信息并同步修改所述一体化服务信息，若突发事件的类型为设备故障事件，则立即修改乘客未完成的所述出行信息和所述一体化服务信息。
为实现上述目的，本发明提供一种基于城市轨道交通的乘客一体化智慧出行系统，包括：
数据获取模块：采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
需求场景建立模块：根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预测模型得到乘客属性，建立与所述乘客属性匹配的需求场景；
一体化服务信息生成模块：根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
出行信息预测模块：提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
出行信息监测模块：根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
基于此，本发明的有益效果在于：
（1）建立乘客属性预测模型能够推断乘客的居住地点、工作地点、职业属性、出行需求等特征，可以推测乘客出行目的、乘客出行时间的精度，进而可以将乘客更加精细化的分为通勤、旅游等不同群体；
（2）根据不同类型的乘客分析其不同的需求构建出行场景，根据乘客属性预测模型得到乘客属性，建立了与乘客属性匹配的需求场景，将不同的车站类型与需求场景进行匹配，使得乘客获得精准的出行服务，将惠民的增值服务与乘客进行匹配，注重多元化乘客出行体验；
（3）需求场景的建立是对服务信息的整合。当以一个车站为单位时，分析在该车站可以为乘客提供的出行和增值信息，有助于为经过该车站的乘客提供出行上的指导和生活上的便利。进一步地，根据乘客历史出行记录得到乘客经常出行的路径，将路径上的车站能提供的信息都个性化的与乘客匹配，为乘客在全出行链上提供一体化的信息服务；
（4）提高城市轨道交通安全性、人性化和服务多样化，提升乘客出行品质。将新一代智慧技术引入城市轨道交通，应对乘客出行需求变化，提高乘客出行服务体验，满足乘客新时代高品质服务需求。
附图说明
图1示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的流程图；
图2示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的乘客属性预测模型图；
图3示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的若突发事件发生在乘客出行前流程图；
图4示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的若突发事件发生在乘客出行中流程图；
图5示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容。应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
图1示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的流程图，如图1所示，本发明提供了一种基于城市轨道交通的乘客一体化智慧出行方法，包括：
采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预测模型得到乘客属性，建立与所述乘客属性匹配的需求场景；
根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
根据本发明的一个实施方式，所述根据所述乘客数据建立乘客属性预测模型的方法为：
图2示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的乘客属性预测模型图，如图2所示，所述乘客属性预测模型包括基于内积的时空模块和基于自动编码器的压缩模块，在所述时空模块中，建立时空特征矩阵
Figure 979852DEST_PATH_IMAGE001
，将所述时空特征矩阵
Figure 923538DEST_PATH_IMAGE001
表示为
Figure DEST_PATH_IMAGE040
，其中，
Figure 279433DEST_PATH_IMAGE003
表示乘客样本数量，
Figure 747499DEST_PATH_IMAGE004
表示特征维度，
Figure DEST_PATH_IMAGE041
为矩阵的表现形式，选取所述乘客数据中关于出发和到达时间、出行位置信息、出行频率、出行距离和目的地POI的数据转化为特征字段，将所述时空特征矩阵
Figure 265068DEST_PATH_IMAGE001
内嵌至所述特征字段中得到字段集合，将所述字段集合表示为
Figure 696049DEST_PATH_IMAGE006
，其中，
Figure 58897DEST_PATH_IMAGE007
表示所述字段集合中第
Figure 891724DEST_PATH_IMAGE008
个所述特征字段，
Figure DEST_PATH_IMAGE042
表示所述字段集合中有I个所述特征字段，所述特征字段表示为
Figure 347239DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE043
为第
Figure 62254DEST_PATH_IMAGE008
个所述特征字段的长度，根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1，在所述压缩模块中，根据所述乘客数据和所述车站周边数据得到站点到达频率，根据所述站点到达频率建立公交站点稀疏矩阵
Figure 963214DEST_PATH_IMAGE012
，将所述公交站点稀疏矩阵
Figure 384968DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 978760DEST_PATH_IMAGE013
，计算所述重构矩阵
Figure 620219DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 590449DEST_PATH_IMAGE012
的均方误差使得所述重构矩阵
Figure 132289DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 631404DEST_PATH_IMAGE012
数值相同得到第二输出L 2，将所述第一输出L 1和所述第二输出L 2串联得到第三输出L 3，将所述第三输出L 3通过softmax函数得到所述乘客属性，其中，所述第一输出L 1为所述特征字段进行成对运算后的数据集合，所述第二输出L 2为所述重构矩阵
Figure 258694DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 767036DEST_PATH_IMAGE012
数值相同的数据集合，所述第三输出L 3为将所述第一输出L 1中的数据和所述第二输出L 2中的数据进行匹配后的数据集合。
根据本发明的一个实施方式，所述根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1的公式为：
Figure DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE045
；
Figure DEST_PATH_IMAGE046
；
其中，
Figure 789481DEST_PATH_IMAGE018
表示两个所述特征字段运算后的第一次数值；
Figure 459496DEST_PATH_IMAGE019
表示所述字段集合中与
Figure DEST_PATH_IMAGE047
不同的所述特征字段；
Figure DEST_PATH_IMAGE048
表示第
Figure 901979DEST_PATH_IMAGE008
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE049
表示第
Figure 981056DEST_PATH_IMAGE023
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE050
表示第一次数值的权重矩阵；
Figure 559805DEST_PATH_IMAGE025
表示偏置项量；
Figure 400722DEST_PATH_IMAGE026
为修正线性单元激活函数。
根据本发明的一个实施方式，所述将所述公交站点稀疏矩阵
Figure 268184DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 354213DEST_PATH_IMAGE014
的公式为：
Figure 725152DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE051
；
其中，
Figure DEST_PATH_IMAGE052
表示所述自动编码器的编码部分；
Figure DEST_PATH_IMAGE053
表示所述自动编码器的解码部分；
Figure DEST_PATH_IMAGE054
表示所述公交站点稀疏矩阵
Figure 392763DEST_PATH_IMAGE012
的隐藏表示。
根据本发明的一个实施方式，所述建立与所述乘客属性匹配的需求场景的方法为：
根据所述乘客数据和所述乘客属性定义所述需求场景，所述需求场景包括通勤场景、旅游场景、特殊场景和社区需求场景；
乘客年龄处于18岁到45岁之间、工作日日均出行次数在3次以上、出行OD与学校和商务办公有交集的乘客与所述通勤场景匹配，所述通勤场景的子场景包括餐饮预约、通勤出行、通勤服务；
乘客在休息日和节假日日均出行次数在3次以上、工作日出行在3次以下、出行OD与风景名胜有交集的乘客与旅游场景匹配，所述旅游场景的子场景包括旅游信息搜集、景点热门程度推荐旅游线、旅游出行、景区介绍和景区推荐路径；
乘客年龄大于60岁、出行时间在平峰时段、出行OD与医院集合和政府集合有交集的乘客与所述特殊场景匹配，所述特殊场景的子场景包括线上预约和爱心服务；
乘客年龄处于18岁到45岁之间、出行时长处于45分钟到90分钟之间、日均使用App次数在10次以上的乘客与所述社区需求场景匹配，所述社区需求场景的子场景包括热议话题、乘客互助、社区活动和社区服务。
根据本发明的一个实施方式，所述将所述服务信息与所述需求场景进行匹配得到一体化服务信息的方法为：
根据所述车站周边数据生成车站画像得到所述车站类型，所述车站周边数据包括车站客流量数据和车站周边环境数据，所述车站类型包括办公类车站、休闲类车站和交通枢纽类车站，根据所述车站类型生成单个车站的所述服务信息，将不同车站的所述服务信息与所述需求场景进行匹配得到与所述需求场景匹配的所述一体化服务信息，所述一体化服务信息包括站点信息和增值服务信息，所述站点信息包括起始站、换乘站和终点站，所述增值服务信息包括增值信息和求助信息，所述增值信息包括购物、餐饮、休闲娱乐和地铁资讯四个维度的信息，所述求助信息包括站内求助、车厢求助和紧急求助三个维度的信息。
根据本发明的一个实施方式，所述通过所述马尔科夫模型预测出行信息的方法为：
提取所述乘客数据中的历史出行数据，所述历史出行数据包括：历史出发时间、历史出发站点和历史到达站点，根据所述历史出行数据构建所述马尔科夫模型并预测所述出行信息，所述出行信息包括乘客下一次出行的出发时间、出发站点和到达站点，按照2小时为一个节点，将城市轨道交通的运营时间分割为9个时段，获取乘客出行的当前时段，根据所述历史出行数据得到下一个时段所有数据记录，通过所述马尔科夫模型和下一个时段的所有数据记录计算乘客下一个时段的出行概率，计算所述出行概率的公式为
Figure DEST_PATH_IMAGE055
，其中，
Figure 514565DEST_PATH_IMAGE008
表示9个时段，
Figure 168400DEST_PATH_IMAGE023
表示到达不同站点的名称，A i 表示第
Figure 393845DEST_PATH_IMAGE008
个时段的状态转移矩阵的数值，
Figure 842144DEST_PATH_IMAGE033
表示第
Figure 418619DEST_PATH_IMAGE008
个时段到达不同站点的概率，判断所述出行概率是否大于预设阈值，若大于，则乘客下一个时段会出行从而得到乘客下一次出行的出发时间，将所述马尔科夫模型转化为状态转移矩阵，将上一次乘客出行最后的到达站点作为下一次出行的出发站点，使用所述状态转移矩阵根据所述历史出行数据计算下一次出行的到达站点的概率，概率最大的为下一次出行的到达站点。
根据本发明的一个实施方式，所述通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行的方法为：
所述增值信息和所述求助信息通过一位有效编码的方法进行编码后通过深度神经网络进行特征提取并将其转化为信息特征向量，将所述乘客属性通过转化所述增值信息和所述求助信息的方法将其转化为乘客特征向量，计算所述信息特征向量和所述乘客特征向量的相似度，计算相似度的公式为
Figure 112030DEST_PATH_IMAGE034
，其中，
Figure 191982DEST_PATH_IMAGE035
表示所述信息特征向量和所述乘客特征向量的相似度数值，
Figure 76761DEST_PATH_IMAGE036
表示所述乘客特征向量，
Figure 874953DEST_PATH_IMAGE037
表示所述信息特征向量，
Figure DEST_PATH_IMAGE056
表示乘客数据，
Figure DEST_PATH_IMAGE057
表示信息数据，根据相似度最大的数据和所述出行信息得到与之对应的所述一体化服务信息，根据所述一体化服务信息指导乘客出行。
根据本发明的一个实施方式，所述实时判断是否有突发事件对乘客出行进行干扰的方法为：
图3示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的若突发事件发生在乘客出行前流程图，如图3所示，若突发事件发生在乘客出行前，则根据所述设备监测数据获取突发事件的信息，包括开始时间、结束时间和发生地点，通过马尔科夫模型进行预测，根据预测到的所述出行信息与突发事件进行比对，若不影响，则不对所述出行信息进行更改，若影响且乘客更换所述出行信息，则同步修改与所述出行信息对应的所述一体化服务信息，若影响且乘客不更换所述出行信息，则根据突发事件的发展程度实时修改所述一体化服务信息；
图4示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行方法的若突发事件发生在乘客出行中流程图，如图4所示，若突发事件发生在乘客出行中，则定位乘客的位置并获得乘客还未完成的所述出行信息，根据所述设备监测数据判断突发事件的类型，若突发事件的类型为拥挤大客流事件，则预估所述拥挤大客流事件的持续时间，若在乘客到达之前，所述拥挤大客流事件消失，则不更改未完成的所述出行信息，若所述拥挤大客流事件的持续时间大于乘客的到达时间，则修改所述出行信息并同步修改所述一体化服务信息，若突发事件的类型为设备故障事件，则立即修改乘客未完成的所述出行信息和所述一体化服务信息。
根据本发明的一个实施例，多源数据还包括运能数据、路网拓扑数据、OD 路径集、突发事件信息、广告数据、兴趣点数据、公交接驳信息、AFC出行数据、App出行数据、App消费数据、站内设备的位置、使用情况和运行状态，线网拓扑属性接入单元通过访问线路数据接口、设备监测数据包括车站数据接口、换乘站数据接口和车站位置数据接口，将对应的数据接入，OD路径集是地铁乘客出行站点（Origin）与到达站点（Destination）之间的路径，通过访问OD路径集数据接口，将OD路径集数据输入关系数据库，突发事件信息通过定时访问接口，同时支持手动输入，广告数据通过外部广告数据接口接入，包括地铁资讯、商家信息，兴趣点数据（Point of interest，POI）是定时访问外部数据接口，将车站周边的POI数据存储到数据库中，公交接驳信息是指接入公交线路接口，获取公交线路及运行时刻表，AFC出行数据通过AFC刷卡记录得到乘客出行记录，手机应用（App）出行数据和消费数据通过App应用获取，App出行数据包含了乘客进出站以及乘客的出行轨迹信息，设备监测数据通过外部接口接入，包括设备的位置、使用情况、运行状态。
根据本发明的一个实施例，通勤场景为通勤乘客提供高效舒适的通勤出行服务，由餐饮预约、通勤出行、通勤服务协作完成，餐饮预约关注乘客通勤前后的餐饮需求，乘客可以选择出发车站和到达车站的在线餐饮预约，餐饮可到店取餐和配送到站，通勤出行关注乘客出行中的乘车舒适度以及通勤效率，乘客乘过车程中，推送给乘客舒适车厢导航，以及站内服务设施信息，乘客换乘过程中，为乘客提供换乘导航服务，包括换乘路线、换乘距离与时间、换乘限流信息等，乘客出站后，为乘客进行出站导航，推送公交接驳信息、周边poi导航，通勤服务关注通勤乘客出行后的日常增值需求，推送乘客通勤线路可达范围内的增值优惠活动、休闲娱乐活动，并依据乘客偏好提供个性化广告推荐，增加乘客每日通勤后的消费可能。
根据本发明的一个实施例，旅游场景用于为旅游乘客提供全出行链的轨道交通中的旅游出行服务，由旅游信息搜集、景点热门程度推荐旅游线、旅游出行、景区介绍和景区推荐路径协作完成，旅游信息搜集关注乘客出行前信息搜集需求，根据景点热门程度、乘客偏好推荐旅游线路，包括起点站、终点站及景区介绍；按照时间最短，换乘最少，景区拥挤度适宜推荐旅游路径，并标注路径至线网图，景区推荐路径关注乘客出行后的旅行增值需求，推送乘客目的地景点范围内的增值优惠活动、休闲娱乐活动，并依据乘客偏好提供个性化广告推荐，增加乘客旅行中增值消费选择。
根据本发明的一个实施例，特殊场景为特殊乘客提供可选择的“线上+线下”爱心服务，由线上预约和爱心服务协作完成，线上预约关注特殊乘客出行前的服务预约需求，预约者提供乘车时间、进站车站、出站车站、服务需求、联系人及联系电话等信息，线上预约提供多方式的爱心服务预约，包括预约爱心服务设施使用，预约智能机器人接送站，预约线下人工协助，爱心服务关注特殊乘客出行中的爱心服务需求，为特殊乘客提供“线上+线下”相结合的服务模式，依据线上预约提交的预约信息与服务需求安排智慧客服与人工服务，同时可在平峰时为特殊乘客开辟爱心通道进出站服务。
根据本发明的一个实施例，社区需求场景派生于各类用户交通全过程的社交场景，实现乘客+商家+地铁官方的多需求融合，提供热议话题、乘客互助、社区活动、社区服务，社区需求场景的热议话题服务提供社区内热门话题的评论互动平台，话题包括地铁运营、社区活动、官方通知、增值活动等。官方通过审核和发布相关热议话题，提升用户与社区的黏着度，社区需求场景的乘客互助服务提供个人发布日常求助信息的平台，社区内的用户可通过发起与搜索平台相关信息实现社区内的失物招领、信息查询、购票充值、志愿互助，同时乘客可以分享实时路况信息给其他乘客，方便乘客们出行，社区需求场景的社区活动服务提供商家与地铁官方发起的各类志愿活动、公益活动、促销活动、比赛活动，包括但不限于爱心募捐、网络地铁摄影大赛、团购买菜，使用户社区的使用多元化与趣味化，社区需求场景的社区服务提供地铁官方线上线下店商品宣传、社区加盟商家的广告信息推荐、地铁站周边增值促销等信息，社区用户可依据偏好自行浏览与消费。
根据本发明的一个实施例，车站周边数据包括进出站客流量、周边土地利用性质和服务设施，进出站客流量可以得知此车站是否为大型车站或者换成车站，周边土地利用性质可以得知此车站的周边是购物中心或者是办公场所或者是旅游胜地，服务设施可以确定此车站是否为交通枢纽车站，将三种数据与车站进行比对后生成关于此车站的车站画像，根据车站画像得到车站类型，车站类型将车站分为办公类、休闲类、交通枢纽类三类，车站的服务信息集合包括站点信息和车站服务信息，站点信息指该车站处于几号线、是否为换乘站、是否为无人车站、车站首末班车时间、车站客流高峰时段、车站出口位置、车站周边POI、车站周边接驳信息。车站服务信息指市轨道交通车站内以及周边的商业信息和服务设施信息，包括自动售卖机位置信息、自动鲜花贩卖机位置信息、自动照相机位置信息、便利店位置信息、快递柜位置信息、车站周边商家信息。无障碍电梯、各类客服终端设备、爱心服务设施等服务设备使用情况、位置信息，以及人工问询处、警务室、附近工作人员。
根据本发明的一个实施例，本发明的基于城市轨道交通的乘客一体化智慧出行方法主要应用于手机端并形成乘客端App系统，乘客端App系统包括信息采集单元、信息查询单元、信息推送单元、智慧求助单元和社区活动单元，信息采集单元包括乘客个人信息采集、其他信息接入两部分。所填信息分为必填信息和非必填信息，个人信息采集是乘客手动注册使用App时进行的信息输入，分为首次注册的新用户和老用户，乘客首次进入乘客智慧出行平台时，可通过手机号码直接注册/登录，或通过微信、支付宝账户登录（需要绑定手机号）。所用账号与广州地铁APP信息共享，已有广州地铁APP账号用户，首次登录后弹出请补全身份信息弹窗，提醒用户前往个人信息页面补全信息；新注册用户直接跳转至个人信息页面填写相关信息，必填项信息包括：姓名、身份证证号码、年龄（身份证号码自动识别）、手机号码、密码，非必填信息包括：性别、职业、学历、常出行OD站点、常出行日期、出行目的、路径偏好、兴趣标签、羊城通卡号，信息采集单元中的其他信息接入是将其他外部系统与乘客画像系统对接，其他方式接入通过AFC系统获取乘客的出行记录，包括乘客卡账号、出行站点、到达站点、进站时间、出站时间，其他方式接入通过广州地铁APP获取卡号下的历史轨迹、出行消费（充值）记录，其他方式接入通过运行系统获取线网状态、列车满载率、获取列车实时时刻表、突发信息，其他方式接入通过高德开放平台获取站点附近500米范围内的POI数据 ，其他方式接入通过设备联动平台获取设备状态信息、各类工作人员位置状态信息，其他方式接入通过客流监控系统获取站内实时客流密度、车厢客流密度，其他方式接入通过外部接口获取广告信息，商家信息，其他方式接入通过其他交通方式接口获取公交接驳信息，信息查询模块由出行信息查询、站点信息查询、咨询信息查询三部分组成，进入信息查询模块后，获取乘客当前位置信息，定位至最近地铁站，自动展开当前站点的相关信息。上方置菜单栏，设置三模块入口，出行信息查询模块主要提供全出行链出行规划功能：乘客可选择O、D、出发时间后，界面显示多条出行规划。包括规划路径、接驳（方式，时间）、换乘（方式，时间）、OD拥挤度。对应路段的客流实况（显示线网拥挤度以及客控信息）、站台拥挤度、车厢拥挤度（拥挤度以及列车到站信息）、OD旅行时间、车的信息、可达性，客流实况是显示线网拥挤度以及客控信息，OD旅行时间是进站时间、站内预计等待时间、换乘时间，站点信息查询模块中包括：车站基础信息（几号线、是否为换乘站、是否为无人车站、首末班车时间、客流高峰时段）、站内实景、卫生间、出口资讯（出口位置、poi、接驳信息）、服务设施、生活服务、商家信息（吃饭、购物）、人工问询处、警务室、附近工作人员，以上位置信息均支持AR导航，站内实景是站内实景全览图、站内热力图（客流密度展示），卫生间信息是卫生间的位置信息、开放情况、预计排队时间，服务设施是无障碍电梯、各类客服终端设备（包括售票、查询 使用情况、预计排队时间）、母婴室（使用情况、预计排队时间）、盲道、宽通道闸机、轮椅坡道、AED、进站扶梯、座椅、灭火器位置信息，生活服务是自动售卖机、自动鲜花贩卖机、自动照相机、便利店、快递柜位置信息，附近工作人员是位置信息、是否可建立联系，咨询信息查询模块中包括：地铁资讯、文化产品、商家信息，地铁资讯是地铁运营的新闻资讯，内容涉及新线开通、突发事件、运营实况信息，文化产品是现有的地铁文创周边产品，主要通过线上商城售卖，商家信息是地铁周边商家的产品信息、优惠活动，线上线下均可购买。乘客可选择车站，查看该车站附近对的商家信息，并可对商品进行预定，信息推送模块包括出行规划推送、突发事件提醒、出行导航推送、增值服务推送，出行规划推送是对乘客下次出行的出行时间、出发站点、目的地进行推断，在下一次出行前根据乘客偏好推送全出行链解决方案，集成步行、公交、打车多种交通方式接驳，全出行链解决方案包括公交接驳方案（或预约打车）、地铁路径、接驳车次、地铁车次到达时间、当前时段车厢拥挤度、票价、各个交通方式的预计出行时长、不同时段的站内预计等待时间、首末站以及换乘站周边的商家、景点等POI信息推荐，乘客偏好是根据信息采集单元中路径偏好、常出行时间获取。路径偏好包括对拥挤度、换乘方式、换乘次数、出行时间的偏好，增值服务推送根据乘客的消费特征和频率，以及乘客的位置信息，为乘客推送相对应的商品信息（通过手机通知的方式），点击该通知，进入商品详情界面；同时也可推送一些车站内举行的文创活动的信息。对于旅游的乘客，给乘客推送热门旅游路线和旅游攻略，地铁商城显示与乘客所选偏好相符的商家信息（价格、位置等），可线上可线下购买，该界面上方有商品分类，乘客可选择查看不同类型的商品，同时具有搜索、收藏功能，对于未设置偏好的乘客，给其显示销量高或者距离乘客较近的商品信息，紧急求助场景包括站内求助和车内求助，站内求助是用户使用App扫描站内预设求助码，或危急情况下采取一键拨号。用户以视频或通话的方式接通站务人员，及时通报站内用户求助情况，并依据具体情况安排求助方案，app向站内特定职业用户发起推送寻求公共爱心协助，车内求助是用户使用app扫描车厢预设求助码，或危急情况下采取一键拨号。用户以视频或通话的方式接通司机或车内员工，及时通报车内用户求助情况，并依据具体情况安排求助方案，app向车内特定职业用户发起推送寻求公共爱心协助，智慧客服包括购票咨询和站内寻路，购票咨询是用户使用语音口令“购票咨询”展开求助咨询，app可为非一卡通或NFC购票用户提供站内购票流程环节说明，可查询实时地铁线网购票信息，显示站内购票终端位置；同时app依据用户语音信息提供购票金额信息、换乘信息、出行时间等信息，站内寻路是用户使用语音口令“站内寻路”展开求助咨询，app为用户提供车站各个出口/换乘通道/卫生间等服务设施的定位导航服务，并支持显示各出口附近POI情况以及换乘线路情况，闸机故障是用户使用语音口令“闸机故障”展开求助咨询，针对一卡通/NFC/单程票进出站闸机故障情况，用户可通过app呼叫最近站务人员查看处理，人工服务是支持手机一触发起人工服务，用户app发起申请后等待工作人员电话回执，主要解决智慧客服以外的其他咨询，同时对于特殊人群等可进一步发起“零距离”人工爱心服务，求助记录是记录并追踪用户发起的紧急、人工求助任务，用户可实时查看求助进度，反馈求助体验，乘客后台数据分析管理系统包括辅助广告投放、辅助设施设备配置。
根据本发明的一个实施例，乘客端App系统中的路径推荐是依据用户的历史出行路径集，使用乘客出行偏好学习模型对用户的出行偏好进行修正，完成乘客出行偏好系数的计算。针对不同的出行需求，生成该出行需求下各出行路径的明细属性信息。在正常情况下，基于路径生成模块输出的路径生成表和偏好学习所得路径选择模型的参数，根据输入的O站、D站、出发时间及优先级完成OD可行路径推荐计算，得到诱导出行径路。在非正常场景下，基于路径生成模块输出的路径生成表、偏好学习所得路径选择模型的参数、突发事件影响延误时间，根据输入的O站、D站、出发时间及优先级完成OD可行路径推荐计算，得到诱导出行径路。
根据本发明的一个实施例，乘客端App系统依据车站画像中客流特征指标与周边土地利用性质指标进行聚类分析，同时结合客流量运用排队论方法，生成对应车站类型下的站内设施配置基础方案，结合区域中心化的人员及设备配置要求以及地铁设计规范，生成推荐配置方案，并在地铁平面图中展示。
根据本发明的一个实施例，乘客端App系统的增值服务推送是依据乘客画像中不同消费类型的标签，针对不同类型的乘客将不同的广告类型推送给对应乘客。结合乘客画像系统中得到的乘客消费偏好以及乘客的出行偏好，在出行前和出行后对不同类型的乘客推送相匹配的商家广告。在周末、节假日等时段为乘客推送名胜古迹等旅游信息的个性推送。
不仅如此，为实现上述发明目的，本发明还提供一种基于城市轨道交通的乘客一体化智慧出行系统，图5示意性表示根据本发明的基于城市轨道交通的乘客一体化智慧出行系统的流程图，如图5所示，该系统包括：
数据获取模块：采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
需求场景建立模块：根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预测模型得到乘客属性，建立与所述乘客属性匹配的需求场景；
一体化服务信息生成模块：根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
出行信息预测模块：提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
出行信息监测模块：根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
根据本发明的一个实施方式，所述根据所述乘客数据建立乘客属性预测模型的方法为：
所述乘客属性预测模型包括基于内积的时空模块和基于自动编码器的压缩模块，在所述时空模块中，建立时空特征矩阵
Figure 932908DEST_PATH_IMAGE001
，将所述时空特征矩阵
Figure 646128DEST_PATH_IMAGE001
表示为
Figure 436230DEST_PATH_IMAGE002
，其中，
Figure 987297DEST_PATH_IMAGE003
表示乘客样本数量，
Figure 255467DEST_PATH_IMAGE004
表示特征维度，
Figure 575590DEST_PATH_IMAGE005
为矩阵的表现形式，选取所述乘客数据中关于出发和到达时间、出行位置信息、出行频率、出行距离和目的地POI的数据转化为特征字段，将所述时空特征矩阵
Figure 536593DEST_PATH_IMAGE001
内嵌至所述特征字段中得到字段集合，将所述字段集合表示为
Figure 810842DEST_PATH_IMAGE006
，其中，
Figure 882703DEST_PATH_IMAGE007
表示所述字段集合中第
Figure 322911DEST_PATH_IMAGE008
个所述特征字段，
Figure DEST_PATH_IMAGE058
表示所述字段集合中有I个所述特征字段，所述特征字段表示为
Figure 720395DEST_PATH_IMAGE010
，其中
Figure DEST_PATH_IMAGE059
为第
Figure 777212DEST_PATH_IMAGE008
个所述特征字段的长度，根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1，在所述压缩模块中，根据所述乘客数据和所述车站周边数据得到站点到达频率，根据所述站点到达频率建立公交站点稀疏矩阵
Figure 154229DEST_PATH_IMAGE012
，将所述公交站点稀疏矩阵
Figure 183365DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 220591DEST_PATH_IMAGE013
，计算所述重构矩阵
Figure 233547DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 647211DEST_PATH_IMAGE012
的均方误差使得所述重构矩阵
Figure 796432DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 771604DEST_PATH_IMAGE012
数值相同得到第二输出L 2，将所述第一输出L 1和所述第二输出L 2串联得到第三输出L 3，将所述第三输出L 3通过softmax函数得到所述乘客属性，其中，所述第一输出L 1为所述特征字段进行成对运算后的数据集合，所述第二输出L 2为所述重构矩阵
Figure 740697DEST_PATH_IMAGE014
和所述公交站点稀疏矩阵
Figure 958051DEST_PATH_IMAGE012
数值相同的数据集合，所述第三输出L 3为将所述第一输出L 1中的数据和所述第二输出L 2中的数据进行匹配后的数据集合。
根据本发明的一个实施方式，所述根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1的公式为：
Figure DEST_PATH_IMAGE060
；
Figure DEST_PATH_IMAGE061
；
Figure DEST_PATH_IMAGE062
；
其中，
Figure 820834DEST_PATH_IMAGE018
表示两个所述特征字段运算后的第一次数值；
Figure 966907DEST_PATH_IMAGE019
表示所述字段集合中与
Figure DEST_PATH_IMAGE063
不同的所述特征字段；
Figure DEST_PATH_IMAGE064
表示第
Figure 751192DEST_PATH_IMAGE008
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE065
表示第
Figure 303396DEST_PATH_IMAGE023
个所述特征字段的权重矩阵；
Figure DEST_PATH_IMAGE066
表示第一次数值的权重矩阵；
Figure 459833DEST_PATH_IMAGE025
表示偏置项量；
Figure 275343DEST_PATH_IMAGE026
为修正线性单元激活函数。
根据本发明的一个实施方式，所述将所述公交站点稀疏矩阵
Figure 484607DEST_PATH_IMAGE012
输入到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 778185DEST_PATH_IMAGE014
的公式为：
Figure 490926DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE067
；
其中，
Figure DEST_PATH_IMAGE068
表示所述自动编码器的编码部分；
Figure DEST_PATH_IMAGE069
表示所述自动编码器的解码部分；
Figure DEST_PATH_IMAGE070
表示所述公交站点稀疏矩阵
Figure 900173DEST_PATH_IMAGE012
的隐藏表示。
根据本发明的一个实施方式，所述建立与所述乘客属性匹配的需求场景的方法为：
根据所述乘客数据和所述乘客属性定义所述需求场景，所述需求场景包括通勤场景、旅游场景、特殊场景和社区需求场景；
乘客年龄处于18岁到45岁之间、工作日日均出行次数在3次以上、出行OD与学校和商务办公有交集的乘客与所述通勤场景匹配，所述通勤场景的子场景包括餐饮预约、通勤出行、通勤服务；
乘客在休息日和节假日日均出行次数在3次以上、工作日出行在3次以下、出行OD与风景名胜有交集的乘客与旅游场景匹配，所述旅游场景的子场景包括旅游信息搜集、景点热门程度推荐旅游线、旅游出行、景区介绍和景区推荐路径；
乘客年龄大于60岁、出行时间在平峰时段、出行OD与医院集合和政府集合有交集的乘客与所述特殊场景匹配，所述特殊场景的子场景包括线上预约和爱心服务；
乘客年龄处于18岁到45岁之间、出行时长处于45分钟到90分钟之间、日均使用App次数在10次以上的乘客与所述社区需求场景匹配，所述社区需求场景的子场景包括热议话题、乘客互助、社区活动和社区服务。
根据本发明的一个实施方式，所述将所述服务信息与所述需求场景进行匹配得到一体化服务信息的方法为：
根据所述车站周边数据生成车站画像得到所述车站类型，所述车站周边数据包括车站客流量数据和车站周边环境数据，所述车站类型包括办公类车站、休闲类车站和交通枢纽类车站，根据所述车站类型生成单个车站的所述服务信息，将不同车站的所述服务信息与所述需求场景进行匹配得到与所述需求场景匹配的所述一体化服务信息，所述一体化服务信息包括站点信息和增值服务信息，所述站点信息包括起始站、换乘站和终点站，所述增值服务信息包括增值信息和求助信息，所述增值信息包括购物、餐饮、休闲娱乐和地铁资讯四个维度的信息，所述求助信息包括站内求助、车厢求助和紧急求助三个维度的信息。
根据本发明的一个实施方式，所述通过所述马尔科夫模型预测出行信息的方法为：
提取所述乘客数据中的历史出行数据，所述历史出行数据包括：历史出发时间、历史出发站点和历史到达站点，根据所述历史出行数据构建所述马尔科夫模型并预测所述出行信息，所述出行信息包括乘客下一次出行的出发时间、出发站点和到达站点，按照2小时为一个节点，将城市轨道交通的运营时间分割为9个时段，获取乘客出行的当前时段，根据所述历史出行数据得到下一个时段所有数据记录，通过所述马尔科夫模型和下一个时段的所有数据记录计算乘客下一个时段的出行概率，计算所述出行概率的公式为
Figure DEST_PATH_IMAGE071
，其中，
Figure 127892DEST_PATH_IMAGE008
表示9个时段，
Figure 225161DEST_PATH_IMAGE023
表示到达不同站点的名称，A i 表示第
Figure 293873DEST_PATH_IMAGE008
个时段的状态转移矩阵的数值，
Figure 716765DEST_PATH_IMAGE033
表示第
Figure 635042DEST_PATH_IMAGE008
个时段到达不同站点的概率，判断所述出行概率是否大于预设阈值，若大于，则乘客下一个时段会出行从而得到乘客下一次出行的出发时间，将所述马尔科夫模型转化为状态转移矩阵，将上一次乘客出行最后的到达站点作为下一次出行的出发站点，使用所述状态转移矩阵根据所述历史出行数据计算下一次出行的到达站点的概率，概率最大的为下一次出行的到达站点。
根据本发明的一个实施方式，所述通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行的方法为：
所述增值信息和所述求助信息通过一位有效编码的方法进行编码后通过深度神经网络进行特征提取并将其转化为信息特征向量，将所述乘客属性通过转化所述增值信息和所述求助信息的方法将其转化为乘客特征向量，计算所述信息特征向量和所述乘客特征向量的相似度，计算相似度的公式为
Figure 536002DEST_PATH_IMAGE034
，其中，
Figure 223335DEST_PATH_IMAGE035
表示所述信息特征向量和所述乘客特征向量的相似度数值，
Figure 817128DEST_PATH_IMAGE036
表示所述乘客特征向量，
Figure 446868DEST_PATH_IMAGE037
表示所述信息特征向量，
Figure DEST_PATH_IMAGE072
表示乘客数据，
Figure DEST_PATH_IMAGE073
表示信息数据，根据相似度最大的数据和所述出行信息得到与之对应的所述一体化服务信息，根据所述一体化服务信息指导乘客出行。
根据本发明的一个实施方式，所述实时判断是否有突发事件对乘客出行进行干扰的方法为：
若突发事件发生在乘客出行前，则根据所述设备监测数据获取突发事件的信息，包括开始时间、结束时间和发生地点，根据预测到的所述出行信息与突发事件进行比对，若不影响，则不对所述出行信息进行更改，若影响且乘客更换所述出行信息，则同步修改与所述出行信息对应的所述一体化服务信息，若影响且乘客不更换所述出行信息，则根据突发事件的发展程度实时修改所述一体化服务信息；
若突发事件发生在乘客出行中，则定位乘客的位置并获得乘客还未完成的所述出行信息，根据所述设备监测数据判断突发事件的类型，若突发事件的类型为拥挤大客流事件，则根据设备监测数据和历史相同事件持续时间预估所述拥挤大客流事件的持续时间，将若在乘客到达之前，所述拥挤大客流事件消失，则不更改未完成的所述出行信息，若预估到的所述拥挤大客流事件的持续时间大于乘客的到达时间，则修改所述出行信息并同步修改所述一体化服务信息，若突发事件的类型为设备故障事件，则立即修改乘客未完成的所述出行信息和所述一体化服务信息，此预估时间仅仅根据历史相同事件持续时间预估出此事件发生的持续时间，并根据预测的所述出行信息进行比对后为乘客提出相应的建议，乘客可以进行选择更改或者不更改。
基于此，本发明的乘客属性的推断能够帮助我们了解乘客的居住地点、工作地点、职业属性、出行需求等特征，一定程度上可以提高我们推测乘客出行目的、乘客出行时间的精度，进而可以将乘客更加精细化的分为通勤、旅游等不同群体，根据不同类型的乘客分析其不同的需求构建出行场景，可以为后续信息服务的匹配做基础。当前地铁运营模式下，大多数乘客只是将地铁看作一种出行工具，乘客、地铁与附近商业区的联系没有完全建立。随着信息化水平的不断提高，乘客将越来越注重多元化的出行方式和出行体验，将出行融入生活。这就要求利用新技术结合多种出行方式和信息服务，多元化乘客出行体验，包括预约乘车、站内商业、广告、物流、休闲等惠民增值服务，使地铁出行跨入乘客的生活圈，需求场景的建立是对服务信息的整合。当以一个车站为单位时，分析在该车站可以为乘客提供的出行和增值信息，有助于为经过该车站的乘客提供出行上的指导和生活上的便利。进一步地，根据乘客历史出行记录得到乘客经常出行的路径，将路径上的车站能提供的信息都个性化的与乘客匹配，为乘客在全出行链上提供一体化的信息服务，城市轨道交通一体化的出行方法促进乘客从“走得了”逐步演化为“走得好”，提高城市轨道交通安全性、人性化和服务多样化，提升乘客出行品质。将新一代智慧技术引入城市轨道交通，应对乘客出行需求变化，提高乘客出行服务体验，满足乘客新时代高品质服务需求是城市轨道交通未来发展的重要方向。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

Claims (9)

1.基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，包括：
采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预测模型得到乘客属性，建立与所述乘客属性匹配的需求场景，所述根据所述乘客数据建立乘客属性预测模型的方法为，
所述乘客属性预测模型包括基于内积的时空模块和基于自动编码器的压缩模块，在所 述时空模块中，建立时空特征矩阵
Figure 858039DEST_PATH_IMAGE001
，将所述时空特征矩阵
Figure 243277DEST_PATH_IMAGE001
表示为
Figure 624580DEST_PATH_IMAGE002
，其中，
Figure 277409DEST_PATH_IMAGE003
表示乘客样本数量，
Figure 663129DEST_PATH_IMAGE004
表示特征维度，
Figure 157169DEST_PATH_IMAGE005
为矩阵的表现形式，选取所述乘客数据中关于出发 和到达时间、出行位置信息、出行频率、出行距离和目的地POI的数据转化为特征字段，将所 述时空特征矩阵
Figure 811005DEST_PATH_IMAGE001
内嵌至所述特征字段中得到字段集合，将所述字段集合表示为
Figure 583920DEST_PATH_IMAGE006
，其中，
Figure 828956DEST_PATH_IMAGE007
表示所述字段集合中第
Figure 77535DEST_PATH_IMAGE008
个所述特征字段，
Figure 49908DEST_PATH_IMAGE009
表示所述 字段集合中有I个所述特征字段，所述特征字段表示为
Figure 192176DEST_PATH_IMAGE010
，其中
Figure 93267DEST_PATH_IMAGE011
为第
Figure 563563DEST_PATH_IMAGE012
个所述 特征字段的长度，根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1，在所 述压缩模块中，根据所述乘客数据和所述车站周边数据得到站点到达频率，根据所述站点 到达频率建立公交站点稀疏矩阵
Figure 90359DEST_PATH_IMAGE013
，将所述公交站点稀疏矩阵
Figure 339331DEST_PATH_IMAGE013
输入到自动编码器中进 行编码和解码的转换得到重构矩阵
Figure 660591DEST_PATH_IMAGE014
，计算所述重构矩阵
Figure 618183DEST_PATH_IMAGE015
和所述公交站点稀疏矩阵
Figure 433823DEST_PATH_IMAGE013
的均方误差使得所述重构矩阵
Figure 285105DEST_PATH_IMAGE015
和所述公交站点稀疏矩阵
Figure 183791DEST_PATH_IMAGE013
数值相同得到第二输出L 2， 将所述第一输出L 1和所述第二输出L 2串联得到第三输出L 3，将所述第三输出L 3通过softmax 函数得到所述乘客属性，其中，所述第一输出L 1为所述特征字段进行成对运算后的数据集 合，所述第二输出L 2为所述重构矩阵
Figure 2580DEST_PATH_IMAGE015
和所述公交站点稀疏矩阵
Figure 340020DEST_PATH_IMAGE013
数值相同的数据集合， 所述第三输出L 3为将所述第一输出L 1中的数据和所述第二输出L 2中的数据进行匹配后的数 据集合；
根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
2.根据权利要求1所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述根据所述字段集合将所述特征字段进行成对运算得到第一输出L 1的公式为：
Figure 327699DEST_PATH_IMAGE016
；
Figure 866128DEST_PATH_IMAGE017
；
Figure 922945DEST_PATH_IMAGE018
；
其中，
Figure 316274DEST_PATH_IMAGE019
表示两个所述特征字段运算后的第一次数值；
Figure 407727DEST_PATH_IMAGE020
表示所述字段集合中与
Figure 382636DEST_PATH_IMAGE021
不同的所述特征字段；
Figure 411903DEST_PATH_IMAGE022
表示第
Figure 622304DEST_PATH_IMAGE012
个所述特征字段的权重矩阵；
Figure 551952DEST_PATH_IMAGE023
表示第
Figure 963342DEST_PATH_IMAGE024
个所述特征字段的权重矩阵；
Figure 463593DEST_PATH_IMAGE025
表示第一次数值的权重矩阵；
Figure 962839DEST_PATH_IMAGE026
表示偏置项量；
Figure 763305DEST_PATH_IMAGE027
为修正线性单元激活函数。
3.根据权利要求2所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于， 所述将所述公交站点稀疏矩阵
Figure 345596DEST_PATH_IMAGE013
输入到自动编码器中进行编码和解码的转换得到重构矩 阵
Figure 585341DEST_PATH_IMAGE015
的公式为：
Figure 137545DEST_PATH_IMAGE028
；
Figure 277670DEST_PATH_IMAGE029
；
其中，
Figure 765283DEST_PATH_IMAGE030
表示所述自动编码器的编码部分；
Figure 505706DEST_PATH_IMAGE031
表示所述自动编码器的解码部分；
Figure 110869DEST_PATH_IMAGE032
表示所述公交站点稀疏矩阵
Figure 620347DEST_PATH_IMAGE013
的隐藏表示。
4.根据权利要求3所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述建立与所述乘客属性匹配的需求场景的方法为：
根据所述乘客数据和所述乘客属性定义所述需求场景，所述需求场景包括通勤场景、旅游场景、特殊场景和社区需求场景；
乘客年龄处于18岁到45岁之间、工作日日均出行次数在3次以上、出行OD与学校和商务办公有交集的乘客与所述通勤场景匹配，所述通勤场景的子场景包括餐饮预约、通勤出行、通勤服务；
乘客在休息日和节假日日均出行次数在3次以上、工作日出行在3次以下、出行OD与风景名胜有交集的乘客与旅游场景匹配，所述旅游场景的子场景包括旅游信息搜集、景点热门程度推荐旅游线、旅游出行、景区介绍和景区推荐路径；
乘客年龄大于60岁、出行时间在平峰时段、出行OD与医院集合和政府集合有交集的乘客与所述特殊场景匹配，所述特殊场景的子场景包括线上预约和爱心服务；
乘客年龄处于18岁到45岁之间、出行时长处于45分钟到90分钟之间、日均使用App次数在10次以上的乘客与所述社区需求场景匹配，所述社区需求场景的子场景包括热议话题、乘客互助、社区活动和社区服务。
5.根据权利要求4所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述将所述服务信息与所述需求场景进行匹配得到一体化服务信息的方法为：
根据所述车站周边数据生成车站画像得到所述车站类型，所述车站周边数据包括车站客流量数据和车站周边环境数据，所述车站类型包括办公类车站、休闲类车站和交通枢纽类车站，根据所述车站类型生成单个车站的所述服务信息，将不同车站的所述服务信息与所述需求场景进行匹配得到与所述需求场景匹配的所述一体化服务信息，所述一体化服务信息包括站点信息和增值服务信息，所述站点信息包括起始站、换乘站和终点站，所述增值服务信息包括增值信息和求助信息，所述增值信息包括购物、餐饮、休闲娱乐和地铁资讯四个维度的信息，所述求助信息包括站内求助、车厢求助和紧急求助三个维度的信息。
6.根据权利要求5所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述通过所述马尔科夫模型预测出行信息的方法为：
提取所述乘客数据中的历史出行数据，所述历史出行数据包括：历史出发时间、历史出 发站点和历史到达站点，根据所述历史出行数据构建所述马尔科夫模型并预测所述出行信 息，所述出行信息包括乘客下一次出行的出发时间、出发站点和到达站点，按照2小时为一 个节点，将城市轨道交通的运营时间分割为9个时段，获取乘客出行的当前时段，根据所述 历史出行数据得到下一个时段所有数据记录，通过所述马尔科夫模型和下一个时段的所有 数据记录计算乘客下一个时段的出行概率，计算所述出行概率的公式为
Figure 13283DEST_PATH_IMAGE033
，其中，
Figure 991734DEST_PATH_IMAGE012
表示9个时段，
Figure 885741DEST_PATH_IMAGE024
表示到达不同站点的名 称，
Figure 755784DEST_PATH_IMAGE034
表示第
Figure 319620DEST_PATH_IMAGE012
个时段的状态转移矩阵的数值，
Figure 34635DEST_PATH_IMAGE035
表示第
Figure 483065DEST_PATH_IMAGE012
个时段到达不同站点的概率，判 断所述出行概率是否大于预设阈值，若大于，则乘客下一个时段会出行从而得到乘客下一 次出行的出发时间，将所述马尔科夫模型转化为状态转移矩阵，将上一次乘客出行最后的 到达站点作为下一次出行的出发站点，使用所述状态转移矩阵根据所述历史出行数据计算 下一次出行的到达站点的概率，概率最大的为下一次出行的到达站点。
7.根据权利要求6所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行的方法为：
所述增值信息和所述求助信息通过一位有效编码的方法进行编码后通过深度神经网 络进行特征提取并将其转化为信息特征向量，将所述乘客属性通过转化所述增值信息和所 述求助信息的方法将其转化为乘客特征向量，计算所述信息特征向量和所述乘客特征向量 的相似度，计算相似度的公式为
Figure 701557DEST_PATH_IMAGE036
，其中，
Figure 967453DEST_PATH_IMAGE037
表 示所述信息特征向量和所述乘客特征向量的相似度数值，
Figure 153453DEST_PATH_IMAGE038
表示所述乘客特征向量，
Figure 389262DEST_PATH_IMAGE039
表示所述信息特征向量，
Figure 868785DEST_PATH_IMAGE040
表示乘客数据，
Figure 915370DEST_PATH_IMAGE041
表示信息数据，根据相似度最大的数据 和所述出行信息得到与之对应的所述一体化服务信息，根据所述一体化服务信息指导乘客 出行。
8.根据权利要求7所述的基于城市轨道交通的乘客一体化智慧出行方法，其特征在于，所述实时判断是否有突发事件对乘客出行进行干扰的方法为：
若突发事件发生在乘客出行前，则根据所述设备监测数据获取突发事件的信息，包括开始时间、结束时间和发生地点，根据预测到的所述出行信息与突发事件进行比对，若不影响，则不对所述出行信息进行更改，若影响且乘客更换所述出行信息，则同步修改与所述出行信息对应的所述一体化服务信息，若影响且乘客不更换所述出行信息，则根据突发事件的发展程度实时修改所述一体化服务信息；
若突发事件发生在乘客出行中，则定位乘客的位置并获得乘客还未完成的所述出行信息，根据所述设备监测数据判断突发事件的类型，若突发事件的类型为拥挤大客流事件，则预测所述拥挤大客流事件的持续时间，若在乘客到达之前，所述拥挤大客流事件消失，则不更改未完成的所述出行信息，若所述拥挤大客流事件的持续时间大于乘客的到达时间，则修改所述出行信息并同步修改所述一体化服务信息，若突发事件的类型为设备故障事件，则立即修改乘客未完成的所述出行信息和所述一体化服务信息。
9.基于城市轨道交通的乘客一体化智慧出行系统，其特征在于，包括：
数据获取模块：采集多源数据，所述多源数据包括乘客数据、车站周边数据和设备监测数据；
需求场景建立模块：根据所述乘客数据建立乘客属性预测模型，通过所述乘客属性预 测模型得到乘客属性，建立与所述乘客属性匹配的需求场景，所述根据所述乘客数据建立 乘客属性预测模型的方法为，所述乘客属性预测模型包括基于内积的时空模块和基于自动 编码器的压缩模块，在所述时空模块中，建立时空特征矩阵
Figure 339398DEST_PATH_IMAGE001
，将所述时空特征矩阵
Figure 631095DEST_PATH_IMAGE001
表示为
Figure 699545DEST_PATH_IMAGE002
，其中，
Figure 166299DEST_PATH_IMAGE003
表示乘客样本数量，
Figure 828355DEST_PATH_IMAGE004
表示特征维度，
Figure 405967DEST_PATH_IMAGE005
为矩阵的表现形式，选 取所述乘客数据中关于出发和到达时间、出行位置信息、出行频率、出行距离和目的地POI 的数据转化为特征字段，将所述时空特征矩阵
Figure 594503DEST_PATH_IMAGE001
内嵌至所述特征字段中得到字段集合，将 所述字段集合表示为
Figure 481425DEST_PATH_IMAGE006
，其中，
Figure 614466DEST_PATH_IMAGE007
表示所述字段集合中第
Figure 746502DEST_PATH_IMAGE008
个所述特 征字段，
Figure 55123DEST_PATH_IMAGE009
表示所述字段集合中有I个所述特征字段，所述特征字段表示为
Figure 863679DEST_PATH_IMAGE010
，其中
Figure 736214DEST_PATH_IMAGE011
为第
Figure 655628DEST_PATH_IMAGE012
个所述特征字段的长度，根据所述字段集合将所述特征字段进行成对运算得 到第一输出L 1，在所述压缩模块中，根据所述乘客数据和所述车站周边数据得到站点到达 频率，根据所述站点到达频率建立公交站点稀疏矩阵
Figure 818756DEST_PATH_IMAGE013
，将所述公交站点稀疏矩阵
Figure 548946DEST_PATH_IMAGE013
输入 到自动编码器中进行编码和解码的转换得到重构矩阵
Figure 922159DEST_PATH_IMAGE014
，计算所述重构矩阵
Figure 894531DEST_PATH_IMAGE015
和所述公 交站点稀疏矩阵
Figure 646587DEST_PATH_IMAGE013
的均方误差使得所述重构矩阵
Figure 62525DEST_PATH_IMAGE015
和所述公交站点稀疏矩阵
Figure 408186DEST_PATH_IMAGE013
数值相同 得到第二输出L 2，将所述第一输出L 1和所述第二输出L 2串联得到第三输出L 3，将所述第三输 出L 3通过softmax函数得到所述乘客属性，其中，所述第一输出L 1为所述特征字段进行成对 运算后的数据集合，所述第二输出L 2为所述重构矩阵
Figure 934983DEST_PATH_IMAGE015
和所述公交站点稀疏矩阵
Figure 541545DEST_PATH_IMAGE013
数值 相同的数据集合，所述第三输出L 3为将所述第一输出L 1中的数据和所述第二输出L 2中的数 据进行匹配后的数据集合；
一体化服务信息生成模块：根据所述车站周边数据生成车站画像得到车站类型，根据所述车站类型生成单个车站的服务信息，将所述服务信息与所述需求场景进行匹配得到一体化服务信息；
出行信息预测模块：提取所述乘客数据中的历史出行数据，根据所述历史出行数据构建马尔科夫模型，通过所述马尔科夫模型预测出行信息，通过选取与所述出行信息相对应的所述一体化服务信息指导乘客出行；
出行信息监测模块：根据所述设备监测数据对所述出行信息进行监测，实时判断是否有突发事件对乘客出行进行干扰，根据突发事件的发生时间和类型实时修正所述出行信息。
CN202211015388.3A 2022-08-24 2022-08-24 基于城市轨道交通的乘客一体化智慧出行方法和系统 Active CN115081762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211015388.3A CN115081762B (zh) 2022-08-24 2022-08-24 基于城市轨道交通的乘客一体化智慧出行方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211015388.3A CN115081762B (zh) 2022-08-24 2022-08-24 基于城市轨道交通的乘客一体化智慧出行方法和系统

Publications (2)

Publication Number Publication Date
CN115081762A CN115081762A (zh) 2022-09-20
CN115081762B true CN115081762B (zh) 2022-11-01

Family

ID=83244112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211015388.3A Active CN115081762B (zh) 2022-08-24 2022-08-24 基于城市轨道交通的乘客一体化智慧出行方法和系统

Country Status (1)

Country Link
CN (1) CN115081762B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115423510B (zh) * 2022-08-30 2023-05-30 成都智元汇信息技术股份有限公司 基于地铁关联数据的媒体业务处理方法
CN115309171B (zh) * 2022-10-12 2022-12-20 维飒科技(西安)有限公司 轨道机器人的行为轨迹控制方法及装置
CN115619048A (zh) * 2022-12-19 2023-01-17 成都智元汇信息技术股份有限公司 一种自动规划快速进出地铁站的方法和装置
CN116108288B (zh) * 2023-02-06 2024-09-06 苏州大学 一种打车服务中搜索最优上下车点的方法及系统
CN116343116B (zh) * 2023-03-20 2023-09-01 江苏财经职业技术学院 基于图像分析的多场景人员流动监控系统
CN116659515B (zh) * 2023-07-28 2024-01-23 北京城建智控科技股份有限公司 地铁站内线路的导航方法及装置、电子设备及存储介质
CN118295513B (zh) * 2024-06-05 2024-08-23 山东淼汇智能科技有限公司 一种轨道交通afc设备的节能管理方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194497A (zh) * 2017-04-27 2017-09-22 北京交通大学 一种突发事件下城市轨道交通乘客出行路径规划方法
CN111079875A (zh) * 2019-12-17 2020-04-28 广州交通信息化建设投资营运有限公司 基于多源数据的公共交通客流监测方法、装置和存储介质
CN111985710A (zh) * 2020-08-18 2020-11-24 深圳诺地思维数字科技有限公司 一种公交乘客出行站点预测方法、存储介质及服务器
CN112380443A (zh) * 2020-11-25 2021-02-19 北京爱笔科技有限公司 导乘推荐方法、装置、计算机设备和存储介质
CN113642625A (zh) * 2021-08-06 2021-11-12 北京交通大学 一种城市轨道交通乘客个体出行目的推断的方法及系统
WO2022134692A1 (zh) * 2020-12-25 2022-06-30 卡斯柯信号有限公司 一种轨道交通智能调度方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194497A (zh) * 2017-04-27 2017-09-22 北京交通大学 一种突发事件下城市轨道交通乘客出行路径规划方法
CN111079875A (zh) * 2019-12-17 2020-04-28 广州交通信息化建设投资营运有限公司 基于多源数据的公共交通客流监测方法、装置和存储介质
CN111985710A (zh) * 2020-08-18 2020-11-24 深圳诺地思维数字科技有限公司 一种公交乘客出行站点预测方法、存储介质及服务器
CN112380443A (zh) * 2020-11-25 2021-02-19 北京爱笔科技有限公司 导乘推荐方法、装置、计算机设备和存储介质
WO2022134692A1 (zh) * 2020-12-25 2022-06-30 卡斯柯信号有限公司 一种轨道交通智能调度方法及系统
CN113642625A (zh) * 2021-08-06 2021-11-12 北京交通大学 一种城市轨道交通乘客个体出行目的推断的方法及系统

Also Published As

Publication number Publication date
CN115081762A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115081762B (zh) 基于城市轨道交通的乘客一体化智慧出行方法和系统
US12087162B2 (en) Systems and methods for ETA calculation in a shared transport system
Ronald et al. Simulating demand-responsive transportation: a review of agent-based approaches
Nelson et al. The impact of the application of new technology on public transport service provision and the passenger experience: A focus on implementation in Australia
CN101278310A (zh) 预订雇佣车辆
Pei et al. Real-time optimal scheduling model for transit system with flexible bus line length
Cebon et al. Using real time information for transport effectiveness in cities
Lee et al. Incorporating e-technology to advantage in a greener taxi industry and its impact on driving performance and safety
Yu et al. Modeling tourists’ departure time considering the influence of multisource traffic information
İnaç Digital Transformation Model for intelligent Transportation Systems (iTS) in Smart Cities
He et al. Information Management for Mobility-as-a-Service Based on Autonomous Vehicles
Nora Transformation Towards Sustainable Transportation: Solving the" First and Last-mile" Problem in Europe
ISLAM EXPLORATION OF PROSPECTS AND CHALLENGES OF RIDE SHARING IN DEVELOPING COUNTRIES: A CASE STUDY IN DHAKA CITY
Zhang et al. Flexible Scheduling Model of Bus Services between Venues of the Beijing Winter Olympic Games
Mohamed The use of Uberpool and its Relationship with Public Transport-A London case study
Saeedi Analysis of Slack Time for a Real-Time Rideshare System
SJÖÖ et al. A Study of Multimodality with Focus on the Combination of Bicycles and Trains-Technical Solutions Combined with Mobility Management and Nudging for an Effective Bicycle-Train System in Region Västra Götaland
Lang An Evaluation of a Demand-Responsive Transit Pilot in North Carolina's Research Triangle Park
Jayakrishnan et al. Promoting Peer-to-Peer Ridesharing Services as Transit System Feeders
Multisystems, Inc et al. Strategies for Improved Traveler Information
Zhao et al. Public transport providers’ perceptions of benefits and limitations of digitalized communication and service: The case of Sweden

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