CN115879016A - 共享单车出行潮汐时段的预测方法 - Google Patents
共享单车出行潮汐时段的预测方法 Download PDFInfo
- Publication number
- CN115879016A CN115879016A CN202310137743.2A CN202310137743A CN115879016A CN 115879016 A CN115879016 A CN 115879016A CN 202310137743 A CN202310137743 A CN 202310137743A CN 115879016 A CN115879016 A CN 115879016A
- Authority
- CN
- China
- Prior art keywords
- historical
- period
- candidate
- tidal
- periods
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- RWSXRVCMGQZWBV-WDSKDSINSA-N glutathione Chemical compound OC(=O)[C@@H](N)CCC(=O)N[C@@H](CS)C(=O)NCC(O)=O RWSXRVCMGQZWBV-WDSKDSINSA-N 0.000 title claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 16
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000004931 aggregating effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本申请适用于时空大数据挖掘技术领域,提供了一种共享单车出行潮汐时段的预测方法,该方法根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段;根据历史候选时段的潮汐失衡程度,构建潮汐时段预测模型;利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。本申请能提高共享单车出行潮汐时段预测的准确性。
Description
技术领域
本申请属于时空大数据挖掘技术领域,尤其涉及一种共享单车出行潮汐时段的预测方法。
背景技术
共享单车自由便捷的特性极大满足了城市居民通勤、娱乐、购物等动态时变的多样出行需求,同时造成某些停放区域出现平峰时段单车淤积、高峰时段单车紧张等潮汐失衡现象。例如,通勤高峰期小区和写字楼附近共享单车的大量消散和聚集,傍晚时刻公园和商场附近共享单车的聚集堆放等。通常而言,一天内潮汐时段均衡的停放区域可以自行实现单车数量周期性动态平衡,而一天内潮汐时段不等的停放区域内居民出行天然有偏差,加剧了关键时段共享单车借不到或还不进的供需失衡现状。因此,对于不同单车停放区域,精细可靠地探测共享单车出行潮汐失衡时段,是实时适应引导停放、科学合理设置调度方案的基础问题。
当前我国共享单车智能锁大多嵌入了全球导航卫星系统(GNSS,GlobalNavigation Satellite System)或智能卡(SIM,Subscriber Identity Module)用于时空定位和骑行状态感知,其记录的轨迹位置直接反映了真实的居民出行过程,为客观分析不同区域内居民共享单车出行潮汐时段及失衡程度提供了重要数据源。当前共享单车出行潮汐时段探测方法主要基于密度和净流量等出行特征构建潮汐指标,通过硬性划分时段依次探测共享单车借还失衡的潮汐时段。然而,潮汐指标阈值的设置和时间分辨率的划分依赖人工经验设置,极易低估真实的潮汐时长和失衡程度。
综上所述,现有的共享单车出行潮汐时段的预测方法存在准确性低的问题。
发明内容
本申请实施例提供了一种共享单车出行潮汐时段的预测方法,可以解决 共享单车出行潮汐时段的预测方法准确性低的问题。
本申请的实施例中,提供了一种共享单车出行潮汐时段的预测方法,包括:
根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段;
根据历史候选时段的潮汐失衡程度,构建潮汐时段预测模型;
利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
可选的,根据目标区域的历史有效OD轨迹数据确定时间邻域,包括:
计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值;
根据每个历史OD时间戳的核密度相对值,计算历史OD时间戳数据集的核密度确定性;
可选的,计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值,包括:
通过计算公式
可选的,根据每个历史OD时间戳的核密度相对值,计算历史OD时间戳数据集的核密度确定性,包括:
通过计算公式
可选的,根据时间邻域确定目标区域的历史候选时段,包括:
通过计算公式
可选的,根据历史候选时段的潮汐失衡程度,构建潮汐时段预测模型,包括:
通过计算公式
对每个训练数据子集构建决策树模型,并将构建得到的多个决策树模型作为潮汐时段预测模型。
可选的,待预测候选时段包括多个待预测候选子时段。
可选的,利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测,包括:
将第前天的所有历史候选子时段中,与所述多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征作为所述待预测候选时段的一周期性特征/>,得到所述待预测候选时段的周期性特征集/>,/>;其中,/>,所述待预测候选时段的周期性特征集中任一周期性特征/>包括第前天与所述待预测候选时段重合范围最大的多个历史候选子时段的周期性特征;
利用所述潮汐时段预测模型对所述样本数据集进行计算,并将多个决策树输出结果的平均值作为潮汐时段预测模型的预测结果/>,/>,/>表示第/>个待预测候选子时段的预测结果,/>表示待预测候选子时段的总数量;
可选的,在根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段之前,本申请提供的共享单车出行潮汐时段的预测方法还包括:
对目标区域的历史OD轨迹数据进行预处理,得到历史有效OD轨迹数据。
可选的,本申请提供的共享单车出行潮汐时段的预测方法还包括:根据历史有效OD轨迹数据的密度分布特征,识别历史候选时段中的历史潮汐时段。
可选的,根据历史有效OD轨迹数据的密度分布特征,识别历史候选时段中的历史潮汐时段,包括:根据历史候选时段中历史OD点的密度分布,识别历史候选时段中的历史高峰子时段;根据每个历史高峰子时段中历史OD点的密度分布,识别所有历史高峰子时段中的历史潮汐子时段,历史潮汐子时段经过聚合得到历史潮汐时段。
可选的,根据历史候选时段中历史OD点的密度分布,识别历史候选时段中的历史高峰子时段,包括:
通过计算公式
通过计算公式
可选的,根据每个历史高峰子时段中历史OD点的密度分布,识别所有历史高峰子时段中的历史潮汐子时段,历史潮汐子时段经过聚合得到历史潮汐时段,包括:
通过计算公式
得到第个历史高峰子时段/>中包括/>个历史O点的概率/>,表示第/>个历史高峰子时段/>中历史O点的数量,/>表示第/>个历史高峰子时段中历史OD点的总数量,/>表示所有历史OD点中历史O点出现的概率,/>,;
通过计算公式
本申请的上述方案有如下的有益效果:
在本申请的实施例中,通过历史有效OD轨迹数据确定时间邻域,能够避免采用固定步长划分研究时段的局限性,提高了潮汐时段预测的准确性;通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型,能够消除了人为主观因素的影响,提高了潮汐时段预测的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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为本申请一实施例提供的共享单车出行潮汐时段的预测方法的流程图;
图2为本申请实施例中共享单车出行潮汐时段的预测方法的预测结果与实际情况的对比示意图;
图3为本申请实施例中将厦门市思明区和湖里区构成的厦门岛作为研究区域的潮汐时段探测结果示意图;
图4为本申请实施例中软件园附近停车区域的潮汐时段探测结果示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
针对目前共享单车出行潮汐时段的预测方法准确性低的问题,本申请提供了一种共享单车出行潮汐时段的预测方法,通过历史有效行出发地-目的地 (OD,Origin toDestination)轨迹数据确定时间邻域,能够避免采用固定步长划分研究时段的局限性,提高了潮汐时段预测的准确性;通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型,能够消除了人为主观因素的影响,提高了潮汐时段预测的准确性。
如图1所示,本申请提供的共享单车出行潮汐时段的预测方法有以下步骤:
步骤11,根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段。
上述历史OD轨迹数据,包含了一段历史时间内,共享单车出行的起止地点信息和时间信息。
上述历史有效OD轨迹数据由历史OD轨迹数据经过预处理后得到。
示例性的,上述预处理过程为:
首先,删除目标区域之外、时间格式异常和行程时间大于1小时的历史OD轨迹数据。而对于位置坐标重复或开关锁状态连续的同一辆共享单车的OD轨迹点,仅保留时间戳最早的一个历史OD点。
其次,由于空间定位设备误差,共享单车并不总是严格地停放在停车桩或电子围栏内,需要对共享单车实际停放区域进行重新划分。具体的,提取目标区域内共享单车电子围栏的地理中心,进一步生成冯洛诺伊图(Voronoi diagram)图,利用目标区域切割城市边界处Voronoi单元,实现目标区域单车停放区域的空间划分。
值得一提的是,本申请的实施例中,时间邻域并非基于固定步长来划分,而是根据目标区域内的历史OD轨迹数据进行自适应划分,避免了固定步长划分时间邻域导致预测结果不准确或出现纰漏的问题。
步骤12,根据历史候选时段的潮汐失衡程度,构建潮汐时段预测模型。
在此计算历史候选时段的潮汐失衡程度能弥补相关方法缺乏预测共享单车潮汐失衡的不足,提高潮汐时段预测的准确度。
步骤13,利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
可见,本申请提供的共享单车出行潮汐时段的预测方法通过历史有效OD轨迹数据确定时间邻域,能够避免采用固定步长划分研究时段的局限性,提高了潮汐时段预测的准确性;通过历史候选时段的潮汐失衡程度构建潮汐时段预测模型,能够消除了人为主观因素的影响,提高了潮汐时段预测的准确性。
下面对步骤11(根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段)中根据目标区域的历史有效OD轨迹数据确定时间邻域的具体过程做示例性说明。
步骤11.1.1,将历史有效OD轨迹数据中的个历史OD点按时间戳升序排列,得到历史OD时间戳数据集/>,/>;其中,/>表示所有/>个历史OD时间戳中的第/>个历史OD时间戳,/>,/>表示历史OD时间戳的总数量。
步骤11.1.2,计算历史OD时间戳数据集中每个历史OD时间戳的核密度相对值。
具体的,通过计算公式
得到每个历史OD时间戳的核密度相对值得到每个历史OD时间戳的核密度相对值/>;其中,/>表示第/>个历史OD时间戳/>和第/>个历史OD时间戳/>的时间差,/>表示满足/>的历史OD时间戳,/>表示核密度函数带宽值。/>
步骤11.1.3,根据每个历史OD时间戳的核密度相对值,计算历史OD时间戳数据集的核密度确定性。
具体的,通过计算公式
绘制核密度函数带宽值熵曲线的方法属于公知常识,在此不做赘述。
下面对步骤11(根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据时间邻域确定目标区域的历史候选时段)中根据时间邻域确定目标区域的历史候选时段的具体过程做示例性说明。
步骤11.2,通过计算公式
下面对步骤12(根据历史候选时段的潮汐失衡程度,构建潮汐时段预测模型)的具体过程做示例性说明。
步骤12.1,通过计算公式
上述训练数据集中包括多个训练数据子集。
步骤12.7,对每个训练数据子集构建决策树模型,并将构建得到的多个决策树模型作为潮汐时段预测模型。
上述潮汐时段预测模型表示由多个决策树模型构成的随机森林预测模型。
下面对步骤13(利用潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测)的具体过程做示例性说明。
示例性的,若待预测候选时段包括两个待预测候选子时段((7:30-7:45),(8:00-8:15)),则针对前H天中的每一天,选取与上述待预测候选子时段((7:30-7:45),(8:00-8:15))重合范围最大的两个历史候选子时段((7:35-7:50),(8:05-8:20)),并将上述两个历史候选子时段的周期性特征作为待预测候选时段的一周期性特征,由所有的周期性特征构成待预测候选时段的周期性特征集/>,/>。
步骤13.4,利用潮汐时段预测模型对样本数据集进行计算,并将多个决策树输出结果的平均值作为潮汐时段预测模型的预测结果/>,/>,/>表示第/>个待预测候选子时段的预测结果,/>表示待预测候选子时段的总数量。
需要说明的是,上述潮汐源子时段和潮汐汇子时段是根据该候选时段中,OD点数量的大小对该候选时段进行区分的,一般情况下,潮汐源子时段中OD点的数量要大于潮汐汇子时段中OD点的数量。
下面对本申请中,根据历史有效OD轨迹数据的密度分布特征,识别历史候选时段中的历史潮汐时段的具体过程做示例性说明:
步骤a,根据历史候选时段中历史OD点的密度分布,识别历史候选时段中的历史高峰子时段。
需要说明的是,在目标区域不存在高峰出行的理想假设下,OD点分布理论概率符合均匀分布。
具体的,上述步骤的具体过程如下:
步骤b,根据每个历史高峰子时段中历史OD点的密度分布,识别所有历史高峰子时段中的历史潮汐子时段,历史潮汐子时段经过聚合得到历史潮汐时段。
需要说明的是,在目标区域共享单车借还均衡、不存在潮汐现象的理想假设下,O点出现的理论概率符合二项分布。
具体的,上述步骤的具体过程如下:
通过计算公式得到第/>个历史高峰子时段中包括/>个历史O点的概率/>,/>表示第/>个历史高峰子时段/>中历史O点的数量,/>表示第/>个历史高峰子时段/>中历史OD点的总数量,/>表示所有历史OD点中历史O点出现的概率,/>,/>。
通过计算公式
具体的,首先,将目标区域内识别的所有个历史潮汐源子时段按时间升序排列。然后,以历史潮汐源子时段/>为种子历史潮汐源时段/>,若下一个历史潮汐源子时段/>与其时段交集不为空,则/>与/>聚合为一个新的种子历史潮汐源时段/>。若/>与/>时段交集为空,则以/>为种子历史潮汐源时段生成新的种子历史潮汐源时段/>。重复上述过程,直至最后一个历史潮汐源子时段被访问完毕。最后,目标区域识别到的历史潮汐源时段表示为/>。
具体的,首先,将目标区域区域内识别的所有个历史潮汐汇子时段按时间升序排列/>。然后,以历史潮汐汇子时段/>为种子历史潮汐汇时段/>,若下一个历史潮汐汇子时段/>与其时段交集不为空,则/>与/>聚合为一个新的种子历史潮汐汇时段。若/>与/>时段交集为空,则以/>为种子历史潮汐汇时段生成新的种子历史潮汐汇时段/>。重复上述过程,直至最后一个历史潮汐汇子时段被访问完毕。最后,目标区域识别到的历史潮汐汇时段表示为/>。/>
为了便于理解本申请提供的技术方案,下面结合具体实施例对本申请提供的共享单车出行潮汐时段的预测方法做示例性说明。
本申请的实施例中选择厦门市思明区和湖里区构成的厦门岛作为目标区域,采集该区域内共享单车的历史OD轨迹数据。
对历史OD轨迹数据进行预处理,具体如下:
首先,删除目标区域之外、时间格式异常和行程时间大于1小时的历史OD轨迹数据。而对于位置坐标重复或开关锁状态连续的同一辆共享单车的OD轨迹点,仅保留时间戳最早的一个历史OD点。
其次,由于空间定位设备误差,共享单车并不总是严格地停放在停车桩或电子围栏内,需要对共享单车实际停放区域进行重新划分。具体的,提取目标区域内共享单车电子围栏的地理中心,进一步生成冯洛诺伊图(Voronoi diagram)图,利用目标区域切割城市边界处Voronoi单元,实现目标区域单车停放区域的空间划分。
根据历史有效OD轨迹数据的密度分布特征,识别历史候选时段中的历史潮汐时段,具体如下:
通过计算公式 得到第/>个历史高峰子时段中包括/>个历史O点的概率/>,/>表示第/>个历史高峰子时段/>中历史O点的数量,/>表示第/>个历史高峰子时段/>中历史OD点的总数量,/>表示所有历史OD点中历史O点出现的概率,/>,/>。
将目标区域内识别的所有个历史潮汐源子时段按时间升序排列。然后,以历史潮汐源子时段/>为种子历史潮汐源时段/>,若下一个历史潮汐源子时段/>与其时段交集不为空,则/>与/>聚合为一个新的种子历史潮汐源时段。若/>与/>时段交集为空,则以/>为种子历史潮汐源时段生成新的种子历史潮汐源时段/>。重复上述过程,直至最后一个历史潮汐源子时段被访问完毕。最后,目标区域识别到的历史潮汐源时段表示为/>。
将目标区域区域内识别的所有个历史潮汐汇子时段按时间升序排列。然后,以历史潮汐汇子时段/>为种子历史潮汐汇时段/>,若下一个历史潮汐汇子时段/>与其时段交集不为空,则/>与/>聚合为一个新的种子历史潮汐汇时段/>。若/>与/>时段交集为空,则以/>为种子历史潮汐汇时段生成新的种子历史潮汐汇时段/>。重复上述过程,直至最后一个历史潮汐汇子时段被访问完毕。最后,目标区域识别到的历史潮汐汇时段表示为/>。
对原始数据集采用Bootstrap方法有放回地进行随机抽取得到训练数据集;上述训练数据集中包括多个训练数据子集。
对每个训练数据子集构建决策树模型,并将构建得到的多个决策树模型作为潮汐时段预测模型。
将第前天的所有历史候选子时段中,与多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征/>,得到待预测候选时段的周期性特征集/>,;其中,/>,待预测候选时段的周期性特征集中任一周期性特征/>包括第前/>天与待预测候选时段重合范围最大的多个历史候选子时段的周期性特征。
将待预测候选时段的周期性特征集和待预测候选时段的邻近性特征集作为样本数据集,并利用潮汐时段预测模型对样本数据集进行计算。
最终,12月25日,经过本申请提供的共享单车出行潮汐时段的预测方法得到的潮汐时段预测结果和实际情况的对比如图2所示,图2纵坐标表示潮汐失衡程度,图2横坐标表示待预测候选时段,可见,本申请提供的共享单车出行潮汐时段的预测方法具备优异的准确性,本申请实施例中,整个研究区域的潮汐时段探测结果如图3所示,软件园附近停车区域的潮汐时段探测结果如图4所示,结合图3和图4,可见本申请提供的共享单车潮汐时段的预测方法识别的准确率十分优秀。
综上,本申请提供的技术方案具备以下优点:
1)本申请提供的技术方案基于单车出行OD点时间戳借助密度估计与确定性准则自动生成子时段,有效地避免了不匹配时间步长导致的潮汐时段漏判和低估。
2)本申请提供的技术方案基于OD点时间密度分布特征构建具有统计学意义的检验模型,基于显著性判别和时段聚类的方式实现了潮汐时段的自适应度量和探测。
3)本申请提供的技术方案通过构建潮汐失衡的周期性特征和邻近性特征进行未来时刻(待预测候选时段)潮汐时段的预测。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种共享单车出行潮汐时段的预测方法,其特征在于,包括:
根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据所述时间邻域确定所述目标区域的历史候选时段;
根据所述历史候选时段的潮汐失衡程度,构建潮汐时段预测模型;
利用所述潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测。
6.根据权利要求5所述的预测方法,其特征在于,所述根据所述历史候选时段的潮汐失衡程度,构建潮汐时段预测模型,包括:
通过计算公式
对所述原始数据集X进行随机抽取,得到训练数据集;所述训练数据集中包括多个训练数据子集;
对每个所述训练数据子集构建决策树模型,并将构建得到的多个决策树模型作为所述潮汐时段预测模型。
7.根据权利要求6所述的预测方法,其特征在于,所述待预测候选时段包括多个待预测候选子时段;
所述利用所述潮汐时段预测模型对待预测候选时段中的潮汐时段进行预测,包括:
将第前h天的所有历史候选子时段中,与所述多个待预测候选子时段重合范围最大的多个历史候选子时段的周期性特征作为所述待预测候选时段的一周期性特征,得到所述待预测候选时段的周期性特征集/>,/>;其中,/>,所述待预测候选时段的周期性特征集中任一周期性特征/>包括第前/>天与所述待预测候选时段重合范围最大的多个历史候选子时段的周期性特征;
利用所述潮汐时段预测模型对所述样本数据集进行计算,并将多个决策树输出结果的平均值作为所述潮汐时段预测模型的预测结果/>,/>,/>表示第/>个待预测候选子时段的预测结果,/>表示待预测候选子时段的总数量;
8.根据权利要求1所述的预测方法,其特征在于,在所述根据目标区域的历史有效OD轨迹数据确定时间邻域,并根据所述时间邻域确定所述目标区域的历史候选时段之前,所述预测方法还包括:
对目标区域的历史OD轨迹数据进行预处理,得到所述历史有效OD轨迹数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137743.2A CN115879016B (zh) | 2023-02-20 | 2023-02-20 | 共享单车出行潮汐时段的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137743.2A CN115879016B (zh) | 2023-02-20 | 2023-02-20 | 共享单车出行潮汐时段的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879016A true CN115879016A (zh) | 2023-03-31 |
CN115879016B CN115879016B (zh) | 2023-05-16 |
Family
ID=85761325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137743.2A Active CN115879016B (zh) | 2023-02-20 | 2023-02-20 | 共享单车出行潮汐时段的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879016B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5241142A (en) * | 1988-06-21 | 1993-08-31 | Otis Elevator Company | "Artificial intelligence", based learning system predicting "peak-period" ti |
JPH0962979A (ja) * | 1995-08-25 | 1997-03-07 | Toshiba Corp | 交通流予測装置 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
US20200160695A1 (en) * | 2017-11-13 | 2020-05-21 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for monitoring traffic congestion |
CN111461500A (zh) * | 2020-03-12 | 2020-07-28 | 北京航空航天大学 | 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法 |
CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
CN113487219A (zh) * | 2021-07-23 | 2021-10-08 | 重庆交通大学 | 一种城市出租车需求预测方法、装置和计算机设备 |
CN114283590A (zh) * | 2021-09-02 | 2022-04-05 | 青岛海信网络科技股份有限公司 | 车流量高峰预测方法及装置、电子设备 |
CN115577306A (zh) * | 2022-12-07 | 2023-01-06 | 中南大学 | 基于自适应密度聚类的共享单车出行潮汐区域探测方法 |
-
2023
- 2023-02-20 CN CN202310137743.2A patent/CN115879016B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5241142A (en) * | 1988-06-21 | 1993-08-31 | Otis Elevator Company | "Artificial intelligence", based learning system predicting "peak-period" ti |
JPH0962979A (ja) * | 1995-08-25 | 1997-03-07 | Toshiba Corp | 交通流予測装置 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN105719019A (zh) * | 2016-01-21 | 2016-06-29 | 华南理工大学 | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 |
US20200160695A1 (en) * | 2017-11-13 | 2020-05-21 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for monitoring traffic congestion |
CN111461500A (zh) * | 2020-03-12 | 2020-07-28 | 北京航空航天大学 | 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法 |
CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
CN113487219A (zh) * | 2021-07-23 | 2021-10-08 | 重庆交通大学 | 一种城市出租车需求预测方法、装置和计算机设备 |
CN114283590A (zh) * | 2021-09-02 | 2022-04-05 | 青岛海信网络科技股份有限公司 | 车流量高峰预测方法及装置、电子设备 |
CN115577306A (zh) * | 2022-12-07 | 2023-01-06 | 中南大学 | 基于自适应密度聚类的共享单车出行潮汐区域探测方法 |
Non-Patent Citations (2)
Title |
---|
DAVOR LJUBENKOV 等: "Optimizing Bike Sharing System Flows Using Graph Mining, Convolutional and Recurrent Neural Networks", 《IEEE》 * |
姜晓 等: "基于多尺度时空聚类的共享单车潮汐特征挖掘与 需求预测研究", 《地球信息科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115879016B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264709B (zh) | 基于图卷积网络的道路的交通流量的预测方法 | |
CN104050817B (zh) | 限速信息库生成、限速信息检测的方法和系统 | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN108415975B (zh) | 基于bdch-dbscan的出租车载客热点识别方法 | |
Castro et al. | Urban traffic modelling and prediction using large scale taxi GPS traces | |
CN101710448B (zh) | 基于全方位计算机视觉的道路交通状态检测装置 | |
Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
CN110738856B (zh) | 一种基于移动聚类的城市交通拥堵精细识别方法 | |
CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
CN109272756A (zh) | 一种信控交叉口排队长度估计方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN107195177B (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
CN104715610A (zh) | 一种面向城市交通的交通指数计算方法 | |
CN109840640B (zh) | 一种电动汽车充电桩的选址方法和系统 | |
CN110827537B (zh) | 一种潮汐车道的设置方法、装置及设备 | |
CN104182633B (zh) | 分层次的交通运行评价方法 | |
CN112150045B (zh) | 基于车辆位置统计判断城市共享车辆供需关系的方法及其监测系统 | |
CN111428154A (zh) | 基于四叉树划分优化的单车gps数据多视图可视交互分析方法 | |
CN116703132B (zh) | 共享车辆动态调度的管理方法、装置及计算机设备 | |
CN116704750B (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
CN115879016A (zh) | 共享单车出行潮汐时段的预测方法 | |
CN108596381B (zh) | 基于od数据的城市停车需求预测方法 | |
Fior et al. | Correlating extreme weather conditions with road traffic safety: A unified latent space model | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles |
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 |