一种基于大数据的校车路径优化方法技术

一种基于大数据的校车路径优化方法，具体包括：对现有大量数据进行统计，得出先验信息；利用赤池信息量模型，结合先验信息，提取特征参数子集；依据特征参数子集，计算概率密度，得到交通拥堵程度；划分区域，对每一区域内学生点进行初始静态路径规划；基于静态路径和交通拥堵程度建立动态预测最优路线模型；依次判断出最优点，得到最优路径。本申请保证了学生安全和交通的便捷性，节约成本和时间，减轻社会交通压力。

A school bus routing optimization method based on large data

A bus including path optimization method, based on large data: statistical analysis of the existing data, draw a priori information; using the Akaike information model, combined with a priori information, extracting feature parameters subset; parameters subset, calculation of probability density, traffic congestion degree; divide the region of initial static path planning of the student point of each region; establish dynamic prediction model of optimal route static path and traffic congestion degree based on the judgment; in order to get the optimal path. The application guarantees the safety of students and the convenience of transportation, saves cost and time, and reduces the social traffic pressure.

【技术实现步骤摘要】
一种基于大数据的校车路径优化方法
本专利技术属于车辆路径优化领域，具体说是一种基于大数据的校车路径优化方法。
技术介绍
随着我国城乡经济迅速发展，人民生活水平日益提高，人们对教育的重视程度也越来越大，我国政府对教育的投入也逐年增加，使得我国中小学入学人数增多，中小学校数也比改革开放初期大幅度增加。社会经济的发展、城市化进程的加快，道路交通的拥堵和安全问题也随之而来，其中学生的出行问题更是当今社会普遍关注的。而校车作为一种专门面向学生的公共交通工具，即能够满足运送大量学生的需求又能保证安全，使其成为解决学生出行问题的最佳方案。对于校车而言，最重要的就是行驶路线的选取，这就需要考虑校车是否能够满足分布在各个居住地的学生的需求。所以对校车行驶路线进行科学合理的优化调度就显得迫在眉睫。由于乘车费用以及城市道路交通的复杂性，现有的校车路径规划具有学区分布不均，人数分布不平衡，安全性不高等局限性；解决方案只是针对大量数据浅显分析乘车意愿和位置分布，没有找出大量数据之间的关联性和潜在的有价值数据。随着数据挖掘技术研究的进步与发展，给校车路径优化带来了新的方法和思路。结合上述问题，再加上近些年来，学校门前拥堵点已成为各大城市交通拥堵治理的关键点位。根据调查其原因在于学校周边配套交通设施，集散场地及接送车辆停车位缺乏，尤其是如果小学门前道路为城市主干道路，上下学期间一旦发生交通拥堵，就会影响到周边区域的通行能力。为缓解交通拥堵，完善中小学周边交通设施配套，维护学校周边交通秩序，同时保证小学生上下学期间的交通安全，建立中小学出行大数据分析系统十分必要。
技术实现思路
鉴于上述问题，为了提高校车运行效率，保证学生的安全和交通的便捷性，节约成本和时间，减轻社会交通压力，提出一种基于大数据的校车路径优化方法。为实现上述目的，本申请采用的技术方案是：一种基于大数据的校车路径优化方法，具体包括：S1：对现有大量数据进行统计，得出先验信息；S2：利用赤池信息量模型，结合先验信息，提取特征参数子集；S3：依据特征参数子集，计算概率密度，得到交通拥堵程度；S4：划分区域，对每一区域内学生点进行初始静态路径规划；S5：基于静态路径和交通拥堵程度建立动态预测最优路线模型；S6：依次判断出最优点，得到最优路径。进一步的，赤池信息量模型为：AICH＝logσ2+(m/n)logn其中σ2为模型方差，m为模型的最高参数，n为参数个数，选取AIC值最小的特征参数子集，即为最优影响因素子集。进一步的，概率密度指的是网络各路段之间联系的拥堵程度；网络之间的联系越紧密，路段的拥堵程度就越大，其计算公式如下：P＝f(S,T,M)其中，S、T、M是上述赤池信息量模型选取出的影响因素。进一步的，将不拥堵状态路段视为健康状态S，半拥堵状态视为感染状态I，拥堵状态视为被移除状态R；Sk(t)、Ik(t)和Rk(t)分别为具有k个边的节点处于不拥堵状态、半拥堵状态、拥堵状态的相对密度，并且满足归一化条件：Sk(t)+Ik(t)+Rk(t)＝1。进一步地，S(t)、I(t)、R(t)分别表示网络中节点处于不拥堵状态、半拥堵状态、拥堵状态的平均密度，可用具有k个边的节点的相对密度表示为：更进一步的，不拥堵状态节点、半拥堵状态节点和拥堵状态节点的相对密度Sk(t)、Ik(t)和Rk(t)随时间演化的非线性微分方程为：其中，健康个体与感染个体相接触时,健康个体将以p的概率被感染，同时，感染个体以δ概率恢复为健康个体，定义有效传播率为λ＝p/δ；并且0≤Θ(t)≤1表示任意一条给定的边与一个感染节点相连的概率，在无关联无标度网络中，Θ(t)表达式为：其中表示网络节点平均度。更进一步的，根据校车数量nb划分nb个区域，以学校为中心，根据地理位置，使每个区域包含学生数量大体相同：每一辆校车的可载人数为n，该学校乘车总人数为N，每个区域内学生点确定后，以学校为出发点，寻找最近的学生点，依次连接成初始静态路径。作为更进一步的，动态预测最优路线模型为：L＝αA+βD+δE其中，A为拥堵程度，D为距离，E为偏离量；α为拥堵系数，表示各路段拥堵程度的调节参数；β为距离系数，表示当前节点与下一节点距离的调节参数；δ为偏离系数，前进方向与预期方向偏离程度的调节参数，其中拥堵系数与偏离系数所占比重较大，且三个系数满足式：α+β+δ＝1；根据上述模型判断最优的下一个点，依次选取到第n个点，最终得到校车最优规划路线。作为更进一步的，动态预测最优路线模型变量包含：拥堵程度A：表示各路段在不同时间内的拥堵状况，分为不拥堵状态S(t)、半拥堵状态I(t)、拥堵状态R(t)；则：距离D：表示当前节点与下一节点之间的距离；偏离量E：表示前进方向与预期方向的偏离程度，偏离程度取值为0°～90°。本专利技术由于采用以上技术方案，能够取得如下的技术效果：本申请通过大数据的分析给出了贴合实际的影响因素子集，为模型建立更符合实际情况提供了参考依据；交通拥堵情况分析可以有效地反映实时动态拥堵程度，提高路径规划可靠性和学生安全性；同时所提出的动态预测最优路线模型以静态路径和拥堵程度作为参考，抉择出最优的路线，进而得到一条最优的校车路径规划方案，节约运行成本和时间，减轻社会交通压力，保证学生安全和交通便捷性。这为校车路径规划提供了一种优化方案。附图说明本专利技术共有附图7幅：图1为本方法流程图；图2为影响因素图；图3为基于赤池信息量模型AIC的多项式回归计算过程；图4为路段拥堵状态演化图；图5为导入ArcGis软件的学生区域分布图；图6为导入ArcGis软件的一个学生区域静态路径图；图7为导入ArcGis软件所设计模型后的最优路径规划图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述。实施例1本实施例提供一种基于大数据的校车路径优化方法，具体包括：S1：对现有大量数据进行统计，得出先验信息；利用赤池信息量模型，结合先验信息，提取特征参数子集；通过对现有的学生数据进行统计分析，找出各参数对校车路径规划的影响结构构成，结合大数据可以看到影响学生出行方式的因素有很多，如：上学离家时间、家庭住址、所在年级班级、性别、出行人数、学校所在位置、上学出行方式、放学出行时间等。这些因素都对学生出行和校车的路线规划有一定的影响，但影响强度不同，如图2所示，将每个影响因子的阶数都设为一次且是相互独立的，因此建立出行影响因素方程X＝[x0x1...xm]＝[上学出行方式、家庭住址、性别、上学离家时间、出行人数、所在年级班级、学校所在位置、放学出行时间]。m＝8因此根据数据分析中不同影响因子的影响程度对影响因素进行经验分组，并计算AIC值，如下表1所示。基于上表结果，选取序号为3即AIC值最小的特征组合(上学出行方式、家庭住址、上学离家时间)，可得到最好的解释拥堵情况且包含最少影响因子的模型。在先验信息确定了影响因子后，我们结合如图3所示的计算过程进行计算。所用到的赤池信息量定义如下式所示：AIC＝2k-2ln(L)式中k为独立参数个数，L为似然函数。这里采用赤池信息量模型AIC如下式所示：AICH＝logσ2+(m/n)logn其中σ2为模型方差，m为模型的最高参数，n为参数个数。S2：依据特征本文档来自技高网...

【技术保护点】
一种基于大数据的校车路径优化方法，其特征在于，具体包括：S1：对现有大量数据进行统计，得出先验信息；S2：利用赤池信息量模型，结合先验信息，提取特征参数子集；S3：依据特征参数子集，计算概率密度，得到交通拥堵程度；S4：划分区域，对每一区域内学生点进行初始静态路径规划；S5：基于静态路径和交通拥堵程度建立动态预测最优路线模型；S6：依次判断出最优点，得到最优路径。

【技术特征摘要】
1.一种基于大数据的校车路径优化方法，其特征在于，具体包括：S1：对现有大量数据进行统计，得出先验信息；S2：利用赤池信息量模型，结合先验信息，提取特征参数子集；S3：依据特征参数子集，计算概率密度，得到交通拥堵程度；S4：划分区域，对每一区域内学生点进行初始静态路径规划；S5：基于静态路径和交通拥堵程度建立动态预测最优路线模型；S6：依次判断出最优点，得到最优路径。2.根据权利要求1所述一种基于大数据的校车路径优化方法，其特征在于，赤池信息量模型为：AICH＝logσ2+(m/n)logn其中σ2为模型方差，m为模型的最高参数，n为参数个数，选取AIC值最小的特征参数子集，即为最优影响因素子集。3.根据权利要求2所述一种基于大数据的校车路径优化方法，其特征在于，概率密度是网络各路段之间联系的拥堵程度；联系越紧密，路段的拥堵程度就越大，其计算公式如下：P＝f(S,T,M)其中，S、T、M是上述赤池信息量模型选取出的影响因素。4.根据权利要求3所述一种基于大数据的校车路径优化方法，其特征在于，将不拥堵状态路段视为健康状态S，半拥堵状态视为感染状态I，拥堵状态视为被移除状态R；Sk(t)、Ik(t)和Rk(t)分别为具有k个边的节点处于不拥堵状态、半拥堵状态、拥堵状态的相对密度。5.根据权利要求3或4所述一种基于大数据的校车路径优化方法，其特征在于，S(t)、I(t)、R(t)分别表示网络中节点处于不拥堵状态、半拥堵状态、拥堵状态的平均密度，可用具有k个边的节点的相对密度表示为：6.根据权利要求4所述一种基于大数据的校车路径优化方法，其特征在于，不拥堵状态节点、半拥堵状态节点和拥堵状态节点的相对密度Sk(t)、Ik(t)和Rk(t)随时间演化的非线性微分方程为：

【专利技术属性】
技术研发人员：陈波，朱康特，郑庆国，熊文，陈小双，胡宏章，
申请(专利权)人：大连大学，
类型：发明
国别省市：辽宁,21