通勤私家车动态拼车推荐方法技术

本发明专利技术公开了一种通勤私家车动态拼车推荐方法，包括，输入车牌自动识别数据，对其进行预处理，生成车辆轨迹集；基于城市车辆轨迹集，结合通勤私家车出行时空规律的高度重复性和周期性，设计一种工作日通勤私家车识别算法；结合通勤私家车的家‑工作地址、通勤时间窗口和工作日动态影响因素(天气、事故和交通)，实现对影响通勤私家车拼车的关键特征提取；基于通勤车辆时空特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配，为通勤私家车提供一种长期稳定的拼车机制，并在早晚高峰时段明显减少私家车车辆数。

【技术实现步骤摘要】
通勤私家车动态拼车推荐方法
本专利技术涉及智能交通系统领域，特别涉及一种通勤私家车动态拼车推荐方法。
技术介绍
随着基于位置服务和移动互联网技术的飞速发展，拼车服务已成为缓解城市交通拥堵的共享经济新模式。在拼车推荐领域，传统算法存在两个问题：第一，现有方法大多以满足乘客的实时拼车需求为单一目标，即如何减少乘客的等待时间，而尚未有效解决拼车驾驶员之间因同业竞争而增加私家车使用量的问题。因此，现有拼车方法有可能在早晚高峰时段造成更加严重的道路拥堵。第二，现有拼车方案大多依赖于GPS轨迹、手机信令等大规模人群移动数据，轨迹丰富但语义信息缺失，且尚未有效考虑天气、节假日与重大活动、交通事故等动态因素对拼车方案的重要影响。因而，难以为用户提供个性化的动态拼车方案。
技术实现思路
本专利技术的目的在于克服上述现有技术的不足，提供一种通勤私家车动态拼车推荐方法。为实现上述目的，本专利技术采用以下技术方案：通勤私家车动态拼车推荐方法，包括以下步骤：S1、输入VLPR数据集，对VLPR数据集进行预处理，生成城市车辆轨迹数据集；S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除活跃度低的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家-工作地址的车辆判定为通勤私家车；S3、结合通勤私家车的家-工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。进一步地，步骤S1具体包括以下步骤：S11、提取本地私家车，通过车牌号和车牌颜色特点，从VLPR数据集中提取本地私家车数据；S12、字段提炼，从本地私家车数据中提取所需的字段，生成过车记录数据；S13、冗余过车记录清洗，删除过车记录数据中的重复过车记录及错误记录数据；S14、生成车辆轨迹数据集，对清洗后的过车记录，按照车牌号分类，相同车牌号记录按过车时间排序，然后将相同车牌过车记录按时间顺序首位相连，形成车辆轨迹数据。进一步地步骤S12中所需的字段包括VLPR编号、VLPR类型、VLPR方向、车牌号、车牌颜色、车道号及过车时间。进一步地，步骤S2具体包括以下步骤：S21、低活跃度车辆过滤，基于通勤私家车出行规律的周期性及重复性，定义月工作日中活跃天数少于15天的私家车为活跃度过低车辆，判定活跃度过低车辆为非通勤车辆并予以排除；S22、确定潜在通勤私家车辆的潜在家地址和潜在工作地址，为确定车辆潜在″家地址″，分析每天下班至次日上班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，tm＝max(ti)，i＝1，2，...，n-1，当tm大于设定阈值即判定Lm+1为其潜在家地址；为确定车辆潜在″工作地址″，分析每天上班至下班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，当tm大于设定阈值即判定Lm为该车辆潜在″工作地址″；S23、确定车辆家地址和工作地址，对于每辆潜在通勤私家车的潜在家地址，计算每个潜在家地址的频率freq(PHi)，标记频率最高且频率大于0.8的潜在家地址为家地址，对于潜在工作地址，计算其从已确定的家地址出发的频率freq(PWi)，同时计算其距离家地址的距离dist(PWi)，确定拥有最大值max(freq(PWi)×dist(PWi))的潜在工作地址为真正的工作地址；S24、确定通勤私家车，判定同时拥有拥有家-工作地址的私家车为通勤私家车。进一步地，步骤S3具体包括以下步骤：S31、空间特征提取，将每辆通勤私家车的家地址和工作地址的经纬度作为通勤私家车空间特征；S32、时间特征提取，将多个工作日作为观测时间范围，将每个工作日出发时间和到达时间分别作为一维特征，为了将时间量化，将出发时间转换为其距离当天00:00的小时数，将到达时间转换为其距离06:00的小时数，若当天早高峰该车辆无通勤轨迹，则出发时间与到达时间用0代替；S33、动态影响因素特征提取，考虑到交通流、交通事故和天气情况等动态影响因素对拼车推荐的影响，分别提取每个工作日早高峰的动态影响因素特征，对于交通流，将是否周一作为一维特征，是为1，否则为0；对于交通事故，将当天早高峰厦门市发生的交通事故总数作为事故特征；对于天气，分别考虑当天早高峰的能见度和降雨量作为两维天气特征。进一步地，步骤S31中，考虑拼车时相近起点及终点的重要性，防止其它特征在聚类算法中产生过多的干扰，将经度转换为其与所有VLPR设备最小经度的差值，将纬度转换为其与所有VLPR设备最小纬度的差值，将转换后的经纬度同时乘以1000，以加大空间特征的权重。进一步地，步骤S4具体包括以下步骤：S41、将每辆通勤私家车的空间特征和时间特征为描述通勤私家车通勤规律的时空特征向量，运用k-means算法对通勤私家车进行粗粒度聚类，使具有相似通勤规律的通勤车辆聚为一类。S42、根据动态影响因素来确定驾驶人向乘客提供拼车服务的意愿因子IF，具体为，IF＝ω1×isMonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，isMonday表示是否周一，是为1，否为0；visibility表示早高峰能见度；rainfall表示早高峰降雨量；accident表示早高峰交通事故总数；ω1，ω2，ω3，与ω4分别代表四个因素对通勤私家车出行规律的影响程度，其中能见度visibili与影响因子呈负相关，故系数为负；S43、在不同的意愿因子作用下，结合不同的共享座位数seats∈[1，4]，运用递归AGNES算法，生成不同共享座位数下的通勤私家车拼车组合。进一步地，步骤S43中为求得不同动态影响因素下最佳共享座位数，首先定义一个能量函数E，其公式如下，E(IF，seats)＝D(IF，seats)+αS(IF，seats)式中，IF为意愿因子，seats为愿意共享座位数量，数据项D(IF，seats)为拼车后减少车辆数，平滑项S(IF，seats)为拼车准确度与乘客平均等待时间对最终拼车效果的影响，α为平衡因子，α∈[0，1]；数据项D(IF，seats)和平滑项S(IF，seats)的计算公式如下，D(IF，seats)＝N-M(IF，seats)；式中，N为总车辆数，M(IF，seats)为车辆组合个数，WT(IF，seats)为乘客平均等待时间，RA(IF，seats)为平均拼车准确度，与β为可调参数，用来决定拼车准确度与乘客等待时间影响拼车效果的权重；对每一个意愿因子IF，取seats为使得能量函数E(if，seats)为最大值的共享座位数，则有，seats＝argmaxE(if，seats)，seats∈[1，4]。采用上述技术方案后，本专利技术与
技术介绍
相比，具有如下优点：一方面提本文档来自技高网...

【技术保护点】
通勤私家车动态拼车推荐方法，其特征在于，包括以下步骤：S1、输入VLPR数据集，对VLPR数据集进行预处理，生成城市车辆轨迹数据集；S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除活跃度低的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家‑工作地址的车辆判定为通勤私家车；S3、结合通勤私家车的家‑工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。

【技术特征摘要】
1.通勤私家车动态拼车推荐方法，其特征在于，包括以下步骤：S1、输入VLPR数据集，对VLPR数据集进行预处理，生成城市车辆轨迹数据集；S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除活跃度低的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家-工作地址的车辆判定为通勤私家车；S3、结合通勤私家车的家-工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。2.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S1具体包括以下步骤：S11、提取本地私家车，通过车牌号和车牌颜色特点，从VLPR数据集中提取本地私家车数据；S12、字段提炼，从本地私家车数据中提取所需的字段，生成过车记录数据；S13、冗余过车记录清洗，删除过车记录数据中的重复过车记录及错误记录数据；S14、生成车辆轨迹，对清洗后的过车记录，按照车牌号分类，相同车牌号记录按过车时间排序，然后将相同车牌过车记录按时间顺序首位相连，形成车辆轨迹数据。3.根据权利要求2所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S12中所需的字段包括VLPR编号、VLPR类型、VLPR方向、车牌号、车牌颜色、车道号及过车时间。4.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于，步骤S2具体包括以下步骤：S21、低活跃度车辆过滤，基于通勤私家车出行规律的周期性及重复性，定义月工作日中活跃天数少于15天的私家车为活跃度过低车辆，判定活跃度过低车辆为非通勤车辆并予以排除；S22、确定潜在通勤私家车辆的潜在家地址和潜在工作地址，为确定车辆潜在″家地址″，分析每天下班至次日上班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，tm＝max(ti)，i＝1，2，...，n-1，当tm大于设定阈值即判定Lm+1为其潜在家地址；为确定车辆潜在″工作地址″，分析每天上班至下班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，当tm大于设定阈值即判定Lm为该车辆潜在″工作地址″；S23、确定车辆家地址和工作地址，对于每辆潜在通勤私家车的潜在家地址，计算每个潜在家地址的频率freq(PHi)，标记频率最高且频率大于0.8的潜在家地址为家地址，对于潜在工作地址，计算其从已确定的家地址出发的频率freq(PWi)，同时计算其距离家地址的距离dist(PWi)，确定拥有最大值m3x(freq(PWi)×dist(PWi))的潜在工作地址为真正的工作地址；S24、确定通勤私家车，判定同时拥有拥有家-工作地址的私家车为通勤私家车。5.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于，步骤S3具体包括以下步骤：S31、空间特征提取，将每辆通...

【专利技术属性】
技术研发人员：范晓亮，唐方，李军，王程，陈龙彪，臧彧，程明，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35