一种基于波动率的通勤出行模式识别方法技术

本发明专利技术涉及一种基于波动率的通勤出行模式识别方法，该方法首先进行城市区域划分，使用K‑means算法进行聚类，随机选择聚类中心，针对聚类数据集中的每个站点，计算每个站点到各个聚类中心点的影响距离，确定站点到哪个聚类中心的影响距离最小，就将站点划分到该聚类中心的类中，输出聚类中心和各个类中的所有站点；然后进行通勤出行模式识别，该步骤中引入客流波动率，计数大于阈值的波动率个数q，若q＝4且四个波动率峰值分别对应早高峰和晚高峰的起止时间点，那么这一对研究对象区域被识别为通勤出行模式。该方法可以准确识别通情出行模型，从而提高站点客流预测的准确性，进而可有效给予拥堵或异常的预警。

【技术实现步骤摘要】
一种基于波动率的通勤出行模式识别方法
本专利技术涉及OD区域客流预测的LSTM网络数据预处理方法，特别涉及一种基于波动率的通勤出行模式识别方法。
技术介绍
随着世界城市现代化进程的发展，以及城市内各种商圈的逐渐兴起与发展，使得城市经济不断繁荣，与此同时，城市居民数量也在迅速的增加，道路机动车的数量日益增长，为城市道路交通带来非常巨大的压力。由于固有的城市道路数量并不能跟的上城市居民的出行需求，导致城市道路拥堵状况愈发严重。而道路交通的拥堵严重制约城市经济发展，成为制约城市现代化发展的重要问题。由于近年来，城市内文化交流频繁，包括各种大型活动的举办，以及节假日导致的居民城市居民出行量在不断增加，非常容易造成短时间内客流的突发增长。城市居民生活质量不断提升，对出行的舒适度、便捷度要求也在不断增长。城市轨道交通以其方便、快捷、准时、客运量大的优点成为解决城市道路拥堵的重要交通工具之一。现在重庆市居民的出行以轨道交通作为重要的出行方式，所以对于重庆市来说轨道交通已经成为城市交通的主动脉，成为缓解客流拥堵状况的重要方式。在重庆，每天有超过200万本文档来自技高网...

【技术保护点】
1.一种基于波动率的通勤出行模式识别方法，其特征在于，包括如下步骤：/nS10:进行城市区域划分；/nS11:通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围：取所有n个研究对象站点x作为聚类数据集Ω，Ω＝{x

【技术特征摘要】
1.一种基于波动率的通勤出行模式识别方法，其特征在于，包括如下步骤：
S10:进行城市区域划分；
S11:通过城市现有的行政和功能区域划分规划区域划分聚类个数和聚类范围：取所有n个研究对象站点x作为聚类数据集Ω，Ω＝{x1,x2,x3……xn}；
将所有研究对象站点分别归类到k个站点区域集合Θi中，Θi＝{xi,1,xi,2,xi,3……}，i∈{1,2,3,4…,k}；
S12:使用K-means算法进行聚类，随机选择聚类中心，针对聚类数据集Ω中的每个站点，计算每个站点到各个聚类中心点的影响距离确定站点xi到哪个聚类中心的影响距离最小，就将站点xi划分到该聚类中心的类中，输出聚类中心和各个类中的所有站点；
S20:通勤出行模式识别；
S21:每个聚类中心和该聚类中心的所有站点构成一个研究对象区域，两个研究对象区域组成的一组研究对象区域；
对一组研究对象区域随机抽取若干个工作日的每小时客流统计数据ai，24个小时的客流数据组成数据集Ψ，Ψ＝{a1,a2,a3…a24}；
S22:分别计算24-n个客流波动率si，检索24-n个客流波动率si，计数大于阈值的波动率个数q：
若q＝4且四个波动率峰值分别对应早高峰和晚高峰的起止时间点，那么这一对研究对象区域被识别为通勤出行模式。


2.如权利要求1所述的基于波动率的通勤出行模式识别方法，其特征在于，所述S12随机选择聚类中心的方法为：
1)从聚类数据集Ω中随机选取一个站点作为初始聚类中心C1，通过公式(1)计算站点xi与聚类中心点Cj的欧氏距离用通过公式(2)计算站点xi被选为下一个聚类中心点的概率






其中，k是坐标参数维度，xik和cjk分别表示站点xi与聚类中心点C1的第k维数据；
2)按照每一个站点xi的的大小确定每一个站点的轮盘面积，再使用轮盘法选取下一个聚类中心，每次选取下一个聚类中心后将同属于一个Θi的xi从轮盘中删除，，依次选出k个聚类中心作为聚类中心点集Φ，Φ＝{c1,c2,c3…ct…ck}。


3.如权利要求2所述的基于波动率的通勤出行模式识别方法，其特征在于，所述S12中计算每个站点到各个聚类中心点的影响距离的方法为：
Ⅰ)使用公式(3)计算每个非聚类中心站点到聚类中心的欧氏距离均值Si作为欧氏距离特征值；



使用公式(4)计算每个非聚类中心站点对研究聚类中心预设区域的所属特征值Ri；



Ⅱ)分别使用公式(5)和公式(6)对求得...

【专利技术属性】
技术研发人员：安奎霖，杨梦宁，曹景南，王明宸，王壮壮，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50