一种地铁个体乘客目的站点实时预测方法及装置制造方法及图纸

本发明专利技术涉及轨道交通领域，具体涉及一种地铁个体乘客目的站点实时预测方法及装置。该方法及装置对乘客历史出行信息进行个人特征提取、群体特征提取和上下文特征提取，将乘客历史出行信息中的个人特征、群体特征和上下文特征输入至随机森林模型，由随机森林模型输出乘客的地铁目的站点，对个体用户的出行目的做估计，解决的主要问题是基于历史长期的乘客刷卡数据对每一位个体乘客的目的站点做实时预测，且预测准确度高。

【技术实现步骤摘要】
一种地铁个体乘客目的站点实时预测方法及装置
本专利技术涉及轨道交通领域，具体而言，涉及一种地铁个体乘客目的站点实时预测方法及装置。
技术介绍
轨道交通作为公共交通的重要组成部分，具有速度快、时间准、运量大、运距长、舒适度高、受外界影响小等特点，其在城市公共交通流量大、道路拥堵等问题起着重要的作用，已日益成为市民出行的首选交通方式。实时估计每一位已经进站的个体乘客的目的站点对于个体乘客的实时跟踪、服务推荐、地铁交友等相关应用具有重要的意义。现有技术主要基于个体乘客自身历史的出行信息使用统计和概率的方法对个体的目的站点做推算，例如，基于个体乘客历史出行记录挖掘个体经常停留的地点(例如，家、单位、学校等)和出行规律(例如，早上8:00-9:00从家去往单位上班)，再基于实时收集到的出发地点和时间对乘客的目的地做预测。现有技术比较实用于那些可以获取到足够多历史出行日志的用户，对于只有少量出行信息的用户，在目的站点的推算上不能得到较好的结果，且个体乘客的出行不仅受个体乘客自身的影响，还受到群体出行的影响，以及其它因素的影响。<br>专利技本文档来自技高网...

【技术保护点】
1.一种地铁个体乘客目的站点实时预测方法，其特征在于，包括以下步骤：/nS100:从自动收费系统所收集到的智能交通卡交易数据中获取乘客历史出行信息；/nS200:对所述乘客历史出行信息进行个人特征提取、群体特征提取和上下文特征提取；/nS300:构建随机森林模型，将所述乘客历史出行信息中的个人特征、群体特征和上下文特征输入至随机森林模型，由所述随机森林模型输出乘客的地铁目的站点。/n

【技术特征摘要】
1.一种地铁个体乘客目的站点实时预测方法，其特征在于，包括以下步骤：
S100:从自动收费系统所收集到的智能交通卡交易数据中获取乘客历史出行信息；
S200:对所述乘客历史出行信息进行个人特征提取、群体特征提取和上下文特征提取；
S300:构建随机森林模型，将所述乘客历史出行信息中的个人特征、群体特征和上下文特征输入至随机森林模型，由所述随机森林模型输出乘客的地铁目的站点。


2.根据权利要求1所述的地铁个体乘客目的站点实时预测方法，其特征在于，所述方法还包括步骤：
S150:对所述乘客历史出行信息进行预处理，所述预处理包括：个体出行记录聚合和异常信息剔除。


3.根据权利要求2所述的地铁个体乘客目的站点实时预测方法，其特征在于，所述乘客历史出行信息中记录每一位乘客每一次乘坐公共交通工具的信息，每条交易记录包含四个字段：CardID、TrmnlID、TrnsctTime、TrnsctyType；其中CardID是智能交通卡的唯一标识；TrmnlID是地铁站或公交车站的标识；TrnsctTime是交易时间，TrnsctyType是交易类型；
在所述乘客历史出行信息中，给定一个由N个地铁站点S＝{s1,s2,…,s|S|}组成的地铁网络，以及所有乘客的历史智能交通卡交易数据和每一位乘客P的实时地铁进站记录，包括进站站点SO、进站时间tO、实时估计乘客P的目的站点Sd。


4.根据权利要求3所述的地铁个体乘客目的站点实时预测方法，其特征在于，所述个体出行记录聚合包括：
基于个体乘客的ID和出行时间，将每一位个体乘客的历史出行信息按照刷卡时间排序并聚合成集合R'＝{r1,r2,…,r|R'|}，其中ri表示此乘客的一次出行交易记录；
所述异常信息剔除包括：
剔除只记录乘客的进站记录没有出站记录，或者只有出站记录没有进站记录的情况，从R'过滤后的个体乘客出行记录集合记作R＝{r1,r2,…,r|R|}。


5.根据权利要求4所述的地铁个体乘客目的站点实时预测方法，其特征在于，所述对所述乘客历史出行信息进行上下文特征提取包括：基于实时数据提取时间特征和换乘信息特征；
其中时间特征包括：当前所属的周特征Fw、时段特征Ft、节假日特征Fh，其中时段特征Ft的计算方法：将一天按固定的间隔τ划分为K个时段，第k时段所表示的时间范围为{(k-1)τ,...

【专利技术属性】
技术研发人员：赵娟娟，王昊，须成忠，叶可江，张鋆，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44