一种基于需求响应的公共交通调度方法和系统技术方案

本发明专利技术涉及交通调度技术领域，揭露了一种基于需求响应的公共交通调度方法，包括：从历史埋点数据中提取出历史乘客数据以及历史交通数据，将历史交通数据按照时域拆分成时域交通数据集，从历史乘客数据中提取出标准出行特征组集；利用标准出行特征组集将初始出行模型训练成出行分析模型，利用时域交通数据集将初始交通模型训练成交通分析模型；利用出行分析模型分析出实时需求数据对应的预测乘客数据，利用交通分析模型分析出实时需求数据对应的预测交通数据；利用预测乘客数据和预测交通数据规划出目标交通路线，按照目标交通路线进行交通调度。本发明专利技术还提出一种基于需求响应的公共交通调度系统。本发明专利技术可以提高公共交通调度的效率。的效率。的效率。

【技术实现步骤摘要】
一种基于需求响应的公共交通调度方法和系统


[0001]本专利技术涉及交通调度
，尤其涉及一种基于需求响应的公共交通调度方法和系统。

技术介绍

[0002]公共交通是指为大众提供的集体运输服务，以满足人们的出行需求，通常由政府或相关机构组织和管理，为了提供高效、便捷和可靠的公共交通服务，需要在城市或地区内对公共交通运输系统进行有效的调度和管理。
[0003]现有的公共交通调度方法多为基于路网优化的交通调度方法，主要是通过优化路网结构和线路布局，减少冗余线路，实际应用中，基于路网优化的交通调度方法的局限性较大，且无法根据乘客需求进行实时调整和响应，可能会导致进行公共交通调度时的效率较低。

技术实现思路

[0004]本专利技术提供一种基于需求响应的公共交通调度方法和系统，其主要目的在于解决进行公共交通调度时的效率较低的问题。
[0005]为实现上述目的，本专利技术提供的一种基于需求响应的公共交通调度方法，包括：
[0006]将预先获取的历史埋点数据清洗成标准埋点数据，分别从所述标准埋点数据中提取出历史乘客数据以及历史交通数据，将所述历史交通数据按照时域拆分成时域交通数据集，将所述历史乘客数据按照乘客ID拆分为单乘客数据集；
[0007]逐个选取所述单乘客数据集中的单乘客数据作为目标单乘客数据，按照时序从所述目标单乘客数据中提取出目标出行特征组，依次对所有的目标出行特征组进行特征聚类和特征映射操作，得到标准出行特征组集，其中，所述依次对所有的目标出行特征组进行特征聚类和特征映射操作，得到标准出行特征组集，包括：将所有的目标出行特征组汇集成出行特征组集，将所述出行特征组集中的全部出行特征拆分成多个初级出行特征组，并为各个初级出行特征组随机筛选出初级出行中心特征；利用如下的出行特征距离算法计算出各个初级出行中心特征与各个出行特征之间的出行特征距离：
[0008][0009]其中，D是指所述出行特征距离，α是预设的对抗系数，
·
为点乘符号，*为叉乘符号，p是指所述出行特征，q是指所述初级出行中心特征，T是转置符号，cov()是协方差符号，cov(p,p)是指所述出行特征的协方差，cov(p,q)是指所述出行特征与所述初级出行中心特征之间的协方差，cov(q,p)是指所述初级出行中心特征与所述出行特征之间的协方差，cov(q,q)是指所述初级出行中心特征的协方差；根据所述出行特征距离重新对所有的出行特征进行分组，得到多个次级出行特征组；计算出各个次级出行特征组对应的次级出
行中心特征，并计算出各个次级出行中心特征与对应的所述初级出行中心特征之间的中心特征距离；根据所有的中心特征距离将各个次级出行特征组迭代更新成出行特征类，并根据各个出行特征类的聚类中心对所述出行特征组集中的各个出行特征进行映射，得到标准出行特征组集；
[0010]按照时序对所述标准出行特征组集进行格式转换，得到时序出行特征曲线集，利用所述时序出行特征曲线集对预设的初始出行模型进行训练，得到出行分析模型，利用所述时域交通数据集对预设的初始交通模型进行训练，得到交通分析模型；
[0011]获取实时需求数据，从所述实时需求数据中提取出实时乘客数据以及实时交通数据，利用所述出行分析模型分析出所述实时乘客数据对应的预测乘客数据，利用所述交通分析模型分析出所述实时交通数据对应的预测交通数据；
[0012]对预设的交通地图进行路线规划，得到交通路线集，利用所述预测乘客数据和所述预测交通数据计算出所述交通路线集对应的乘客延时集合，利用所述乘客延时集合从所述交通路线集中匹配出目标交通路线，按照所述目标交通路线进行交通调度。
[0013]可选地，所述将预先获取的历史埋点数据清洗成标准埋点数据，包括：
[0014]依次对所述历史埋点数据进行时间格式统一、位置格式统一以及地图格式统一操作，得到格式埋点数据；
[0015]从所述格式埋点数据中筛除重复埋点数据，得到去重埋点数据；
[0016]按照数据类型从所述去重埋点数据中筛除异常埋点数据，得到去异埋点数据；
[0017]从所述去异埋点数据中提取出缺失埋点数据，对所述缺失埋点数据进行数据填充，得到标准埋点数据。
[0018]可选地，所述按照时序从所述目标单乘客数据中提取出目标出行特征组，包括：
[0019]依次从所述目标单乘客数据中提取出乘客年龄、乘客性别、乘客职业、支付方式以及位置时间戳数据；
[0020]按照时序对所述位置时间戳数据进行排列，得到目标时序数据序列；
[0021]按照预设的时域周期将所述目标时序数据序列拆分成时序数据序列组；
[0022]对所述时序数据序列组进行站点匹配操作，得到时序站点序列组；
[0023]对所述时序数据序列组进行座位匹配操作，得到时序座位序列组；
[0024]从所述时序座位序列组中提取出座位分布占比，将所述时序站点序列组转码成站点特征组；
[0025]利用所述乘客年龄、所述乘客性别、所述乘客职业、所述支付方式以及所述座位分布占比对所述站点特征组进行特征融合，得到目标出行特征组。
[0026]可选地，所述按照时序对所述标准出行特征组集进行格式转换，得到时序出行特征曲线集，包括：
[0027]逐个选取所述标准出行特征组集中的标准出行特征组作为目标标准出行特征组，按照时序对所述目标标准出行特征组进行排列，得到目标出行特征序列；
[0028]从所述目标出行特征序列中分别提取出站点特征序列、乘客年龄特征序列、乘客性别特征序列、乘客职业特征序列、支付方式特征序列以及座位分布占比特征序列；
[0029]将所述站点特征序列作为因变量，将所述乘客年龄特征序列、所述乘客性别特征序列、所述乘客职业特征序列、所述支付方式特征序列以及所述座位分布占比特征序列作
为自变量生成时序出行特征曲线，将所有的时序出行特征曲线汇集成时序出行特征曲线集。
[0030]可选地，所述利用所述时序出行特征曲线集对预设的初始出行模型进行训练，得到出行分析模型，包括：
[0031]逐个选取所述时序出行特征曲线集中的时序出行特征曲线作为目标出行特征曲线，利用预设的时域滑动窗口逐段采集所述目标出行特征曲线中的部分曲线作为目标特征曲线段；
[0032]利用预设的初始出行模型的递归卷积门分别计算出所述目标特征曲线段对应的短期重置特征与短期记忆特征；
[0033]利用如下的短期出行时序特征公式根据所述短期重置特征与所述短期记忆特征计算出所述目标特征曲线段对应的短期出行时序特征：
[0034][0035]其中，h
t
是指第t时刻的所述短期出行时序特征，u
t
是指第t时刻的所述短期重置特征，为元素乘积，h
t
‑1是第t
‑
1时刻的所述短期出行时序特征，c
t
是指第t时刻的所述短期记忆特征；
[0036]利用所述初始出行模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于需求响应的公共交通调度方法，其特征在于，所述方法包括：S1：将预先获取的历史埋点数据清洗成标准埋点数据，分别从所述标准埋点数据中提取出历史乘客数据以及历史交通数据，将所述历史交通数据按照时域拆分成时域交通数据集，将所述历史乘客数据按照乘客ID拆分为单乘客数据集；S2：逐个选取所述单乘客数据集中的单乘客数据作为目标单乘客数据，按照时序从所述目标单乘客数据中提取出目标出行特征组，依次对所有的目标出行特征组进行特征聚类和特征映射操作，得到标准出行特征组集，其中，所述依次对所有的目标出行特征组进行特征聚类和特征映射操作，得到标准出行特征组集，包括：S21：将所有的目标出行特征组汇集成出行特征组集，将所述出行特征组集中的全部出行特征拆分成多个初级出行特征组，并为各个初级出行特征组随机筛选出初级出行中心特征；S22：利用如下的出行特征距离算法计算出各个初级出行中心特征与各个出行特征之间的出行特征距离：其中，D是指所述出行特征距离，α是预设的对抗系数，
·
为点乘符号，*为叉乘符号，p是指所述出行特征，q是指所述初级出行中心特征，T是转置符号，cov()是协方差符号，cov(p,p)是指所述出行特征的协方差，cov(p,q)是指所述出行特征与所述初级出行中心特征之间的协方差，cov(q,p)是指所述初级出行中心特征与所述出行特征之间的协方差，cov(q,q)是指所述初级出行中心特征的协方差；S23：根据所述出行特征距离重新对所有的出行特征进行分组，得到多个次级出行特征组；S24：计算出各个次级出行特征组对应的次级出行中心特征，并计算出各个次级出行中心特征与对应的所述初级出行中心特征之间的中心特征距离；S25：根据所有的中心特征距离将各个次级出行特征组迭代更新成出行特征类，并根据各个出行特征类的聚类中心对所述出行特征组集中的各个出行特征进行映射，得到标准出行特征组集；S3：按照时序对所述标准出行特征组集进行格式转换，得到时序出行特征曲线集，利用所述时序出行特征曲线集对预设的初始出行模型进行训练，得到出行分析模型，利用所述时域交通数据集对预设的初始交通模型进行训练，得到交通分析模型；S4：获取实时需求数据，从所述实时需求数据中提取出实时乘客数据以及实时交通数据，利用所述出行分析模型分析出所述实时乘客数据对应的预测乘客数据，利用所述交通分析模型分析出所述实时交通数据对应的预测交通数据；S5：对预设的交通地图进行路线规划，得到交通路线集，利用所述预测乘客数据和所述预测交通数据计算出所述交通路线集对应的乘客延时集合，利用所述乘客延时集合从所述交通路线集中匹配出目标交通路线，按照所述目标交通路线进行交通调度。2.如权利要求1所述的基于需求响应的公共交通调度方法，其特征在于，所述将预先获取的历史埋点数据清洗成标准埋点数据，包括：
依次对所述历史埋点数据进行时间格式统一、位置格式统一以及地图格式统一操作，得到格式埋点数据；从所述格式埋点数据中筛除重复埋点数据，得到去重埋点数据；按照数据类型从所述去重埋点数据中筛除异常埋点数据，得到去异埋点数据；从所述去异埋点数据中提取出缺失埋点数据，对所述缺失埋点数据进行数据填充，得到标准埋点数据。3.如权利要求1所述的基于需求响应的公共交通调度方法，其特征在于，所述按照时序从所述目标单乘客数据中提取出目标出行特征组，包括：依次从所述目标单乘客数据中提取出乘客年龄、乘客性别、乘客职业、支付方式以及位置时间戳数据；按照时序对所述位置时间戳数据进行排列，得到目标时序数据序列；按照预设的时域周期将所述目标时序数据序列拆分成时序数据序列组；对所述时序数据序列组进行站点匹配操作，得到时序站点序列组；对所述时序数据序列组进行座位匹配操作，得到时序座位序列组；从所述时序座位序列组中提取出座位分布占比，将所述时序站点序列组转码成站点特征组；利用所述乘客年龄、所述乘客性别、所述乘客职业、所述支付方式以及所述座位分布占比对所述站点特征组进行特征融合，得到目标出行特征组。4.如权利要求1所述的基于需求响应的公共交通调度方法，其特征在于，所述按照时序对所述标准出行特征组集进行格式转换，得到时序出行特征曲线集，包括：逐个选取所述标准出行特征组集中的标准出行特征组作为目标标准出行特征组，按照时序对所述目标标准出行特征组进行排列，得到目标出行特征序列；从所述目标出行特征序列中分别提取出站点特征序列、乘客年龄特征序列、乘客性别特征序列、乘客职业特征序列、支付方式特征序列以及座位分布占比特征序列；将所述站点特征序列作为因变量，将所述乘客年龄特征序列、所述乘客性别特征序列、所述乘客职业特征序列、所述支付方式特征序列以及所述座位分布占比特征序列作为自变量生成时序出行特征曲线，将所有的时序出行特征曲线汇集成时序出行特征曲线集。5.如权利要求1所述的基于需求响应的公共交通调度方法，其特征在于，所述利用所述时序出行特征曲线集对预设的初始出行模型进行训练，得到出行分析模型，包括：逐个选取所述时序出行特征曲线集中的时序出行特征曲线作为目标出行特征曲线，利用预设的时域滑动窗口逐段采集所述目标出行特征曲线中的部分曲线作为目标特征曲线段；利用预设的初始出行模型的递归卷积门分别计算出所述目标特征曲线段对应的短期重置特征与短期记忆特征；利用如下的短期出行时序特征公式根据所述短期重置特征与所述短期记忆特征计算出所述目标特征曲线段对应的短期出行时序特征：其中，h
t
是指第t时刻的所述短期出行时序特征，u
t
是指第t时刻的所述短期重置特征，
为元素乘积，h
t
‑1是第t
‑
1时刻的所述短期出行时序特征，c
t
是指第t时刻的所述短期记忆特征；利用所述初始出行模型的跳转卷积门分别计算出所述目标特征曲线段对应的长期重置特征和长期记忆特征；利用如下的长期出行时序特征公式根据所述长期重置特征与所述长期记忆特征计算出所述目标特征曲线段对应的长期出行时序特征：其中，是指第t时刻的所述长期出行时序特征，是指第t时刻的所述长期重置特征，为元素乘积，是第t
‑
r时刻的所述长期出行时序特征，r是指所述跳转卷积门中跳过的隐藏单元的数量，是指第t时刻的所述长期记忆特征；将所述短期出行时序特征和所述长期出行时序特征融合成标准出行时序特征，利用所述标准出行时序特征生成目标分析特征曲线段；利用所述时序出行特征曲线集和所有的目标分析特征曲线段对所述初始出...

【专利技术属性】
技术研发人员：张峰，
申请(专利权)人：深圳市中车智联科技有限公司，
类型：发明
国别省市：