System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及一种基于图卷积的地铁站点非对称客流时空模式挖掘方法,属于轨道交通信息。
技术介绍
1、经济的快速发展和城市化水平的不断提高使得城市规模持续扩大,市民的出行需求也日益增长。各大城市都在加快以地铁为主的城市轨道交通的规划和建设,与此同时,网约车横空出世,服务日渐完善,不少乘客逐渐使用网约车而取代地铁作为主要的出行方式。通常将来回均搭乘地铁且出行链最终形成闭环的乘客群体称为对称客流。此外,也有不少去(回)时搭乘地铁,由于种种原因回(去)程没有选择地铁,这种并非“有来有回”的乘客群体称为非对称客流。而重新吸引回这些潜在流失的客流,满足不同乘客的出行需求,提供更加完善的服务是轨道交通运营者需要关注的问题。而目前国内外对非对称客流研究还相对较少。
2、城市轨道交通站点是城市公共交通网络的一个节点,同时也是一个设施集中、有着多样化的建筑物和开放空间的区域。由于轨道交通途经沿线的不同区位、城市功能、既有用地格局的影响,在城市轨道交通站点周边空间土地开发与利用、基础设施衔接规划以及客流吸引特征等相关研究方面,不同类型的站点间往往存在着较大的差异性。因此有必要探讨不同类别站点间的这种差异。研究非对称客流在不同类别站点间的差异一方面能够帮助出行者提前获得未来站点客流信息,制定更好的出行计划;另一方面帮助管理者制定合理的交通诱导方案,提高轨道交通运行效率,从而缓解交通拥堵。
3、目前本领域对客流进行分析时通常使用传统的卷积神经网络cnn,其输入数据是比较规整的矩阵结构(欧几里得结构数据),但是现实中还存在一种图数据结构
技术实现思路
1、本申请的目的在于提供一种基于图卷积的地铁站点非对称客流时空模式挖掘方法,可为不同类型站点内的非对称客流引导规划提供依据,通过图卷积方法更好地提取非对称客流的站点时空分布特征,并能提高预测精度。
2、为实现上述目的,本申请第一方面提供了一种基于图卷积的地铁站点非对称客流时空模式挖掘方法,包括:
3、获取原始刷卡数据并进行预处理,得到od数据集;
4、按照单日出行次数仅一次和单周内出行次数不超过三次的条件从所述od数据集提取得到非对称客流od数据,其中,所述非对称客流od数据包括非对称客流的卡id号、进站刷卡时间、进站站点名称以及出站刷卡时间、出站站点名称;
5、根据所述非对称客流od数据分析非对称客流的时空分布特征,其中,所述非对称客流的时空分布特征包括非对称客流的客流量时间变化趋势和各站点客流量空间分布;
6、根据现有地铁线网构建非对称出行网络,结合非对称客流的时空分布特征,利用图卷积模型对非对称出行网络进行聚类分析,实现非对称出行站点分类;
7、根据非对称出行站点分类的结果,结合相应站点周边的兴趣点数据及社会信息数据绘制各类站点箱型图,根据箱型图提取各类非对称出行站点数量的百分比并分析各类非对称出行站点的空间分布,得到非对称出行的客流模式。
8、在一种实施方式中,所述地铁站点非对称客流时空模式挖掘方法还包括:
9、按照单日出行两次且进站站点和出站站点距离不超过2km的条件从所述od数据集提取得到对称客流od数据,其中,所述对称客流od数据包括对称客流的卡id号、进站刷卡时间、进站站点名称以及出站刷卡时间、出站站点名称;
10、根据所述对称客流od数据分析对称客流的时空分布特征,其中,所述对称客流的时空分布特征包括对称客流的客流量时间变化趋势和各站点客流量空间分布;
11、根据现有地铁线网构建对称出行网络,结合对称客流的时空分布特征,利用图卷积模型对对称出行网络进行聚类分析,实现对称出行站点分类;
12、根据对称出行站点分类的结果,结合相应站点周边的兴趣点数据及社会信息数据绘制各类站点箱型图,根据箱型图提取各类对称出行站点数量的百分比并分析各类对称出行站点的空间分布,得到对称出行的客流模式;
13、比较分析非对称出行的客流模式和对称出行的客流模式,得到非对称出行的客流模式特点。
14、在一种实施方式中,所述获取原始刷卡数据并进行预处理包括:
15、获取原始刷卡数据,对所述原始刷卡数据进行合并处理得到乘客的od数据;
16、对信息缺失的od数据进行清洗,并删除进站站点和出站站点重合的od数据,得到所述od数据集。
17、在一种实施方式中,所述根据所述非对称客流od数据分析非对称客流的时空分布特征包括:
18、根据进站刷卡时间和出站刷卡时间提取分析非对称客流的时间分布特征,其中,所述非对称客流的时间分布特征包括非对称客流的客流量时间变化趋势;
19、根据进站站点名称和出站站点名称获取进站站点和出站站点的地理坐标,根据地理坐标提取非对称客流的空间分布特征,其中,所述非对称客流的空间分布特征包括非对称客流的各站点客流量空间分布;
20、根据所述时间分布特征和空间分布特征得到所述非对称客流的时空分布特征。
21、在一种实施方式中,所述根据地理坐标提取非对称客流的空间分布特征之后包括:
22、根据非对称客流的空间分布特征提取非对称客流的分布区域,结合所述分布区域周边的社会经济信息,得到非对称客流的突出空间分布特征;
23、所述根据所述时间分布特征和空间分布特征得到所述非对称客流的时空分布特征具体为:根据所述时间分布特征和突出空间分布特征得到所述非对称客流的时空分布特征。
24、在一种实施方式中,所述根据现有地铁线网构建非对称出行网络包括:
25、根据包含现有地铁线网各站点信息的社区图数据构建非对称出行网络;
26、根据所述非对称客流的时空分布特征计算站点之间的乘客流动关系和各站点非对称客流的客流量;
27、基于所述非对称出行网络,根据站点之间的乘客流动关系建立关系矩阵,并根据各站点非对称客流的客流量建立特征矩阵;
28、所述利用图卷积模型对非对称出行网络进行聚类分析包括:利用图卷积模型对所述关系矩阵和所述特征矩阵进行聚类分析。
29、在一种实施方式中,所述图卷积模型包括三层图卷积神经网络和一层softmax;
30、所述利用图卷积模型对所述关系矩阵和所述特征矩阵进行聚类分析包括:
31、将所述关系矩阵和所述特征矩阵作为图卷积模型的输入,依次经过三层图卷积神经网络进行特征提取后得到输出矩阵,将所述输出矩阵输入至一层softmax实现站点分类,得到多种具有不同特征的非对称出行站点群,实现非对称出行站点分类。
32、本申请第二方面提供了一种基于图卷积的地铁站点非对称客流时空模式挖掘本文档来自技高网...
【技术保护点】
1.一种基于图卷积的地铁站点非对称客流时空模式挖掘方法,其特征在于,包括:
2.如权利要求1所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述地铁站点非对称客流时空模式挖掘方法还包括:
3.如权利要求1或2所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述获取原始刷卡数据并进行预处理包括:
4.如权利要求1或2所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述根据所述非对称客流OD数据分析非对称客流的时空分布特征包括:
5.如权利要求4所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述根据地理坐标提取非对称客流的空间分布特征之后包括:
6.如权利要求1或2所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述根据现有地铁线网构建非对称出行网络包括:
7.如权利要求6所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述图卷积模型包括三层图卷积神经网络和一层softmax;
8.一种基于图卷积的地铁站点非对称客流时空模式挖掘系统,其特征在于,包括:
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于图卷积的地铁站点非对称客流时空模式挖掘方法,其特征在于,包括:
2.如权利要求1所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述地铁站点非对称客流时空模式挖掘方法还包括:
3.如权利要求1或2所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述获取原始刷卡数据并进行预处理包括:
4.如权利要求1或2所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述根据所述非对称客流od数据分析非对称客流的时空分布特征包括:
5.如权利要求4所述的地铁站点非对称客流时空模式挖掘方法,其特征在于,所述根据地理坐标提取非对称客流的空间分布特征之后包括:
6.如权利要求1或2所述的地铁站点非对...
【专利技术属性】
技术研发人员:金美含,郭家薇,陈菁菁,谢雨彤,
申请(专利权)人:深圳技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。