基于数据挖掘和神经网络的轨道交通清分方法技术

本发明专利技术涉及轨道交通技术领域，公开了一种基于数据挖掘和神经网络的轨道交通清分方法，其根据数据挖掘进行出行信息进行分类聚合，再通过模糊一致性的输入选择模型筛选出清分参数、最后利用反馈型神经网络模型进行清分的步骤，实现了清分模型参数的动态选择和参数值的动态调整。本发明专利技术通过建立数字交通调查表，形成乘客出行特征规则表，同时基于数据挖掘得出重要影响因素及对应参数；利用乘客出行特征规则表进行OD站点有效路径的判断；利用反馈型神经网络模型建立清分模型，模型以乘客出行特征的重要影响因素作为神经元，基于每天的客流数据作为样本进行自适应学习，得出动态调整的参数权重值，从而得到能够动态调整的清分数据结果。

【技术实现步骤摘要】

本专利技术涉及轨道交通
，特别是涉及一种。
技术介绍
随着城市经济社会的持续高速发展和城市规模的不断扩大，城市交通需求迅猛增长，道路交通压力日益加大，城市道路已经不堪重负，必须尽快发展大运量的轨道交通，构建覆盖全市的轨道交通网，改变目前地铁线路少、覆盖面小、没有形成网络的局面，充分发挥轨道交通的优势。城市轨道交通网络化运营的要求；乘客出行换乘便利性的需要；不同运营主体收益分配的需要决定了在无障碍换乘的模式下，城市轨道交通清分中心(ACC)要为城市所有轨道交通线路及运营商提供准确、及时的票务清分服务。然而，对于轨道网络来说，如何在保证整个轨道系统一体化运营的同时，公平、公正地维持各运营商的利益，制订合理的清分制度，从而确保整个城市轨道交通系统的可持续发展，是当前多家运营商合作前应当要解决的重要问题。目前有关于轨道交通清分技术存在两个主要技术一、多路径大概率优先综合清分模型(具体的技术流程图见附图1)。在最近的存在多路径大概率优先综合清分模型的技术中，起点站-终点站(OD)间所有可能路径都列入到考虑范围，然后建立概率选择模型对每条路径的被选择概率进行估算，并优先考虑高概率路径对收益分配的影响，同时综合考虑路径中输送、换乘、进出站等多种因素对运营服务的贡献，从而使得各线路运营分配更趋合理。模型包括以下几个方面路径选择路径代价的计算主要考虑影响乘客路径选择的主要因素有不同路径的乘车时间、旅行距离、换乘次数、列车的舒适度等，最主要因素就是乘车时间，为了度量这些因素，将其它因素统一折算成乘车时间，成为路径代价。根据乘客不会选择路经代价超出最短路径太多的路径和路径被选择的概率随着路径代价的增加而加剧减少的结论进行路径选择。每条有效路径选择的概率利用正态分布带入路径代价作为参数的概率；运营服务对于一条确定的乘车路径，可能涉及多条线路，如何确定各线路在路径中的收益分配比例，首先需要计算各线路所提供的运营服务量，然后根据各线路所提供的服务多少来确定分配比例，运营服务种类很多，主要有进站服务、出站服务、换乘服务、旅客运输服务等。然后将各种服务转换成运输里程参与比例计算；清分比例清分比例计算由每条有效路径的选择比例和每条路径中各运营主体的运营服务比例的乘积得出。二、一种轨道交通系统运费清分方法(具体的流程图见附图2、。该方法是以乘客出行多路径选择概率法为基础，提出“两阶段、双比例”清分方法，其包括以下步骤路网信息描述及数字化表示；建立综合出行阻抗函数；各OD对间K条渐短路径搜索，并计算可行路径的综合出行阻抗值；路径有效性判断及基于综合出行阻抗的路径客流分担比例计算；考虑换乘及拥挤程度对路径客流分担比例的修正；清分比例的计算；完成运费清分。可以看出，现在轨道交通清分思路基本都是按照对轨道交通路网进行数字化描述，再根据乘客时间、旅行距离、换乘次数等因素找出多条有效路径，利用多路径概率分布模型引入出行阻抗值对有效路径进行客流分配得出分配比例；根据每条有效路径中各运营主体的里程比例计算每条路径中的比例；综合有效路径的客流分配比例和每条有效路径中运营主体的比例，就能得出某OD点对运营主体的清分比例。而且目前的清分思路基本上都是通过前期的轨道交通乘客出行调查进行乘客的行为分析得出乘客出行特征的结论，基于该结论进行有效路径集的选择及有效路径的参数的确定及调整计算得出清分比例，不能随着乘客在不同的时间段(上下班高峰期、平峰期、 节假日)以及运营一段时间后乘客的出行选择产生变化时进行动态调整；而且清分模型中的定量化参数过多，影响最终的清分的准确性。根据实际的清分项目的经验，最终参数的确定将使众多重要影响因素共同作用， 而且目前使用的清分模型中的参数调整对各运营主体的收入的影响较大，如何基于实际情况确定参数是一个重要的研究方向。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是如何通过对乘客出行信息进行数据挖掘得出重要影响参数，同时得到动态调整清分模型参数及其清分结果。(二)技术方案为解决上述技术问题，本专利技术提供了一种，包括步骤Si、建立数字交通调查表，所述调查表中包含乘客信息、乘客出行信息以及轨道线网运营信息；S2、在需要清分的轨道线网未形成时，将所得到的乘客出行调查数据输入到数据库；在所述轨道线网运营后统计乘客在OD的客流数据，并将所述出行数据存储到数据库；S3、通过数据挖掘对所述数字交通调查表的内容进行分类聚合，再利用模糊一致性的输入选择模型筛选出清分的因素；S4、对分类后的数字交通调查表进行分析处理得到乘客的出行特征，所述出行特征组成出行特征结论表，并将所述出行特征写入数据库，所述出行特征包括乘客的出行时间、换乘次数；S5、将轨道线网的相关运营参数写入数据库，作为清分的基础数据；S6、根据所述出行特征结论表查找OD点间的有效路径；S7、对所述轨道线网中的运营线路按分期进行清分；S8、根据出行特征结论表利用反馈型神经网络模型和LOGIT模型对客流进行清分；其中使用出行特征结论表的参数作为输入层，隐藏层进行加权求和，采用LOGIT模型作为变换函数进行输出优选地，所述乘客信息包括乘客的性别、年龄和职业；所述乘客出行信息包括乘客的出行时间、出行距离、出行目的、出行时段和出行日期；所述交通运营信息包括运营时间和票价，针对以上众多因素通过数据挖掘进行筛选出清分的因素。优选地，所述有效路径在有效路径集中，在乘客允许的最大换乘次数和出行总时间范围内的OD点路径组成所述有效路径集。优选地，步骤S8具体为以出行特征结论表的参数作为输入层建立四层隐藏层， 并对隐蔽层进行加权求和；以路径选择概率作为输出层；以每天的OD点客流分布数据作为自学习的样本，得出各输入层对应的权重；基于得出的权重计算出各有效路径的选择概率。(三)有益效果本专利技术通过建立数字交通调查表，根据调查结果或实际运营的客流数据形成乘客出行特征规则表，同时通过对出行信息使用模糊一致性的输入模型进行数据挖掘得出重要影响因素及对应参数；利用乘客出行特征规则表进行OD站点有效路径的判断；利用反馈型神经网络模型和LOGIT模型结合建立清分模型，模型以乘客出行特征的重要影响因素作为神经元，LOGIT模型得出的路径选择概率作为输出层，基于每天的客流数据作为样本进行自适应学习，得出动态调整的权重值，形成动态调整的清分模型，从而得到能够动态调整的清分数据结果。附图说明图1为多路径大概率优先综合清分模型逻辑结构图；图2为轨道交通系统运费清分方法逻辑结构图；图3为本专利技术的方法流程图。具体实施例方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本专利技术将反馈型神经网络模型应用于轨道交通清分
，实现了清分数据结果的动态调整。如图3所示，本专利技术的具体步骤如下Si、建立数字交通调查表。主要分为3个部分，乘客信息包含性别、年龄、职业；乘客出行信息包含出行时间、出行距离、出行目的、出行时段、出行日期；轨道线网运营信息包含运营时间、票价、乘客对运营商的偏好、路网的换乘便利性、分期线路的服务设施信息；S2、在需要清分的轨道线网未形成时，需要通过实际的实地交通调查得到前期的乘客出行调查数据，并输入到数据库；在实际运营后统计乘客在OD点的客流本文档来自技高网...

【技术保护点】
１．一种基于数据挖掘和神经网络的轨道交通清分方法，其特征在于，包括步骤：Ｓ１、建立数字交通调查表，所述调查表中包含乘客信息、乘客出行信息以及轨道线网运营信息；Ｓ２、在需要清分的轨道线网未形成时，将所得到的乘客出行调查数据输入到数据库；在所述轨道线网运营后统计乘客在ＯＤ的客流数据，并将所述客流数据存储到数据库；Ｓ３、通过数据挖掘对所述数字交通调查表的内容进行分类聚合，再利用模糊一致性的输入选择模型筛选出清分的因素；Ｓ４、对分类后的数字交通调查表进行分析处理得到乘客的出行特征，所述出行特征组成出行特征结论表，并将所述出行特征写入数据库，所述出行特征包括乘客的出行时间、换乘次数；Ｓ５、将轨道线网的相关运营参数写入数据库，作为清分的基础数据；Ｓ６、根据所述出行特征结论表查找ＯＤ点间的有效路径；Ｓ７、对所述轨道线网中的运营线路按分期进行清分；Ｓ８、根据出行特征结论表利用反馈型神经网络模型和ＬＯＧＩＴ模型对客流进行清分；其中使用出行特征结论表的参数作为输入层，隐藏层进行加权求和，采用ＬＯＧＩＴ模型作为变换函数进行输出。

【技术特征摘要】

【专利技术属性】
技术研发人员：高磊，于鑫，王富章，王冰，张晨阳，汪晓臣，阚庭明，蔡晓蕾，康进赟，
申请(专利权)人：中国铁道科学研究院电子计算技术研究所，
类型：发明
国别省市：11