欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019103786837
申请人: 暨南大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种出行方案推荐方法,其特征在于,包括步骤:

接收用户的查询信息;

预测站台候车人数:获取同一路线、同一站台、同一时间段上下车人数时间序列,预测站台候车人数;

所述预测站台候车人数的步骤为:

通过公交车前后门的摄像头采集上下车人数,在数据量达到一定程度后,提取出同一站台、同一线路、同一时间段的上车人数或下车人数,构成人数序列;

在检验其平稳性后,建立时间序列模型,利用ARMA模型对站台的上、下车人数进行预测,同时加入天气、节假日参考因素;

预测车厢拥挤度:结合站台候车人数和车厢人数统计预测车厢拥挤度;

预测车辆到站时间;

最优方案判定:综合站台候车人数、车厢拥挤度、到站时间属性,建立标准化决策矩阵,对各属性赋予权值,计算出加权标准化决策矩阵,匹配用户查询信息后给出最优出行方案的推荐。

2.根据权利要求1所述的出行方案推荐方法,其特征在于,所述ARMA模型的建模步骤如下:检验人数序列的平稳性:利用获取到的数据生成时序图,用观察时序图的方法来判定数据的平稳性,根据平稳性的定义,平稳序列具有常数均值和常数方差的性质,因此其时序图应该在一个常数值附近波动,且波动的范围有界;同时,根据实际情况推测,短时间内站台上下车人数不会有明显增长或者下降;

模型识别和定阶:ARMA(p,q)模型的形式为:

其中φ1,φ2,…,φp、θ1,θ2,…,θq和εt,εt‑1,…,ε1分别是自回归参数、移动平均参数和白噪声序列,Xt‑1...Xt‑p为模型的输入自变量序列,即预测的历史依据;根据自相关系数和偏自相关系数来初步判断ARMA模型的阶数p和q,计算出样本自相关系数和偏相关系数;

模型的参数估计:根据识别的模型及其阶数,采用最小二乘法来对模型进行参数估计;

模型检验:经过模型识别、定阶和参数估计,需要对模型进行残差序列检验分析;当残差序列是白噪声序列时拟合模型才有效,方可用于预测;计算残差序列{ε(t)}的s步自相关2

系数ρ1、ρ2、...ρs,然后构造卡方统计量Fs,如下式所示,Fs服从自由度为s的X分布;式中,n为残差序列的容量;

利用ARMA模型计算结果进行预测;输入线路、站台、时间数据后,即可得到预测的候车人数;将ARMA模型计算结果作为主要的预测依据,同时加入天气、节假日参考因素。

3.根据权利要求1所述的出行方案推荐方法,其特征在于,所述预测车厢拥挤度的步骤为:通过车厢中部摄像头,提取图像分区HOG特征,预判定车厢的拥挤度;

通过车厢门摄像头,捕捉人头,统计上下车人数,通过将各站台上车人数累加,同时减去下车人数的方法,得出车厢内人数;

结合预判定结果和车厢人数,计算到站拥挤度。

4.根据权利要求3所述的出行方案推荐方法,其特征在于,所述提取图像分区HOG特征,预判定车厢的拥挤度具体为:采用方向梯度直方图,特征提取、信息量计算,对输入的车厢中部视频图像,对每个图像分区提取其HOG特征,设定一定阈值筛选出有效梯度值,从而统计有效梯度的角度直方图,对图像划分分区,每个分区取g个角度方向,并计算这g个角度的梯度值;结合有效梯度2

值的方差G和图像信息熵H计算如下:

上式中h表示g个角度方向中的第h个角度方向;μ为平均梯度值;Pij表示某像素位置上的灰度值与其周围像素灰度分布的综合特征;选择图像的领域灰度均值作为灰度分布的空间特征值,与图像的像素灰度组成特征二元组,记为(i,j),其中i表示像素的灰度值,0≤i≤255,j表示领域灰度值,0≤j≤255;f(i,j)为特征二元组(i,j)出现的频数;U、V分别为图像的长和宽;图像的信息熵为H;

计算最终的图像像素的混乱程度E=(G,H),当分区梯度值方差小且信息熵大,表明该分区的像素值分布比较混乱,则该分区拥挤程度大;站台候车人数和车厢人数统计的结果,与车厢中部拥挤度的判定结果相互补充,拥挤时,相应的人数统计值也应较大,因此,车厢前后门摄像头的人数统计与中部摄像头拥挤度计算结果,来协同判定最终的车厢拥挤度,作为出行方案的判定依据。

5.根据权利要求1所述的出行方案推荐方法,其特征在于,所述预测车辆到站时间的步骤为:采用历史状态匹配的方法,在始发数据匹配的条件下,计算当前数据与历史数据的欧氏距离,从而对到站时间进行预测;

非参数回归方法通过对大量历史数据的搜索,寻找与当前输入状态最为相似的集合,以此来预测下一时刻的状态;假设公交车到达k-1站,其始发时刻对应的数据状态为S;用Tkm和T'km分别表示历史数据库中所有数据状态为S的第m条记录对应的k-1站到k站的站间行驶时间和k站的停靠时间;取J为非参数回归的近邻数,D为非参数回归的维度;采用欧氏距离am将其与历史数据匹配,选取J个近邻,这里用A表示这J个近邻的集合,根据这些近邻点运用加权平均的方法预测公交车从k站到k+1站的行驶时间Tk:e是与m不同的A集合里的近邻点;

同理,可以通过k-d,…,k-2、k-1站的停靠时间,利用上述公式预测该公交车在k站的停靠时间,d为与站点k相差的站点数。

6.根据权利要求5所述的出行方案推荐方法,其特征在于,预测车辆到站时间时,将公交车在当前站的预测停靠时间与到下一站的预测行驶时间的和为预测运行时间,作为卡尔曼滤波算法的输入参数,从而实现对预测结果的动态修正;

公交车在第k-1站的预测停靠时间与第k-1站到k站的预测行驶时间的和为预测运行时间,作为卡尔曼滤波算法的输入参数;

卡尔曼滤波算法是由建立的状态方程和观测方程对需要处理的信号做出满足最小均方误差的估计,结合上一时刻的估计值以及当前时刻的观测值完成对状态变量的估计,并求解当前估计值;公交车到站时间预测的卡尔曼滤波的状态方程如下所示:其中,t(k+1)、t'(k+1)分别表示公交车从起站点到达第k+1站点所经历的时间和观测时间,u(k)表示公交车从k到k+1站的站间行驶时间,S(k+1)、I(k+1)和M(k+1)分别为数据状态转移变量、输入变量、测量值系数,w(k+1)和v(k+1)分别为输入噪声和测量噪声,并设定卡尔曼滤波的状态转移变量、输入变量和测量值的系数都为1,输入噪声和测量噪声均是互不相关、均值为0的独立白噪声;

m+1

当公交车到达第k个站点时,卡尔曼滤波根据第k个站点的观测值Tk 和前k‑1个基础时间序列计算出第k个站点的最优估计值,进而得到第k+1站点的调整值,根据调整值依次更新后续站点的时间,并将本次更新后的时间序列加入到基础时间序列当中。

7.根据权利要求1所述的出行方案推荐方法,其特征在于,所述最优方案判定的步骤为:标准化决策矩阵;设出行方案决策矩阵为Z=(zxy)L·W,其中x为出行方案下标,y为方案属性下标,zxy表示x方案y属性的值,L、W分别代表决策矩阵的长和宽,即方案的总数与各方案属性总数;方案属性包括车厢拥挤度、候车人数、到站时间、换乘次数;设规范化决策矩阵B=(bxy)L·W,其中bxy表示规范化后的x方案y属性的值,则有:计算加权规范决策矩阵;根据影响出行体验因素的重要程度设定权值,其中,到站时间T的权值最大,候车人数的权值最小,构成权重向量Q=[r1,r2,…,rL] ,进而构成加权规范矩阵C=(cxy)L·W,其中cxy=rx·bxy,x=1,2...,L;y=1,2...,W;rx表示权重系数;

+ ‑

确定理想解和负理想解;确定正理想解cy和负理想解cy;则:+

正理想解cy

‑

负理想解cy

其中,车厢拥挤度、候车人数、到站时间均为成本性属性,正理想解都取最小值,负理想解都取最大值;

计算每个出行方案到理想解和负理想解的距离;

到正理想解的距离为

到负理想解的距离为

计算各方案的排队指标值,即综合评价指数:由到正理想解和负理想解的距离共同给出,方案的综合评价指标排队值Quex的计算方法如下:按Quex由大到小排列方案的优劣次序:将最终得出的各方案的综合评价指标值,即Quex由小到大排列,其中,Quex最大的方案即为最优方案,即本算法的最终输出。

8.根据权利要求7所述的出行方案推荐方法,其特征在于,所述推荐的出行方案为从最匹配至匹配度一般的一系列推荐方案。

9.一种出行方案推荐系统,其特征在于,包括交互模块、站台候车人数判断模块、拥挤度判断模块、到站时间判断模块、出行方案判定模块;

所述交互模块用于接收用户的查询信息,推送最优出行方案给用户;

所述站台候车人数判断模块,用于获取同一路线、同一站台、同一时间段上下车人数时间序列,预测站台候车人数;

所述预测站台候车人数的步骤为:

通过公交车前后门的摄像头采集上下车人数,在数据量达到一定程度后,提取出同一站台、同一线路、同一时间段的上车人数或下车人数,构成人数序列;

在检验其平稳性后,建立时间序列模型,利用ARMA模型对站台的上、下车人数进行预测,同时加入天气、节假日参考因素;

所述拥挤度判断模块,用于结合站台候车人数和车厢人数统计预测车厢拥挤度;

所述到站时间判断模块,用于预测车辆到站时间;

所述出行方案判定模块,用于综合站台候车人数、车厢拥挤度、到站时间属性,建立标准化决策矩阵,对各属性赋予权值,计算出加权标准化决策矩阵,匹配用户查询信息后给出最优出行方案的推荐。