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: 2022102930832
申请人: 昆明理工大学
专利类型:发明专利
专利状态:未下证
专利领域: 信号装置
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:

1.一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于,包括如下步骤:S1、构建公交数据分析数据库;

S2、数据清洗:对步骤S1数据库中的刷卡记录进行清洗,剔除无效数据和异常数据;

S3、乘客代刷卡记录识别与标记,并将所有标记为代刷记录的数据移入代刷数据库;

S4、乘客上车站点匹配:根据乘客刷卡记录中的GPS设备编号和刷卡时间信息,结合公交车辆GPS轨迹数据以及公交站点位置数据推算乘客上车站点,并在乘客刷卡记录数据中添加上车站点信息和公交线路信息;

S5、公交乘客下车站点预测。

2.根据权利要求1所述的一基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S1中的数据库信息包括乘客刷卡记录、公交车辆GPS轨迹数据、公交站点位置数据和公交线路基本信息。

3.根据权利要求1所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S3的具体步骤包括:对经步骤S2清洗后的数据,按乘客刷卡时间进行升序排序;当同一个卡编号前后两次相邻刷卡时间间隔小于刷卡判别阈值TD时,则将其中后一次刷卡记录标记为代他人刷卡的记录;考虑一个卡编号在一次乘车行为中可能产生多条连续的代刷记录,对该卡编号在一次乘车行为中的首次刷卡记录(以下称代刷行为的原始刷卡记录)以及多条代刷记录统一标记为该卡编号的第m次代刷行为,并假设同一次代刷行为中的刷卡记录起终站点相同;将所有标记为代刷记录的数据移入代刷数据库。

4.根据权利要求1所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S5中的公交乘客下车站点预测具体包括:S51、基于乘客闭环出行假设的乘客下车站点预测;

S52、基于站点功能类型识别的乘客下车站点预测;

S53、代刷记录下车站点预测;

S54、利用上车信息和线路OD信息的随机下车站点预测。

5.根据权利要求4所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S51中基于乘客闭环出行假设的乘客下车站点预测是指:根据步骤S4得到的数据,针对其中个体乘客在一天中公交出行次数大于1次的刷卡记录,按照以下方法预测乘客下车站点,具体包括:S51‑1、针对个体乘客在当日出行链的非末次出行的下车站点预测:

根据乘客当前出行刷卡记录的上车站点编号Bi,d,Bi,d表示该乘客在第d天中的第i次刷卡记录中的上车站点编号,确定当前公交线路下游方向站点集合S;核对该乘客当前出行的下一条刷卡记录上车站点编号Bi+1,d,如果Bi+1,d∈S,则采用下一次出行起点记为该乘客当前出行刷卡记录的下车站点;

如果 若站点集合S中的站点距离站点Bi+1,d最近的站点满足两者距离小于

最大步行距离阈值Dm,则将该最近站点记为该乘客当前出行刷卡记录的下车站点;

S51‑2、针对个体乘客在当日出行链中的末次出行的下车站点预测:

根据乘客当前出行刷卡记录的上车站点编号Bi,d,确定当前公交线路下游方向站点集合S;核对该乘客当日首次出行刷卡记录的上车站点标号B1,d,如果B1,a∈S,则乘客当日首次出行起点站即为本次出行下车站点;

如果 若站点集合S中的站点距离站点B1,d最近的站点满足两者距离小于最大

步行距离阈值Dm,则将该最近站点记为该乘客当前出行刷卡记录的下车站点;

如果以上两种情况均未搜索到满足条件的有效下车站点,则以乘客次日首次出行起点B1,d+1替代当日首次出行起点B1,d,继续执行上述预测规则。

6.根据权利要求4所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S52中基于站点功能类型识别的乘客下车站点预测是指:根据步骤S4得到的数据建立个体乘客出行链,首先识别乘客的一般居住地和主要活动地点,再结合乘客上车时间匹配下车站点,具体识别与匹配方法如下:根据乘客连续多天的出行链,统计其多日出行中每日首次出行且上车时间位于早高峰时段6:30‑9:30之间的刷卡记录上车站点的出现频次,以其中重复次数最高且大于站点功能识别阈值F的站点记为该乘客的一般居住地;

统计乘客多日出行中每日上车时间位于晚高峰时段15:30‑18:30之间首次出行的刷卡记录上车站点的出现频次,以其中重复次数最高且大于站点功能识别阈值F的站点记为该乘客的主要活动地;

对于步骤S51中未成功匹配下车站点的乘客刷卡记录,如果乘客上车时间位于早高峰时段,且该乘客的主要活动地点已被识别,判断主要活动地点是否属于该次上车公交线路下游方向站点集合S或距离站点集合S中最近的站点小于最大步行距离阈值Dm,如果满足条件则以主要活动地点作为该次刷卡记录的下车站点;如果乘客上车时间位于晚高峰时段,且该乘客的一般居住地已被识别,判断一般居住地是否属于该次上车公交线路下游方向站点集合S或距离站点集合S中最近的站点小于最大步行距离阈值Dm,如果满足条件则以一般居住地作为该次刷卡记录的下车站点。

7.根据权利要求4所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S53中代刷记录下车站点预测是指:搜索代刷数据库中代刷记录对应的原始刷卡记录,若其在步骤S51、步骤S52中已匹配下车站点,则以该下车站点预测结果作为代刷记录的下车站点。

8.根据权利要求4所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述步骤S54中利用上车信息和线路OD信息的随机下车站点预测是指:根据步骤步骤S51、步骤S52、步骤S53中成功匹配下车站点的乘客刷卡记录,按照乘客上车时间分时段统计线路OD矩阵,对仍未成功匹配下车站点的乘客刷卡记录,依据所乘车线路的OD矩阵,采用多项式概率分布随机生成乘客下车站点。

9.根据权利要求8所述的基于刷卡数据深度挖掘的公交乘客下车站点预测方法,其特征在于:所述对仍未成功匹配下车站点的乘客刷卡记录,依据所乘车线路的OD矩阵,采用多项式概率分布随机生成乘客下车站点,具体如下:将乘客乘车线路记为L,按线路开行方向站点编号列表SL记为(s1,s2,...,sK),线路OD矩t阵Q的元素 表示在第t个时段内在站点si上车且最终从sj下车的乘客数量;

未成功匹配下车站点的乘客刷卡记录上车时间在第t个时段内,上车站点编号为si,则该乘客可能的下车站点sa=(si+1,si+2,...,sK)服从多项式分布PN(K‑i:p1,p2,...,pK‑i),其中,