针对大型活动散场场景两阶段的定制公交规划方法技术

针对大型活动散场场景两阶段的定制公交规划方法，本发明专利技术涉及针对大型活动散场场景两阶段的定制公交规划方法。本发明专利技术的目的是为了应对大型活动散场时出现的交通拥堵及观众乘车难的问题。过程为：S1.采集原始数据并进行预处理；S2.识别出出租车数据中的潜在定制公交需求；S3.通过数据驱动的方式生成备选定制公交站点；S4.向用户发送备选站点及到达站点预估的定制公交出行费用，预计的定制公交行程时间，等待用户决策；S5.确定S4中被乘客选中的各个站点及各个站点包含的订单需求量；S6.生成具有最大运营商利润的定制公交线路；S7.向用户发送定制公交线路信息，等待乘客完成出行。本发明专利技术用于智能交通技术领域。本发明专利技术用于智能交通技术领域。本发明专利技术用于智能交通技术领域。

【技术实现步骤摘要】
针对大型活动散场场景两阶段的定制公交规划方法


[0001]本专利技术涉及智能交通
，尤其是指针对大型活动散场场景两阶段的定制公交规划方法。

技术介绍

[0002]随着我国经济的不断发展、物质生活水平的不断提高以及人们对美好精神生活的向往，各类文娱活动等大型活动成为了人们生活中不可或缺的一部分。同时，大型活动可能会影响交通系统在特定时间段内的正常运行。与观众在开场前到达活动场地相比，活动结束后观众的离开在某种程度上类似于疏散事件，这引起了研究界的极大关注。由于观众同时试图在活动结束后的短时间内离开场馆，大量离开的观众没有私家车，产生大量出租车和网约车出行，这产生了严重的交通拥堵，进而导致观众的乘车难问题。
[0003]在此背景下，为了缓解大型活动散场后，乘客不能及时疏散造成的地面交通拥堵状况，一种数据驱动
‑
需求响应式公共交通服务模式应运而生，即定制公交。在应对大型活动散场客流的相关研究中，学者们提供了诸如优化常规公交、设置支线交通等解决方案；在定制公交研究方面近年来国内外学者们提出并优化了多种需求识别、站点设置、线路生成的方法；在需求识别这部分研究中，研究者对不同数据进行处理，包括公交、轨道交通和出租车网约车等，提供了挖掘蕴含于大数据中的居民出行需求的不同方法；在线路设计这部分，研究者对多种类型的线路设计问题进行研究，并对提高相应的求解算法的精度和有效性进行了研究。
[0004]虽然目前已有部分学者对大型活动散场客流的定制公交设计进行了研究，并取得了不错的成果，但由于定制公交是一种新兴的公共交通模式，在中国并不普遍，所以从目前状况来看存在着一定的问题。在进行潜在顾客需求识别时，通过对现有交通方式的交通需求来预测定制公交出行需求的方式并不精确，仍有较大部分乘客没有足够的交通运量而造成滞后出行；定制公交站点布设时，大多研究仅考虑了集中需求，离散需求就会忽视，实际上离散需求也占了很大一部分比重，舍弃之后会造成误差较大，乘客需求得不到满足；已有的方法在定制公交线路设计模型时多采用单车型，这会造成一定的资源浪费，导致乘客的花费和运营商的成本提高。

技术实现思路

[0005]本专利技术的目的是为了解决现有方法应对大型活动散场时出现的交通拥堵及观众乘车难的问题，而提出针对大型活动散场场景两阶段的定制公交规划方法。
[0006]针对大型活动散场场景两阶段的定制公交规划方法具体过程为：
[0007]S1.采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理，作为定制公交需求识别的原始数据；
[0008]所述大型活动为活动参加者数量大于5000人；
[0009]S2.基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单，
建立基于图半监督学习的潜在需求识别模型，利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型，对出租车数据进行识别标记，识别出抵达场馆参加大型活动的出租车出行记录，进而挖掘出网约车、出租车数据中的潜在定制公交需求；
[0010]S3.通过数据驱动的方式生成备选定制公交站点；
[0011]S4.预估定制公交出行成本，预计定制公交行程时间；
[0012]向用户发送S3得到的备选站点及预估出行费用和行程时间，等待用户决策；
[0013]S5.云计算中心统计在截止时间内的乘客所有订单，根据最终的乘客需求，确定S4中被乘客选中的各个站点及各个站点包含的订单需求量；
[0014]S6.基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量，构建多车型开放式车辆路径规划模型，生成具有最大运营商利润的定制公交线路；
[0015]S7.向用户发送定制公交线路信息，定制公交线路信息包括：集合上车的位置、下车站点位置、车型、所乘坐定制公交车辆的车牌号，以等待乘客完成出行。
[0016]本专利技术的有益效果为：
[0017]本专利技术提供了针对大型活动散场场景两阶段的定制公交规划方法，大型活动为活动参加者数量大于5000人，两阶段为数据驱动
‑
需求响应，数据驱动就是通过数据驱动的方式生成备选定制公交站点，需求响应就是S5云计算中心统计在截止时间内的乘客所有订单，根据最终的乘客需求，确定S4中被乘客选中的各个站点及各个站点包含的订单需求量；
[0018]考虑到大型活动散场时出行需求的爆发性，提出了一种两阶段的定制公交研究应对措施，第一阶段首先通过数据挖掘的方法识别潜在的需求，然后提出一种集成的站点布设算法来布设定制公交备选站点，第二阶段构建一种需求响应的线路设计模型来优化定制公交线路。本专利技术既精准快速得满足了乘客的乘车需求，又有效缓解交通压力。
[0019]1.本专利技术通过采集活动当天大型活动入场阶段相关的出租车和网约车数据，分析出参加大型活动的相关订单，建立基于图半监督学习的潜在需求识别模型，利用识别出的网约车到达时间、到达地点数据训练图半监督学习的潜在需求识别模型，对出租车数据进行识别标记，识别出出租车数据中的潜在定制公交需求。
[0020]2.本专利技术综合考虑了散场时的需求位置，构建了一个集成的定制公交备选站点布设算法，该算法不仅将聚集的需求作为服务对象生成对应的聚集类型站点，而且在此基础上进一步搜索可与聚集类型站点形成拼车合乘路径的离散需求位置，从而使定制公交面向更多乘客进行服务。
[0021]3.本专利技术综合考虑了散场客流最佳线路，构建了基于最短路径的带时间窗的单车型开放式车辆路径规划模型，该模型在考虑乘客时间窗约束和车辆荷载约束的条件下，求解使运营商利润最大化的多条定制公交线路。同时综合考虑了乘客需求分布的分散性和不均匀性，构建了更节约资源的基于最短路径的带时间窗的多车型开放式车辆路径规划模型，最大程度节约了成本。
附图说明
[0022]图1为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的流程示意图；
[0023]图2为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的散场阶段交通需求热力图；
[0024]图3为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的定制公交服务流程图；
[0025]图4为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的需求识别前的可视图，lon为经度，lat为纬度；
[0026]图5为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的需求识别后的可视图；
[0027]图6为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的备选站点可视化图，CB为定制公交；
[0028]图7为本专利技术实施例提供的针对大型活动散场场景两阶段的定制公交规划方法的线路设计结果可视化图；
[0029]图8a为根据离散需求的位置不同，离散类型定制公交备选站点生成情况1示意图；
[0030]图8b为根据离散需求的位置不同，离散类型定制公交备选站点生成情况2示意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.针对大型活动散场场景两阶段的定制公交规划方法，其特征在于：所述方法具体过程为：S1.采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理，作为定制公交需求识别的原始数据；所述大型活动为活动参加者数量大于5000人；S2.基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单，建立基于图半监督学习的潜在需求识别模型，利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型，对出租车数据进行识别标记，识别出抵达场馆参加大型活动的出租车出行记录，进而挖掘出网约车、出租车数据中的潜在定制公交需求；S3.通过数据驱动的方式生成备选定制公交站点；S4.预估定制公交出行成本，预计定制公交行程时间；向用户发送S3得到的备选站点及预估出行费用和行程时间，等待用户决策；S5.云计算中心统计在截止时间内的乘客所有订单，根据最终的乘客需求，确定S4中被乘客选中的各个站点及各个站点包含的订单需求量；S6.基于S5确定的S4中被乘客选中的各个站点及其包含的订单需求量，构建多车型开放式车辆路径规划模型，生成具有最大运营商利润的定制公交线路；S7.向用户发送定制公交线路信息，定制公交线路信息包括：集合上车的位置、下车站点位置、车型、所乘坐定制公交车辆的车牌号，以等待乘客完成出行。2.根据权利要求1所述的针对大型活动散场场景两阶段的定制公交规划方法，其特征在于：所述S1中采集活动当天大型活动入场阶段相关的出租车和网约车数据并进行预处理，作为定制公交需求识别的原始数据；具体过程为：采集活动当天大型活动入场阶段相关的出租车和网约车数据包括：智能交通运行监测中心的数据资源平台所提供的出租车的实时定位数据、网约车的车辆定位数据、网约车的订单数据、网约车的经营数据、网约车的里程数据、路网数据、土地利用数据、POI数据；对活动当天大型活动入场阶段相关的出租车和网约车数据进行预处理，具体过程为：过滤交易中记录错误的数据，字段缺失的数据，全部字段完全重复的数据，明显偏离运行轨迹的数据。3.根据权利要求2所述的针对大型活动散场场景两阶段的定制公交规划方法，其特征在于：所述S2中基于网约车订单数据中下车地点信息识别出其中参加大型活动的相关订单，建立基于图半监督学习的潜在需求识别模型，利用识别出的网约车观众到达时间、到达位置数据训练图半监督学习的潜在需求识别模型，对出租车数据进行识别标记，识别出抵达场馆参加大型活动的出租车出行记录，进而挖掘出网约车、出租车数据中的潜在定制公交需求；具体过程为：基于图半监督学习的潜在需求识别模型的目标函数为根据有标记标签样本对未标记标签样本进行标记，将未标记标签样本贴上与其最相似的标签：其中，w
i,j
为站点i和站点j之间边的权重系数；h()为标签映射函数；E(h)为相似程度衡
量参数；a
i
为乘客在站点i下车经度，i＝1,2,
…
,n，n为站点总数；a
j
为乘客在站点j下车经度，j＝1,2,
…
,n；b
i
为乘客在站点i下车纬度，i＝1,2,
…
,n，b
j
为乘客在站点j下车纬度，j＝1,2,
…
,n；c
i
为乘客在站点i下车时间，i＝1,2,
…
,n，c
j
为乘客在站点j下车时间，j＝1,2,
…
,n；所述有标记标签的样本为网约车数据的到达时间、到达地点；所述未标记标签的样本为出租车数据的到达时间、到达地点；基于图半监督学习的潜在需求识别模型约束条件为：约束(1)表示站点i和站点j之间边的权重由高斯函数定义；式中，σ为函数带宽；为取二范数平方；w
i,j
为站点i和站点j之间边的权重；约束(2)为标签映射函数在有标记标签样本上的学习结果和真实标签一致；h((a
i
,b
i
,c
i
))＝y
i
,i＝1,2,
…
,l
ꢀꢀꢀꢀꢀꢀ
(2)式中，y
i
为样本i的标签；l为有标记标签样本的数量；右侧为真实标签，左侧为标签映射函数得到的标签；约束(3)为无标记标签样本上的能量输出与输入相等，保持能量守恒；约束(4)为有标记标签样本上的能量输入与输出相等，保持能量守恒；4.根据权利要求3所述的针对大型活动散场场景两阶段的定制公交规划方法，其特征在于：所述S3中通过数据驱动的方式生成备选定制公交站点；具体过程为：S31.构建CSDBSCAN算法对定制公交需求识别结果进行处理，生成聚集类型备选定制公交站点；过程为：S311.采用基于密度聚类原理的DBSCAN算法，根据需求位置并考虑乘客步行可达性及实际路网距离，将较为聚集的需求识别出来生成对应的类簇；S312.针对基于密度的聚类算法密度相连可能导致类簇过大，进一步考虑定制公交站点的步行可达距离，对生成的对应的类簇进行检验分割，生成最终的聚集类型备选定制公交站点；S32.基于CLSDD算法对聚集类型备选定制公交站点处理，生成离散类型备选定制公交站点；则最终备选定制公交站点为聚集类型备选定制公交站点与离散类型备选定制公交站点的合集。5.根据权利要求4所述的针对大型活动散场场景两阶段的定制公交规划方法，其特征在于：所述S32中基于CLSDD算法对聚集类型定制公交站点处理，生成离散类型备选定制公
交站点；具体过程为：根据离散需求的位置不同，离散类型定制公交备选站点生成分为三种情况：(1)当离散需求点P与场馆O至聚集类型的定制公交站点A的经验路径上任意一点i的距离小于步行可达距离，则认定离散需求点P可以顺路搭乘定制公交，将离散需求点P保留下来，并在i处设置离散类型备选定制公交站点；(2)当离散需求点P与两个聚集类型定制公交站点间的经验路径上任意点i的距离小于步行可达距离，且满足乘客乘坐定制公交返回目的地的路径与乘客乘坐出租车直接返回目的地时路径的距离之比在用户可接受的阈值之内，则离散需求点P可以顺路搭乘定制公交，将离散需求点P保留下来，并在i处设置离散类型备选定制公交站点；(3)...

【专利技术属性】
技术研发人员：田原，于琳，杨丹，李庆昕，刘俊涛，王健，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：