CN107038858A - 通勤私家车动态拼车推荐方法 - Google Patents
通勤私家车动态拼车推荐方法 Download PDFInfo
- Publication number
- CN107038858A CN107038858A CN201710380104.3A CN201710380104A CN107038858A CN 107038858 A CN107038858 A CN 107038858A CN 201710380104 A CN201710380104 A CN 201710380104A CN 107038858 A CN107038858 A CN 107038858A
- Authority
- CN
- China
- Prior art keywords
- car
- commuting
- vehicle
- share
- seats
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000000694 effects Effects 0.000 claims abstract description 36
- 206010039203 Road traffic accident Diseases 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000001550 time effect Effects 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims 1
- 230000007774 longterm Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种通勤私家车动态拼车推荐方法，包括，输入车牌自动识别数据，对其进行预处理，生成车辆轨迹集；基于城市车辆轨迹集，结合通勤私家车出行时空规律的高度重复性和周期性，设计一种工作日通勤私家车识别算法；结合通勤私家车的家‑工作地址、通勤时间窗口和工作日动态影响因素(天气、事故和交通)，实现对影响通勤私家车拼车的关键特征提取；基于通勤车辆时空特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配，为通勤私家车提供一种长期稳定的拼车机制，并在早晚高峰时段明显减少私家车车辆数。
Description
技术领域
本发明涉及智能交通***领域，特别涉及一种通勤私家车动态拼车推荐方法。
背景技术
随着基于位置服务和移动互联网技术的飞速发展，拼车服务已成为缓解城市交通拥堵的共享经济新模式。
在拼车推荐领域，传统算法存在两个问题：第一，现有方法大多以满足乘客的实时拼车需求为单一目标，即如何减少乘客的等待时间，而尚未有效解决拼车驾驶员之间因同业竞争而增加私家车使用量的问题。因此，现有拼车方法有可能在早晚高峰时段造成更加严重的道路拥堵。第二，现有拼车方案大多依赖于GPS轨迹、手机信令等大规模人群移动数据，轨迹丰富但语义信息缺失，且尚未有效考虑天气、节假日与重大活动、交通事故等动态因素对拼车方案的重要影响。因而，难以为用户提供个性化的动态拼车方案。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种通勤私家车动态拼车推荐方法。
为实现上述目的，本发明采用以下技术方案：
通勤私家车动态拼车推荐方法，包括以下步骤：
S1、输入VLPR数据集，对VLPR数据集进行预处理，生成城市车辆轨迹数据集；
S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除活跃度低的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家-工作地址的车辆判定为通勤私家车；
S3、结合通勤私家车的家-工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；
S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。
进一步地，步骤S1具体包括以下步骤：
S11、提取本地私家车，通过车牌号和车牌颜色特点，从VLPR数据集中提取本地私家车数据；
S12、字段提炼，从本地私家车数据中提取所需的字段，生成过车记录数据；
S13、冗余过车记录清洗，删除过车记录数据中的重复过车记录及错误记录数据；
S14、生成车辆轨迹数据集，对清洗后的过车记录，按照车牌号分类，相同车牌号记录按过车时间排序，然后将相同车牌过车记录按时间顺序首位相连，形成车辆轨迹数据。
进一步地步骤S12中所需的字段包括VLPR编号、VLPR类型、VLPR方向、车牌号、车牌颜色、车道号及过车时间。
进一步地，步骤S2具体包括以下步骤：
S21、低活跃度车辆过滤，基于通勤私家车出行规律的周期性及重复性，定义月工作日中活跃天数少于15天的私家车为活跃度过低车辆，判定活跃度过低车辆为非通勤车辆并予以排除；
S22、确定潜在通勤私家车辆的潜在家地址和潜在工作地址，为确定车辆潜在″家地址″，分析每天下班至次日上班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，tm＝max(ti)，i＝1，2，...，n-1，当tm大于设定阈值即判定Lm+1为其潜在家地址；为确定车辆潜在″工作地址″，分析每天上班至下班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，当tm大于设定阈值即判定Lm为该车辆潜在″工作地址″；
S23、确定车辆家地址和工作地址，对于每辆潜在通勤私家车的潜在家地址，计算每个潜在家地址的频率freq(PHi)，标记频率最高且频率大于0.8的潜在家地址为家地址，对于潜在工作地址，计算其从已确定的家地址出发的频率freq(PWi)，同时计算其距离家地址的距离dist(PWi)，确定拥有最大值max(freq(PWi)×dist(PWi))的潜在工作地址为真正的工作地址；
S24、确定通勤私家车，判定同时拥有拥有家-工作地址的私家车为通勤私家车。
进一步地，步骤S3具体包括以下步骤：
S31、空间特征提取，将每辆通勤私家车的家地址和工作地址的经纬度作为通勤私家车空间特征；
S32、时间特征提取，将多个工作日作为观测时间范围，将每个工作日出发时间和到达时间分别作为一维特征，为了将时间量化，将出发时间转换为其距离当天00:00的小时数，将到达时间转换为其距离06:00的小时数，若当天早高峰该车辆无通勤轨迹，则出发时间与到达时间用0代替；
S33、动态影响因素特征提取，考虑到交通流、交通事故和天气情况等动态影响因素对拼车推荐的影响，分别提取每个工作日早高峰的动态影响因素特征，对于交通流，将是否周一作为一维特征，是为1，否则为0；对于交通事故，将当天早高峰厦门市发生的交通事故总数作为事故特征；对于天气，分别考虑当天早高峰的能见度和降雨量作为两维天气特征。
进一步地，步骤S31中，考虑拼车时相近起点及终点的重要性，防止其它特征在聚类算法中产生过多的干扰，将经度转换为其与所有VLPR设备最小经度的差值，将纬度转换为其与所有VLPR设备最小纬度的差值，将转换后的经纬度同时乘以1000，以加大空间特征的权重。
进一步地，步骤S4具体包括以下步骤：
S41、将每辆通勤私家车的空间特征和时间特征为描述通勤私家车通勤规律的时空特征向量，运用k-means算法对通勤私家车进行粗粒度聚类，使具有相似通勤规律的通勤车辆聚为一类。
S42、根据动态影响因素来确定驾驶人向乘客提供拼车服务的意愿因子IF，具体为，
IF＝ω1×isMonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，isMonday表示是否周一，是为1，否为0；visibility表示早高峰能见度；rainfall表示早高峰降雨量；accident表示早高峰交通事故总数；ω1，ω2，ω3，与ω4分别代表四个因素对通勤私家车出行规律的影响程度，其中能见度visibili与影响因子呈负相关，故系数为负；
S43、在不同的意愿因子作用下，结合不同的共享座位数seats∈[1，4]，运用递归AGNES算法，生成不同共享座位数下的通勤私家车拼车组合。
进一步地，步骤S43中为求得不同动态影响因素下最佳共享座位数，首先定义一个能量函数E，其公式如下，
E(IF，seats)＝D(IF，seats)+αS(IF，seats)
式中，IF为意愿因子，seats为愿意共享座位数量，数据项D(IF，seats)为拼车后减少车辆数，平滑项S(IF，seats)为拼车准确度与乘客平均等待时间对最终拼车效果的影响，α为平衡因子，α∈[0，1]；
数据项D(IF，seats)和平滑项S(IF，seats)的计算公式如下，
D(IF，seats)＝N-M(IF，seats)；
式中，N为总车辆数，M(IF，seats)为车辆组合个数，WT(IF，seats)为乘客平均等待时间，RA(IF，seats)为平均拼车准确度，与β为可调参数，用来决定拼车准确度与乘客等待时间影响拼车效果的权重；
对每一个意愿因子IF，取seats为使得能量函数E(if，seats)为最大值的共享座位数，则有，
seats＝argmaxE(if，seats)，seats∈[1，4]。
采用上述技术方案后，本发明与背景技术相比，具有如下优点：一方面提高乘客的拼车满意度，即减少乘客等待时间和保证拼车准确度，另一方面，保证拼车服务的综合社会效益，即在早晚高峰时段明显减少拼车车辆数。
附图说明
图1为本发明流程图；
图2为VLPR数据集，其中图2(a)是厦门市VLPR设备分布情况，图2(b)是厦门市VLPR设备信息示例图，图2(c)是VLPR过车记录示例图，图2(d)是VLPR设备保存字段示例图；
图3为厦门市历史天气和事故数据示例图，其中图3(a)是厦门市2016年5月1日至5月4日天气情况示例图，图3(b)是厦门市2016年部分交通事故数据示例图；
图4为原始VLPR数据集经过预处理生成车辆轨迹示例图；
图5为部分通勤车辆“家地址”和“工作地址”示例图；
图6为部分通勤私家车关键特征示例图；
图7为对部分通勤私家车进行粗粒度聚类示例图；
图8为对某个粗粒度通勤私家车聚类，按不同天进行动态细聚类实例图；
图9为通勤私家车动态拼车推荐方法实验结果分析图，其中图9(a)是各工作日平均等待时间分布图，图9(b)是各工作日拼车准确度分布图，图9(c)是各工作日减少车辆数分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
如图1所示的是本发明的流程图，主要包括以下四个步骤：
S1、输入车牌自动识别(Vehicle License Plate Recognition，简称VLPR)数据集，对VLPR数据进行预处理，生成城市车辆轨迹数据集；
S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除明显的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家-工作地址的车辆判定为通勤私家车；
S3、结合通勤私家车的家-工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；
S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。
其中，步骤S1具体包括以下步骤：
S11、提取本地私家车。通过车牌号和车牌颜色特点，从所有VLPR记录数据中提取我们需要车辆类型，即本地私家车；
S12、字段提炼。原始VLPR记录包含22个字段，提炼该方法所需的7个字段，包括，VLPR编号、VLPR类型、VLPR方向、车牌号、车牌颜色、车道号、过车时间；
S13、冗余过车记录清洗。由于车牌自动识别设备的缺陷，VLPR设备存在重复记录车牌信息的情况，以第一次拍摄的过车信息为准，删除重复记录。此外，错误记录数据也会被清理；
S14、生成车辆轨迹数据集。对清洗后的过车记录，按照车牌号分类，相同车牌号记录按过车时间排序，然后将相同车牌过车记录按时间顺序首位相连，形成车辆轨迹数据。
图2为VLPR数据集示例图，其中图2a是厦门市VLPR设备分布情况，图2b是厦门市VLPR设备信息示例图，图2c是VLPR过车记录示例图，图2d是VLPR设备保存字段示例图；图4为原始VLPR数据集经过预处理生成车辆轨迹示例图。
在步骤S1获得车辆轨迹数据集的基础上，进行步骤S2，以识别城市通勤私家车，其中包括：
S21、低活跃度车辆过滤。考虑到通勤私家车出行规律的周期性及重复性，活跃度过低的车辆可以被排除，因此过滤低活跃度(即一个月20个工作日活跃天数少于15天)的私家车，以排除明显的非通勤车辆。
S22、确定潜在家地址和工作地址。为了确定车辆潜在家地址，分析每天晚上(下午6点至次日早上9点时间区间)车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，tm＝max(ti)，i＝1，2，...，n-1，当tm＞6h，则认为Lm+1为其潜在家地址；对于车辆潜在工作地址，分析每天白天(早上6点至下午9点时间区间)车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，鉴于一部分通勤车辆在中午会发生Work break(比如外出就餐、中途回家等)，若tm＞2h，且Lm过车记录时刻早于上午11点，我们认为Lm为该车辆潜在工作地址。
S23、确定家地址和工作地址。对于每辆潜在通勤私家车的潜在家地址，计算每个潜在家地址的频率freq(PHi)，标记频率最高且频率大于0.8的潜在家地址为家地址。对于潜在“工作地址”，计算其从以确定的家地址出发的频率freq(PWi)，同时计算其距离家地址的距离dist(PWi)，即自家地址至潜在工作地址轨迹间VLPR设备数量，最后，确定拥有最大值max(freq(PWi)×dist(PWi))的潜在工作地址为真正的工作地址。
S24、确定通勤私家车。通勤私家车即同时拥有″家-工作地址″对的私家车，自家地址至工作地址间的轨迹即为通勤轨迹。
图5为部分通勤车辆家地址和工作地址示例图。
在步骤S2获得通勤私家车的基础上，进行步骤S3，以实现对影响通勤私家车拼车的关键特征提取，具体包括以下步骤：
S31、空间特征提取。将每辆通勤私家车的″家地址″和″工作地址″经纬度，作为通勤私家车空间特征，考虑到拼车时相近起终点的重要性，防止其它特征在聚类算法中产生过多的干扰，本方法加大空间特征的权重：将经度转换为其与所有VLPR设备最小经度的差值，将纬度转换为其与所有VLPR设备最小纬度的差值，将转换后的经纬度同时乘以1000，以加大权重。
S32、时间特征提取。为了全面反映通勤私家车的通勤规律，将多个工作日作为观测时间范围，将每个工作日出发时间和到达时间分别作为一维特征，为了将时间量化，本方法将出发时间转换为其距离当天00:00的小时数，将到达时间转换为其距离06:00的小时数，若当天早高峰该车辆无通勤轨迹，则出发时间与到达时间用0代替。
S33、动态影响因素特征提取。考虑到交通流、交通事故和天气情况等动态影响因素对拼车推荐的影响，本方法分别提取每个工作日早高峰的动态影响因素特征。对于交通流，由于周一对交通影响较大，因此将是否周一作为一维特征，是为1，否则为0；对于交通事故，将当天早高峰(7:00至9:00)厦门市发生的交通事故总数作为事故特征；对于天气，分别考虑当天早高峰的能见度和降雨量作为两维天气特征。
图6为部分通勤私家车关键特征示例图。
在步骤S3提取了通勤私家车关键特征的基础上，进行步骤S4，以实现基于用户意愿的动态拼车匹配，具体包括以下步骤：
S41、将每辆通勤私家车的空间特征和时间特征为描述通勤私家车通勤规律的时空特征向量(若观察时间范围为d个工作日，时空特征共(4+2d)维)，运用k-means算法对通勤私家车进行粗粒度聚类，使具有相似通勤规律的通勤车辆聚为一类。
S42、对于通勤私家车而言，不同的动态影响因素(天气、交通流量、交通事故等)条件下，驾驶人(Drivers)向乘客(Riders)提供拼车服务的意愿(愿意共享座位数量)大小不同，最终产生的拼车组合也不同。首先，我们需要定义驾驶人提供拼车服务的意愿因子，并根据动态影响因素来确定意愿因子IF，公式如下：
IF＝ω1×isMonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，isMonday表示是否周一，是为1，否为0；visibility表示早高峰能见度；rainfall表示早高峰降雨量；accident表示早高峰交通事故总数。ω1，ω2，ω3，与ω4分别代表四个因素对通勤私家车出行规律的影响程度，其中能见度visibility与影响因子呈负相关，故系数为负。
S43、在不同的意愿因子作用下，结合不同的共享座位数seats∈[1，4]，运用递归AGNES算法，生成不同共享座位数下的通勤私家车拼车组合。
步骤S43中为求得不同动态影响因素下最佳共享座位数，首先定义一个能量函数E，其公式如下，
E(IF，seats)＝D(IF，seats)+αS(IF，seats)
式中，IF为意愿因子，seats为愿意共享座位数量，数据项D(IF，seats)为拼车后减少车辆数，平滑项S(IF，seats)为拼车准确度与乘客平均等待时间对最终拼车效果的影响，α为平衡因子，α∈[0，1]；
数据项D(IF，seats)和平滑项S(IF，seats)的计算公式如下，
D(IF，seats)＝N-M(IF，seats)；
式中，N为总车辆数，M(IF，seats)为车辆组合个数，WT(IF，seats)为乘客平均等待时间，RA(IF，seats)为平均拼车准确度，与β为可调参数，用来决定拼车准确度与乘客等待时间影响拼车效果的权重；拼车目标是保证D(if，seats)与RA(IF，seats)尽量大，WT(IF，seats)尽量小，故使WT(IF，seats)系数为负。
对每一个意愿因子IF，取seats为使得能量函数E(if，seats)为最大值的共享座位数，则有，
seats＝argmaxE(if，seats)，seats∈[1，4]。
图3为厦门市历史天气和事故数据示例图，其中图3a是厦门市2016年5月1日至5月4日天气情况示例图，图3b是厦门市2016年部分交通事故数据示例图。
图7为对部分通勤私家车进行粗粒度聚类示例图。
图8为对某个粗粒度通勤私家车聚类，按不同天进行动态细聚类实例图。
图9为通勤私家车动态拼车推荐方法实验结果分析图，其中图9a是各工作日平均等待时间分布图，日均等待时间为7.45分钟，图9b是各工作日拼车准确度分布图，日均拼车准确度为83％，图9c是各工作日减少车辆数分布图，日均减少5478辆，约占通勤私家车总量的30％。
从上述图中可以看出，使用本发明提出的拼车推荐方法后，性能表现得到了显著的提升：一方面保证了用户的拼车满意度(较小的等待时间和较高的拼车准确度)，另一方面显著减少了早晚高峰时段的通勤私家车使用数量。
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.通勤私家车动态拼车推荐方法，其特征在于，包括以下步骤：
S1、输入VLPR数据集，对VLPR数据集进行预处理，生成城市车辆轨迹数据集；
S2、基于通勤私家车出行时空规律的高度重复性，从城市车辆轨迹数据集中滤除活跃度低的非通勤车辆，对余下的车辆进行家地址与工作地址的分析，将同时拥有家-工作地址的车辆判定为通勤私家车；
S3、结合通勤私家车的家-工作地址、通勤时间窗口和工作日动态影响因素分别实现对影响通勤私家车拼车的空间特征、时间特征及动态影响因素特征提取，所述动态影响因素包括天气、事故及交通流状况；
S4、基于通勤车辆的空间特征与时间特征，匹配具有相似通勤时空规律的通勤车辆，并结合动态影响因素对驾驶人拼车意愿的影响，将这些动态因素与用户在时空维度的拼车需求有效结合，实现基于用户意愿的动态拼车匹配。
2.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S1具体包括以下步骤：
S11、提取本地私家车，通过车牌号和车牌颜色特点，从VLPR数据集中提取本地私家车数据；
S12、字段提炼，从本地私家车数据中提取所需的字段，生成过车记录数据；
S13、冗余过车记录清洗，删除过车记录数据中的重复过车记录及错误记录数据；
S14、生成车辆轨迹，对清洗后的过车记录，按照车牌号分类，相同车牌号记录按过车时间排序，然后将相同车牌过车记录按时间顺序首位相连，形成车辆轨迹数据。
3.根据权利要求2所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S12中所需的字段包括VLPR编号、VLPR类型、VLPR方向、车牌号、车牌颜色、车道号及过车时间。
4.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于，步骤S2具体包括以下步骤：
S21、低活跃度车辆过滤，基于通勤私家车出行规律的周期性及重复性，定义月工作日中活跃天数少于15天的私家车为活跃度过低车辆，判定活跃度过低车辆为非通勤车辆并予以排除；
S22、确定潜在通勤私家车辆的潜在家地址和潜在工作地址，为确定车辆潜在″家地址″，分析每天下班至次日上班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，tm＝max(ti)，i＝1，2，...，n-1，当tm大于设定阈值即判定Lm+1为其潜在家地址；为确定车辆潜在″工作地址″，分析每天上班至下班的时间区间内的车辆轨迹，L1，L2，...，Ln为轨迹VLPR设备地址序列，t1，t2，...，tn-1为车辆经过每连续两个VLPR设备的时间间隔序列，当tm大于设定阈值即判定Lm为该车辆潜在″工作地址″；
S23、确定车辆家地址和工作地址，对于每辆潜在通勤私家车的潜在家地址，计算每个潜在家地址的频率freq(PHi)，标记频率最高且频率大于0.8的潜在家地址为家地址，对于潜在工作地址，计算其从已确定的家地址出发的频率freq(PWi)，同时计算其距离家地址的距离dist(PWi)，确定拥有最大值m3x(freq(PWi)×dist(PWi))的潜在工作地址为真正的工作地址；
S24、确定通勤私家车，判定同时拥有拥有家-工作地址的私家车为通勤私家车。
5.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于，步骤S3具体包括以下步骤：
S31、空间特征提取，将每辆通勤私家车的家地址和工作地址的经纬度作为通勤私家车空间特征；
S32、时间特征提取，将多个工作日作为观测时间范围，将每个工作日出发时间和到达时间分别作为一维特征，为了将时间量化，将出发时间转换为其距离当天00：00的小时数，将到达时间转换为其距离06：00的小时数，若当天早高峰该车辆无通勤轨迹，则出发时间与到达时间用0代替；
S33、动态影响因素特征提取，考虑交通流、交通事故和天气情况等动态影响因素对拼车推荐的影响，分别提取每个工作日早高峰的动态影响因素特征，对于交通流，将是否周一作为一维特征，是为1，否则为0；对于交通事故，将当天早高峰厦门市发生的交通事故总数作为事故特征；对于天气，分别考虑当天早高峰的能见度和降雨量作为两维天气特征。
6.根据权利要求5所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S31中，考虑拼车时相近起点及终点的重要性，防止其它特征在聚类算法中产生过多的干扰，将经度转换为其与所有VLPR设备最小经度的差值，将纬度转换为其与所有VLPR设备最小纬度的差值，将转换后的经纬度同时乘以1000，以加大空间特征的权重。
7.根据权利要求1所述的通勤私家车动态拼车推荐方法，其特征在于，步骤S4具体包括以下步骤：
S41、将每辆通勤私家车的空间特征和时间特征为描述通勤私家车通勤规律的时空特征向量，运用k-means算法对通勤私家车进行粗粒度聚类，使具有相似通勤规律的通勤车辆聚为一类。
S42、根据动态影响因素来确定驾驶人向乘客提供拼车服务的意愿因子IF，具体为，
IF＝ω1×isMonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，isMonday表示是否周一，是为1，否为0；visibility表示早高峰能见度；rainfall表示早高峰降雨量；accident表示早高峰交通事故总数；ω1，ω2，ω3，与ω4分别代表四个因素对通勤私家车出行规律的影响程度，其中能见度visibili与影响因子呈负相关，故系数为负；
S43、在不同的意愿因子作用下，结合不同的共享座位数seats∈[1，4]，运用递归AGNES算法，生成不同共享座位数下的通勤私家车拼车组合。
8.根据权利要求7所述的通勤私家车动态拼车推荐方法，其特征在于：步骤S43中为求得不同动态影响因素下最佳共享座位数，首先定义一个能量函数E，其公式如下，
E(IF，seats)＝D(IF，seats)+αS(IF，seats)
式中，IF为意愿因子，seats为愿意共享座位数量，数据项D(IF，seats)为拼车后减少车辆数，平滑项S(IF，seats)为拼车准确度与乘客平均等待时间对最终拼车效果的影响，α为平衡因子，α∈[0，1]；
数据项D(IF，seats)和平滑项S(IF，seats)的计算公式如下，
D(IF，seats)＝N-M(IF，seats)；
式中，N为总车辆数，M(IF，seats)为车辆组合个数，WT(IF，seats)为乘客平均等待时间，RA(IF，seats)为平均拼车准确度，与β为可调参数，用来决定拼车准确度与乘客等待时间影响拼车效果的权重；
对每一个意愿因子IF，取seats为使得能量函数E(if，seats)为最大值的共享座位数，则有，
seats＝argmaxE(if，seats)，seats∈[1，4]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710380104.3A CN107038858B (zh) | 2017-05-25 | 2017-05-25 | 通勤私家车动态拼车推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710380104.3A CN107038858B (zh) | 2017-05-25 | 2017-05-25 | 通勤私家车动态拼车推荐方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107038858A true CN107038858A (zh) | 2017-08-11 |
| CN107038858B CN107038858B (zh) | 2019-05-28 |
Family
ID=59539366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710380104.3A Active CN107038858B (zh) | 2017-05-25 | 2017-05-25 | 通勤私家车动态拼车推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107038858B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
| CN108320503A (zh) * | 2018-01-19 | 2018-07-24 | 江苏本能科技有限公司 | 基于点位识别的车辆行驶查询方法及*** |
| CN109949068A (zh) * | 2019-01-09 | 2019-06-28 | 深圳北斗应用技术研究院有限公司 | 一种基于预测结果的实时拼车方法和装置 |
| CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
| CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
| CN111523562A (zh) * | 2020-03-20 | 2020-08-11 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
| CN113112331A (zh) * | 2021-04-25 | 2021-07-13 | 中山大学 | 一种基于通勤场景下的私家车拼车匹配方法 |
| CN114331617A (zh) * | 2021-12-29 | 2022-04-12 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
| CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751625A (zh) * | 2013-12-25 | 2015-07-01 | 上海博泰悦臻网络技术服务有限公司 | 基于轨迹分析的拼车方法和*** |
| US20160025507A1 (en) * | 2014-07-25 | 2016-01-28 | GM Global Technology Operations LLC | Carpool finder assistance |
| CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
| CN105701560A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术（北京）有限公司 | 一种通勤路线信息的确定方法及装置 |
| CN106027637A (zh) * | 2016-05-18 | 2016-10-12 | 福建工程学院 | 基于轨迹信息的拼车方法及*** |
| US20160364678A1 (en) * | 2015-06-11 | 2016-12-15 | Raymond Cao | Systems and methods for on-demand transportation |
| KR20160150212A (ko) * | 2015-06-19 | 2016-12-29 | (주)연결해 | 카풀 운전자와 탑승자의 이동경로 매칭 기술 |
-
2017
- 2017-05-25 CN CN201710380104.3A patent/CN107038858B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751625A (zh) * | 2013-12-25 | 2015-07-01 | 上海博泰悦臻网络技术服务有限公司 | 基于轨迹分析的拼车方法和*** |
| US20160025507A1 (en) * | 2014-07-25 | 2016-01-28 | GM Global Technology Operations LLC | Carpool finder assistance |
| US20160364678A1 (en) * | 2015-06-11 | 2016-12-15 | Raymond Cao | Systems and methods for on-demand transportation |
| KR20160150212A (ko) * | 2015-06-19 | 2016-12-29 | (주)연결해 | 카풀 운전자와 탑승자의 이동경로 매칭 기술 |
| CN105674995A (zh) * | 2015-12-31 | 2016-06-15 | 百度在线网络技术（北京）有限公司 | 一种基于用户出行轨迹获取通勤路线的方法及装置 |
| CN105701560A (zh) * | 2015-12-31 | 2016-06-22 | 百度在线网络技术（北京）有限公司 | 一种通勤路线信息的确定方法及装置 |
| CN106027637A (zh) * | 2016-05-18 | 2016-10-12 | 福建工程学院 | 基于轨迹信息的拼车方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 程静 等: "基于时间序列聚类方法分析北京出租车出行量的时空特征", 《地球信息科学学报》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
| CN108320503A (zh) * | 2018-01-19 | 2018-07-24 | 江苏本能科技有限公司 | 基于点位识别的车辆行驶查询方法及*** |
| CN109949068A (zh) * | 2019-01-09 | 2019-06-28 | 深圳北斗应用技术研究院有限公司 | 一种基于预测结果的实时拼车方法和装置 |
| CN110134865A (zh) * | 2019-04-26 | 2019-08-16 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
| CN110134865B (zh) * | 2019-04-26 | 2023-03-24 | 重庆大学 | 一种基于城市公共交通出行大数据的通勤乘客社交推荐方法及平台 |
| CN110148298B (zh) * | 2019-06-24 | 2022-03-18 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
| CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
| CN111523562B (zh) * | 2020-03-20 | 2021-06-08 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
| CN111523562A (zh) * | 2020-03-20 | 2020-08-11 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
| CN113112331A (zh) * | 2021-04-25 | 2021-07-13 | 中山大学 | 一种基于通勤场景下的私家车拼车匹配方法 |
| CN114331617A (zh) * | 2021-12-29 | 2022-04-12 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
| CN114331617B (zh) * | 2021-12-29 | 2024-05-31 | 重庆大学 | 一种基于人工蜂群算法的通勤私家车拼车匹配方法 |
| CN115440040A (zh) * | 2022-09-02 | 2022-12-06 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
| CN115440040B (zh) * | 2022-09-02 | 2023-09-22 | 重庆大学 | 一种基于高速公路通行数据的通勤车辆识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107038858B (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038858B (zh) | 通勤私家车动态拼车推荐方法 | |
| Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
| CN105206046B (zh) | 基于大数据的出租车服务站选址及可行性评价方法 | |
| US20140089036A1 (en) | Dynamic city zoning for understanding passenger travel demand | |
| CN107066458A (zh) | 一种基于车联网数据的时空维度用户画像分析方法 | |
| Poku-Boansi et al. | The determinants of demand for public transport services in Kumasi, Ghana | |
| CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其*** | |
| CN106529711A (zh) | 用户行为预测方法及装置 | |
| Liu et al. | Intersection delay estimation from floating car data via principal curves: a case study on Beijing’s road network | |
| Reddy et al. | Bus travel time prediction under high variability conditions | |
| CN108765018A (zh) | 基于人车关联的自适应广告推送方法及*** | |
| CN108363783B (zh) | Mac地址与身份信息的绑定方法及装置 | |
| CN105260832A (zh) | 基于订单数据的出租车驾驶员绩效评估方法 | |
| Jiang et al. | CrowdPatrol: A mobile crowdsensing framework for traffic violation hotspot patrolling | |
| Chen et al. | A context-aware nonnegative matrix factorization framework for traffic accident risk estimation via heterogeneous data | |
| Gothane et al. | Analyzing factors, construction of dataset, estimating Importance of factor, and generation of association rules for Indian road accident | |
| Zou et al. | Estimation of travel time based on ensemble method with multi-modality perspective urban big data | |
| DE112021001926T5 (de) | System und verfahren zur filterlosen drosselung vonfahrzeugereignisdatenverarbeitung zum identifizieren von parkbereichen | |
| CN109254984B (zh) | 基于od数据感知城市动态结构演化规律的可视分析方法 | |
| CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
| CN113538907A (zh) | 一种基于交通流分级的行车时间估计*** | |
| CN111860048A (zh) | 智能化道路信息分析方法 | |
| Sarmiento et al. | Important aspects to consider for household travel surveys in developing countries | |
| CN108831182A (zh) | 一种城市公交网络od矩阵构建方法 | |
| Jahangiri et al. | Data mining to improve planning for pedestrian and bicyclist safety |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210104 Address after: 801-a, B, C, No. 44, guanri Road, phase II, software park, Xiamen City, Fujian Province, 361000 Patentee after: XIAMEN GNSS DEVELOPMENT & APPLICATION Co.,Ltd. Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422 Patentee before: XIAMEN University |
|
| TR01 | Transfer of patent right |