CN110162520B - 面向地铁乘客的朋友推荐方法及*** - Google Patents

面向地铁乘客的朋友推荐方法及*** Download PDF

Info

Publication number
CN110162520B
CN110162520B CN201910329331.2A CN201910329331A CN110162520B CN 110162520 B CN110162520 B CN 110162520B CN 201910329331 A CN201910329331 A CN 201910329331A CN 110162520 B CN110162520 B CN 110162520B
Authority
CN
China
Prior art keywords
passengers
train
subway
passenger
transfer
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.)
Active
Application number
CN201910329331.2A
Other languages
English (en)
Other versions
CN110162520A (zh
Inventor
尹凌
张帆
刘康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910329331.2A priority Critical patent/CN110162520B/zh
Publication of CN110162520A publication Critical patent/CN110162520A/zh
Priority to PCT/CN2019/126260 priority patent/WO2020215759A1/zh
Application granted granted Critical
Publication of CN110162520B publication Critical patent/CN110162520B/zh
Priority to US17/507,729 priority patent/US20220044335A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0018—Communication with or on the vehicle or train
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24553—Query execution of query operations
    • G06F16/24558—Binary matching operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06Q50/01—Social networking
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Remote Sensing (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种面向地铁乘客的朋友推荐方法，包括：获取地铁站乘客及地铁运行的源数据；对获取的源数据进行预处理；根据预处理后的源数据推断乘客出行路径；根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表；根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配；根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐。本发明还涉及一种面向地铁乘客的朋友推荐***。本发明将原本基于用户属性或静态空间的社交软件朋友推荐拓展到了动态空间中，使得乘客与列车的匹配更加精准，并能够全面量化乘客对在地铁***中的交互情况。

Description

面向地铁乘客的朋友推荐方法及***
技术领域
本发明涉及一种面向地铁乘客的朋友推荐方法及***。
背景技术
城市公共交通***(包括公交***和地铁***)作为大量人群汇聚的封闭空间，极易发生乘客间的交互，乘客间存在着大量“熟悉的陌生人”。研究公共交通***内部的交互有助于发现具有共同出行特征的乘客，挖掘出其中存在的社会属性、行为偏好的共同点，提高移动社交软件的推荐效果。
现有城市公共交通***内的乘客交互研究主要集中在公交***中，地铁***中还没有得到充分研究。相比于公交***，地铁***更为庞大和复杂，提取地铁***中的乘客交互存在诸多挑战，例如，换乘、上/下列车均无记录，难以判断乘客在地铁***中的具体乘车行为。
现有朋友推荐技术的缺点如下：
首先，目前的移动社交软件朋友推荐主要是针对用户注册资料、兴趣偏好相似性进行的，或者是基于定位距离的相近性，少有基于时空交互的朋友推荐；
然后，城市公共交通***内部存在大量“熟悉的陌生人”，通过乘客间的交互关系可以进一步挖掘出其社会属性、行为偏好的相似性，提高移动社交软件朋友推荐的效果。目前的研究集中在公交***中，缺乏对于地铁***内部乘客交互的研究；
最后，地铁刷卡数据具有数据量大、覆盖范围广、精细化等特点，适合于地铁乘客行为的研究。但是地铁刷卡数据仅有乘客进出站的相关记录，缺乏对于地铁***内部乘客行为的刻画，如在何处换乘、乘坐哪一趟列车等，而这些对于度量乘客间的交互情况、进行朋友推荐是十分必要的。已有的乘客与列车匹配算法是直接根据乘客的入站和出站刷卡时间来估算其乘坐的相应列车，结果具有一定的偏差，不够精准。
因此，如何推断地铁***中乘客的出行行为、度量其在地铁空间中的交互情况并基于此进行朋友推荐是目前亟待解决的问题。
发明内容
有鉴于此，有必要提供一种面向地铁乘客的朋友推荐方法及***。
本发明提供一种面向地铁乘客的朋友推荐方法，该方法包括如下步骤：a.获取地铁站乘客及地铁运行的源数据；b.对获取的源数据进行预处理；c.根据预处理后的源数据推断乘客出行路径；d.根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表；e.根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配；f.根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐。
其中，所述的步骤b具体包括：
对地铁原始刷卡数据进行处理；
根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据；
对获取的完整出行OD数据进行异常OD数据清洗。
所述的步骤c具体包括：对于所有OD数据，结合地铁线路图，利用Dijkstra算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径。
所述的步骤e具体包括如下步骤：
e1，对乘客出站刷卡时间戳进行聚类，计算乘客在每个站点的进出站步行时间；
e2，根据出站刷卡时间戳计算下车时间戳，将非换乘乘客匹配到特定列车；
e3，根据进站刷卡时间戳计算换乘前的上车时间戳，将单次换乘乘客匹配到特定列车；
e4，根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值，计算换乘站点的换乘时间；
e5，用步骤e3推断出乘客乘坐的第一列和最后一列列车，并考虑换乘站的换乘时间，将多次换乘乘客匹配到特定列车。
所述的步骤f具体包括：
f1，对地铁***进行空间划分，得到每位乘客在每个空间中停留的时间戳，判断两个乘客是否有交互；
f2，采用不同的标签命名所有的空间；
f3，对于两个乘客，计算得到所述两个乘客的平均交互频率和平均交互时长；
f4，分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，针对平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐。
本发明提供一种面向地铁乘客的朋友推荐***，该***包括该***包括获取模块、预处理模块、推断模块、计算模块、匹配模块以及推荐模块，其中：所述获取模块用于获取地铁站乘客及地铁运行的源数据；所述预处理模块用于对获取的源数据进行预处理；所述推断模块用于根据预处理后的源数据推断乘客出行路径；所述计算模块用于根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表；所述匹配模块用于根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配；所述推荐模块还用于根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐。
其中，所述的预处理模块具体用于：
对地铁原始刷卡数据进行处理；
根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据；
对获取的完整出行OD数据进行异常OD数据清洗。
所述的推断模块具体用于：对于所有OD数据，结合地铁线路图，利用Dijkstra算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径。
所述的匹配模块具体用于：
对乘客出站刷卡时间戳进行聚类，计算乘客在每个站点的进出站步行时间；
根据出站刷卡时间戳计算下车时间戳，将非换乘乘客匹配到特定列车；
根据进站刷卡时间戳计算换乘前的上车时间戳，将单次换乘乘客匹配到特定列车；
根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值，计算换乘站点的换乘时间；
推断出乘客乘坐的第一列和最后一列列车，并考虑换乘站的换乘时间，将多次换乘乘客匹配到特定列车。
所述的推荐模块具体用于：
对地铁***进行空间划分，得到每位乘客在每个空间中停留的时间戳，判断两个乘客是否有交互；
采用不同的标签命名所有的空间；
对于两个乘客，计算得到所述两个乘客的平均交互频率和平均交互时长；
分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，针对平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐。
本申请提供了一种面向地铁乘客的朋友推荐方法及***，将原本基于用户属性或静态空间的社交软件朋友推荐拓展到了动态空间中；提出了一种更加精准的乘客与列车匹配方法，已有的乘客与列车匹配方法是直接根据乘客的入站和出站刷卡时间来估算其乘坐的相应列车，而本申请提出的乘客与列车匹配算法首先将乘客出行路径进行时空分割，在获取了地铁空间每个站点的步行时间以及换乘站点的不同线路之间的换乘时间的基础上，结合列车运营时刻表数据，将乘客与其乘坐的相应列车进行匹配，理论上更加精准。本申请度量地铁乘客平均交互频率和平均交互时长的方法，不仅包含列车空间，还包含进出站空间和换乘空间，能够全面量化乘客对在地铁***中的交互情况。
附图说明
图1为本发明面向地铁乘客的朋友推荐方法的流程图；
图2是乘客刷卡出站事件示意图；
图3是乘客匹配到特定列车示意图；
图4是提取和度量乘客间交互情况示意图。
图5是ACF(平均交互频率)和ACD(平均交互时长)的联合分布图；
图6为本发明面向地铁乘客的朋友推荐***的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明面向地铁乘客的朋友推荐方法较佳实施例的作业流程图。
步骤S1，获取地铁站乘客及地铁运行的源数据。其中，所述源数据包括：地铁刷卡数据、地铁线路图和地铁列车运营时刻表。具体而言：
在本实施例中，所述源数据包括深圳市2012年9月20个工作日的地铁刷卡数据，、深圳市2012年9月地铁线路图、深圳市2012年9月地铁列车运营时刻表。所述地铁刷卡数据包括：卡片ID、日期、时间戳、站点名称和类型(如表1所示)；其中，所述类型包括：刷卡进站或刷卡出站。
表1
Figure BDA0002037202390000061
Figure BDA0002037202390000071
步骤S2，对获取的源数据进行预处理。具体而言：
1)对地铁原始刷卡数据进行处理。首先，清洗掉原始刷卡数据集中存在的字段不完整以及异常数据。然后，将原始刷卡数据分成两个部分，分别为入站刷卡数据和出站刷卡数据，并将这两部分数据按时间先后进行排序，存储到数据中并建立索引，以加快后续出行乘客OD(Origin to Destination，起讫点)对匹配的速度。
2)根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据。对于每个地铁入站事件的ID以及入站时间，寻找该ID对应的与入站时间相差最小的出站事件，合并成完整的乘客OD数据(如表2所示)。
3)对获取的完整出行OD数据进行异常OD数据清洗：删除OD数据中进出站相同的记录，此部分无法推断其出行路径。
表2
Figure BDA0002037202390000072
步骤S3，根据预处理后的源数据推断乘客出行路径。具体而言：
对于所有OD数据，结合地铁线路图，利用Dijkstra(迪杰斯特拉)算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径，并据此将乘客出行行为分为：非换乘出行、单次换乘出行和多次换乘出行三类。
步骤S4，根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表。具体而言：
根据从地铁集团公司公布的第一和最后一班列车的时刻表以及每条地铁线路的列车发车间隔(如表3所示)，计算列车到达和离开每个站点的时刻。
表3
Figure BDA0002037202390000081
步骤S5：根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配。具体包括：
步骤S501：计算乘客在每个站点的进出站步行时间。如图2(1)所示，当列车M到达时，乘客从列车下车，从站台步行到刷卡闸机，使时间线中的刷卡出站事件相对频繁(如图2(2)所示)。在所述乘客中，第一个刷卡出站的乘客没有在刷卡闸机前等待或者在站点内逗留，因此该乘客从站台到刷卡闸机的步行时间可以代表站点的进出站步行时间。
具体而言，采用DBSCAN聚类算法对乘客出站刷卡时间戳进行聚类。每个聚类簇对应于一列特定列车的到达，一个站点的进出站步行时间为聚类簇中最早的出站刷卡时间戳与在此之前最近的列车的到达时间戳(从步骤S4中获得)的差值。由于每趟列车均可计算得到一个进出站步行时间，而一天内存在多趟列车，每个站点可得到多个进出站步行时间。采用箱线图法剔除所得数据中的异常值，将其中的最小值作为该站点的进出站步行时间：在本实施例中，异常值被定义为小于QL－1.5IQR或大于QU+1.5IQR的值。QL称为下四分位数，表示全部观察值中有四分之一的数据取值比它小；QU称为上四分位数，表示全部观察值中有四分之一的数据取值比它大；IQR称为四分位数间距，是上四分位数QU与下四分位数QL之差。
步骤S502：将非换乘乘客匹配到特定列车。根据出站刷卡时间戳减去出站站点的进出站步行时间(即Td-ΔSd)计算下车时间戳，将此前最近到达该站点的列车作为其匹配列车(如图3(1)所示)。通过这种方式，所有的非换乘乘客都可以匹配到特定的列车上。
步骤S503：将单次换乘乘客匹配到特定列车。以步骤S502的方法匹配换乘后的列车(即列车M2)；根据进站刷卡时间戳加上进站站点的进出站步行时间(即To+ΔSo)计算换乘前的上车时间戳，将此后最近到达的列车(即列车M1)作为其换乘前的列车(如图3(2)所示)。通过这种方式，所有的单次换乘乘客都可以匹配到特定的列车上。
步骤S504：计算换乘站点的换乘时间。根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值推断该站点从一条线路站台到另一条线路站台的换乘时间(即ΔF)。同样，可以得到换乘时间的多个值，用箱线图法剔除异常值后，将最小值作为该换乘站从一条线到另一条线的换乘时间。
步骤S505：将多次换乘乘客匹配到特定列车。以二次换乘为例，用步骤S503中的方法推断出乘客乘坐的第一列和最后一列列车(即M1和M3)；考虑到换乘站1、2(即ΔF1和ΔF2)的换乘时间，认为在换乘站1换乘后发车、换乘站2换乘前到达的列车是乘客乘坐的中间列车(即M2)(如图3(3)所示)。通过这种方式，所有的多次换乘乘客都可以匹配到特定的列车。
步骤S6：根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐。具体包括：
步骤S601：将地铁***划分为三种类型的空间，即进出站空间、换乘空间、列车空间。以图4为例，在对地铁***分段后，得到每位乘客在每个空间中停留的时间戳，并在时间线中表示所述时间戳。在本实施例中，行程1和2分别共享换乘空间F15和列车空间M7；行程2和3分别共享进出站空间S1和列车空间M3。在同一空间内同时出现的时间被归结为两个乘客的交互持续时间。如果两个乘客的交互时间等于零，则所述两个乘客没有时空共现，否则，上述两个乘客就被视为有交互。
步骤S602：用不同的标签命名所有的空间，在本实施例中，Si表示地铁站i的进出站空间，Fj_l1_l2表示线路1到线路2在换乘站j的换乘空间，Mk表示列车k的列车空间。
步骤S603：对于两个乘客，把所述两个乘客在相同空间共现的时间求和作为乘客间的交互时长。本实施例定义了两个度量标准：ACF(平均交互频率)和ACD(平均交互时长)，用于度量乘客i和j在多天内的交互情况。
Figure BDA0002037202390000111
Figure BDA0002037202390000112
其中，D是天数；F是D天内交互的次数；Δtf是第f次交互的持续时间；
Figure BDA0002037202390000113
是D天的总交互时间。
步骤S604：通过分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，发现平均交互频率高且平均交互时长长的乘客对，针对上述平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐。
在本实施例中，根据图5所示，横轴x表示乘客对的ACF，纵轴y表示乘客对的ACD(单位：分钟)，坐标系中的实心点的颜色代表乘客对数量的对数值。在图5中可以发现ACF与ACD分布呈现一定的规律性，乘客对集中在图的左边底部的三角形形状，这传递了两个重要的信息。首先，大多数乘客对平均交互时间短、频率低。其次，在ACD相同的情况下，乘客对数量随ACF的增加而降低，表明不经常遇到的乘客平均交互时长变化范围较广(从0到60分钟)，而经常遇到的乘客平均交互时长在一个较小的范围内变化，值也较小。通过该图，可以清晰地发现那些平均交互频率高且平均交互时长长的乘客对，如设定ACD大于等于20分钟同时ACF大于等于1.5，可以针对这样的乘客对进行移动社交软件的朋友推荐。
参阅图2所示，是本发明面向地铁乘客的朋友推荐***10的硬件架构图。该***包括：获取模块101、预处理模块102、推断模块103、计算模块104、匹配模块105以及推荐模块106。
所述获取模块101用于获取地铁站乘客及地铁运行的源数据。其中，所述源数据包括：地铁刷卡数据、地铁线路图和地铁列车运营时刻表。具体而言：
在本实施例中，所述源数据包括深圳市2012年9月20个工作日的地铁刷卡数据，、深圳市2012年9月地铁线路图、深圳市2012年9月地铁列车运营时刻表。所述地铁刷卡数据包括：卡片ID、日期、时间戳、站点名称和类型(如表1所示)；其中，所述类型包括：刷卡进站或刷卡出站。
表1
Figure BDA0002037202390000121
所述预处理模块102用于对获取的源数据进行预处理。具体包括：
所述预处理模块102对地铁原始刷卡数据进行处理。首先，清洗掉原始刷卡数据集中存在的字段不完整以及异常数据。然后，将原始刷卡数据分成两个部分，分别为入站刷卡数据和出站刷卡数据，并将这两部分数据按时间先后进行排序，存储到数据中并建立索引，以加快后续出行乘客OD对匹配的速度。
所述预处理模块102根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据。对于每个地铁入站事件的ID以及入站时间，寻找该ID对应的与入站时间相差最小的出站事件，合并成完整的乘客OD数据(如表2所示)。
所述预处理模块102对获取的完整出行OD数据进行异常OD数据清洗：删除OD数据中进出站相同的记录，此部分无法推断其出行路径。
表2
Figure BDA0002037202390000131
所述推断模块103用于根据预处理后的源数据推断乘客出行路径。具体而言：
对于所有OD数据，结合地铁线路图，利用Dijkstra算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径，并据此将乘客出行行为分为：非换乘出行、单次换乘出行和多次换乘出行三类。
所述计算模块104用于根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表。具体而言：
根据从地铁集团公司公布的第一和最后一班列车的时刻表以及每条地铁线路的列车发车间隔(如表3所示)，计算列车到达和离开每个站点的时刻。
表3
Figure BDA0002037202390000141
所述匹配模块105用于根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配。具体包括：
所述匹配模块105计算乘客在每个站点的进出站步行时间。如图2(1)所示，当列车M到达时，乘客从列车下车，从站台步行到刷卡闸机，使时间线中的刷卡出站事件相对频繁(如图2(2)所示)。在所述乘客中，第一个刷卡出站的乘客没有在刷卡闸机前等待或者在站点内逗留，因此该乘客从站台到刷卡闸机的步行时间可以代表站点的进出站步行时间。
具体而言，采用DBSCAN聚类算法对乘客出站刷卡时间戳进行聚类。每个聚类簇对应于一列特定列车的到达，一个站点的进出站步行时间为聚类簇中最早的出站刷卡时间戳与在此之前最近的列车的到达时间戳的差值。由于每趟列车均可计算得到一个进出站步行时间，而一天内存在多趟列车，每个站点可得到多个进出站步行时间。采用箱线图法剔除所得数据中的异常值，将其中的最小值作为该站点的进出站步行时间：在本实施例中，异常值被定义为小于QL－1.5IQR或大于QU+1.5IQR的值。QL称为下四分位数，表示全部观察值中有四分之一的数据取值比它小；QU称为上四分位数，表示全部观察值中有四分之一的数据取值比它大；IQR称为四分位数间距，是上四分位数QU与下四分位数QL之差。
所述匹配模块105将非换乘乘客匹配到特定列车。根据出站刷卡时间戳减去出站站点的进出站步行时间(即Td-ΔSd)计算下车时间戳，将此前最近到达该站点的列车作为其匹配列车(如图3(1)所示)。通过这种方式，所有的非换乘乘客都可以匹配到特定的列车上。
所述匹配模块105将单次换乘乘客匹配到特定列车。匹配换乘后的列车(即列车M2)，根据进站刷卡时间戳加上进站站点的进出站步行时间(即To+ΔSo)计算换乘前的上车时间戳，将此后最近到达的列车(即列车M1)作为其换乘前的列车(如图3(2)所示)。通过这种方式，所有的单次换乘乘客都可以匹配到特定的列车上。
所述匹配模块105计算换乘站点的换乘时间。根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值推断该站点从一条线路站台到另一条线路站台的换乘时间(即ΔF)。同样，可以得到换乘时间的多个值，用箱线图法剔除异常值后，将最小值作为该换乘站从一条线到另一条线的换乘时间。
所述匹配模块105将多次换乘乘客匹配到特定列车。以二次换乘为例，推断出乘客乘坐的第一列和最后一列列车(即M1和M3)；考虑到换乘站1、2(即ΔF1和ΔF2)的换乘时间，认为在换乘站1换乘后发车、换乘站2换乘前到达的列车是乘客乘坐的中间列车(即M2)(如图3(3)所示)。通过这种方式，所有的多次换乘乘客都可以匹配到特定的列车。
所述推荐模块106用于根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐。具体包括：
所述推荐模块106将地铁***划分为三种类型的空间，即进出站空间、换乘空间、列车空间。以图4为例，在对地铁***分段后，得到每位乘客在每个空间中停留的时间戳，并在时间线中表示所述时间戳。在本实施例中，行程1和2分别共享换乘空间F15和列车空间M7；行程2和3分别共享进出站空间S1和列车空间M3。在同一空间内同时出现的时间被归结为两个乘客的交互持续时间。如果两个乘客的交互时间等于零，则所述两个乘客没有时空共现，否则，上述两个乘客就被视为有交互。
所述推荐模块106用不同的标签命名所有的空间，在本实施例中，Si表示地铁站i的进出站空间，Fj_l1_l2表示线路1到线路2在换乘站j的换乘空间，Mk表示列车k的列车空间。
对于两个乘客，所述推荐模块106把所述两个乘客在相同空间共现的时间求和作为乘客间的交互时长。本实施例定义了两个度量标准：ACF(平均交互频率)和ACD(平均交互时长)，用于度量乘客i和j在多天内的交互情况。
Figure BDA0002037202390000161
Figure BDA0002037202390000162
其中，D是天数；F是D天内交互的次数；Δtf是第f次交互的持续时间；
Figure BDA0002037202390000163
是D天的总交互时间。
所述推荐模块106通过分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，发现平均交互频率高且平均交互时长长的乘客对，针对上述平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐。
在本实施例中，根据图5所示，横轴x表示乘客对的ACF，纵轴y表示乘客对的ACD(单位：分钟)，坐标系中的实心点的颜色代表乘客对数量的对数值。在图5中可以发现ACF与ACD分布呈现一定的规律性，乘客对集中在图的左边底部的三角形形状，这传递了两个重要的信息。首先，大多数乘客对平均交互时间短、频率低。其次，在ACD相同的情况下，乘客对数量随ACF的增加而降低，表明不经常遇到的乘客平均交互时长变化范围较广(从0到60分钟)，而经常遇到的乘客平均交互时长在一个较小的范围内变化，值也较小。通过该图，可以清晰地发现那些平均交互频率高且平均交互时长长的乘客对，如设定ACD大于等于20分钟同时ACF大于等于1.5，可以针对这样的乘客对进行移动社交软件的朋友推荐。
本发明提供一种面向地铁乘客的朋友推荐方法及***，利用地铁刷卡数据、地铁线路图和地铁列车运营时刻表将地铁乘客匹配到特定的列车上，将乘客出行轨迹匹配到特定的地铁空间中，基于匹配结果计算乘客间的交互情况，寻找可进行朋友推荐的相关乘客。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。

Claims (6)

1.一种面向地铁乘客的朋友推荐方法，其特征在于，该方法包括如下步骤：
a.获取地铁站乘客及地铁运行的源数据；
b.对获取的源数据进行预处理；
c.根据预处理后的源数据推断乘客出行路径；
d.根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表；
e.根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配；
f.根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐；
所述的步骤e具体包括如下步骤：
e1.对乘客出站刷卡时间戳进行聚类，计算乘客在每个站点的进出站步行时间；
e2.根据出站刷卡时间戳减去出站站点的进出站步行时间计算下车时间戳，将非换乘乘客匹配到特定列车；
e3.根据进站刷卡时间戳加上进站站点的进出站步行时间计算换乘前的上车时间戳，将单次换乘乘客匹配到特定列车；
e4.根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值，计算换乘站点的换乘时间；
e5.用步骤e3推断出乘客乘坐的第一列和最后一列列车，并考虑换乘站的换乘时间，将多次换乘乘客匹配到特定列车；
所述的步骤f具体包括：
f1.对地铁***进行空间划分，得到每位乘客在每个空间中停留的时间戳，判断两个乘客是否有交互；
f2.采用不同的标签命名所有的空间；
f3.对于两个乘客，计算得到所述两个乘客的平均交互频率和平均交互时长；
f4.分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，针对平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐；
所述步骤f1将地铁***划分为三种类型的空间：进出站空间、换乘空间和列车空间；在对地铁***分段后，得到每位乘客在每个空间中停留的时间戳，并在时间线中表示所述停留的时间戳；在同一空间内同时出现的所述停留的时间戳被归结为两个乘客的交互持续时间；如果两个乘客的交互时间等于零，则所述两个乘客没有时空共现，否则，所述两个乘客就被视为有交互。
2.如权利要求1所述的方法，其特征在于，所述的步骤b具体包括：
对地铁原始刷卡数据进行处理；
根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据；
对获取的完整出行OD数据进行异常OD数据清洗。
3.如权利要求2所述的方法，其特征在于，所述的步骤c具体包括：
对于所有OD数据，结合地铁线路图，利用Dijkstra算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径。
4.一种面向地铁乘客的朋友推荐***，其特征在于，该***包括获取模块、预处理模块、推断模块、计算模块、匹配模块以及推荐模块，其中：
所述获取模块用于获取地铁站乘客及地铁运行的源数据；
所述预处理模块用于对获取的源数据进行预处理；
所述推断模块用于根据预处理后的源数据推断乘客出行路径；
所述计算模块用于根据地铁列车时刻表以及列车发车间隔计算详细的列车运行时刻表；
所述匹配模块用于根据推断的乘客出行路径及计算的列车运行时刻表，将乘客与特定列车匹配；
所述推荐模块还用于根据匹配的乘客与特定列车，提取及度量乘客间交互情况，进行朋友推荐；
所述的匹配模块具体用于：
对乘客出站刷卡时间戳进行聚类，计算乘客在每个站点的进出站步行时间；
根据出站刷卡时间戳减去出站站点的进出站步行时间计算下车时间戳，将非换乘乘客匹配到特定列车；
根据进站刷卡时间戳加上进站站点的进出站步行时间计算换乘前的上车时间戳，将单次换乘乘客匹配到特定列车；
根据换乘后列车的发车时间戳和换乘前列车的到达时间戳的差值，计算换乘站点的换乘时间；
推断出乘客乘坐的第一列和最后一列列车，并考虑换乘站的换乘时间，将多次换乘乘客匹配到特定列车；
所述的推荐模块具体用于：
对地铁***进行空间划分，得到每位乘客在每个空间中停留的时间戳，判断两个乘客是否有交互；
采用不同的标签命名所有的空间；
对于两个乘客，计算得到所述两个乘客的平均交互频率和平均交互时长；
分析乘客及与其在同一地铁空间共现的乘客间的平均交互频率和平均交互时长，针对平均交互频率高且平均交互时长长的乘客对进行移动社交软件的朋友推荐；
所述推荐模块将地铁***划分为三种类型的空间：出站空间、换乘空间和列车空间；在对地铁***分段后，得到每位乘客在每个空间中停留的时间戳，并在时间线中表示所述停留的时间戳；在同一空间内同时出现的所述停留的时间戳被归结为两个乘客的交互持续时间；如果两个乘客的交互时间等于零，则所述两个乘客没有时空共现，否则，所述两个乘客就被视为有交互。
5.如权利要求4所述的***，其特征在于，所述的预处理模块具体用于：
对地铁原始刷卡数据进行处理；
根据上述处理后的地铁原始刷卡数据，获取完整的出行OD数据；
对获取的完整出行OD数据进行异常OD数据清洗。
6.如权利要求5所述的***，其特征在于，所述的推断模块具体用于：
对于所有OD数据，结合地铁线路图，利用Dijkstra算法并以时间最短作为条件获取地铁空间所有OD数据的最优出行路径。
CN201910329331.2A 2019-04-23 2019-04-23 面向地铁乘客的朋友推荐方法及*** Active CN110162520B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910329331.2A CN110162520B (zh) 2019-04-23 2019-04-23 面向地铁乘客的朋友推荐方法及***
PCT/CN2019/126260 WO2020215759A1 (zh) 2019-04-23 2019-12-18 面向地铁乘客的朋友推荐方法及***
US17/507,729 US20220044335A1 (en) 2019-04-23 2021-10-21 Friend recommendation method and system orented toward subway passengers

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329331.2A CN110162520B (zh) 2019-04-23 2019-04-23 面向地铁乘客的朋友推荐方法及***

Publications (2)

Publication Number Publication Date
CN110162520A CN110162520A (zh) 2019-08-23
CN110162520B true CN110162520B (zh) 2021-07-20

Family

ID=67638679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329331.2A Active CN110162520B (zh) 2019-04-23 2019-04-23 面向地铁乘客的朋友推荐方法及***

Country Status (3)

Country Link
US (1) US20220044335A1 (zh)
CN (1) CN110162520B (zh)
WO (1) WO2020215759A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162520B (zh) * 2019-04-23 2021-07-20 中国科学院深圳先进技术研究院 面向地铁乘客的朋友推荐方法及***
CN114090704B (zh) * 2020-08-04 2024-06-07 中国科学院深圳先进技术研究院 乘客的识别方法和识别装置、电子设备和可读存储介质
CN112182132B (zh) * 2020-09-28 2024-03-26 北京红山信息科技研究院有限公司 一种地铁用户的识别方法、***、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2244064A1 (en) * 2009-04-23 2010-10-27 Wayfinder Systems AB Method for providing time table information
CN104408043A (zh) * 2014-10-17 2015-03-11 深圳大学 一种信息处理方法及服务器
CN105447592A (zh) * 2015-11-12 2016-03-30 中国科学院深圳先进技术研究院 一种乘客路径选择的分析方法及装置
CN107562798A (zh) * 2017-08-02 2018-01-09 北京大学（天津滨海）新代信息技术研究院 一种基于用户的时间地理数据的实时信息推荐方法
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及***

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6282489B1 (en) * 1993-05-28 2001-08-28 Mapquest.Com, Inc. Methods and apparatus for displaying a travel route and generating a list of places of interest located near the travel route
US20080188261A1 (en) * 2007-02-02 2008-08-07 Miles Arnone Mediated social network
US20100280884A1 (en) * 2009-04-30 2010-11-04 Uri Levine Automated carpool matching
US8725168B2 (en) * 2011-10-17 2014-05-13 Facebook, Inc. Content surfacing based on geo-social factors
US20130166188A1 (en) * 2011-12-21 2013-06-27 Microsoft Corporation Determine Spatiotemporal Causal Interactions In Data
CN103714391A (zh) * 2012-09-29 2014-04-09 国际商业机器公司 用于推算公交***中乘行路径的方法和装置
US20140351037A1 (en) * 2013-05-24 2014-11-27 GoEuro Corp. Travel planning
WO2015095828A1 (en) * 2013-12-20 2015-06-25 Urban Engines, Inc. Transportation system reconstruction
GB2524496A (en) * 2014-03-24 2015-09-30 British Airways Plc Dynamic tracking and control of passenger travel progress
WO2016042357A1 (en) * 2014-09-16 2016-03-24 Singapore Telecommunications Limited Predicting human movement behaviors using location services model
CN104331964B (zh) * 2014-10-29 2017-02-15 深圳先进技术研究院 基于智能卡数据计算地铁进站时间和换乘时间的方法及***
US9691091B2 (en) * 2015-02-18 2017-06-27 Cargo Chief Transportation service matching with location tracking and arrival estimation
US20160364823A1 (en) * 2015-06-11 2016-12-15 Raymond Cao Systems and methods for on-demand transportation
US9786173B2 (en) * 2015-08-18 2017-10-10 The Florida International University Board Of Trustees Dynamic routing of transit vehicles
US11182871B2 (en) * 2015-10-24 2021-11-23 Anagog Ltd. System and apparatus for ridesharing
WO2017088161A1 (en) * 2015-11-27 2017-06-01 Bayerische Motoren Werke Aktiengesellschaft Recommending car/passenger resources for user according to mobility habits
CN105701180B (zh) * 2016-01-06 2021-09-03 北京航空航天大学 一种基于公交ic卡数据的通勤乘客判定方法
CN105718946A (zh) * 2016-01-20 2016-06-29 北京工业大学 一种基于地铁刷卡数据的乘客出行行为分析方法
US20170351990A1 (en) * 2016-06-01 2017-12-07 GM Global Technology Operations LLC Systems and methods for implementing relative tags in connection with use of autonomous vehicles
CN106326471A (zh) * 2016-08-31 2017-01-11 上海卓易云汇智能技术有限公司 一种路线推荐方法以及装置
CN106874432B (zh) * 2017-01-24 2019-08-20 华南理工大学 一种公共交通乘客出行时空轨迹提取方法
CN108573464B (zh) * 2017-03-13 2021-05-28 上海大唐移动通信设备有限公司 一种同车用户识别方法及装置
CN107092986B (zh) * 2017-04-13 2020-10-09 上海理工大学 基于站点及共线运行的公交乘客出行路径选择方法
US11590981B2 (en) * 2017-07-14 2023-02-28 Allstate Insurance Company Shared mobility service passenger matching based on passenger attributes
US11176812B2 (en) * 2018-03-26 2021-11-16 International Business Machines Corporation Real-time service level monitor
CN109359670B (zh) * 2018-09-18 2022-06-07 北京工业大学 一种基于交通大数据的个体关联强度自动检测方法
CN110162520B (zh) * 2019-04-23 2021-07-20 中国科学院深圳先进技术研究院 面向地铁乘客的朋友推荐方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2244064A1 (en) * 2009-04-23 2010-10-27 Wayfinder Systems AB Method for providing time table information
CN104408043A (zh) * 2014-10-17 2015-03-11 深圳大学 一种信息处理方法及服务器
CN105447592A (zh) * 2015-11-12 2016-03-30 中国科学院深圳先进技术研究院 一种乘客路径选择的分析方法及装置
CN107562798A (zh) * 2017-08-02 2018-01-09 北京大学（天津滨海）新代信息技术研究院 一种基于用户的时间地理数据的实时信息推荐方法
CN108055645A (zh) * 2018-01-19 2018-05-18 深圳技术大学（筹） 一种基于手机信令数据的路径识别方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向社会关系的移动用户好友推荐算法;孙克等;《山东师范大学学报（自然科学版）》;20150630;第30卷(第2期);第11-15页 *

Also Published As

Publication number Publication date
US20220044335A1 (en) 2022-02-10
CN110162520A (zh) 2019-08-23
WO2020215759A1 (zh) 2020-10-29

Similar Documents

Publication Publication Date Title
Huang et al. Transport mode detection based on mobile phone network data: A systematic review
CN110162520B (zh) 面向地铁乘客的朋友推荐方法及***
Lathia et al. The hidden image of the city: sensing community well-being from urban mobility
Biljecki et al. Transportation mode-based segmentation and classification of movement trajectories
CN113256987B (zh) 基于多源数据融合的居民出行链生成方法及共乘查询方法
US11182871B2 (en) System and apparatus for ridesharing
Carrel et al. Quantifying transit travel experiences from the users’ perspective with high-resolution smartphone and vehicle location data: Methodologies, validation, and example analyses
CN102667404B (zh) 用探测数据来分析兴趣点的方法
EP3355264A1 (en) Information prompt method and mobile service terminal used for public place
US20170013408A1 (en) User Text Content Correlation with Location
CN105890611A (zh) 一种导航路线的生成方法和装置、设备
CN110147419B (zh) 基于地铁空间的传染病扩散分析方法及***
US10289641B2 (en) Cluster mapping based on measured neural activity and physiological data
JP2011237842A (ja) 相乗り判定装置、環境負荷算出装置、相乗り判定プログラムおよび相乗り判定方法
EP2899094B1 (en) Timetable creation device and timetable creation method
Ghorpade et al. An integrated stop-mode detection algorithm for real world smartphone-based travel survey
Chen et al. The impact of rainfall on the temporal and spatial distribution of taxi passengers
CN105303245B (zh) 交通分析***以及交通分析方法
Guo et al. Exploring potential travel demand of customized bus using smartcard data
Ou et al. Big data processing and analysis on the impact of COVID-19 on public transport delay
JP2017227513A (ja) 交通情報配信システムおよび交通情報配信方法
CN116933958A (zh) 一种基于刷卡数据的地铁换乘站换乘客流估计方法
EP3425606A1 (en) Traffic situation estimation system and traffic situation estimation method
Bagheri et al. A Computational Framework for Revealing Competitive Travel Times with Low‐Carbon Modes Based on Smartphone Data Collection
Herberth et al. Identifying atypical travel patterns for improved medium-term mobility prediction

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
CB03 Change of inventor or designer information

Inventor after: Yin Ling

Inventor after: Zhang Fan

Inventor after: Liu Kang

Inventor before: Zhang Fan

Inventor before: Yin Ling

Inventor before: Liu Kang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant