一种公交单次刷卡下车站点的推算方法及智能终端

本发明涉及城市公共交通
技术领域：
，尤其涉及一种公交单次刷卡下车站点的推算方法、智能终端及计算机可读存储介质。
背景技术：
：近年来，城市公交基础设施数量增长，但公交客运量在总客运量中的占比逐渐下降，2018年全国公交客运量仅占总客运量的55.22％，一线城市公交客运量逐年降低。为了提高城市公交客流吸引能力，需要科学合理地制定公交线网规划和实施及时有效的公交运行调度管理，进一步优化公交运行效率和服务水平。公交优化、公交调度以及公交服务水平的提高等都需要公交客流od数据作为支撑，公交客流od数据是指公交线路网络中上车站点(起始点，original)至下车站点(目的点，destination)的乘客数量，公交客流od数据在城市公交规划、公交线路优化和公交运营调度等方面有着广泛的应用，而乘客公交出行的上车站点与下车站点则是获取公交客流od的最有效的基础数据。公交ic卡刷卡数据主要包含卡号、刷卡时间、账户余额等信息，无法直接获取乘客的上、下车站点信息。目前，通过结合乘客ic卡刷卡数据、公交车运行数据以及车站gps数据，可以准确地获取上车站点。而基于公交ic卡刷卡数据的传统下车站点推断方法分为两类：一种是以乘客为研究对象，基于出行链推算下车站点的方法；另一种是以站点为研究对象，基于站点吸引权对下车站点进行推算。不过基于出行链的推算方法不适用于单次刷卡数据，而基于站点吸引权的推算方法，虽然适用于单次刷卡数据，但是在站点吸引权的确定过程中，其计算模型是基于泊松分布(是一种统计与概率学里常见到的离散概率分布)构建的，在整个分析过程中缺乏针对单次刷卡数据进行分析，而单次刷卡数据相较于多次刷卡数据存在更高的随机性。因此，现有技术还有待于改进和发展。技术实现要素：本发明的主要目的在于提供一种公交单次刷卡下车站点的推算方法、智能终端及计算机可读存储介质，旨在解决现有技术中无法有效对公交客运中乘客下车站点进行推算的问题。为实现上述目的，本发明提供一种公交单次刷卡下车站点的推算方法，所述公交单次刷卡下车站点的推算方法包括如下步骤：获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类；其中，所述单次刷卡数据包括有规律单次刷卡数据和无规律单次刷卡数据；获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点；获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类，具体包括：获取单次刷卡数据，分析单次刷卡数据在空间和时间上的数量分布；分析单次刷卡乘客的出行行为，挖掘乘客出行规律、出行特征及出行目的，得到单次刷卡数据的出行规律；根据出行规律将单次刷卡数据分为有规律单次刷卡数据和无规律单次刷卡数据；将得到的有规律单次刷卡数据的规律性进行分类，并对无规律单次刷卡数据与poi数据进行分析。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述有规律单次刷卡数据包括：偶尔出现的单次刷卡数据、固定站点乘车的单次刷卡数据以及跨天成链的单次刷卡数据。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点，具体包括：所述有规律单次刷卡数据的类型为偶尔出现的单次刷卡数据时，若乘客存在第一预设次数公交出行的上车站点为第一站点，下车站点为第二站点，则乘客再次出现上车站点为第一站点时，则乘客本次出行对应的下车站点为第二站点；所述有规律单次刷卡数据的类型为固定站点乘车的单次刷卡数据时，若乘客存在第二预设次数的单次刷卡记录，上车站点均为固定站点，且下车站点相同，则对任意一条刷卡记录进行下车站点进行推算；所述有规律单次刷卡数据的类型为跨天成链的单次刷卡数据时，若乘客存在两次刷卡记录，乘车站点分别为第三站点和第四站点，刷卡时间间隔了n天，第四站点是第三站点的同线路站点，且在两次刷卡记录之间，乘客再无其它刷卡记录，则乘客于当天在第三站点乘车的单次刷卡记录为跨天成链的单次刷卡数据，本次刷卡记录的下车站点为第四站点。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算，具体包括：根据已知站点发生率以及公交ic卡刷卡数据量，推算poi数据的面积系数，结合站点吸引率对站点吸引交通量进行预测；使用无约束的重量模型对已知的站点发生量和站点吸引量进行交通分布预测，获取站点间的客流分布并形成od矩阵；根据计算出的各站点间od矩阵，求得乘客在各站点的下车概率形成下车概率矩阵，对站点吸引权进行优化，并对下车站点进行推算。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述站点发生量为站点上车的人数；所述站点吸引量为站点下车的人数。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述交通分布预测包括：增长系数法和是综合法；所述增长系数法为假设未来od分布与现状od分布相同的基础上，预测未来od分布的方法；所述综合法为从交通量的实际分析中剖析od量的分布规律并用模型表现，并结合实测数据标定参数进行交通分布量预测的方法。可选地，所述的公交单次刷卡下车站点的推算方法，其中，所述下车概率的大小表示各站点吸引强度的大小。此外，为实现上述目的，本发明还提供一种智能终端，其中，所述智能终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的公交单次刷卡下车站点的推算程序，所述公交单次刷卡下车站点的推算程序被所述处理器执行时实现如上所述的公交单次刷卡下车站点的推算方法的步骤。此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有公交单次刷卡下车站点的推算程序，所述公交单次刷卡下车站点的推算程序被处理器执行时实现如上所述的公交单次刷卡下车站点的推算方法的步骤。本发明通过获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类；其中，所述单次刷卡数据包括有规律单次刷卡数据和无规律单次刷卡数据；获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点；获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算。本发明对单次刷卡数据进行处理分析，探寻其中的规律性，并根据所呈现的规律性进行分类，根据有规律单次刷卡数据的规律性进行相应的下车站点推算，对于无规律单次刷卡数据，结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵以对下车站点进行推算，准确实现了对公交单次刷卡数据下车站点的推算。附图说明图1是本发明公交单次刷卡下车站点的推算方法的较佳实施例的流程图；图2是本发明公交单次刷卡下车站点的推算方法的较佳实施例中步骤s10的流程图；图3是本发明公交单次刷卡下车站点的推算方法的较佳实施例中各种类型的单次刷卡数据占比图；图4是本发明公交单次刷卡下车站点的推算方法的较佳实施例中步骤s20的流程图；图5是本发明公交单次刷卡下车站点的推算方法的较佳实施例中步骤s30的流程图；图6是本发明公交单次刷卡下车站点的推算方法的较佳实施例中通过叠加后的下车概率区间矩阵图；图7为本发明智能终端的较佳实施例的运行环境示意图。具体实施方式为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。本发明较佳实施例所述的公交单次刷卡下车站点的推算方法，如图1所示，所述公交单次刷卡下车站点的推算方法包括以下步骤：步骤s10、获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类。其中，所述单次刷卡数据包括有规律单次刷卡数据和无规律单次刷卡数据。具体过程请参阅图2，其为本发明提供的公交单次刷卡下车站点的推算方法中步骤s10的流程图。如图2所示，所述步骤s10包括：s11、获取单次刷卡数据，分析单次刷卡数据在空间和时间上的数量分布；s12、分析单次刷卡乘客的出行行为，挖掘乘客出行规律、出行特征及出行目的，得到单次刷卡数据的出行规律；s13、根据出行规律将单次刷卡数据分为有规律单次刷卡数据和无规律单次刷卡数据；s14、将得到的有规律单次刷卡数据的规律性进行分类，并对无规律单次刷卡数据与poi数据进行分析。具体地，针对单次刷卡数据的下车站点推算方法进行深入研究，提高单次刷卡数据下车站点推算结果的准确率，对于研究乘客出行规律和获取准确的公交客流od信息有着非常重要的意义，同时也可以为公交调度、线网优化等管理方式提供更加准确、全面、有效的数据支撑。具体为对单次刷卡数据进行处理分析，探寻其中的规律性，并根据所呈现的规律性进行分类，即在数据分析的基础上，依据出行规律将单次刷卡数据分为有规律单次刷卡数据和无规律单次刷卡数据两大类。进一步地，所述有规律单次刷卡数据包括：偶尔出现的单次刷卡数据(偶尔出现的单次刷卡数据，就是说偶尔出现一次)、固定站点乘车的单次刷卡数据(固定站点乘车的单次刷卡数据，经常在一个站点乘车的)以及跨天成链的单次刷卡数据(跨天成链的单次刷卡数据，就是中间有间隔时间，但是可以形成完整出行链的数据)。如图3所示，有规律单次刷卡数据约占55％，主要分为偶尔出现的单次刷卡数据、固定站点乘车的单次刷卡数据以及跨天成链的单次刷卡数据；无规律单次刷卡数据占45％。步骤s20、获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点。根据上述描述可知，所述有规律单次刷卡数据包括：偶尔出现的单次刷卡数据、固定站点乘车的单次刷卡数据以及跨天成链的单次刷卡数据；下面根据这三种类型的数据进行下车站点对应的推算。具体过程请参阅图4，其为本发明提供的公交单次刷卡下车站点的推算方法中步骤s20的流程图。如图4所示，所述步骤s20包括：s21、所述有规律单次刷卡数据的类型为偶尔出现的单次刷卡数据时，若乘客存在第一预设次数公交出行的上车站点为第一站点，下车站点为第二站点，则乘客再次出现上车站点为第一站点时，则乘客本次出行对应的下车站点为第二站点。假设某乘客存在3次(即所述第一预设次数为3次时)公交出行的上车站点为站点a(即第一站点)，下车站点为站点b(即第二站点)，且刷卡时间比较固定，由于乘客在公交出行时会存在一定的时间差，乘车时间误差一般在20-30分钟左右。假设该乘客在某一日，出现上车站点为站点a(第一站点)，刷卡时间在该乘客乘车的时间误差范围内的一条刷卡记录，则该乘客的本次刷卡记录就可归类为偶尔出现的单次刷卡数据，那么依据该类型单次刷卡数据的规律性，该乘客本次出行对应的下车站点为应为站点b(第二站点)。s22、所述有规律单次刷卡数据的类型为固定站点乘车的单次刷卡数据时，若乘客存在第二预设次数的单次刷卡记录，上车站点均为固定站点，且下车站点相同，则对任意一条刷卡记录进行下车站点进行推算。假设乘客有四次(即所述第二预设次数为4次时)单次刷卡记录，其上车站点均为固定站点(例如均为站点a)，刷卡时间比较集中，那么该乘客的四次刷卡记录为固定站点乘车的单次刷卡数据，这类单次刷卡数据的出行规律性较强，其下车站点基本相同，则对任意一条刷卡记录进行下车站点推算即可。s23、所述有规律单次刷卡数据的类型为跨天成链的单次刷卡数据时，若乘客存在两次刷卡记录，乘车站点分别为第三站点和第四站点，刷卡时间间隔了n天，第四站点是第三站点的同线路站点，且在两次刷卡记录之间，乘客再无其它刷卡记录，则乘客于当天在第三站点乘车的单次刷卡记录为跨天成链的单次刷卡数据，本次刷卡记录的下车站点为第四站点。假设乘客有两次刷卡记录，乘车站点分别为站点c(即第三站点)和站点d(即第四站点)，刷卡时间间隔了n天(n为正整数，例如n＝3)。站点d(第四站点)是站点c(第三站点)的同线路站点，且在两次刷卡记录之间，该乘客再无其它刷卡记录，那么该乘客于当天在站点c(第三站点)乘车的单次刷卡记录为跨天成链的单次刷卡数据，本次刷卡记录的下车站点应为站点d(第四站点)。步骤s30、获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算。具体过程请参阅图5，其为本发明提供的公交单次刷卡下车站点的推算方法中步骤s30的流程图。如图5所示，所述步骤s30包括：s31、根据已知站点发生率以及公交ic卡刷卡数据量，推算poi数据的面积系数，结合站点吸引率对站点吸引交通量进行预测；s32、使用无约束的重量模型对已知的站点发生量和站点吸引量进行交通分布预测，获取站点间的客流分布并形成od矩阵；其中，所述站点发生量为站点上车的人数；所述站点吸引量为站点下车的人数；其中，所述交通分布预测包括：增长系数法和是综合法；所述增长系数法为假设未来od分布与现状od分布相同的基础上，预测未来od分布的方法；所述综合法为从交通量的实际分析中剖析od量的分布规律并用模型表现，并结合实测数据标定参数进行交通分布量预测的方法；s33、根据计算出的各站点间od矩阵，求得乘客在各站点的下车概率(所述下车概率的大小表示各站点吸引强度的大小)形成下车概率矩阵，对站点吸引权进行优化，并对下车站点进行推算。具体地，针对无规律单次刷卡数据与住宅、办公、商业、医疗、教育这五类poi数据(这类数据主要是公交站点周围的一些建筑类型、名称等数据)进行了相应的分析；针对无规律单次刷卡数据，结合公交站点poi数据和公交ic卡数据，再利用“四阶段法”(四阶段法是传统交通规划进行交通需求预测的方法，因为分为交通生成、交通分布、方式划分、交通分配，所以被称为四阶段法)预测站点间的客流分布，进一步计算出下车概率矩阵的基础上，对下车站点进行推算，即在已经拥有下车概率矩阵之后，就可以对站点吸引权的确定进行优化，然后用随机模拟的方法进行下车站点推算，整个过程是根据下车概率对无规律单次刷卡数据进行下车站点推算的。本发明中，poi(pointofinterest，兴趣点)数据是公交规划可用的数据源之一，可作为衡量公交服务范围、公交线网优化的基础数据；poi兴趣点是地理信息系统中的一个术语，泛指一切可以抽象为点的地理对象，尤其是一些与人们生活密切相关的地理实体，如学校、银行、餐馆、加油站、医院、超市等；兴趣点的主要用途是对事物或事件的地址进行描述，能在很大程度上增强对事物或事件位置的描述能力和查询能力，提高地理定位的精度和速度。市民乘客主要的出行目的地包括居住小区、工作地、商场及景区等与日常工作生活密切相关的地点，这些地点都可看作poi数据，以该类数据为基础并结合其他数据可进行公交服务现状的分析，如poi位置500米范围内的公交站点覆盖情况、poi位置或其所在的交通小区到公交站点的可达性、公交站点的位置设置或站台容量设置分析、不同poi位置间的客流出行特征等，为公交线网优化调整提供依据。此外，对于数据缺失但需要进行公交线网规划的情况，可利用poi数据的分析指导公交线网布局、站点设置。目前对poi数据的研究应用主要集中在利用该数据进行公交可达性分析、公交站点设置并为公交线网规划提供支撑等方面。首先，通过原单位法(原单位法是交通生成预测中的一种常用方法，以面积原单位法为例，就是给定单位面积的生成率，然后根据建筑面积去计算交通量)对公交站点吸引量进行预测，在已知站点发生率以及公交ic卡刷卡数据量的前提下，推算出poi数据的面积系数，结合站点吸引率对站点吸引交通量进行预测，本发明选取原单位法对站点客流吸引量进行预测，表现形式为：其中，参数t表示为预测交通量，参数an表示为第n类(此处的n表示这几类不同用地的序号，第n类表示某用地)用地的出行率；参数表示为第n类用地的面积。依据各类型用地交通出行特征调查，不同用地性质的日均出行发生率与吸引率有所区别，如表1所示：表1：不同用地性质出行率参考表在原单位法中，各公交站点的预测交通量是通过各类型用地的用地面积乘以该类型用地的出行率进行预测。但是，目前所拥有的数据中并不包含用地面积，所以本发明将针对原单位法的基础模型进行调整优化，使其更加合适。由于poi数据仅能体现各类型用地的数量情况，而交通生成预测过程中需要使用各类型用地的面积，所以需要结合公交刷卡数据分析poi数据与各类型用地面积之间的关系；令qn表示为第n类poi数据的数量，引入变量mn表示为第n类poi数据单位面积。则第n类用地的面积sn表示为：sn＝qnmn，而原公式则为：t＝∑nanqnmn。目前已知数据有各公交站点的真实发生量、各类型poi数据数量以及各类用地的出行率，各类型poi数据单位面积则可通过多元线性回归计算出一组关于poi数据单位面积的面积系数。令xn表示为各类型poi数据的单位面积出行生成率，即各类型poi数据数量乘以相应的出行率(xn＝anqn)，可用回归分析法拟合各类型poi数据单位面积m的面积系数，多元线性回归方程如下：t＝m0+m1x1+m2x2+m3x3+m4x4+m5x5，其中，x1表示为办公，x2表示为住宅，x3表示为教育，x4表示为医疗，x5表示为商业；m0-m5表示的是不同性质的poi数据的面积系数。在成功预测出各公交站点对于单次刷卡乘客的吸引量后，需要进行交通分布预测，将各站点对于单次刷卡数据的发生、吸引量分布在各站点之间，形成od矩阵(od矩阵里面的数子代表的是客流量，下车概率矩阵中的是一个概率值)。交通分布预测的方法主要分为两类：一类是增长系数法，一类是综合法。前者在假设未来od分布与现状od分布相同的基础上，预测未来od分布，常用的方法包括增长系数法、底特律法等。后者则是从交通量的实际分析中，剖析od量的分布规律并用模型表现，然后结合实测数据标定参数，最后进行交通分布量预测，其方法包括重力模型法、最大熵模型法等。由于无法获取公交站点针对单次刷卡数据的现有od表，所以本发明优先选取综合法对单次刷卡数据的发生量和吸引量进行交通分布预测。城市居民出行预测一般选取重力模型作为交通分布预测模型。重力模型考虑了两个公交站点之间的相互吸引的强度与它们之间的阻力，认为两个公交站点之间的出行分布与两个公交站点的交通量成正比，与公交站点之间的交通阻抗成反比。此处的交通阻抗是反映两个公交站点之间通行方便程度的指标，可以用出行站数表示。一般的重力模型形式如下：其中，qij表示为i、j分区之间(分区之间的意思是两个站点之间)的出行分布量预测值；cij表示为两个分区间的阻抗参数(阻抗函数选取的公式)；oi、dj表示为发生量和吸引量；α、β为参数；f(cij)表示为阻抗函数；k只是模型中的一个系数，没有实际意义。本发明取泊松分布的倒数的十次方根为交通阻抗，表达形式为：其中，θ表示乘客的平均出行站数。计算出客流量qij后，若qij不满足约束条件，则需要迭代计算，使其满足约束条件。如需迭代计算，可采用下列公式：结果如表2所示：站点12…i…j…n-1n上车10q12…q1i…qij…q1(n-1)q1nb1200…q2i…q2j…q2(n-1)q2nb2……………………………i0000…qij…qi(n-1)qinbi……………………………j000000qj(n-1)qjnbj……………………………n-100000000q(n-1)nbn-1n000000000bn＝0下车a1＝0a2...ai…aj…an-1an表2：公交客流od表最后，在计算出各站点间od客流的基础上即可求得乘客在各站点的下车概率，下车概率的大小代表各站点吸引强度的大小，形成下车概率矩阵，对站点吸引权进行优化，并对下车站点进行推算。为了进一步说明本发明的技术方案，下面通过一个城市的公交刷卡数据为例进行说明：例如，以广州公交243路4月25日公交刷卡数据为例，t取各公交站点发生量(即站点刷卡量)，xn为该线路各公交站点各类型poi数据的单位面积出行发生率。回归系数表如表3所示：coefficients标准误差tstatp-value下限95.0％上限95.0％intercept-380.41748.73376-7.806021.04e-08-479.944527-280.8892935xvariable10.2818330.0294639.56581.27e-100.2216620760.342003061xvariable20.0125250.0077861.6086230.118173-0.0033764290.028426172xvariable50.0131460.0518410.2535880.801544-0.0927267480.119019085表3：回归参数表预测模型为：t＝0.281833a1q1+0.012525a2q2+0.013146a5q5-380.417，其中，a表示不同类型poi的交通生成率，q表示的是不同类型poi数据。令bn为各类型poi数据的发生率，依据式t发0281833b1q1+o.o12525b2q2+o.o13146b5q5-380.417对243路各公交站点发生量进行预测，其中，t发是预测的发生量，b表示不同类型poi的发生率。有关交通流量预测模型得出的预测结果，需要相应的性能评价指标用以对预测结果进行评价。为了有效判断算法模型对交通流量预测的性能表现，本发明取平均绝对误差作为发生量预测结果的评价指标，用来衡量该预测模型的预测效果。一般来说，mape(预测模型预测结果的平均绝对误差)小于15％时，预测结果的精确度较好。经过计算，该预测模型预测结果的平均绝对误差mape＝11％<15％，该预测模型的预测结果比较良好，可用于公交站点交通量预测。经由上一步的误差分析，结果表明该预测模型的预测效果比较良好，于是将各类型poi数据发生率换为吸引率，令cn为各类型poi数据的发生率，依据式t吸＝0.281833c1q1+0.012525c2q2+0.013146c5q5-380.417对各公交站点的吸引量进行预测，其中，t吸表示预测吸引交通量，c表示不同poi的吸引率。通过多次刷卡数据可以统计出各公交站点的部分吸引量。将预测吸引量与其进行比对分析，预测吸引量均大于多次刷卡数据吸引量且两者客流分布相似，说明预测结果比较合理，预测结果可以作为后续研究的数据基础。用预测总吸引量减去部分吸引量即可获得各公交站点对单次刷卡数据的吸引量，结合单次刷卡数据的上车信息即可获得单次刷卡数据在各公交站点的发生量与吸引量。在各公交站点单次刷卡数据的发生量与吸引量的数据基础之上，可以进行交通分布预测，将站点的发生量与吸引量分布在各站点之间，为计算各公交站点的吸引强度提供依据。本发明采用指数型阻抗函数，则无约束重力模型形式中参数α、β需要标定。利用广州公交243路连续7天的现状od数据(来源于多次刷卡数据集)进行系数标定。经过标定后α＝0.000124，β＝-0.0563，无约束重量模型形式为：将各公交站点对于单次刷卡数据的发生量oi、吸引量dj以及阻抗参数cij代入其中计算站点间的od量。在完成交通分布预测，获得各站点间的客流od矩阵之后，即可在此基础之上计算站点吸引权并叠加完成概率区间，如图6所示。最后，使用随机模拟方法完成无规律单次刷卡数据的下车站点推算，推算结果如表4所示：表4：下车站点推算结果本发明提供的基于站点poi的公交单次刷卡od推算方法，以广州市公交刷卡数据为例，对单次刷卡数据进行处理分析，探寻其中的规律性，并根据所呈现的规律性进行分类；根据有规律单次刷卡数据的规律性提出相应的下车站点推算方法；针对无规律单次刷卡数据，结合公交站点poi数据和公交ic卡数据，再利用“四阶段法”预测站点间的客流分布，进一步计算出下车概率矩阵的基础上，并对下车站点进行推算，可以实现对公交单次刷卡数据下车站点的推算。进一步地，如图7所示，基于上述公交单次刷卡下车站点的推算方法，本发明还相应提供了一种智能终端，所述智能终端包括处理器10、存储器20及显示器30。图7仅示出了智能终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。所述存储器20在一些实施例中可以是所述智能终端的内部存储单元，例如智能终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述智能终端的外部存储设备，例如所述智能终端上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器20还可以既包括所述智能终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述智能终端的应用软件及各类数据，例如所述安装智能终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有公交单次刷卡下车站点的推算程序40，该公交单次刷卡下车站点的推算程序40可被处理器10所执行，从而实现本申请中公交单次刷卡下车站点的推算方法。所述处理器10在一些实施例中可以是一中央处理器(centralprocessingunit,cpu)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述公交单次刷卡下车站点的推算方法等。所述显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organiclight-emittingdiode，有机发光二极管)触摸器等。所述显示器30用于显示在所述智能终端的信息以及用于显示可视化的用户界面。所述智能终端的部件10-30通过系统总线相互通信。在一实施例中，当处理器10执行所述存储器20中公交单次刷卡下车站点的推算程序40时实现以下步骤：获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类；其中，所述单次刷卡数据包括有规律单次刷卡数据和无规律单次刷卡数据；获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点；获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算。其中，所述获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类，具体包括：获取单次刷卡数据，分析单次刷卡数据在空间和时间上的数量分布；分析单次刷卡乘客的出行行为，挖掘乘客出行规律、出行特征及出行目的，得到单次刷卡数据的出行规律；根据出行规律将单次刷卡数据分为有规律单次刷卡数据和无规律单次刷卡数据；将得到的有规律单次刷卡数据的规律性进行分类，并对无规律单次刷卡数据与poi数据进行分析。其中，所述有规律单次刷卡数据包括：偶尔出现的单次刷卡数据、固定站点乘车的单次刷卡数据以及跨天成链的单次刷卡数据。其中，所述获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点，具体包括：所述有规律单次刷卡数据的类型为偶尔出现的单次刷卡数据时，若乘客存在第一预设次数公交出行的上车站点为第一站点，下车站点为第二站点，则乘客再次出现上车站点为第一站点时，则乘客本次出行对应的下车站点为第二站点；所述有规律单次刷卡数据的类型为固定站点乘车的单次刷卡数据时，若乘客存在第二预设次数的单次刷卡记录，上车站点均为固定站点，且下车站点相同，则对任意一条刷卡记录进行下车站点进行推算；所述有规律单次刷卡数据的类型为跨天成链的单次刷卡数据时，若乘客存在两次刷卡记录，乘车站点分别为第三站点和第四站点，刷卡时间间隔了n天，第四站点是第三站点的同线路站点，且在两次刷卡记录之间，乘客再无其它刷卡记录，则乘客于当天在第三站点乘车的单次刷卡记录为跨天成链的单次刷卡数据，本次刷卡记录的下车站点为第四站点。其中，所述获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算，具体包括：根据已知站点发生率以及公交ic卡刷卡数据量，推算poi数据的面积系数，结合站点吸引率对站点吸引交通量进行预测；使用无约束的重量模型对已知的站点发生量和站点吸引量进行交通分布预测，获取站点间的客流分布并形成od矩阵；根据计算出的各站点间od矩阵，求得乘客在各站点的下车概率形成下车概率矩阵，对站点吸引权进行优化，并对下车站点进行推算。其中，所述站点发生量为站点上车的人数；所述站点吸引量为站点下车的人数。其中，所述交通分布预测包括：增长系数法和是综合法；所述增长系数法为假设未来od分布与现状od分布相同的基础上，预测未来od分布的方法；所述综合法为从交通量的实际分析中剖析od量的分布规律并用模型表现，并结合实测数据标定参数进行交通分布量预测的方法。其中，所述下车概率的大小表示各站点吸引强度的大小。本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有公交单次刷卡下车站点的推算程序，所述公交单次刷卡下车站点的推算程序被处理器执行时实现如上所述的公交单次刷卡下车站点的推算方法的步骤。综上所述，本发明提供一种公交单次刷卡下车站点的推算方法、智能终端及计算机可读存储介质，所述方法包括：获取单次刷卡数据进行处理和分析，得到单次刷卡数据的出行规律，并根据出行规律将单次刷卡数据进行分类；其中，所述单次刷卡数据包括有规律单次刷卡数据和无规律单次刷卡数据；获取有规律单次刷卡数据的类型，根据有规律单次刷卡数据的类型匹配对应的下车站点推算方法得到乘客本次出行对应的下车站点；获取无规律单次刷卡数据，并结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵，并对下车站点进行推算。本发明对单次刷卡数据进行处理分析，探寻其中的规律性，并根据所呈现的规律性进行分类，根据有规律单次刷卡数据的规律性进行相应的下车站点推算，对于无规律单次刷卡数据，结合公交站点poi数据和公交ic卡数据，预测站点间的客流分布，计算出下车概率矩阵以对下车站点进行推算，准确实现了对公交单次刷卡数据下车站点的推算。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。当前第1页12