一种城市智能化公共交通系统及方法与流程

本发明涉及公共交通领域，更具体地说，本发明涉及一种城市智能化公共交通系统及方法。

背景技术：

1、由于信息不对称和共享率低等问题，现有的公共交通的运力未能充分发挥，致使交通拥挤指数持续居高不下，交通基础设施仍存在不足。在错综复杂的城市交通系统中，现有的仅从交通供给角度被动适应需求，难以根本解决城市交通供需不平衡的问题。从交通问题的根源出发，城市居民的活动时空规律与空间结构的错位是引发众多城市难题的关键因素之一。从而导致日益加剧的交通拥堵和堵塞等问题。

2、为了解决上述问题，现提供一种技术方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种城市智能化公共交通系统及方法，建立刷卡记录和实际轨迹的关联，获取匹配数据集，并计算簇间稠密度和序次相关模式丰度指数，通过评估系数和可分析程度比较，生成可分析信号。这机制提前评估规律分析可行性，有针对性选择符合规律性的基础数据，提高规律分析准确性。在用户出行模式识别和乘车意向推测中，通过匹配刷卡记录和轨迹，利用聚类等方法识别出行模式。通过统计分析和机器学习，推测用户乘车意向，为交通规划提供实质支持。将站点和道路抽象成网络图，融合用户特征，用dijkstra算法计算可达性。通过匹配度评估拟合度，决定是否更新场景因子，提高模型适应城市交通变化的能力，为公共交通规划提供实时支持。这整合过程有助于优化数据处理，提高规律分析准确性，为城市交通效率提升和公共交通系统运营提供可靠支持，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、步骤s100，整理公交卡数据和轨迹数据，采用动态时间规整，通过比较刷卡记录序列和轨迹序列，计算刷卡记录序列与轨迹序列之间的相似性分数，通过考虑时间和空间的动态权衡，捕捉到刷卡记录和实际轨迹之间的关系，获得匹配数据集；

4、步骤s200，通过匹配数据集，依据匹配数据集对用户出行进行规律可循进行判断；

5、步骤s300，依据判断结果，从刷卡记录中识别用户的出行模式，进行用户的行为分析，再利用机器学习模型，基于历史出行模式，推测用户的乘车意向；

6、步骤s400，整合用户出行特征与公交车可达性模型的网络分析过程将用户个体特征融合到公交车站点网络中，通过动态场景因子计算实时可达性，优化权重并重新计算匹配度，基于匹配度调整动态场景因子的更新频率。

7、在一个优选的实施方式中，步骤s100包括以下内容：

8、步骤一，获取公交卡数据和轨迹数据；

9、步骤二，为确保两个数据源具有相同的时间尺度，执行时间对齐操作，设定时间阈值，选择在时间阈值内的轨迹数据，与每个刷卡记录进行匹配；

10、步骤三，将刷卡记录的经纬度序列与轨迹的经纬度序列进行比较，使用动态时间规整算法寻找最优的对齐方式，使得之间的累积距离最小；

11、步骤四，设定相似性阈值，如果相似性得分大于阈值，则将刷卡记录就与轨迹成为一对匹配，包含在匹配数据集中。

12、在一个优选的实施方式中，步骤s200具体包括以下内容：

13、利用匹配数据集，统计每个用户的基础信息并且对用户出行进行规律可循进行判断；利用聚类算法获得簇间稠密度指数，使用有序度算法获得序次相关模式丰度指数。

14、在一个优选的实施方式中，簇间稠密度指数的获取过程为：

15、步骤一，准备匹配数据集，包含需要聚类的样本；

16、步骤二，使用k均值聚类将数据分为k个簇；

17、步骤三，使用选择的聚类算法对数据进行聚类，得到每个样本所属的簇；

18、步骤四，计算每个样本的簇内聚类和簇间距离；

19、步骤五，获得每个样本的轮廓系数；

20、步骤六，对所有样本的轮廓系数取平均，得到簇间稠密度指数。

21、在一个优选的实施方式中，序次相关模式丰度指数的获取过程为：

22、步骤一，准备匹配数据集，包含需要分析的样本；

23、步骤二，对每个样本的相关变量进行排序，即将样本的特征值按照大小进行排列；

24、步骤三，计算每个样本在排序前后的差异，即计算排序差值；

25、步骤四，对排序差值进行平方操作，根据差异的平方计算序次相关模式丰度指数。

26、在一个优选的实施方式中，使用簇间稠密度指数和序次相关模式丰度指数经过归一化并加权求计算得到评估系数；将评估系数和可分析程度阈值进行比较，若评估系数大于或等于可分析程度阈值，生成高度可分析信号；若评估系数小于可分析程度阈值，生成低度可分析信号。

27、在一个优选的实施方式中，步骤s300具体包括以下内容：

28、使用获取高度可分析信号的匹配数据集作为基础数据，提取用户的特征和定义用户的乘车标签；利用历史匹配数据构建训练数据集，包括用户特征和相应的乘车意向标签，使用随机森林作为机器学习模型，再利用构建的数据集进行模型训练；对于待预测用户，提取相应的特征，利用训练好的模型对用户的乘车意向进行预测。

29、在一个优选的实施方式中，步骤s400具体包括以下内容：

30、融合用户出行数据，并且获取公交网路数据和场景因子数据；

31、将公交车站点以及其之间的道路或路径抽象为一个网络图；

32、将用户出行特征融入网络，使用dijkstra算法等计算公交站点之间的基础可达性；根据定期更新的动态场景因子，调整时间和空间的权重；

33、将用户的出行特征与计算得到的可达性相结合，形成综合的用户出行特征-可达性模型；

34、将融合后的用户特征-可达性模型与实际公交出行数据进行匹配度计算。

35、在一个优选的实施方式中，将匹配度和匹配阈值进行比较，若匹配度大于或等于匹配阈值，不生成任何信号；若匹配度小于匹配阈值，生成更新场景因子频率信号。

36、一种城市智能化公共交通系统，包括相似计算模块、规律匹配模块、行为分析模块和特征整合模块；

37、相似计算模块整理公交卡数据和轨迹数据，采用动态时间规整，通过比较刷卡记录序列和轨迹序列，计算刷卡记录序列与轨迹序列之间的相似性分数，通过考虑时间和空间的动态权衡，捕捉到刷卡记录和实际轨迹之间的关系，获得匹配数据集，将匹配数据集发送至规律匹配模块；

38、规律匹配模块通过匹配数据集，依据匹配数据集对用户出行进行规律可循进行判断，将判断数据结果发送至行为分析模块；

39、行为分析模块依据判断结果，从刷卡记录中识别用户的出行模式，进行用户的行为分析，再利用机器学习模型，基于历史出行模式，推测用户的乘车意向，将出行特征发送至特征整合模块；

40、特征整合模块整合用户出行特征与公交车可达性模型的网络分析过程将用户个体特征融合到公交车站点网络中，通过动态场景因子计算实时可达性，优化权重并重新计算匹配度，基于匹配度调整动态场景因子的更新频率。

41、本发明一种城市智能化公共交通系统及方法的技术效果和优点：

42、1.本发明在获取用户的匹配数据集后，采集匹配数据集的簇间稠密度指数和序次相关模式丰度指数经过归一化并加权求计算得到评估系数，基于评估系数和可分析程度阈值进行比较，根据比较结果生成高度或低度可分析信号，进而提前评估规律分析的可行性，通过评估系数的量化分析，可以有针对性地选择符合规律性、趋势性的基础数据，从而提高规律分析的准确性和效率。这种预先评估的机制有助于优化数据处理流程，减少不必要的计算和分析工作，从而更有效地挖掘出有意义的信息，为后续的规律分析提供更可靠的基础。

43、2.本发明在用户出行模式识别与乘车意向推测过程中，首先通过匹配用户刷卡记录和实际轨迹，利用时空聚类等手段识别用户的出行模式。此后，通过基本统计分析和轨迹分析提取用户行为特征，如出行频率、常用线路、出行时段等，并进一步通过机器学习模型进行训练，推测用户的乘车意向。整个过程有助于深入理解用户的出行行为，提供有益的用户行为分析结果，可为城市交通规划、公共交通服务优化等提供实质性支持。通过识别出行模式，系统能够更精准地理解用户需求，从而提供个性化的公共交通服务，提高交通效率，减缓交通拥堵，并为用户提供更便捷、舒适的出行体验。

44、3.本发明将公交车站点和道路抽象成网络图，融合用户出行特征，利用dijkstra算法计算基础可达性，综合考虑时间、空间权重形成用户特征-可达性模型。通过匹配度计算与阈值比较，评估模型拟合程度，决定是否更新场景因子。这一整合过程有效提高模型对实际出行的拟合度，通过动态调整权重和更新频率，系统能更准确地适应城市交通环境的变化，为公共交通规划提供有益的实时数据支持，从而帮助有关部门评估城市潜在的运行机理，提高公共交通系统运营效率，为城市空间结构优化提供策略支持。