1.一种基于需求响应的公共交通调度方法,其特征在于,所述方法包括:
S1:将预先获取的历史埋点数据清洗成标准埋点数据,分别从所述标准埋点数据中提取出历史乘客数据以及历史交通数据,将所述历史交通数据按照时域拆分成时域交通数据集,将所述历史乘客数据按照乘客ID拆分为单乘客数据集;
S2:逐个选取所述单乘客数据集中的单乘客数据作为目标单乘客数据,按照时序从所述目标单乘客数据中提取出目标出行特征组,依次对所有的目标出行特征组进行特征聚类和特征映射操作,得到标准出行特征组集,其中,所述依次对所有的目标出行特征组进行特征聚类和特征映射操作,得到标准出行特征组集,包括:S21:将所有的目标出行特征组汇集成出行特征组集,将所述出行特征组集中的全部出行特征拆分成多个初级出行特征组,并为各个初级出行特征组随机筛选出初级出行中心特征;
S22:利用如下的出行特征距离算法计算出各个初级出行中心特征与各个出行特征之间的出行特征距离:其中,D是指所述出行特征距离,α是预设的对抗系数,·为点乘符号,*为叉乘符号,p是指所述出行特征,q是指所述初级出行中心特征,T是转置符号,cov()是协方差符号,cov(p,p)是指所述出行特征的协方差,cov(p,q)是指所述出行特征与所述初级出行中心特征之间的协方差,cov(q,p)是指所述初级出行中心特征与所述出行特征之间的协方差,cov(q,q)是指所述初级出行中心特征的协方差;
S23:根据所述出行特征距离重新对所有的出行特征进行分组,得到多个次级出行特征组;
S24:计算出各个次级出行特征组对应的次级出行中心特征,并计算出各个次级出行中心特征与对应的所述初级出行中心特征之间的中心特征距离;
S25:根据所有的中心特征距离将各个次级出行特征组迭代更新成出行特征类,并根据各个出行特征类的聚类中心对所述出行特征组集中的各个出行特征进行映射,得到标准出行特征组集;
S3:按照时序对所述标准出行特征组集进行格式转换,得到时序出行特征曲线集,利用所述时序出行特征曲线集对预设的初始出行模型进行训练,得到出行分析模型,利用所述时域交通数据集对预设的初始交通模型进行训练,得到交通分析模型;
S4:获取实时需求数据,从所述实时需求数据中提取出实时乘客数据以及实时交通数据,利用所述出行分析模型分析出所述实时乘客数据对应的预测乘客数据,利用所述交通分析模型分析出所述实时交通数据对应的预测交通数据;
S5:对预设的交通地图进行路线规划,得到交通路线集,利用所述预测乘客数据和所述预测交通数据计算出所述交通路线集对应的乘客延时集合,利用所述乘客延时集合从所述交通路线集中匹配出目标交通路线,按照所述目标交通路线进行交通调度。
2.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述将预先获取的历史埋点数据清洗成标准埋点数据,包括:依次对所述历史埋点数据进行时间格式统一、位置格式统一以及地图格式统一操作,得到格式埋点数据;
从所述格式埋点数据中筛除重复埋点数据,得到去重埋点数据;
按照数据类型从所述去重埋点数据中筛除异常埋点数据,得到去异埋点数据;
从所述去异埋点数据中提取出缺失埋点数据,对所述缺失埋点数据进行数据填充,得到标准埋点数据。
3.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述按照时序从所述目标单乘客数据中提取出目标出行特征组,包括:依次从所述目标单乘客数据中提取出乘客年龄、乘客性别、乘客职业、支付方式以及位置时间戳数据;
按照时序对所述位置时间戳数据进行排列,得到目标时序数据序列;
按照预设的时域周期将所述目标时序数据序列拆分成时序数据序列组;
对所述时序数据序列组进行站点匹配操作,得到时序站点序列组;
对所述时序数据序列组进行座位匹配操作,得到时序座位序列组;
从所述时序座位序列组中提取出座位分布占比,将所述时序站点序列组转码成站点特征组;
利用所述乘客年龄、所述乘客性别、所述乘客职业、所述支付方式以及所述座位分布占比对所述站点特征组进行特征融合,得到目标出行特征组。
4.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述按照时序对所述标准出行特征组集进行格式转换,得到时序出行特征曲线集,包括:逐个选取所述标准出行特征组集中的标准出行特征组作为目标标准出行特征组,按照时序对所述目标标准出行特征组进行排列,得到目标出行特征序列;
从所述目标出行特征序列中分别提取出站点特征序列、乘客年龄特征序列、乘客性别特征序列、乘客职业特征序列、支付方式特征序列以及座位分布占比特征序列;
将所述站点特征序列作为因变量,将所述乘客年龄特征序列、所述乘客性别特征序列、所述乘客职业特征序列、所述支付方式特征序列以及所述座位分布占比特征序列作为自变量生成时序出行特征曲线,将所有的时序出行特征曲线汇集成时序出行特征曲线集。
5.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述利用所述时序出行特征曲线集对预设的初始出行模型进行训练,得到出行分析模型,包括:逐个选取所述时序出行特征曲线集中的时序出行特征曲线作为目标出行特征曲线,利用预设的时域滑动窗口逐段采集所述目标出行特征曲线中的部分曲线作为目标特征曲线段;
利用预设的初始出行模型的递归卷积门分别计算出所述目标特征曲线段对应的短期重置特征与短期记忆特征;
利用如下的短期出行时序特征公式根据所述短期重置特征与所述短期记忆特征计算出所述目标特征曲线段对应的短期出行时序特征:其中,ht是指第t时刻的所述短期出行时序特征,ut是指第t时刻的所述短期重置特征,为元素乘积,ht‑1是第t‑1时刻的所述短期出行时序特征,ct是指第t时刻的所述短期记忆特征;
利用所述初始出行模型的跳转卷积门分别计算出所述目标特征曲线段对应的长期重置特征和长期记忆特征;
利用如下的长期出行时序特征公式根据所述长期重置特征与所述长期记忆特征计算出所述目标特征曲线段对应的长期出行时序特征:其中, 是指第t时刻的所述长期出行时序特征, 是指第t时刻的所述长期重置特征,为元素乘积, 是第t‑r时刻的所述长期出行时序特征,r是指所述跳转卷积门中跳过的隐藏单元的数量, 是指第t时刻的所述长期记忆特征;
将所述短期出行时序特征和所述长期出行时序特征融合成标准出行时序特征,利用所述标准出行时序特征生成目标分析特征曲线段;
利用所述时序出行特征曲线集和所有的目标分析特征曲线段对所述初始出行模型的模型参数进行迭代更新,得到出行分析模型。
6.如权利要求5所述的基于需求响应的公共交通调度方法,其特征在于,所述利用所述时序出行特征曲线集和所有的目标分析特征曲线段对所述初始出行模型的模型参数进行迭代更新,得到出行分析模型,包括:逐个从所述时序出行特征曲线集中选取所述目标分析特征曲线段对应的曲线段作为目标历史特征曲线段;
将所有的目标历史特征曲线段汇集成历史特征曲线段集,将所有的目标分析特征曲线段汇集成分析特征曲线段集;
根据所述历史特征曲线段集和所述分析特征曲线段集计算出所述初始出行模型对应的损失值;
判断所述损失值是否大于预设的损失阈值;
若是,则根据所述损失值对所述初始出行模型的模型参数进行迭代更新,并返回所述利用预设的初始出行模型的递归卷积门分别计算出所述目标特征曲线段对应的短期重置特征与短期记忆特征的步骤;
若否,则将更新后的所述初始出行模型作为出行分析模型。
7.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述利用所述时域交通数据集对预设的初始交通模型进行训练,得到交通分析模型,包括:将所述时域交通数据集按照时序进行排列,得到时域交通数据序列;
依次对所述时域交通数据序列进行位置转码和格式转码,得到交通编码序列;
按照预设的交通时域窗口对所述交通编码序列进行滑动采集,得到交通编码序列段集,逐个选取所述交通编码序列段集中的交通编码序列段作为目标交通序列段;
利用预设的初始交通模型分别提取出所述目标交通序列段的短期交通特征和长期交通特征,并利用自注意力机制提取出所述目标交通序列段的自注意力交通特征;
将所述短期交通特征、所述长期交通特征以及所述自注意力交通特征融合成时序交通特征,对所述时序交通特征进行特征解码,得到目标分析交通段;
根据所有的目标交通序列段和所有的目标分析交通段对所述初始交通模型进行训练,得到交通分析模型。
8.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述利用所述出行分析模型分析出所述实时乘客数据对应的预测乘客数据,包括:根据所述实时乘客数据生成实时出行特征曲线;
利用所述出行分析模型分析出所述实时出行特征曲线对应的预测出行特征曲线;
对所述预测出行特征曲线中进行格式转码,得到预测出行特征组;
对所述预测出行特征组进行特征解码,得到预测乘客数据。
9.如权利要求1所述的基于需求响应的公共交通调度方法,其特征在于,所述利用所述预测乘客数据和所述预测交通数据计算出所述交通路线集对应的乘客延时集合,包括:逐个选取所述交通路线集中的交通路线作为初始交通路线,从所述预测交通数据中提取出所述初始交通路线中每一站对应的拥堵系数和路线长度;
将所有的路线长度按序汇集成路线长度集,将所有的拥堵系数按序汇集成拥堵系数集;
将所述预测乘客数据按照乘客ID拆分为预测单乘客数据集;
逐个选取所述预测单乘客数据集中的预测单乘客数据作为目标预测单乘客数据,从所述目标预测单乘客数据中提取出预测定位时间戳;
对所述预测定位时间戳进行站点匹配,得到预测出站站点,将所有的预测出站站点汇集成出站站点集;
利用如下的乘客延时公式根据所述路线长度集、所述拥堵系数集和所述出站站点集计算出所述初始交通路线对应的目标乘客延时,将所有的目标乘客延时汇集成乘客延时集合:其中,L是指所述目标乘客延时,M是指所述出站站点集的总元素个数,n是指站点序号,N是指所述拥堵系数集的元素总数,且所述拥堵系数集的元素总数与所述路线长度集的元素总数相等,Kn是指所述路线长度集中第n个路线长度,v是指预设的行驶速度,en是指所述拥堵系数集中第n个拥堵系数,θ是预设的站点等候时长,mn是指所述出站站点集中所述拥堵系数集中第n个所述拥堵系数所对应的站点的统计个数。
10.一种基于需求响应的公共交通调度系统,其特征在于,所述系统包括:
数据拆分模块,用于将预先获取的历史埋点数据清洗成标准埋点数据,分别从所述标准埋点数据中提取出历史乘客数据以及历史交通数据,将所述历史交通数据按照时域拆分成时域交通数据集,将所述历史乘客数据按照乘客ID拆分为单乘客数据集;
特征聚类模块,用于逐个选取所述单乘客数据集中的单乘客数据作为目标单乘客数据,按照时序从所述目标单乘客数据中提取出目标出行特征组,依次对所有的目标出行特征组进行特征聚类和特征映射操作,得到标准出行特征组集,其中,所述依次对所有的目标出行特征组进行特征聚类和特征映射操作,得到标准出行特征组集,包括:将所有的目标出行特征组汇集成出行特征组集,将所述出行特征组集中的全部出行特征拆分成多个初级出行特征组,并为各个初级出行特征组随机筛选出初级出行中心特征;利用如下的出行特征距离算法计算出各个初级出行中心特征与各个出行特征之间的出行特征距离:其中,D是指所述出行特征距离,α是预设的对抗系数,·为点乘符号,*为叉乘符号,p是指所述出行特征,q是指所述初级出行中心特征,T是转置符号,cov()是协方差符号,cov(p,p)是指所述出行特征的协方差,cov(p,q)是指所述出行特征与所述初级出行中心特征之间的协方差,cov(q,p)是指所述初级出行中心特征与所述出行特征之间的协方差,cov(q,q)是指所述初级出行中心特征的协方差;根据所述出行特征距离重新对所有的出行特征进行分组,得到多个次级出行特征组;计算出各个次级出行特征组对应的次级出行中心特征,并计算出各个次级出行中心特征与对应的所述初级出行中心特征之间的中心特征距离;根据所有的中心特征距离将各个次级出行特征组迭代更新成出行特征类,并根据各个出行特征类的聚类中心对所述出行特征组集中的各个出行特征进行映射,得到标准出行特征组集;
模型训练模块,用于按照时序对所述标准出行特征组集进行格式转换,得到时序出行特征曲线集,利用所述时序出行特征曲线集对预设的初始出行模型进行训练,得到出行分析模型,利用所述时域交通数据集对预设的初始交通模型进行训练,得到交通分析模型;
交通预测模块,用于获取实时需求数据,从所述实时需求数据中提取出实时乘客数据以及实时交通数据,利用所述出行分析模型分析出所述实时乘客数据对应的预测乘客数据,利用所述交通分析模型分析出所述实时交通数据对应的预测交通数据;
路径规划模块,用于对预设的交通地图进行路线规划,得到交通路线集,利用所述预测乘客数据和所述预测交通数据计算出所述交通路线集对应的乘客延时集合,利用所述乘客延时集合从所述交通路线集中匹配出目标交通路线,按照所述目标交通路线进行交通调度。