一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法
【專利摘要】本發(fā)明屬于信息數(shù)據(jù)處理【技術領域】，提供了一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法，包括如下步驟：S1、從包含乘客所有乘車記錄的源數(shù)據(jù)中獲取時空規(guī)律的地鐵乘客的時空規(guī)律詳細信息；S2、根據(jù)所述獲取的時空規(guī)律詳細信息，對時空規(guī)律的地鐵乘客進行聚類；S3、對聚類后的時空規(guī)律的地鐵乘客進行邊緣檢測及邊緣特征分析。本發(fā)明基于時空數(shù)據(jù)挖掘?qū)Φ罔F乘客分類，按照時空規(guī)律乘客的規(guī)律時段數(shù)量將時空規(guī)律乘客做聚類，并對每一類時空規(guī)律乘客作分析和邊緣檢測，可以有效了解乘客的生活特征。
【專利說明】一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法
【技術領域】
[0001]本發(fā)明屬于信息數(shù)據(jù)處理【技術領域】，具體涉及一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法。
【背景技術】
[0002]相比傳統(tǒng)的公共交通付費方式，如現(xiàn)金支付、年卡、月卡，智能卡具有方便性、便捷性、成本低等優(yōu)點；相比傳統(tǒng)的公共交通數(shù)據(jù)采集、決策服務能力、生活服務能力等方面，智能卡具有數(shù)據(jù)完整性、一致性、數(shù)據(jù)采集成本低、分析結(jié)果精準性、可靠等優(yōu)點。
[0003]綜上，智能卡的使用已經(jīng)帶來了非常明顯的方便和好處，智能卡在現(xiàn)代公共交通方面已成為不可或缺的工具，得到了快速普及和廣泛的應用。在大數(shù)據(jù)時代，以交通智能卡消費數(shù)據(jù)為核心，挖掘市民生活特征及規(guī)律已成為智慧城市等領域研究的重要方向之一，目前對智能卡消費數(shù)據(jù)的分析主要集中在三個方面:1、基礎數(shù)據(jù)分析；2、乘客行為分析、乘客需求預測、個人出行模式分析；3、結(jié)合一、二兩方面做交通長期規(guī)劃，策略調(diào)整，提高交通質(zhì)量、生活服務能力和數(shù)據(jù)決策服務能力。
[0004]目前，基于乘客的時空規(guī)律對乘客進行分類的相關研究比較少，現(xiàn)有的相關研究主要集中于結(jié)合智能卡的類型對乘客做分析，并比較不同類型的乘客特征的差異性。而針對乘客的時空特征對乘客分類的相關研究比較少。

【發(fā)明內(nèi)容】

[0005]本發(fā)明要解決的技術問題在于提供一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法，具有高穩(wěn)定性、可靠性、安全性。
[0006]本發(fā)明的技術方案包括一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法，包括如下步驟:
[0007]S1、從包含乘客所有乘車記錄的源數(shù)據(jù)中獲取時空規(guī)律的地鐵乘客的時空規(guī)律詳細信息；
[0008]S2、根據(jù)所述獲取的時空規(guī)律詳細信息，對時空規(guī)律的地鐵乘客進行聚類；
[0009]S3、對聚類后的時空規(guī)律的地鐵乘客進行邊緣檢測及邊緣特征分析。
[0010]進一步地，所述源數(shù)據(jù)包括智能交通卡消費信息表和地鐵線路表；
[0011]所述智能交通卡消費信息表包括智能交通卡的卡號、地鐵站刷卡終端的終端號、用戶的刷卡時間、進站或出站標識；
[0012]所述地鐵線路表包括線路名稱、途經(jīng)站點、線路類型，所述線路類型包括上行和下行；
[0013]所述時空規(guī)律的地鐵乘客為出行時間和出行地點均比較規(guī)律的乘客。
[0014]進一步地,所述步驟SI具體包括:
[0015]S11、對包含乘客所有乘車記錄的源數(shù)據(jù)進行數(shù)據(jù)預處理；
[0016]S12、以智能交通卡的卡號作為唯一標識，從經(jīng)過數(shù)據(jù)預處理后的數(shù)據(jù)中讀取每張卡的乘車記錄；
[0017]S13、對乘客進行分類，將時空規(guī)律乘客的tag值設為一預定值；
[0018]S14、對于所述步驟S13中分類后的時空規(guī)律乘客，將全天分成η個時間段，計算時
空規(guī)律乘客乘車各時間段的乘車天數(shù)
【權利要求】
1.一種時空規(guī)律的地鐵乘客聚類和邊緣檢測方法，其特征在于，包括如下步驟: S1、從包含乘客所有乘車記錄的源數(shù)據(jù)中獲取時空規(guī)律的地鐵乘客的時空規(guī)律詳細信息； S2、根據(jù)所述獲取的時空規(guī)律詳細信息，對時空規(guī)律的地鐵乘客進行聚類； S3、對聚類后的時空規(guī)律的地鐵乘客進行邊緣檢測及邊緣特征分析。
2.根據(jù)權利要求1所述的方法，其特征在于，所述源數(shù)據(jù)包括智能交通卡消費信息表和地鐵線路表； 所述智能交通卡消費信息表包括智能交通卡的卡號、地鐵站刷卡終端的終端號、用戶的刷卡時間、進站或出站標識； 所述地鐵線路表包括線路名稱、途經(jīng)站點、線路類型，所述線路類型包括上行和下行； 所述時空規(guī)律的地鐵乘客為出行時間和出行地點均比較規(guī)律的乘客。
3.根據(jù)權利要求2所述的方法，其特征在于，所述步驟SI具體包括: S11、對包含乘客所有乘車記錄的源數(shù)據(jù)進行數(shù)據(jù)預處理； S12、以智能交通卡的卡號作為唯一標識，從經(jīng)過數(shù)據(jù)預處理后的數(shù)據(jù)中讀取每張卡的乘車記錄； S13、對乘客進行分類，將時空規(guī)律乘客的tag值設為一預定值； S14、對于所述步驟S13中分類后的時空規(guī)律乘客，將全天分成η個時間段，計算時空規(guī)



律乘客乘車各時間段的乘車天數(shù)
4.根據(jù)權利要求3所述的方法，其特征在于，所述步驟S2具體包括:S21、以智能交通卡的卡號作為唯一標識,從規(guī)律時空詳情列表sptmList中讀取一張卡的所有時空規(guī)律詳細信息P ; S22、判斷是否有任何簇建立，若沒有，則建立新簇C，并將對象P加入簇C，將對象P標識為已處理，簇C的中心值為對象P的峰值數(shù)量size ;若已經(jīng)有簇建立，則執(zhí)行步驟S23 ；S23、計算對象P與每個簇中心的距離；若存在某個簇Ci的中心與對象P的峰值數(shù)量size相等，則將所述對象P歸類到簇Ci ;否則，建立新簇Cj，并將對象P加入簇Cj ；S24、重復執(zhí)行步驟S21-S23，直到所有對象都被處理并歸入了某個簇，并按照簇中智能交通卡的卡號的數(shù)量對所有簇排序。
5.根據(jù)權利要求4所述的方法，其特征在于，所述步驟S3具體包括: 531、基于簇的大小，對所有簇分類，將簇劃分為邊緣簇abnCluster和非邊緣簇nCluster,其中所述邊緣簇abnCluster為簇的數(shù)量與平均簇的數(shù)量的比值小于設定閾值的簇，非邊緣簇nCluster為簇的數(shù)量與平均簇的數(shù)量的比值大于或等于設定閾值的簇； 532、依次讀取非邊緣簇nCluster中的每一個簇Ci,建立int[i] [η]數(shù)組Si,所述η為將全天分成η個時間段； 533、依次取出簇Ci中一位乘客的規(guī)律時空詳情列表sptmList，按高峰時段的大小對規(guī)律時空詳情列表sptmList排序和編號，并將對應的數(shù)組Si元素的η值加I ; 534、重復執(zhí)行步驟S33，直到簇Ci中所有的乘客都處理完； 535、分析所述數(shù)組Si的結(jié)果分布情況； 536、若非邊緣簇nCluster中的所有簇都分析完畢，執(zhí)行步驟S37;否則重復執(zhí)行步驟S32-S36 ； 537、依次讀取邊緣簇abnCluster中的每一個簇Ci,并按照乘客的時空特征按照步驟S32-S34進行分析； S8:若邊緣簇abnCluster中的所有簇都分析完畢，則結(jié)束；否則重復執(zhí)行步驟S37。
6.根據(jù)權利要求3所述的方法，其特征在于，所述步驟Sll具體包括: SI 11、過濾缺失字段的交易記錄； 5112、將智能交通卡過濾處 理后的所有交易記錄按時間排序，并計算智能交通卡中的每一乘車記錄； 5113、計算每一智能交通卡的總刷卡天數(shù)； SI 14、將步驟SI 12、SI 13中的數(shù)據(jù)結(jié)果匯總； SI 15、對每一智能交通卡執(zhí)行步驟SI I 1-Sl 14,直到全部智能交通卡均被處理； S116、對輸出結(jié)果進行統(tǒng)計，計算乘車天數(shù)概率分布。
7.根據(jù)權利要求3所述的方法，其特征在于，所述步驟S13通過如下方式對乘客進行分類: 5131、提取每一智能交通卡的交易記錄； 5132、判斷刷卡天數(shù)是否小于一預設閾值，是則輸出類別1:極少出行乘客，執(zhí)行步驟S136 ;否則執(zhí)行步驟S133 ； 5133、利用基于時間的用戶出行規(guī)律算法Tm-ODCluster，計算最密集的時間段Sm和時間密集概率Pt，并判斷是否時間規(guī)律，是則為時間規(guī)律，執(zhí)行步驟S134，否則執(zhí)行步驟S135 ； 5134、在所述時間段Sm內(nèi)，利用基于空間的用戶出行規(guī)律算法Sp-ODCluster，判斷出行地點是否規(guī)律，是則輸出類別4:時間和空間規(guī)律性乘客，否則輸出類別2:單時間規(guī)律性乘客；之后執(zhí)行步驟S136 ; 5135、利用基于空間的用戶出行規(guī)律算法Sp-ODCluster，判斷全天時間內(nèi)出行地點是否規(guī)律，是則輸出類別3:單空間規(guī)律性乘客，否則輸出類別5:時間和空間均不規(guī)律乘客； 5136、判斷全部智能交通卡是否均被處理，是則結(jié)束，否則返回執(zhí)行步驟S131； 其中所述類別4:時間和空間規(guī)律性乘客為所述時空規(guī)律乘客。
8.根據(jù)權利要求7所述的方法，其特征在于，所述基于時間的用戶出行規(guī)律算法Tm-ODCluster 包括: Al、以天為周期、m分鐘為時段間隔，計算每一天所有時間段的乘車狀態(tài)(0，1);


A2、計算所述每一時間段的乘車天數(shù)
9.根據(jù)權利要求7所述的方法，其特征在于，所述基于空間的用戶出行規(guī)律算法Sp-ODCluster 包括: B1、查詢時間段T內(nèi)所有乘車記錄，將所述乘車記錄以(0，D)標記，其中，O為入口站、D為出口站，并統(tǒng)計從O進D出的乘坐天數(shù)； 形成數(shù)據(jù)記錄集ODLIST (O, D, daynum, timelst),其中，Daynum為天數(shù)，timelst為時間集合； B2、采用OD-cluster算法對OD進行聚類，判斷兩站點之間的相似性:若兩站點為相鄰站點，則相似性為I，否則為O; B3、取出最大的簇的總天數(shù)Dmax,計算空間密集概率Ps=Dmax/Dnum,其中,Dnum為乘客刷卡總天數(shù)； 若Ps大于空間密度閾值Thrs，則為空間規(guī)律性乘客；否則，為空間不規(guī)律性乘客。
10.根據(jù)權利要求9所述的方法，其特征在于，所述OD-cluster算法包括， Cl、從所述數(shù)據(jù)記錄集ODLIST中順序提取對象P，并判斷是否有簇，是則轉(zhuǎn)到步驟C2， 否則建立簇，以所述對象P為中心、總天數(shù)為所述對象P的天數(shù)建立新簇C，將所述對象P加入所述新簇C，并將所述對象P標識為已處理； C2、計算所述對象P與每個簇中心的距離； 若某個簇Ci的中心與對象P滿足相似性標準，則將所述對象P歸類到所述簇Ci，所述簇Ci的總天數(shù)=總天數(shù)+對象P的天數(shù)-(對象P的時間集與簇Ci中時間集交集的成員數(shù)量)， 否則建立以對象P為中心、總天數(shù)為對象P的天數(shù)建立新簇C，并將所述對象P加入所述新簇C ； C3、重復上述步驟，直到所有記錄都被處理并歸入某個簇Ci，并按總天數(shù)對所有簇Ci從大到小排序。
【文檔編號】G06F19/00GK103699801SQ201310750251
【公開日】2014年4月2日 申請日期:2013年12月31日 優(yōu)先權日:2013年12月31日
【發(fā)明者】趙娟娟, 張帆, 白雪, 須成忠, 鄒瑜斌, 田臣, 熊文 申請人:深圳先進技術研究院