一種基于時空特征的乘客檢測分析方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明適用于通信領(lǐng)域，提供了一種基于時空特征的乘客檢測分析方法，包括：依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄；根據(jù)乘客的乘車記錄計算乘客的乘車特征組中的多個特征數(shù)據(jù)；判斷乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一；若是，則標(biāo)記乘客為物流乘客；判斷所有乘客是否都標(biāo)記處理完；若是，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計；將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)；根據(jù)歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。本發(fā)明還提供了一種基于時空特征的乘客檢測分析系統(tǒng)。本發(fā)明所提供的基于時空特征的乘客檢測分析方法及系統(tǒng)能極大的提高車站疏導(dǎo)乘客流的效率。
【專利說明】一種基于時空特征的乘客檢測分析方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及通信領(lǐng)域，尤其涉及一種基于時空特征的乘客檢測分析方法及系統(tǒng)?！颈尘凹夹g(shù)】
[0002]由于智能卡的方便性、快捷性、成本低等優(yōu)點，智能卡在我們生活中幾乎無處不在，例如:金融、醫(yī)療、交通、校園等。智能卡作為一種公共交通付費手段已經(jīng)廣泛應(yīng)用于城市公共交通例如公交、地鐵、停車場等，與傳統(tǒng)的付費方式(例如人工售票和現(xiàn)金支付)以及傳統(tǒng)的乘客行為分析(例如人工調(diào)查)相比，使用智能卡付費已經(jīng)帶來了非常明顯的方便性和優(yōu)勢，例如使用智能卡可以提高上下車效率，減小數(shù)據(jù)收集和調(diào)查成本。因選擇交通智能卡省錢、便捷等特點，現(xiàn)在選擇刷智能卡作為公共交通出行付款方式的乘客也日益增多，乘客的交易數(shù)據(jù)也愈發(fā)完整和準(zhǔn)確。
[0003]但是，目前交通智能卡也僅僅作為一種公共交通刷卡付費的應(yīng)用，缺少通過對交通智能卡收集到的豐富的乘客消費數(shù)據(jù)的分析，缺少通過分析交通智能卡的乘客消費數(shù)據(jù)以挖掘市民生活特征及規(guī)律，尤其缺少在當(dāng)?shù)罔F或者車站存在大批量的客流時，如何通過分析交通智能卡的乘客消費數(shù)據(jù)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0004]因此，亟需設(shè)計一種基于時空特征的乘客檢測分析方法及系統(tǒng)，從而可以實現(xiàn)在出現(xiàn)大批量客流時能及時、有效、快速的分流管理。

【發(fā)明內(nèi)容】

[0005]有鑒于此，本發(fā)明實施例的目的在于提供一種基于時空特征的乘客檢測分析方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中在出現(xiàn)大批量客流時分流管理的效率較低的問題。
[0006]本發(fā)明實施例是這樣實現(xiàn)的，一種基于時空特征的乘客檢測分析方法，包括:
[0007]依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄；
[0008]根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)；
[0009]判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一；
[0010]若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客；
[0011]判斷所有乘客是否都標(biāo)記處理完；
[0012]若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計；
[0013]將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)；
[0014]根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。
[0015]優(yōu)選的，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
[0016]優(yōu)選的，所述物流乘客的六個特征包括:[0017]OD時間異常次數(shù)大于第一閾值；
[0018]OD時間異常天數(shù)大于第二閾值；
[0019]從同一站進(jìn)出的次數(shù)大于第三閾值；
[0020]從同一站進(jìn)出的天數(shù)大于第四閾值；
[0021]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值；
[0022]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
[0023]優(yōu)選的，在所述判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一的步驟之后，所述方法還包括:
[0024]若不滿足物流乘客的六個特征之一，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0025]優(yōu)選的，在所述判斷所有乘客是否都標(biāo)記處理完的步驟之后，所述方法還包括:
[0026]若所有乘客沒有標(biāo)記處理完，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0027]另一方面，本發(fā)明還提供一種基于時空特征的乘客檢測分析系統(tǒng)，包括:
[0028]讀取模塊，用于依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄；
[0029]計算模塊，用于根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)；
[0030]第一判斷模塊，用于判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一；
[0031]標(biāo)記模塊，用于若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客；
[0032]第二判斷模塊，用于判斷所有乘客是否都標(biāo)記處理完；
[0033]歸類統(tǒng)計模塊，用于若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計；
[0034]發(fā)送模塊，用于將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)；
[0035]調(diào)整模塊，用于根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。
[0036]優(yōu)選的，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
[0037]優(yōu)選的，所述物流乘客的六個特征包括:
[0038]OD時間異常次數(shù)大于第一閾值；
[0039]OD時間異常天數(shù)大于第二閾值；
[0040]從同一站進(jìn)出的次數(shù)大于第三閾值；
[0041]從同一站進(jìn)出的天數(shù)大于第四閾值；
[0042]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值；
[0043]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
[0044]優(yōu)選的，所述讀取模塊，還用于若不滿足物流乘客的六個特征之一，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0045]優(yōu)選的，所述讀取模塊，還用于若所有乘客沒有標(biāo)記處理完，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0046]在本發(fā)明實施例中，本發(fā)明提供的技術(shù)方案，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
【專利附圖】

【附圖說明】
[0047]圖1為本發(fā)明一實施方式中基于時空特征的乘客檢測分析方法流程圖；
[0048]圖2為本發(fā)明一實施方式中基于時空特征的乘客檢測分析系統(tǒng)結(jié)構(gòu)示意圖。
【具體實施方式】
[0049]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下給出幾個后面內(nèi)容中經(jīng)常用到的一些概念的定義:
[0050]OD時間矩陣:其中O為起點(original)，D為終點(destination)，時間為從O出發(fā)到達(dá)D正常情況下所花費的平均時間，由于地鐵本身的屬性，及時、可靠、不受天氣等外界因素所影響，這個時間可以估算；
[0051]完全規(guī)律天:針對某類時空規(guī)律乘客,如果某天乘客在高峰規(guī)律時段(即針對此乘客的高峰時段)都有乘車記錄且符合空間規(guī)律特征，則這天為完全規(guī)律天，例如第二類時空規(guī)律乘客，通過統(tǒng)計分析，乘客有兩個高峰規(guī)律時段，但是某天YYYY-MM-DD只在第一個高峰規(guī)律時段有乘車記錄但在第二個乘車時段沒有乘車記錄，則這一天不屬于完全規(guī)律天，兩個高峰規(guī)律時段都有乘車記錄的才屬于完全規(guī)律天；
[0052]完全規(guī)律天數(shù):在測試的時間內(nèi)，完全規(guī)律的天數(shù)；
[0053]OD時間異常次數(shù):某乘客在測試時間內(nèi)，某趟乘車花費的時間遠(yuǎn)遠(yuǎn)大于正常情況下所花費時間的次數(shù)，通過將某趟乘車時間與OD矩陣所對應(yīng)的乘車時間比較，如果大于某個閾值，則為不正常；
[0054]OD時間異常天數(shù):某乘客在測試時間內(nèi)，某趟乘車花費的時間遠(yuǎn)遠(yuǎn)大于正常情況下所花費時間的天數(shù)；
[0055]平均乘車次數(shù):在完全規(guī)律天中所乘車的次數(shù)總和與完全規(guī)律天數(shù)的比值；
[0056]平均每趟乘車時間:在完全規(guī)律天中所乘車的總時間與在完全規(guī)律天中所乘車的總次數(shù)的比值；
[0057]出入站點相同但乘車時間異常的次數(shù):乘客在同一站進(jìn)出且乘車時間大于某個閾值的次數(shù)；
[0058]出入站點相同但乘車時間異常的天數(shù):乘客在同一站進(jìn)出且乘車時間大于某個閾值的天數(shù)。
[0059]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0060]本發(fā)明【具體實施方式】提供了一種基于時空特征的乘客檢測分析方法，主要包括如下步驟:
[0061]S11、依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄；
[0062]S12、根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)；[0063]S13、判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一；
[0064]S14、若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客；
[0065]S15、判斷所有乘客是否都標(biāo)記處理完；
[0066]S16、若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計；
[0067]S17、將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)；
[0068]S18、根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通
調(diào)整管理。
[0069]本發(fā)明所提供的一種基于時空特征的乘客檢測分析方法，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0070]以下將對本發(fā)明所提供的一種基于時空特征的乘客檢測分析方法進(jìn)行詳細(xì)說明。
[0071]請參閱圖1，為本發(fā)明一實施方式中基于時空特征的乘客檢測分析方法流程圖。
[0072]在步驟Sll中，依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄。
[0073]在本實施方式中，OD時間矩陣計算是判斷乘客乘車時間異常的一個關(guān)鍵判斷依據(jù)，通過將乘客的乘車時間與OD時間矩陣所對應(yīng)的乘車時間做比較，來判斷乘客乘車是否有異常。通常，OD時間矩陣可以由兩種方法得到:(I)通過地鐵的到站時間表推算，由于地鐵的特性，快捷、及時、不受天氣等外界因素的影響，所以兩站之間的乘車時間的浮動區(qū)間一般比較小，所以通過這種方法獲得的值的誤差比較小，也比較準(zhǔn)確。OD時間=推算得到的值+等車+進(jìn)出站所花費的時間。等車、進(jìn)出站所花費的時間本發(fā)明給出一個固定值，如果需要更精確，可以結(jié)合各個站的地理特征等因素；(2)通過乘客乘車的交易記錄，計算從入站到出站平均所用的時間，作為兩站之間的乘車時間。
[0074]在本實施方式中，通過地鐵營運(yùn)時間表，推算OD時間矩陣M1，這個包括需要換乘的和不需要換乘兩種情況，例如:AB=AC+CD+DA，表示乘客從A站到B站，需要先從A站到C站，再從C站換乘另一條線到D站，再從D站換乘到B站，從A到B所用的時間T (AB) =T(AC)+T (⑶)+T (DA)+3*Tfix，其中3為換乘的次數(shù)，Tfix為一個定值時間，用來表示等車時間+進(jìn)出站所花費的時間。
[0075]在本實施方式中，使用乘客的乘車記錄計算兩站之間的平均時間，得到OD平均時間矩陣M2，通過對所有進(jìn)站相同，出站相同的乘車記錄聚類，記錄次數(shù)和總時間，從而求出平均乘車時間。
[0076]在本實施方式中，通過以上兩種方法得到的矩陣Ml和M2，并將矩陣Ml和M2做比較，將OD時間存在較大誤差的OD歸為異常0D，差異較小的OD歸為非異常0D。
[0077]在本實施方式中，對異常OD簇中所有的乘車記錄做進(jìn)一步分析發(fā)現(xiàn)這些乘車記錄在時間和空間上有一個共同屬性，在時間上的異常表現(xiàn)在:在O進(jìn)站D出站的乘客中，有相當(dāng)大一部分乘客在乘車時間上存在異常，即:從O進(jìn)站從D出站所花費的時間遠(yuǎn)大于正常情況下所花費的時間。在空間上的異常表現(xiàn)在:大部分OD中O和D是同一站的，將此時空特性作為異常乘客特征分析的依據(jù)。存在此時空異常行為的乘客可能是從事物流行業(yè)相關(guān)的人員，之所以存在這種現(xiàn)象，長時間不出站的情況是因為站點出口處有同行的人接應(yīng)，即有一部分物流人員在站內(nèi)做運(yùn)輸，站點外也有一部分人負(fù)責(zé)從站內(nèi)同行那里接到的東西送到目的地，從同一站進(jìn)出和地鐵的收費標(biāo)準(zhǔn)有關(guān)。這些特征的發(fā)現(xiàn)也為后期物流行業(yè)的乘客或其他類型行業(yè)的乘客的檢測提供了依據(jù)。
[0078]在本實施方式中，利用邊緣簇特征分析算法，通過比較邊緣簇在時空特征上的相似性以及屬性之間的關(guān)聯(lián)性得到邊緣簇的時空特征，并將這些時空特征和實際物流乘客的時空特征做比較，最終進(jìn)一步證實了物流乘客的一些共性，邊緣簇特征分析算法把分析的乘客局限于時空規(guī)律的乘客中邊緣乘客來分析物流人員的特性,是為了將數(shù)據(jù)更貼近物流人員的時空特性，之所以空間規(guī)律，是因為大部分的物流公司對物流人員所服務(wù)的區(qū)域做了劃分，所以乘車的空間比較規(guī)律，由于物流工作本身的屬性，每天乘車的次數(shù)比其他職業(yè)的人員要更多，所以對時間規(guī)律峰值比較多的乘客做分析。
[0079]在本實施方式中，邊緣簇特征分析算法具體包括如下步驟:將按規(guī)律峰值時段的數(shù)量對時空規(guī)律乘客聚類，最終將時空規(guī)律乘客做聚類，并按聚類后類的大小將類劃分為邊緣類和非邊緣類；然后依次從邊緣類中取出一位乘客的乘車記錄(即經(jīng)過預(yù)處理后的結(jié)果)，計算乘客完全規(guī)律天數(shù)，OD時間異常次數(shù)，OD時間異常天數(shù)，平均乘車次數(shù)，平均每趟乘車時間，出入站點相同但乘車時間異常的次數(shù)，出入站點相同但乘車時間異常的天數(shù)；直到邊緣類中的所有乘客都處理完才進(jìn)入下一步；然后對OD時間異常次數(shù)，OD時間異常天數(shù)，平均乘車次數(shù)，平均每趟乘車時間，出入站點相同但乘車時間異常的次數(shù)，出入站點相同但乘車時間異常的天數(shù)分別做統(tǒng)計；最后根據(jù)所有處理完的結(jié)果進(jìn)行統(tǒng)計，分析屬性特征以及屬性之間的關(guān)聯(lián)性，最終得到物流乘客的特征屬性。
[0080]在步驟S12中，根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)。
[0081]在本實施方式中，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
[0082]在步驟S13中，判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一。
[0083]在本實施方式中，所述物流乘客的六個特征包括:
[0084]OD時間異常次數(shù)大于第一閾值；
[0085]OD時間異常天數(shù)大于第二閾值；
[0086]從同一站進(jìn)出的次數(shù)大于第三閾值；
[0087]從同一站進(jìn)出的天數(shù)大于第四閾值；
[0088]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值；
[0089]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
[0090]在本實施方式中，判斷步驟S12中計算的值是否滿足物流乘客的六種特征時，一般用六個布爾值C[6]表示這六個特征，例如C[6]的值為{1，0，0，1，0，1}，表示乘客滿足第一條和第四條和最后一條的要求，如果至少滿足一條要求，則將次乘客標(biāo)識為物流行業(yè)人員相關(guān)乘客，否則標(biāo)識為非物流相關(guān)乘客。
[0091]在步驟S14中，若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客。
[0092]在步驟S15中，判斷所有乘客是否都標(biāo)記處理完。
[0093]在步驟S16中，若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計。
[0094]在步驟S17中，將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)。[0095]在步驟S18中，根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。在本實施方式中，這種通過將乘客進(jìn)行檢測、分析、標(biāo)記、統(tǒng)計等步驟后，可以為后續(xù)對乘客的分類疏通調(diào)整管理提供參考依據(jù)。
[0096]在本實施方式中，在所述判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一的步驟S13之后，或者在所述判斷所有乘客是否都標(biāo)記處理完的步驟S15之后，所述方法還包括步驟S19即:從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0097]本發(fā)明所提供的一種基于時空特征的乘客檢測分析方法，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0098]本發(fā)明【具體實施方式】還提供一種基于時空特征的乘客檢測分析系統(tǒng)10，主要包括:
[0099]讀取模塊101，用于依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄；
[0100]計算模塊102，用于根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)；
[0101]第一判斷模塊103，用于判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一；
[0102]標(biāo)記模塊104，用于若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客；
[0103]第二判斷模塊105，用于判斷所有乘客是否都標(biāo)記處理完；
[0104]歸類統(tǒng)計模塊106，用于若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計；
[0105]發(fā)送模塊107，用于將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)；
[0106]調(diào)整模塊108，用于根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。
[0107]本發(fā)明所提供的一種基于時空特征的乘客檢測分析系統(tǒng)10，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0108]以下將對本發(fā)明所提供的一種基于時空特征的乘客檢測分析系統(tǒng)10進(jìn)行詳細(xì)說明。
[0109]請參閱圖2，所示為本發(fā)明一實施方式中基于時空特征的乘客檢測分析系統(tǒng)10的結(jié)構(gòu)示意圖。在本實施方式中，基于時空特征的乘客檢測分析系統(tǒng)10包括讀取模塊101、計算模塊102、第一判斷模塊103、標(biāo)記模塊104、第二判斷模塊105、歸類統(tǒng)計模塊106、發(fā)送模塊107以及調(diào)整模塊108。
[0110]讀取模塊101，用于依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄。
[0111]在本實施方式中，OD時間矩陣計算是判斷乘客乘車時間異常的一個關(guān)鍵判斷依據(jù)，通過將乘客的乘車時間與OD時間矩陣所對應(yīng)的乘車時間做比較，來判斷乘客乘車是否有異常。通常，OD時間矩陣可以由兩種方法得到:(I)通過地鐵的到站時間表推算，由于地鐵的特性，快捷、及時、不受天氣等外界因素的影響，所以兩站之間的乘車時間的浮動區(qū)間一般比較小，所以通過這種方法獲得的值的誤差比較小，也比較準(zhǔn)確。OD時間=推算得到的值+等車+進(jìn)出站所花費的時間。等車、進(jìn)出站所花費的時間本發(fā)明給出一個固定值，如果需要更精確，可以結(jié)合各個站的地理特征等因素；(2)通過乘客乘車的交易記錄，計算從入站到出站平均所用的時間，作為兩站之間的乘車時間。
[0112]在本實施方式中，通過地鐵營運(yùn)時間表，推算OD時間矩陣M1，這個包括需要換乘的和不需要換乘兩種情況，例如:AB=AC+CD+DA，表示乘客從A站到B站，需要先從A站到C站，再從C站換乘另一條線到D站，再從D站換乘到B站，從A到B所用的時間T (AB) =T(AC)+T (⑶)+T (DA)+3*Tfix，其中3為換乘的次數(shù)，Tfix為一個定值時間，用來表示等車時間+進(jìn)出站所花費的時間。
[0113]在本實施方式中，使用乘客的乘車記錄計算兩站之間的平均時間，得到OD平均時間矩陣M2，通過對所有進(jìn)站相同，出站相同的乘車記錄聚類，記錄次數(shù)和總時間，從而求出平均乘車時間。
[0114]在本實施方式中，通過以上兩種方法得到的矩陣Ml和M2，并將矩陣Ml和M2做比較，將OD時間存在較大誤差的OD歸為異常0D，差異較小的OD歸為非異常0D。
[0115]在本實施方式中，對異常OD簇中所有的乘車記錄做進(jìn)一步分析發(fā)現(xiàn)這些乘車記錄在時間和空間上有一個共同屬性，在時間上的異常表現(xiàn)在:在O進(jìn)站D出站的乘客中，有相當(dāng)大一部分乘客在乘車時間上存在異常，即:從O進(jìn)站從D出站所花費的時間遠(yuǎn)大于正常情況下所花費的時間。在空間上的異常表現(xiàn)在:大部分OD中O和D是同一站的，將此時空特性作為異常乘客特征分析的依據(jù)。存在此時空異常行為的乘客可能是從事物流行業(yè)相關(guān)的人員，之所以存在這種現(xiàn)象，長時間不出站的情況是因為站點出口處有同行的人接應(yīng)，即有一部分物流人員在站內(nèi)做運(yùn)輸，站點外也有一部分人負(fù)責(zé)從站內(nèi)同行那里接到的東西送到目的地，從同一站進(jìn)出和地鐵的收費標(biāo)準(zhǔn)有關(guān)。這些特征的發(fā)現(xiàn)也為后期物流行業(yè)的乘客或其他類型行業(yè)的乘客的檢測提供了依據(jù)。
[0116]在本實施方式中，利用邊緣簇特征分析算法，通過比較邊緣簇在時空特征上的相似性以及屬性之間的關(guān)聯(lián)性得到邊緣簇的時空特征，并將這些時空特征和實際物流乘客的時空特征做比較，最終進(jìn)一步證實了物流乘客的一些共性，邊緣簇特征分析算法把分析的乘客局限于時空規(guī)律的乘客中邊緣乘客來分析物流人員的特性,是為了將數(shù)據(jù)更貼近物流人員的時空特性，之所以空間規(guī)律，是因為大部分的物流公司對物流人員所服務(wù)的區(qū)域做了劃分，所以乘車的空間比較規(guī)律，由于物流工作本身的屬性，每天乘車的次數(shù)比其他職業(yè)的人員要更多，所以對時間規(guī)律峰值比較多的乘客做分析。
[0117]在本實施方式中，邊緣簇特征分析算法具體包括如下步驟:將按規(guī)律峰值時段的數(shù)量對時空規(guī)律乘客聚類，最終將時空規(guī)律乘客做聚類，并按聚類后類的大小將類劃分為邊緣類和非邊緣類；然后依次從邊緣類中取出一位乘客的乘車記錄(即經(jīng)過預(yù)處理后的結(jié)果)，計算乘客完全規(guī)律天數(shù)，OD時間異常次數(shù)，OD時間異常天數(shù)，平均乘車次數(shù)，平均每趟乘車時間，出入站點相同但乘車時間異常的次數(shù)，出入站點相同但乘車時間異常的天數(shù)；直到邊緣類中的所有乘客都處理完才進(jìn)入下一步；然后對OD時間異常次數(shù)，OD時間異常天數(shù)，平均乘車次數(shù)，平均每趟乘車時間，出入站點相同但乘車時間異常的次數(shù)，出入站點相同但乘車時間異常的天數(shù)分別做統(tǒng)計；最后根據(jù)所有處理完的結(jié)果進(jìn)行統(tǒng)計，分析屬性特征以及屬性之間的關(guān)聯(lián)性，最終得到物流乘客的特征屬性。
[0118]計算模塊102，用于根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)。[0119]在本實施方式中，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
[0120]第一判斷模塊103，用于判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一。
[0121]在本實施方式中，所述物流乘客的六個特征包括:
[0122]OD時間異常次數(shù)大于第一閾值；
[0123]OD時間異常天數(shù)大于第二閾值；
[0124]從同一站進(jìn)出的次數(shù)大于第三閾值；
[0125]從同一站進(jìn)出的天數(shù)大于第四閾值；
[0126]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值；
[0127]對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
[0128]在本實施方式中，第一判斷模塊103判斷計算的值是否滿足物流乘客的六種特征時，一般用六個個布爾值C[6]表示這六個特征，例如C[6]的值為{1，0，0，1,0, 1}，表示乘客滿足第一條和第四條和最后一條的要求，如果至少滿足一條要求，則將次乘客標(biāo)識為物流行業(yè)人員相關(guān)乘客，否則標(biāo)識為非物流相關(guān)乘客。
[0129]標(biāo)記模塊104，用于若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客。
[0130]第二判斷模塊105，用于判斷所有乘客是否都標(biāo)記處理完。
[0131]歸類統(tǒng)計模塊106，用于若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計。
[0132]發(fā)送模塊107，用于將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)。
[0133]調(diào)整模塊108，用于根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。在本實施方式中，這種通過將乘客進(jìn)行檢測、分析、標(biāo)記、統(tǒng)計等處理后，可以為后續(xù)對乘客的分類疏通調(diào)整管理提供參考依據(jù)。
[0134]在本實施方式中，讀取模塊101，還用于若不滿足物流乘客的六個特征之一，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0135]在本實施方式中，讀取模塊101，還用于若所有乘客沒有標(biāo)記處理完，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
[0136]本發(fā)明所提供的一種基于時空特征的乘客檢測分析系統(tǒng)10，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0137]在本發(fā)明實施例中，本發(fā)明提供的技術(shù)方案，通過分析交通智能卡的乘客消費數(shù)據(jù)，能實現(xiàn)對大批量的客流進(jìn)行及時、有效、快速的分流管理。
[0138]值得注意的是，上述實施例中，所包括的各個單元只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。
[0139]另外，本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述各實施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，相應(yīng)的程序可以存儲于一計算機(jī)可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如R0M/RAM、磁盤或光盤等。[0140]以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種基于時空特征的乘客檢測分析方法，其特征在于，所述方法包括: 依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄； 根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)； 判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一； 若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客； 判斷所有乘客是否都標(biāo)記處理完； 若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計； 將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)； 根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。
2.如權(quán)利要求1所述的基于時空特征的乘客檢測分析方法，其特征在于，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
3.如權(quán)利要求1所述的基于時空特征的乘客檢測分析方法，其特征在于，所述物流乘客的六個特征包括: OD時間異常次數(shù)大于第一閾值； OD時間異常天數(shù)大于第二閾值； 從同一站進(jìn)出的次數(shù)大于第三閾值； 從同一站進(jìn)出的天數(shù)大于第四閾值； 對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值； 對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
4.如權(quán)利要求1所述的基于時空特征的乘客檢測分析方法，其特征在于，在所述判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一的步驟之后，所述方法還包括: 若不滿足物流乘客的六個特征之一，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
5.如權(quán)利要求1所述的基于時空特征的乘客檢測分析方法，其特征在于，在所述判斷所有乘客是否都標(biāo)記處理完的步驟之后，所述方法還包括: 若所有乘客沒有標(biāo)記處理完，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
6.一種基于時空特征的乘客檢測分析系統(tǒng)，其特征在于，所述系統(tǒng)包括: 讀取模塊，用于依次從所有乘客的乘車記錄中讀取一位乘客的乘車記錄； 計算模塊，用于根據(jù)所述乘客的乘車記錄計算所述乘客的乘車特征組中的多個特征數(shù)據(jù)； 第一判斷模塊，用于判斷計算得到的所述乘客的乘車特征組中的多個特征數(shù)據(jù)是否滿足物流乘客的六個特征之一； 標(biāo)記模塊，用于若滿足物流乘客的六個特征之一，則標(biāo)記所述乘客為物流乘客； 第二判斷模塊，用于判斷所有乘客是否都標(biāo)記處理完；歸類統(tǒng)計模塊，用于若所有乘客都標(biāo)記處理完，則將所有標(biāo)記的乘客進(jìn)行歸類統(tǒng)計； 發(fā)送模塊，用于將歸類統(tǒng)計后的最終結(jié)果發(fā)送給車站管理系統(tǒng)； 調(diào)整模塊，用于根據(jù)所述歸類統(tǒng)計后的最終結(jié)果對當(dāng)前各個車站的乘客流進(jìn)行相應(yīng)的疏通調(diào)整管理。
7.如權(quán)利要求6所述的基于時空特征的乘客檢測分析系統(tǒng)，其特征在于，所述乘客的乘車特征組中的多個特征數(shù)據(jù)包括計算乘客完全規(guī)律天數(shù)、OD時間異常次數(shù)、OD時間異常天數(shù)、平均乘車次數(shù)、平均每趟乘車時間、出入站點相同但乘車時間異常的次數(shù)、出入站點相同但乘車時間異常的天數(shù)。
8.如權(quán)利要求6所述的基于時空特征的乘客檢測分析系統(tǒng)，其特征在于，所述物流乘客的六個特征包括: OD時間異常次數(shù)大于第一閾值； OD時間異常天數(shù)大于第二閾值； 從同一站進(jìn)出的次數(shù)大于第三閾值； 從同一站進(jìn)出的天數(shù)大于第四閾值； 對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，平均每天的乘車次數(shù)大于第五閾值； 對于時空規(guī)律乘客，在完全規(guī)律天內(nèi)，每天乘車的平均時間大于第六閾值。
9 .如權(quán)利要求6所述的基于時空特征的乘客檢測分析系統(tǒng)，其特征在于，所述讀取模塊，還用于若不滿足物流乘客的六個特征之一，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
10.如權(quán)利要求6所述的基于時空特征的乘客檢測分析系統(tǒng)，其特征在于，所述讀取模塊，還用于若所有乘客沒有標(biāo)記處理完，則從所有乘客的乘車記錄中讀取另外一位乘客的乘車記錄。
【文檔編號】G06F19/00GK103729560SQ201310750210
【公開日】2014年4月16日 申請日期:2013年12月31日 優(yōu)先權(quán)日:2013年12月31日
【發(fā)明者】趙娟娟, 張昕, 胡斌, 須成忠, 張帆 申請人:中國科學(xué)院深圳先進(jìn)技術(shù)研究院, 深圳市易行網(wǎng)交通科技有限公司, 中科文訊科技（深圳）有限公司