本發(fā)明涉及智能交通系統(tǒng)領(lǐng)域，特別涉及一種通勤私家車(chē)動(dòng)態(tài)拼車(chē)推薦方法。

背景技術(shù)：

隨著基于位置服務(wù)和移動(dòng)互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，拼車(chē)服務(wù)已成為緩解城市交通擁堵的共享經(jīng)濟(jì)新模式。

在拼車(chē)推薦領(lǐng)域，傳統(tǒng)算法存在兩個(gè)問(wèn)題：第一，現(xiàn)有方法大多以滿足乘客的實(shí)時(shí)拼車(chē)需求為單一目標(biāo)，即如何減少乘客的等待時(shí)間，而尚未有效解決拼車(chē)駕駛員之間因同業(yè)競(jìng)爭(zhēng)而增加私家車(chē)使用量的問(wèn)題。因此，現(xiàn)有拼車(chē)方法有可能在早晚高峰時(shí)段造成更加嚴(yán)重的道路擁堵。第二，現(xiàn)有拼車(chē)方案大多依賴于gps軌跡、手機(jī)信令等大規(guī)模人群移動(dòng)數(shù)據(jù)，軌跡豐富但語(yǔ)義信息缺失，且尚未有效考慮天氣、節(jié)假日與重大活動(dòng)、交通事故等動(dòng)態(tài)因素對(duì)拼車(chē)方案的重要影響。因而，難以為用戶提供個(gè)性化的動(dòng)態(tài)拼車(chē)方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種通勤私家車(chē)動(dòng)態(tài)拼車(chē)推薦方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

通勤私家車(chē)動(dòng)態(tài)拼車(chē)推薦方法，包括以下步驟：

s1、輸入vlpr數(shù)據(jù)集，對(duì)vlpr數(shù)據(jù)集進(jìn)行預(yù)處理，生成城市車(chē)輛軌跡數(shù)據(jù)集；

s2、基于通勤私家車(chē)出行時(shí)空規(guī)律的高度重復(fù)性，從城市車(chē)輛軌跡數(shù)據(jù)集中濾除活躍度低的非通勤車(chē)輛，對(duì)余下的車(chē)輛進(jìn)行家地址與工作地址的分析，將同時(shí)擁有家-工作地址的車(chē)輛判定為通勤私家車(chē)；

s3、結(jié)合通勤私家車(chē)的家-工作地址、通勤時(shí)間窗口和工作日動(dòng)態(tài)影響因素分別實(shí)現(xiàn)對(duì)影響通勤私家車(chē)拼車(chē)的空間特征、時(shí)間特征及動(dòng)態(tài)影響因素特征提取，所述動(dòng)態(tài)影響因素包括天氣、事故及交通流狀況；

s4、基于通勤車(chē)輛的空間特征與時(shí)間特征，匹配具有相似通勤時(shí)空規(guī)律的通勤車(chē)輛，并結(jié)合動(dòng)態(tài)影響因素對(duì)駕駛?cè)似窜?chē)意愿的影響，將這些動(dòng)態(tài)因素與用戶在時(shí)空維度的拼車(chē)需求有效結(jié)合，實(shí)現(xiàn)基于用戶意愿的動(dòng)態(tài)拼車(chē)匹配。

進(jìn)一步地，步驟s1具體包括以下步驟：

s11、提取本地私家車(chē)，通過(guò)車(chē)牌號(hào)和車(chē)牌顏色特點(diǎn)，從vlpr數(shù)據(jù)集中提取本地私家車(chē)數(shù)據(jù)；

s12、字段提煉，從本地私家車(chē)數(shù)據(jù)中提取所需的字段，生成過(guò)車(chē)記錄數(shù)據(jù)；

s13、冗余過(guò)車(chē)記錄清洗，刪除過(guò)車(chē)記錄數(shù)據(jù)中的重復(fù)過(guò)車(chē)記錄及錯(cuò)誤記錄數(shù)據(jù)；

s14、生成車(chē)輛軌跡數(shù)據(jù)集，對(duì)清洗后的過(guò)車(chē)記錄，按照車(chē)牌號(hào)分類，相同車(chē)牌號(hào)記錄按過(guò)車(chē)時(shí)間排序，然后將相同車(chē)牌過(guò)車(chē)記錄按時(shí)間順序首位相連，形成車(chē)輛軌跡數(shù)據(jù)。

進(jìn)一步地步驟s12中所需的字段包括vlpr編號(hào)、vlpr類型、vlpr方向、車(chē)牌號(hào)、車(chē)牌顏色、車(chē)道號(hào)及過(guò)車(chē)時(shí)間。

進(jìn)一步地，步驟s2具體包括以下步驟：

s21、低活躍度車(chē)輛過(guò)濾，基于通勤私家車(chē)出行規(guī)律的周期性及重復(fù)性，定義月工作日中活躍天數(shù)少于15天的私家車(chē)為活躍度過(guò)低車(chē)輛，判定活躍度過(guò)低車(chē)輛為非通勤車(chē)輛并予以排除；

s22、確定潛在通勤私家車(chē)輛的潛在家地址和潛在工作地址，為確定車(chē)輛潛在″家地址″，分析每天下班至次日上班的時(shí)間區(qū)間內(nèi)的車(chē)輛軌跡，l1，l2，...，ln為軌跡vlpr設(shè)備地址序列，t1，t2，...，tn-1為車(chē)輛經(jīng)過(guò)每連續(xù)兩個(gè)vlpr設(shè)備的時(shí)間間隔序列，tm＝max(ti)，i＝1，2，...，n-1，當(dāng)tm大于設(shè)定閾值即判定lm+1為其潛在家地址；為確定車(chē)輛潛在″工作地址″，分析每天上班至下班的時(shí)間區(qū)間內(nèi)的車(chē)輛軌跡，l1，l2，...，ln為軌跡vlpr設(shè)備地址序列，t1，t2，...，tn-1為車(chē)輛經(jīng)過(guò)每連續(xù)兩個(gè)vlpr設(shè)備的時(shí)間間隔序列，當(dāng)tm大于設(shè)定閾值即判定lm為該車(chē)輛潛在″工作地址″；

s23、確定車(chē)輛家地址和工作地址，對(duì)于每輛潛在通勤私家車(chē)的潛在家地址，計(jì)算每個(gè)潛在家地址的頻率freq(phi)，標(biāo)記頻率最高且頻率大于0.8的潛在家地址為家地址，對(duì)于潛在工作地址，計(jì)算其從已確定的家地址出發(fā)的頻率freq(pwi)，同時(shí)計(jì)算其距離家地址的距離dist(pwi)，確定擁有最大值max(freq(pwi)×dist(pwi))的潛在工作地址為真正的工作地址；

s24、確定通勤私家車(chē)，判定同時(shí)擁有擁有家-工作地址的私家車(chē)為通勤私家車(chē)。

進(jìn)一步地，步驟s3具體包括以下步驟：

s31、空間特征提取，將每輛通勤私家車(chē)的家地址和工作地址的經(jīng)緯度作為通勤私家車(chē)空間特征；

s32、時(shí)間特征提取，將多個(gè)工作日作為觀測(cè)時(shí)間范圍，將每個(gè)工作日出發(fā)時(shí)間和到達(dá)時(shí)間分別作為一維特征，為了將時(shí)間量化，將出發(fā)時(shí)間轉(zhuǎn)換為其距離當(dāng)天00:00的小時(shí)數(shù)，將到達(dá)時(shí)間轉(zhuǎn)換為其距離06:00的小時(shí)數(shù)，若當(dāng)天早高峰該車(chē)輛無(wú)通勤軌跡，則出發(fā)時(shí)間與到達(dá)時(shí)間用0代替；

s33、動(dòng)態(tài)影響因素特征提取，考慮到交通流、交通事故和天氣情況等動(dòng)態(tài)影響因素對(duì)拼車(chē)推薦的影響，分別提取每個(gè)工作日早高峰的動(dòng)態(tài)影響因素特征，對(duì)于交通流，將是否周一作為一維特征，是為1，否則為0；對(duì)于交通事故，將當(dāng)天早高峰廈門(mén)市發(fā)生的交通事故總數(shù)作為事故特征；對(duì)于天氣，分別考慮當(dāng)天早高峰的能見(jiàn)度和降雨量作為兩維天氣特征。

進(jìn)一步地，步驟s31中，考慮拼車(chē)時(shí)相近起點(diǎn)及終點(diǎn)的重要性，防止其它特征在聚類算法中產(chǎn)生過(guò)多的干擾，將經(jīng)度轉(zhuǎn)換為其與所有vlpr設(shè)備最小經(jīng)度的差值，將緯度轉(zhuǎn)換為其與所有vlpr設(shè)備最小緯度的差值，將轉(zhuǎn)換后的經(jīng)緯度同時(shí)乘以1000，以加大空間特征的權(quán)重。

進(jìn)一步地，步驟s4具體包括以下步驟：

s41、將每輛通勤私家車(chē)的空間特征和時(shí)間特征為描述通勤私家車(chē)通勤規(guī)律的時(shí)空特征向量，運(yùn)用k-means算法對(duì)通勤私家車(chē)進(jìn)行粗粒度聚類，使具有相似通勤規(guī)律的通勤車(chē)輛聚為一類。

s42、根據(jù)動(dòng)態(tài)影響因素來(lái)確定駕駛?cè)讼虺丝吞峁┢窜?chē)服務(wù)的意愿因子if，具體為，

if＝ω1×ismonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，ismonday表示是否周一，是為1，否為0；visibility表示早高峰能見(jiàn)度；rainfall表示早高峰降雨量；accident表示早高峰交通事故總數(shù)；ω1，ω2，ω3，與ω4分別代表四個(gè)因素對(duì)通勤私家車(chē)出行規(guī)律的影響程度，其中能見(jiàn)度visibili與影響因子呈負(fù)相關(guān)，故系數(shù)為負(fù)；

s43、在不同的意愿因子作用下，結(jié)合不同的共享座位數(shù)seats∈[1，4]，運(yùn)用遞歸agnes算法，生成不同共享座位數(shù)下的通勤私家車(chē)拼車(chē)組合。

進(jìn)一步地，步驟s43中為求得不同動(dòng)態(tài)影響因素下最佳共享座位數(shù)，首先定義一個(gè)能量函數(shù)e，其公式如下，

e(if，seats)＝d(if，seats)+αs(if，seats)

式中，if為意愿因子，seats為愿意共享座位數(shù)量，數(shù)據(jù)項(xiàng)d(if，seats)為拼車(chē)后減少車(chē)輛數(shù)，平滑項(xiàng)s(if，seats)為拼車(chē)準(zhǔn)確度與乘客平均等待時(shí)間對(duì)最終拼車(chē)效果的影響，α為平衡因子，α∈[0，1]；

數(shù)據(jù)項(xiàng)d(if，seats)和平滑項(xiàng)s(if，seats)的計(jì)算公式如下，

d(if，seats)＝n-m(if，seats)；

式中，n為總車(chē)輛數(shù)，m(if，seats)為車(chē)輛組合個(gè)數(shù)，wt(if，seats)為乘客平均等待時(shí)間，ra(if，seats)為平均拼車(chē)準(zhǔn)確度，與β為可調(diào)參數(shù)，用來(lái)決定拼車(chē)準(zhǔn)確度與乘客等待時(shí)間影響拼車(chē)效果的權(quán)重；

對(duì)每一個(gè)意愿因子if，取seats為使得能量函數(shù)e(if，seats)為最大值的共享座位數(shù)，則有，

seats＝argmaxe(if，seats)，seats∈[1，4]。

采用上述技術(shù)方案后，本發(fā)明與背景技術(shù)相比，具有如下優(yōu)點(diǎn)：一方面提高乘客的拼車(chē)滿意度，即減少乘客等待時(shí)間和保證拼車(chē)準(zhǔn)確度，另一方面，保證拼車(chē)服務(wù)的綜合社會(huì)效益，即在早晚高峰時(shí)段明顯減少拼車(chē)車(chē)輛數(shù)。

附圖說(shuō)明

圖1為本發(fā)明流程圖；

圖2為vlpr數(shù)據(jù)集，其中圖2(a)是廈門(mén)市vlpr設(shè)備分布情況，圖2(b)是廈門(mén)市vlpr設(shè)備信息示例圖，圖2(c)是vlpr過(guò)車(chē)記錄示例圖，圖2(d)是vlpr設(shè)備保存字段示例圖；

圖3為廈門(mén)市歷史天氣和事故數(shù)據(jù)示例圖，其中圖3(a)是廈門(mén)市2016年5月1日至5月4日天氣情況示例圖，圖3(b)是廈門(mén)市2016年部分交通事故數(shù)據(jù)示例圖；

圖4為原始vlpr數(shù)據(jù)集經(jīng)過(guò)預(yù)處理生成車(chē)輛軌跡示例圖；

圖5為部分通勤車(chē)輛“家地址”和“工作地址”示例圖；

圖6為部分通勤私家車(chē)關(guān)鍵特征示例圖；

圖7為對(duì)部分通勤私家車(chē)進(jìn)行粗粒度聚類示例圖；

圖8為對(duì)某個(gè)粗粒度通勤私家車(chē)聚類，按不同天進(jìn)行動(dòng)態(tài)細(xì)聚類實(shí)例圖；

圖9為通勤私家車(chē)動(dòng)態(tài)拼車(chē)推薦方法實(shí)驗(yàn)結(jié)果分析圖，其中圖9(a)是各工作日平均等待時(shí)間分布圖，圖9(b)是各工作日拼車(chē)準(zhǔn)確度分布圖，圖9(c)是各工作日減少車(chē)輛數(shù)分布圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

實(shí)施例

如圖1所示的是本發(fā)明的流程圖，主要包括以下四個(gè)步驟：

s1、輸入車(chē)牌自動(dòng)識(shí)別(vehiclelicenseplaterecognition，簡(jiǎn)稱vlpr)數(shù)據(jù)集，對(duì)vlpr數(shù)據(jù)進(jìn)行預(yù)處理，生成城市車(chē)輛軌跡數(shù)據(jù)集；

s2、基于通勤私家車(chē)出行時(shí)空規(guī)律的高度重復(fù)性，從城市車(chē)輛軌跡數(shù)據(jù)集中濾除明顯的非通勤車(chē)輛，對(duì)余下的車(chē)輛進(jìn)行家地址與工作地址的分析，將同時(shí)擁有家-工作地址的車(chē)輛判定為通勤私家車(chē)；

s3、結(jié)合通勤私家車(chē)的家-工作地址、通勤時(shí)間窗口和工作日動(dòng)態(tài)影響因素分別實(shí)現(xiàn)對(duì)影響通勤私家車(chē)拼車(chē)的空間特征、時(shí)間特征及動(dòng)態(tài)影響因素特征提取，所述動(dòng)態(tài)影響因素包括天氣、事故及交通流狀況；

s4、基于通勤車(chē)輛的空間特征與時(shí)間特征，匹配具有相似通勤時(shí)空規(guī)律的通勤車(chē)輛，并結(jié)合動(dòng)態(tài)影響因素對(duì)駕駛?cè)似窜?chē)意愿的影響，將這些動(dòng)態(tài)因素與用戶在時(shí)空維度的拼車(chē)需求有效結(jié)合，實(shí)現(xiàn)基于用戶意愿的動(dòng)態(tài)拼車(chē)匹配。

其中，步驟s1具體包括以下步驟：

s11、提取本地私家車(chē)。通過(guò)車(chē)牌號(hào)和車(chē)牌顏色特點(diǎn)，從所有vlpr記錄數(shù)據(jù)中提取我們需要車(chē)輛類型，即本地私家車(chē)；

s12、字段提煉。原始vlpr記錄包含22個(gè)字段，提煉該方法所需的7個(gè)字段，包括，vlpr編號(hào)、vlpr類型、vlpr方向、車(chē)牌號(hào)、車(chē)牌顏色、車(chē)道號(hào)、過(guò)車(chē)時(shí)間；

s13、冗余過(guò)車(chē)記錄清洗。由于車(chē)牌自動(dòng)識(shí)別設(shè)備的缺陷，vlpr設(shè)備存在重復(fù)記錄車(chē)牌信息的情況，以第一次拍攝的過(guò)車(chē)信息為準(zhǔn)，刪除重復(fù)記錄。此外，錯(cuò)誤記錄數(shù)據(jù)也會(huì)被清理；

s14、生成車(chē)輛軌跡數(shù)據(jù)集。對(duì)清洗后的過(guò)車(chē)記錄，按照車(chē)牌號(hào)分類，相同車(chē)牌號(hào)記錄按過(guò)車(chē)時(shí)間排序，然后將相同車(chē)牌過(guò)車(chē)記錄按時(shí)間順序首位相連，形成車(chē)輛軌跡數(shù)據(jù)。

圖2為vlpr數(shù)據(jù)集示例圖，其中圖2a是廈門(mén)市vlpr設(shè)備分布情況，圖2b是廈門(mén)市vlpr設(shè)備信息示例圖，圖2c是vlpr過(guò)車(chē)記錄示例圖，圖2d是vlpr設(shè)備保存字段示例圖；圖4為原始vlpr數(shù)據(jù)集經(jīng)過(guò)預(yù)處理生成車(chē)輛軌跡示例圖。

在步驟s1獲得車(chē)輛軌跡數(shù)據(jù)集的基礎(chǔ)上，進(jìn)行步驟s2，以識(shí)別城市通勤私家車(chē)，其中包括：

s21、低活躍度車(chē)輛過(guò)濾?？紤]到通勤私家車(chē)出行規(guī)律的周期性及重復(fù)性，活躍度過(guò)低的車(chē)輛可以被排除，因此過(guò)濾低活躍度(即一個(gè)月20個(gè)工作日活躍天數(shù)少于15天)的私家車(chē)，以排除明顯的非通勤車(chē)輛。

s22、確定潛在家地址和工作地址。為了確定車(chē)輛潛在家地址，分析每天晚上(下午6點(diǎn)至次日早上9點(diǎn)時(shí)間區(qū)間)車(chē)輛軌跡，l1，l2，...，ln為軌跡vlpr設(shè)備地址序列，t1，t2，...，tn-1為車(chē)輛經(jīng)過(guò)每連續(xù)兩個(gè)vlpr設(shè)備的時(shí)間間隔序列，tm＝max(ti)，i＝1，2，...，n-1，當(dāng)tm＞6h，則認(rèn)為lm+1為其潛在家地址；對(duì)于車(chē)輛潛在工作地址，分析每天白天(早上6點(diǎn)至下午9點(diǎn)時(shí)間區(qū)間)車(chē)輛軌跡，l1，l2，...，ln為軌跡vlpr設(shè)備地址序列，t1，t2，...，tn-1為車(chē)輛經(jīng)過(guò)每連續(xù)兩個(gè)vlpr設(shè)備的時(shí)間間隔序列，鑒于一部分通勤車(chē)輛在中午會(huì)發(fā)生workbreak(比如外出就餐、中途回家等)，若tm＞2h，且lm過(guò)車(chē)記錄時(shí)刻早于上午11點(diǎn)，我們認(rèn)為lm為該車(chē)輛潛在工作地址。

s23、確定家地址和工作地址。對(duì)于每輛潛在通勤私家車(chē)的潛在家地址，計(jì)算每個(gè)潛在家地址的頻率freq(phi)，標(biāo)記頻率最高且頻率大于0.8的潛在家地址為家地址。對(duì)于潛在“工作地址”，計(jì)算其從以確定的家地址出發(fā)的頻率freq(pwi)，同時(shí)計(jì)算其距離家地址的距離dist(pwi)，即自家地址至潛在工作地址軌跡間vlpr設(shè)備數(shù)量，最后，確定擁有最大值max(freq(pwi)×dist(pwi))的潛在工作地址為真正的工作地址。

s24、確定通勤私家車(chē)。通勤私家車(chē)即同時(shí)擁有″家-工作地址″對(duì)的私家車(chē)，自家地址至工作地址間的軌跡即為通勤軌跡。

圖5為部分通勤車(chē)輛家地址和工作地址示例圖。

在步驟s2獲得通勤私家車(chē)的基礎(chǔ)上，進(jìn)行步驟s3，以實(shí)現(xiàn)對(duì)影響通勤私家車(chē)拼車(chē)的關(guān)鍵特征提取，具體包括以下步驟：

s31、空間特征提取。將每輛通勤私家車(chē)的″家地址″和″工作地址″經(jīng)緯度，作為通勤私家車(chē)空間特征，考慮到拼車(chē)時(shí)相近起終點(diǎn)的重要性，防止其它特征在聚類算法中產(chǎn)生過(guò)多的干擾，本方法加大空間特征的權(quán)重：將經(jīng)度轉(zhuǎn)換為其與所有vlpr設(shè)備最小經(jīng)度的差值，將緯度轉(zhuǎn)換為其與所有vlpr設(shè)備最小緯度的差值，將轉(zhuǎn)換后的經(jīng)緯度同時(shí)乘以1000，以加大權(quán)重。

s32、時(shí)間特征提取。為了全面反映通勤私家車(chē)的通勤規(guī)律，將多個(gè)工作日作為觀測(cè)時(shí)間范圍，將每個(gè)工作日出發(fā)時(shí)間和到達(dá)時(shí)間分別作為一維特征，為了將時(shí)間量化，本方法將出發(fā)時(shí)間轉(zhuǎn)換為其距離當(dāng)天00:00的小時(shí)數(shù)，將到達(dá)時(shí)間轉(zhuǎn)換為其距離06:00的小時(shí)數(shù)，若當(dāng)天早高峰該車(chē)輛無(wú)通勤軌跡，則出發(fā)時(shí)間與到達(dá)時(shí)間用0代替。

s33、動(dòng)態(tài)影響因素特征提取?？紤]到交通流、交通事故和天氣情況等動(dòng)態(tài)影響因素對(duì)拼車(chē)推薦的影響，本方法分別提取每個(gè)工作日早高峰的動(dòng)態(tài)影響因素特征。對(duì)于交通流，由于周一對(duì)交通影響較大，因此將是否周一作為一維特征，是為1，否則為0；對(duì)于交通事故，將當(dāng)天早高峰(7:00至9:00)廈門(mén)市發(fā)生的交通事故總數(shù)作為事故特征；對(duì)于天氣，分別考慮當(dāng)天早高峰的能見(jiàn)度和降雨量作為兩維天氣特征。

圖6為部分通勤私家車(chē)關(guān)鍵特征示例圖。

在步驟s3提取了通勤私家車(chē)關(guān)鍵特征的基礎(chǔ)上，進(jìn)行步驟s4，以實(shí)現(xiàn)基于用戶意愿的動(dòng)態(tài)拼車(chē)匹配，具體包括以下步驟：

s41、將每輛通勤私家車(chē)的空間特征和時(shí)間特征為描述通勤私家車(chē)通勤規(guī)律的時(shí)空特征向量(若觀察時(shí)間范圍為d個(gè)工作日，時(shí)空特征共(4+2d)維)，運(yùn)用k-means算法對(duì)通勤私家車(chē)進(jìn)行粗粒度聚類，使具有相似通勤規(guī)律的通勤車(chē)輛聚為一類。

s42、對(duì)于通勤私家車(chē)而言，不同的動(dòng)態(tài)影響因素(天氣、交通流量、交通事故等)條件下，駕駛?cè)?drivers)向乘客(riders)提供拼車(chē)服務(wù)的意愿(愿意共享座位數(shù)量)大小不同，最終產(chǎn)生的拼車(chē)組合也不同。首先，我們需要定義駕駛?cè)颂峁┢窜?chē)服務(wù)的意愿因子，并根據(jù)動(dòng)態(tài)影響因素來(lái)確定意愿因子if，公式如下：

if＝ω1×ismonday+ω2×(-visibility)+ω3×rainfall+ω4×accident其中，ismonday表示是否周一，是為1，否為0；visibility表示早高峰能見(jiàn)度；rainfall表示早高峰降雨量；accident表示早高峰交通事故總數(shù)。ω1，ω2，ω3，與ω4分別代表四個(gè)因素對(duì)通勤私家車(chē)出行規(guī)律的影響程度，其中能見(jiàn)度visibility與影響因子呈負(fù)相關(guān)，故系數(shù)為負(fù)。

s43、在不同的意愿因子作用下，結(jié)合不同的共享座位數(shù)seats∈[1，4]，運(yùn)用遞歸agnes算法，生成不同共享座位數(shù)下的通勤私家車(chē)拼車(chē)組合。

步驟s43中為求得不同動(dòng)態(tài)影響因素下最佳共享座位數(shù)，首先定義一個(gè)能量函數(shù)e，其公式如下，

e(if，seats)＝d(if，seats)+αs(if，seats)

式中，if為意愿因子，seats為愿意共享座位數(shù)量，數(shù)據(jù)項(xiàng)d(if，seats)為拼車(chē)后減少車(chē)輛數(shù)，平滑項(xiàng)s(if，seats)為拼車(chē)準(zhǔn)確度與乘客平均等待時(shí)間對(duì)最終拼車(chē)效果的影響，α為平衡因子，α∈[0，1]；

數(shù)據(jù)項(xiàng)d(if，seats)和平滑項(xiàng)s(if，seats)的計(jì)算公式如下，

d(if，seats)＝n-m(if，seats)；

式中，n為總車(chē)輛數(shù)，m(if，seats)為車(chē)輛組合個(gè)數(shù)，wt(if，seats)為乘客平均等待時(shí)間，ra(if，seats)為平均拼車(chē)準(zhǔn)確度，與β為可調(diào)參數(shù)，用來(lái)決定拼車(chē)準(zhǔn)確度與乘客等待時(shí)間影響拼車(chē)效果的權(quán)重；拼車(chē)目標(biāo)是保證d(if，seats)與ra(if，seats)盡量大，wt(if，seats)盡量小，故使wt(if，seats)系數(shù)為負(fù)。

對(duì)每一個(gè)意愿因子if，取seats為使得能量函數(shù)e(if，seats)為最大值的共享座位數(shù)，則有，

seats＝argmaxe(if，seats)，seats∈[1，4]。

圖3為廈門(mén)市歷史天氣和事故數(shù)據(jù)示例圖，其中圖3a是廈門(mén)市2016年5月1日至5月4日天氣情況示例圖，圖3b是廈門(mén)市2016年部分交通事故數(shù)據(jù)示例圖。

圖7為對(duì)部分通勤私家車(chē)進(jìn)行粗粒度聚類示例圖。

圖8為對(duì)某個(gè)粗粒度通勤私家車(chē)聚類，按不同天進(jìn)行動(dòng)態(tài)細(xì)聚類實(shí)例圖。

圖9為通勤私家車(chē)動(dòng)態(tài)拼車(chē)推薦方法實(shí)驗(yàn)結(jié)果分析圖，其中圖9a是各工作日平均等待時(shí)間分布圖，日均等待時(shí)間為7.45分鐘，圖9b是各工作日拼車(chē)準(zhǔn)確度分布圖，日均拼車(chē)準(zhǔn)確度為83％，圖9c是各工作日減少車(chē)輛數(shù)分布圖，日均減少5478輛，約占通勤私家車(chē)總量的30％。

從上述圖中可以看出，使用本發(fā)明提出的拼車(chē)推薦方法后，性能表現(xiàn)得到了顯著的提升：一方面保證了用戶的拼車(chē)滿意度(較小的等待時(shí)間和較高的拼車(chē)準(zhǔn)確度)，另一方面顯著減少了早晚高峰時(shí)段的通勤私家車(chē)使用數(shù)量。

以上，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求的保護(hù)范圍為準(zhǔn)。