一种应用于智能公交线路的均衡调度方法及系统与流程

1.本发明涉及智能公交技术领域，尤其是涉及一种应用于智能公交线路的均衡调度方法及系统。


背景技术：

2.智能公交是指利用先进的信息技术和智能化设备，对公交运营进行智能化管理和服务的一种公共交通方式。智能公交可以通过实时监控、智能调度、智能导航、智能支付等技术手段，提高公交运营效率和服务质量，为乘客提供更加便捷、舒适、安全的出行体验。智能公交还可以通过数据分析和智能决策，优化公交线路规划和运营管理，怎样去优化路线和提高运营管理成为我们亟待解决的问题。


技术实现要素：

3.鉴于以上问题，本发明提供了一种应用于智能公交线路的均衡调度方法及系统，不仅通过客流量同步优化提高了智能公交的运营效率，而且提高交通效率和减少拥堵，从而缩短乘客出行时间。
4.为了实现上述目的及其他相关目的，本发明提供的技术方案如下：一种应用于智能公交线路的均衡调度方法，所述方法包括：l1.获取同一条智能公交线路的全部客流量历史数据信息，将所述全部客流量历史数据信息以预设时间为周期进行划分并编排，输出智能公交线路客流量时间序列数据信息；l2.基于所述智能公交线路客流量时间序列数据信息，根据影响客流量的原始特征数据信息进行特征数据提取，得到作用于客流量的特征集合；l3.基于所述作用于客流量的特征集合，采用gbdt算法进行特征训练，计算作用于客流量的特征重要程度并进行特征筛选，输出筛选后的客流量特征数据信息；l4.基于所述筛选后的客流量特征数据信息，采用fbprophet算法进行客流量数据信息拟合和预测，根据预测后的客流量数据信息，输出智能公交均衡调度数据信息。
5.进一步的，在步骤l1中，所述全部客流量历史数据信息以预设时间为周期进行划分并编排包括：l11.将所述全部客流量历史数据信息以记录时间为基准进行处理，输出排序好的客流量历史数据信息；l12.基于所述排序好的客流量历史数据信息，以预设时间为周期进行数据划分和编号，输出智能公交线路客流量时间序列数据信息，所述预设时间为30—50天。
6.进一步的，在步骤l3中，所述gbdt算法包括：l31.根据作用于客流量的特征集合，构建一个二类分类的训练数据集t，t={(a1,b1),(a2,b2),...,(an,bn)}，其中ai表示客流量数据信息，bi表示原始特征；l32.基于所述二类分类的训练数据集t，进行弱学习算法训练，得到最终分类器g
(x),，其中，gk(x)为第k个基本分类器，λk为第k个基本分类器对应的权重系数；l33.基于所述最终分类器g(x)，得到每个原始特征的权重，并建立特征计算函数f(x)，，其中，δ为均方差损失函数，αi为第i个原始特征的权重，δ(xi)为第i个原始特征对应的损失函数。
7.进一步的，在步骤l32中，所述弱学习算法包括：l321.初始化所述二类分类的训练数据集t的权重分布，得到基本分类器gk(x)，,其中，v为客流量数据信息，yi为原始特征；l322.基于所述基本分类器gk(x)，计算与之对应的权重系数λk，，其中θm为分类误差率；l323.基于所述基本分类器gk(x)和所述与之对应的权重系数λk，得到最终分类器g(x)。
8.进一步的，所述分类误差率θm，，其中，xi表示客流量数据信息，yi表示原始特征，i为分类误差函数，gk(x)为第k个基本分类器。
9.进一步的，所述分类误差函数为，其中n为原始特征个数。
10.进一步的，在步骤l4中，所述fbprophet算法包括：l41.将所述筛选后的客流量特征数据信息通过聚类算法进行聚类，得到客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息；l42.根据所述客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息，构建fbprophet函数y(t)，y(t)=g(t)+s(t)+h(t)+ρ(t)，其中，g(t)为趋势类矩阵，s(t)为季节类矩阵，h(t)为周期类矩阵，ρ(t)为其余类矩阵；l43.基于所述fbprophet函数y(t)，对客流量数据信息拟合和预测，并得到相对应的数据信息。
11.进一步的，所述原始特征数据信息包括天气特征、温度特征、周期特征、节假日特征、智能公交行驶线路特征和乘客上下班时间特征。
12.为了实现上述目的及其他相关目的，本发明还提供了一种应用于智能公交线路的均衡调度系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于智能公交线路的均衡调度方法的步骤。
13.本发明具有以下积极效果：1.本发明通过gbdt算法对作用于客流量的特征数据进行计算并筛选，减少过拟合和数据不准确的问题，提高客流量预测的准确性，从而提高智能公交调度的有效性。
14.2.本发明通过天气特征、温度特征、周期特征、节假日特征、智能公交行驶线路特征和乘客上下班时间特征等这些原始特征，对客流量进行数据分析，更加符合实际情况，提高智能公交的运营效率，降低了交通拥堵。
附图说明
15.图1为本发明的方法流程示意图；图2为本发明的fbprophet算法流程示意图。
具体实施方式
16.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
17.实施例1：如图1所示，一种应用于智能公交线路的均衡调度方法，所述方法包括：l1.获取同一条智能公交线路的全部客流量历史数据信息，将所述全部客流量历史数据信息以预设时间为周期进行划分并编排，输出智能公交线路客流量时间序列数据信息；l2.基于所述智能公交线路客流量时间序列数据信息，根据影响客流量的原始特征数据信息进行特征数据提取，得到作用于客流量的特征集合；l3.基于所述作用于客流量的特征集合，采用gbdt算法进行特征训练，计算作用于客流量的特征重要程度并进行特征筛选，输出筛选后的客流量特征数据信息；l4.基于所述筛选后的客流量特征数据信息，采用fbprophet算法进行客流量数据信息拟合和预测，根据预测后的客流量数据信息，输出智能公交均衡调度数据信息。
18.在本实施例中，在步骤l1中，所述全部客流量历史数据信息以预设时间为周期进行划分并编排包括：l11.将所述全部客流量历史数据信息以记录时间为基准进行处理，输出排序好的客流量历史数据信息；l12.基于所述排序好的客流量历史数据信息，以预设时间为周期进行数据划分和编号，输出智能公交线路客流量时间序列数据信息，所述预设时间为30—50天。
19.在本实施例中，在步骤l3中，所述gbdt算法包括：l31.根据作用于客流量的特征集合，构建一个二类分类的训练数据集t，
t={(a1,b1),(a2,b2),...,(an,bn)}，其中ai表示客流量数据信息，bi表示原始特征；l32.基于所述二类分类的训练数据集t，进行弱学习算法训练，得到最终分类器g(x),，其中，gk(x)为第k个基本分类器，λk为第k个基本分类器对应的权重系数；l33.基于所述最终分类器g(x)，得到每个原始特征的权重，并建立特征计算函数f(x)，，其中，δ为均方差损失函数，αi为第i个原始特征的权重，δ(xi)为第i个原始特征对应的损失函数。
20.在本实施例中，在步骤l32中，所述弱学习算法包括：l321.初始化所述二类分类的训练数据集t的权重分布，得到基本分类器gk(x)，,其中，v为客流量数据信息，yi为原始特征；l322.基于所述基本分类器gk(x)，计算与之对应的权重系数λk，，其中θm为分类误差率；l323.基于所述基本分类器gk(x)和所述与之对应的权重系数λk，得到最终分类器g(x)。
21.在本实施例中，所述分类误差率θm，，其中，xi表示客流量数据信息，yi表示原始特征，i为分类误差函数，gk(x)为第k个基本分类器。
22.在本实施例中，所述分类误差函数为，其中n为原始特征个数。
23.通过时间序列分析，可以找到基本的季节趋势，有助于解决数据集的选择问题，如果使用全部的历史数据，那么应该注意由于季节的原因，某些数据并非是同分布的，如果使用了较少的数据，又有训练数据过少的问题。并且，在时间序列分析中，除了分析基本趋势外，将天气、节假日、周末等基本信息输入之后，得到的结果有助于后续特征集构建，如果得到的结果拟合度不够好，说明在这些基本变量之外，还存在着重要变量。
24.实施例2：在实施例1的一种应用于智能公交线路的均衡调度方法的基础上，下面对本发明作进一步的说明。
25.将作用于客流量的特征集合数据输入fbprophet模型中后，通过调整参数，例如
yearly_seasonality (在实例化模型时，可以为每个内置的季节性指定傅里叶级数)、changepoint_ prior_scale (默认情况下，该参数设置为0.05。增加它将使拟合趋势更加灵活) 等，得到一个较好的拟合结果，另外设置模型预测未来7天的数据。
26.如图2所示，所述fbprophet算法包括：l41.将所述筛选后的客流量特征数据信息通过聚类算法进行聚类，得到客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息；l42.根据所述客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息，构建fbprophet函数y(t)，y(t)=g(t)+s(t)+h(t)+ρ(t)，其中，g(t)为趋势类矩阵，s(t)为季节类矩阵，h(t)为周期类矩阵，ρ(t)为其余类矩阵；l43.基于所述fbprophet函数y(t)，对客流量数据信息拟合和预测，并得到相对应的数据信息。
27.进一步的，所述原始特征数据信息包括天气特征、温度特征、周期特征、节假日特征、智能公交行驶线路特征和乘客上下班时间特征。
28.为了实现上述目的及其他相关目的，本发明还提供了一种应用于智能公交线路的均衡调度系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述应用于智能公交线路的均衡调度方法的步骤。
29.本技术所提供的实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
30.综上所述，本发明不仅通过客流量同步优化提高了智能公交的运营效率，而且提高交通效率和减少拥堵，从而缩短乘客出行时间。
31.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

技术特征：
1.一种应用于智能公交线路的均衡调度方法，其特征在于，所述方法包括：l1.获取同一条智能公交线路的全部客流量历史数据信息，将所述全部客流量历史数据信息以预设时间为周期进行划分并编排，输出智能公交线路客流量时间序列数据信息；l2.基于所述智能公交线路客流量时间序列数据信息，根据影响客流量的原始特征数据信息进行特征数据提取，得到作用于客流量的特征集合；l3.基于所述作用于客流量的特征集合，采用gbdt算法进行特征训练，计算作用于客流量的特征重要程度并进行特征筛选，输出筛选后的客流量特征数据信息；l4.基于所述筛选后的客流量特征数据信息，采用fbprophet算法进行客流量数据信息拟合和预测，根据预测后的客流量数据信息，输出智能公交均衡调度数据信息。2.根据权利要求1所述的应用于智能公交线路的均衡调度方法，其特征在于，在步骤l1中，所述全部客流量历史数据信息以预设时间为周期进行划分并编排包括：l11.将所述全部客流量历史数据信息以记录时间为基准进行处理，输出排序好的客流量历史数据信息；l12.基于所述排序好的客流量历史数据信息，以预设时间为周期进行数据划分和编号，输出智能公交线路客流量时间序列数据信息，所述预设时间为30—50天。3.根据权利要求1所述的应用于智能公交线路的均衡调度方法，其特征在于，在步骤l3中，所述gbdt算法包括：l31.根据作用于客流量的特征集合，构建一个二类分类的训练数据集t，t={(a1,b1),(a2,b2),...,(a
n
,b
n
)}，其中a
i
表示客流量数据信息，b
i
表示原始特征；l32.基于所述二类分类的训练数据集t，进行弱学习算法训练，得到最终分类器g(x),，其中，g
k
(x)为第k个基本分类器，λ
k
为第k个基本分类器对应的权重系数；l33.基于所述最终分类器g(x)，得到每个原始特征的权重，并建立特征计算函数f(x)，，其中，δ为均方差损失函数，α
i
为第i个原始特征的权重，δ(x
i
)为第i个原始特征对应的损失函数。4.根据权利要求3所述的应用于智能公交线路的均衡调度方法，其特征在于，在步骤l32中，所述弱学习算法包括：l321.初始化所述二类分类的训练数据集t的权重分布，得到基本分类器g
k
(x)，,其中，v为客流量数据信息，y
i
为原始特征；l322.基于所述基本分类器g
k
(x)，计算与之对应的权重系数λ
k
，，其中θ
m
为分类误差率；l323.基于所述基本分类器g
k
(x)和所述与之对应的权重系数λ
k
，得到最终分类器g(x)。
5.根据权利要求4所述的应用于智能公交线路的均衡调度方法，其特征在于：所述分类误差率θ
m
，，其中，x
i
表示客流量数据信息，y
i
表示原始特征，i为分类误差函数，g
k
(x)为第k个基本分类器。6.根据权利要求5所述的应用于智能公交线路的均衡调度方法，其特征在于：所述分类误差函数为，其中n为原始特征个数。7.根据权利要求1所述的应用于智能公交线路的均衡调度方法，其特征在于，在步骤l4中，所述fbprophet算法包括：l41.将所述筛选后的客流量特征数据信息通过聚类算法进行聚类，得到客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息；l42.根据所述客流量的趋势类矩阵数据信息、季节类矩阵数据信息、周期类矩阵数据信息和其余类矩阵数据信息，构建fbprophet函数y(t)，y(t)=g(t)+s(t)+h(t)+ρ(t)，其中，g(t)为趋势类矩阵，s(t)为季节类矩阵，h(t)为周期类矩阵，ρ(t)为其余类矩阵；l43.基于所述fbprophet函数y(t)，对客流量数据信息拟合和预测，并得到相对应的数据信息。8.根据权利要求1所述的应用于智能公交线路的均衡调度方法，其特征在于：所述原始特征数据信息包括天气特征、温度特征、周期特征、节假日特征、智能公交行驶线路特征和乘客上下班时间特征。9.一种应用于智能公交线路的均衡调度系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述应用于智能公交线路的均衡调度方法的步骤。

技术总结
本发明涉及一种应用于智能公交线路的均衡调度方法及系统，所述方法包括L1.获取同一条智能公交线路的全部客流量历史数据信息，将所述全部客流量历史数据信息以预设时间为周期进行划分并编排，输出智能公交线路客流量时间序列数据信息；L2.基于所述智能公交线路客流量时间序列数据信息，根据影响客流量的原始特征数据信息进行特征数据提取，得到作用于客流量的特征集合；L3.基于所述作用于客流量的特征集合，采用GBDT算法进行特征训练，计算作用于客流量的特征重要程度并进行特征筛选。本发明不仅通过客流量同步优化提高了智能公交的运营效率，而且提高交通效率和减少拥堵，从而缩短乘客出行时间。而缩短乘客出行时间。而缩短乘客出行时间。


技术研发人员：熊嘉曦 胡碟
受保护的技术使用者：武汉漫悠悠互联网科技有限公司
技术研发日：2023.06.15
技术公布日：2023/8/1