基于聚類的區(qū)域出行意愿強(qiáng)度分析方法、裝置及選址方法
【專利摘要】本發(fā)明涉及一種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，解決了現(xiàn)有技術(shù)的不足，技術(shù)方案為：數(shù)據(jù)采集步驟，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄，數(shù)據(jù)分揀步驟，對(duì)由數(shù)據(jù)采集步驟采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄，聚類分析步驟，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果，出行意愿強(qiáng)度分析步驟，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。
【專利說明】
基于聚類的區(qū)域出行意愿強(qiáng)度分析方法、裝置及選址方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及一種區(qū)域出行意愿強(qiáng)度分析方法、裝置及選址方法，特別涉及一種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法、裝置及選址方法。
【背景技術(shù)】
[0002]隨著新能源汽車行業(yè)的快速發(fā)展，充電粧數(shù)量有限的瓶頸逐漸顯現(xiàn)出來，同時(shí)由于充電粧的位置明顯不合理而導(dǎo)致其使用率偏低。為使電動(dòng)汽車充電粧得到合理利用，目前主要基于在已有充電粧的基礎(chǔ)上，采用0-1規(guī)劃及覆蓋的數(shù)學(xué)模型對(duì)充電粧的位置進(jìn)行分配，采取動(dòng)態(tài)調(diào)整與靜態(tài)增設(shè)的方法，使得目標(biāo)函數(shù)(即對(duì)規(guī)劃后的電動(dòng)汽車充電粧的利用率)最大。然而，我們并沒有更多關(guān)注充電粧建站地點(diǎn)在市民出行意愿網(wǎng)絡(luò)中的重要性，導(dǎo)致現(xiàn)有的充電粧建設(shè)利用效率低，用地較多，使用和維護(hù)的成本較高。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)選址后部分充電粧的位置明顯不合理而導(dǎo)致其使用率偏低的問題，提供了一種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法、裝置及選址方法。
[0004]本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，包括以下步驟:
[0005]數(shù)據(jù)采集步驟，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄，
[0006]數(shù)據(jù)分揀步驟，對(duì)由數(shù)據(jù)采集步驟采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄，
[0007]聚類分析步驟，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果，
[0008]出行意愿強(qiáng)度分析步驟，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。
[0009]本發(fā)明可以對(duì)某一個(gè)區(qū)域內(nèi)多種不同的交通工具進(jìn)行整體統(tǒng)計(jì)，而不是僅僅局限與某一個(gè)點(diǎn)的一種交通工具進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，根據(jù)聚類分析，可以在一定范圍內(nèi)統(tǒng)計(jì)所有種類的公共交通工具的出行記錄，對(duì)市民出行強(qiáng)度分析的實(shí)時(shí)性以及準(zhǔn)確性較高，對(duì)市民出行軌跡進(jìn)行時(shí)空分析，同時(shí)提供了市民出行意愿強(qiáng)度計(jì)算方法，最終為充電粧選址部署提供參考依據(jù)，同時(shí)也可對(duì)現(xiàn)有公共交通網(wǎng)絡(luò)進(jìn)行調(diào)整，應(yīng)用范圍廣闊，是現(xiàn)有技術(shù)的完美補(bǔ)充。
[0010]作為優(yōu)選，所述數(shù)據(jù)采集步驟中，采集的數(shù)據(jù)包括身份ID、出發(fā)地點(diǎn)經(jīng)瑋度、目的地點(diǎn)經(jīng)瑋度、出發(fā)時(shí)間和到達(dá)時(shí)間。該裝置部署在互聯(lián)網(wǎng)環(huán)境下，通過數(shù)據(jù)采集器自行爬取互聯(lián)網(wǎng)中的出行數(shù)據(jù)，并通過數(shù)據(jù)分揀器進(jìn)行數(shù)據(jù)清洗，清洗后的出行數(shù)據(jù)存入海量數(shù)據(jù)存儲(chǔ)器、基于爬蟲技術(shù)，采集公交、出租車、自行車等出行數(shù)據(jù)，支持分布式部署。
[0011 ]作為優(yōu)選，在數(shù)據(jù)分揀步驟中，將采集到的出發(fā)時(shí)間結(jié)構(gòu)化為出發(fā)時(shí)間集:stt ime[0..n-1 ],出發(fā)地點(diǎn)經(jīng)瑋度結(jié)構(gòu)化為出發(fā)地點(diǎn)集:locat1n[0..n_l ] = {(xo，yo)，(χι，yi)，…，(myn)}，!!為采集到的所有出行軌跡記錄的條數(shù)，在聚類分析步驟中，以出發(fā)地點(diǎn)為維度和出發(fā)時(shí)間為維度分別進(jìn)行聚類分析。
[0012]由于出現(xiàn)意愿不僅僅與地域相關(guān)還與節(jié)假日、休息日相關(guān)因此，在分類時(shí)不僅以出發(fā)地點(diǎn)為維度進(jìn)行聚類分析，還以出發(fā)時(shí)間為維度進(jìn)行聚類分析。
[0013]作為優(yōu)選，以出發(fā)時(shí)間為維度的聚類分析步驟，包括，
[00?4] 時(shí)間聚類步驟一，首先選取出行軌跡記錄出發(fā)時(shí)間的m個(gè)初始中心，記為a[O ]=sttime[0]，a[I] =sttime[I]，…，a[m_l] =sttime[m_l] (m<n)；
[0015]時(shí)間聚類步驟二，將sttime[0]至sttime[n_l]內(nèi)所有出發(fā)時(shí)間，分別與a[0]，a[l]至a[m-l]進(jìn)行比較，sttime[0]至sttime[n-l]內(nèi)所有出發(fā)時(shí)間對(duì)應(yīng)有一個(gè)最小差值a[i]，并標(biāo)記為i，對(duì)于所有標(biāo)記為i的點(diǎn)重新計(jì)算a[i] = {所有標(biāo)記為i的s11ime[ j]之和}/標(biāo)記為i的個(gè)數(shù)；
[0016]時(shí)間聚類步驟三，重復(fù)時(shí)間聚類步驟二，直到所有a[i]的變化小于給定的閾值，完成以出發(fā)時(shí)間為維度的聚類分析；
[0017]同時(shí)以出發(fā)地點(diǎn)為維度的聚類分析包括，
[0018]地點(diǎn)聚類步驟一，首先選取出行軌跡記錄出發(fā)地點(diǎn)的k個(gè)初始中心，分別記為b[0]=locat1n[0]，b[ I ] = locat1n[ I ]，…，b[k_l ] = locat1n[k_l ] (k<n)；
[0019]地點(diǎn)聚類步驟二，將locat1n[0]至locat1n[n_l]內(nèi)所有經(jīng)瑋度數(shù)據(jù)，分別與b
[O]，b[ I]，至，b[k_l]比較，locat1n[0]至locat1n[n_l]內(nèi)所有經(jīng)瑋度數(shù)據(jù)對(duì)應(yīng)有一個(gè)最小距離b[ i ]，并標(biāo)記為i ；對(duì)于所有標(biāo)記為i的點(diǎn)，重新計(jì)算b[ i ] = {所有標(biāo)記為i的locat1n[j]之和}/標(biāo)記為i的個(gè)數(shù)；
[0020]地點(diǎn)聚類步驟三，重復(fù)地點(diǎn)聚類步驟二，直到所有b[i]的變化小于給定的閾值，完成以出發(fā)地點(diǎn)為維度的聚類分析。
[0021]作為優(yōu)選，根據(jù)聚類分析后所得的分類結(jié)果，計(jì)算出各個(gè)目標(biāo)區(qū)域的時(shí)間權(quán)值和區(qū)域權(quán)值，時(shí)間權(quán)值=所在區(qū)域類的出行時(shí)間總和/總出行時(shí)間總和;區(qū)域權(quán)值=所在區(qū)域類的記錄數(shù)/總記錄數(shù)；目標(biāo)區(qū)域的出行意愿強(qiáng)度為目標(biāo)區(qū)域所屬的時(shí)間權(quán)值與區(qū)域權(quán)值的乘積。本發(fā)明可以對(duì)某一個(gè)區(qū)域內(nèi)多種不同的交通工具進(jìn)行整體統(tǒng)計(jì)，而不是僅僅局限與某一個(gè)點(diǎn)的一種交通工具進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，根據(jù)聚類分析，可以在一定范圍內(nèi)統(tǒng)計(jì)所有種類的公共交通工具的出行記錄，出行意愿強(qiáng)度可以明確對(duì)各個(gè)區(qū)域的出行意愿進(jìn)行排名也能夠反應(yīng)出各個(gè)區(qū)域出行情況的大致比例，對(duì)市民出行軌跡進(jìn)行時(shí)空分析，同時(shí)提供了市民出行意愿強(qiáng)度計(jì)算方法，最終為充電粧選址部署提供參考依據(jù)，同時(shí)也可對(duì)現(xiàn)有公共交通網(wǎng)絡(luò)進(jìn)行調(diào)整，應(yīng)用范圍廣闊，是現(xiàn)有技術(shù)的完美補(bǔ)充。
[0022]—種基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，其特征在于:采用如權(quán)利要求6所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，包括以下器件:
[0023]數(shù)據(jù)采集器，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄，
[0024]數(shù)據(jù)分揀器，對(duì)由數(shù)據(jù)采集器采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄，
[0025]聚類分析器，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果，
[0026]出行意愿強(qiáng)度分析器，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。
[0027]本發(fā)明可以對(duì)某一個(gè)區(qū)域內(nèi)多種不同的交通工具進(jìn)行整體統(tǒng)計(jì)，而不是僅僅局限與某一個(gè)點(diǎn)的一種交通工具進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，根據(jù)聚類分析，可以在一定范圍內(nèi)統(tǒng)計(jì)所有種類的公共交通工具的出行記錄，對(duì)市民出行強(qiáng)度分析的實(shí)時(shí)性以及準(zhǔn)確性較高，對(duì)市民出行軌跡進(jìn)行時(shí)空分析，同時(shí)提供了市民出行意愿強(qiáng)度計(jì)算方法，最終為充電粧選址部署提供參考依據(jù)，同時(shí)也可對(duì)現(xiàn)有公共交通網(wǎng)絡(luò)進(jìn)行調(diào)整，應(yīng)用范圍廣闊，是現(xiàn)有技術(shù)的完美補(bǔ)充。
[0028]—種基于聚類的區(qū)域出行意愿強(qiáng)度分析的選址方法，用于充電粧選址，采用如權(quán)利要求7所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，根據(jù)目標(biāo)區(qū)域的出行意愿強(qiáng)度進(jìn)行充電粧布置，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。本發(fā)明充電粧選址充分考慮了市民的出行意愿，建設(shè)的充電粧，有更好的利用效率，可以節(jié)約用地，降低使用和維護(hù)的成本。
[0029]作為優(yōu)選，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。本發(fā)明中至采取了機(jī)動(dòng)車的公共交通的出行軌跡記錄，以與電動(dòng)汽車相類似的機(jī)動(dòng)車作為參考，對(duì)于充電粧的選址更為精準(zhǔn)。
[0030]作為優(yōu)選，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公共自行車在內(nèi)的非機(jī)動(dòng)車公共交通的出行軌跡記錄，并以非機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的非機(jī)動(dòng)車出行意愿強(qiáng)度，目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度與非機(jī)動(dòng)車出行意愿強(qiáng)度的差值為目標(biāo)區(qū)域的目標(biāo)區(qū)域出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。本發(fā)明在選址時(shí)充分考慮非機(jī)動(dòng)車的公共出行，因?yàn)榉菣C(jī)動(dòng)車和機(jī)動(dòng)車之間的最佳適用距離是有差異的，當(dāng)非機(jī)動(dòng)車公共出行意愿較為強(qiáng)烈時(shí)，相對(duì)降低電動(dòng)汽車充電粧的建設(shè)，可以將有限的資源進(jìn)行更好的分配，可以進(jìn)一步提高每個(gè)充電粧的利用效率。
[0031]本發(fā)明的實(shí)質(zhì)性效果是:本發(fā)明可以對(duì)某一個(gè)區(qū)域內(nèi)多種不同的交通工具進(jìn)行整體統(tǒng)計(jì)，而不是僅僅局限與某一個(gè)點(diǎn)的一種交通工具進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，根據(jù)聚類分析，可以在一定范圍內(nèi)統(tǒng)計(jì)所有種類的公共交通工具的出行記錄，對(duì)市民出行強(qiáng)度分析的實(shí)時(shí)性以及準(zhǔn)確性較高，對(duì)市民出行軌跡進(jìn)行時(shí)空分析，同時(shí)提供了市民出行意愿強(qiáng)度計(jì)算方法，最終為充電粧選址部署提供參考依據(jù)，同時(shí)也可對(duì)現(xiàn)有公共交通網(wǎng)絡(luò)進(jìn)行調(diào)整，應(yīng)用范圍廣闊，是現(xiàn)有技術(shù)的完美補(bǔ)充，本發(fā)明充電粧選址充分考慮了市民的出行意愿，建設(shè)的充電粧，有更好的利用效率，可以節(jié)約用地，降低使用和維護(hù)的成本。
【附圖說明】
[0032]圖1為本發(fā)明中基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置的一種結(jié)構(gòu)示意圖。
[0033]圖中:1、數(shù)據(jù)采集器，2、數(shù)據(jù)分揀器，3、聚類分析器，4、出行意愿強(qiáng)度分析器，5、互聯(lián)網(wǎng)。
【具體實(shí)施方式】
[0034]下面通過具體實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的具體說明。
[0035]實(shí)施例:
[0036]—種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于:包括以下步驟:
[0037]數(shù)據(jù)采集步驟，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄，
[0038]數(shù)據(jù)分揀步驟，對(duì)由數(shù)據(jù)采集步驟采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄，
[0039]聚類分析步驟，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果，
[0040]出行意愿強(qiáng)度分析步驟，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。
[0041]所述數(shù)據(jù)采集步驟中，采集的數(shù)據(jù)包括身份ID、出發(fā)地點(diǎn)經(jīng)瑋度、目的地點(diǎn)經(jīng)瑋度、出發(fā)時(shí)間和到達(dá)時(shí)間。
[0042]在數(shù)據(jù)分揀步驟中，對(duì)出行軌跡記錄的出發(fā)時(shí)間轉(zhuǎn)化為十進(jìn)制，將采集到的出發(fā)時(shí)間結(jié)構(gòu)化為出發(fā)時(shí)間集:s 11 i m e [ 0..η -1 ]，出發(fā)地點(diǎn)經(jīng)瑋度結(jié)構(gòu)化為出發(fā)地點(diǎn)集:locat1n[0..η_1 ] = {(xo，yo)，(xi，yi)，...，(xn—i，yn—i)}，n為采集到的所有出行軌跡記錄的條數(shù)，
[0043]在聚類分析步驟中，以出發(fā)地點(diǎn)為維度和出發(fā)時(shí)間為維度分別進(jìn)行聚類分析。
[0044]以出發(fā)時(shí)間為維度的聚類分析步驟，包括，
[0045]時(shí)間聚類步驟一，首先選取出行軌跡記錄出發(fā)時(shí)間的m個(gè)初始中心，記為a [O]=sttime[0]，a[I] =sttime[I]，…，a[m_l] =sttime[m_l] (m<n)；
[0046]時(shí)間聚類步驟二，將sttime[0]至sttime[n-l]內(nèi)所有出發(fā)時(shí)間，分別與a[0]，a[l]至a[m-l]進(jìn)行比較，sttime[0]至sttime[n-l]內(nèi)所有出發(fā)時(shí)間對(duì)應(yīng)有一個(gè)最小差值a[i]，并標(biāo)記為i，對(duì)于所有標(biāo)記為i的點(diǎn)重新計(jì)算a[i] = {所有標(biāo)記為i的s11ime[ j]之和}/標(biāo)記為i的個(gè)數(shù)；
[0047]時(shí)間聚類步驟三，重復(fù)時(shí)間聚類步驟二，直到所有a[i]的變化小于給定的閾值，完成以出發(fā)時(shí)間為維度的聚類分析；
[0048]同時(shí)以出發(fā)地點(diǎn)為維度的聚類分析包括，
[0049]地點(diǎn)聚類步驟一，首先選取出行軌跡記錄出發(fā)地點(diǎn)的k個(gè)初始中心，分別記為b[0]=locat1n[0]，b[ I ] = locat1n[ I ]，…，b[k_l ] = locat1n[k_l ] (k<n)；
[0050]地點(diǎn)聚類步驟二，將locat1n[0]至locat1n[n_l]內(nèi)所有經(jīng)瑋度數(shù)據(jù)，分別與b
[O]，b[ I]，至，b[k_l]比較，locat1n[0]至locat1n[n_l]內(nèi)所有經(jīng)瑋度數(shù)據(jù)對(duì)應(yīng)有一個(gè)最小距離b[ i ]，并標(biāo)記為i ；對(duì)于所有標(biāo)記為i的點(diǎn)，重新計(jì)算b[ i ] = {所有標(biāo)記為i的locat1n[j]之和}/標(biāo)記為i的個(gè)數(shù)；
[0051]地點(diǎn)聚類步驟三，重復(fù)地點(diǎn)聚類步驟二，直到所有b[i]的變化小于給定的閾值，完成以出發(fā)地點(diǎn)為維度的聚類分析。
[0052]根據(jù)聚類分析后所得的分類結(jié)果，計(jì)算出各個(gè)目標(biāo)區(qū)域的時(shí)間權(quán)值和區(qū)域權(quán)值，時(shí)間權(quán)值=所在區(qū)域類的出行時(shí)間總和/總出行時(shí)間總和；區(qū)域權(quán)值=所在區(qū)域類的記錄數(shù)/總記錄數(shù)；目標(biāo)區(qū)域的出行意愿強(qiáng)度為目標(biāo)區(qū)域所屬的時(shí)間權(quán)值與區(qū)域權(quán)值的乘積。
[0053]一種基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，其特征在于:采用如上述實(shí)施例的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，包括以下器件:
[0054]數(shù)據(jù)采集器I，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄，
[0055]數(shù)據(jù)分揀器2，對(duì)由數(shù)據(jù)采集器采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄，
[0056]聚類分析器3，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果，
[0057]出行意愿強(qiáng)度分析器4，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。
[0058]一種基于聚類的區(qū)域出行意愿強(qiáng)度分析的選址方法，用于充電粧選址，采用如上述實(shí)施例的基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，根據(jù)目標(biāo)區(qū)域的出行意愿強(qiáng)度進(jìn)行充電粧布置，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。
[0059]本實(shí)施例還可以是采用動(dòng)態(tài)調(diào)整方式進(jìn)行首批次的充電粧建設(shè)，當(dāng)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于設(shè)定閾值時(shí)，建設(shè)充電粧，同時(shí)在一個(gè)周期內(nèi)繼續(xù)進(jìn)行出行意愿強(qiáng)度的分析，并根據(jù)調(diào)整后的出行意愿強(qiáng)度進(jìn)行第二批次的充電粧選址建設(shè)，重復(fù)進(jìn)行。直到交通狀態(tài)達(dá)到預(yù)定目標(biāo)或是成本達(dá)到上限為止。
[0060]本實(shí)施例可以對(duì)某一個(gè)區(qū)域內(nèi)多種不同的交通工具進(jìn)行整體統(tǒng)計(jì)，而不是僅僅局限與某一個(gè)點(diǎn)的一種交通工具進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，根據(jù)聚類分析，可以在一定范圍內(nèi)統(tǒng)計(jì)所有種類的公共交通工具的出行記錄，對(duì)市民出行強(qiáng)度分析的實(shí)時(shí)性以及準(zhǔn)確性較高，對(duì)市民出行軌跡進(jìn)行時(shí)空分析，同時(shí)提供了市民出行意愿強(qiáng)度計(jì)算方法，最終為充電粧選址部署提供參考依據(jù)，同時(shí)也可對(duì)現(xiàn)有公共交通網(wǎng)絡(luò)進(jìn)行調(diào)整，應(yīng)用范圍廣闊，是現(xiàn)有技術(shù)的完美補(bǔ)充，本發(fā)明充電粧選址充分考慮了市民的出行意愿，建設(shè)的充電粧，有更好的利用效率，可以節(jié)約用地，降低使用和維護(hù)的成本。
[0061 ] 實(shí)施例2:
[0062]本實(shí)施例與實(shí)施例1基本相同，不同之處在于，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。本實(shí)施例中，閾值可以為多重閾值，閾值與充電粧數(shù)目存在對(duì)應(yīng)關(guān)系。例如，當(dāng)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于第一設(shè)定閾值時(shí)，建設(shè)30個(gè)充電粧，目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于第二設(shè)定閾值時(shí)，建設(shè)20個(gè)充電粧。
[0063]實(shí)施例3:
[0064]本實(shí)施例與實(shí)施例1基本相同，不同之處在于，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公共自行車在內(nèi)的非機(jī)動(dòng)車公共交通的出行軌跡記錄，并以非機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的非機(jī)動(dòng)車出行意愿強(qiáng)度，目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度與非機(jī)動(dòng)車出行意愿強(qiáng)度的差值為目標(biāo)區(qū)域的目標(biāo)區(qū)域出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。若非機(jī)動(dòng)車出行意愿強(qiáng)度大于設(shè)定值，則在相應(yīng)區(qū)域增設(shè)非機(jī)動(dòng)車交通工具。非機(jī)動(dòng)車交通工具包括公共自行車和公共自行車還車點(diǎn)。
[0065]本發(fā)明在選址時(shí)充分考慮非機(jī)動(dòng)車的公共出行，因?yàn)榉菣C(jī)動(dòng)車和機(jī)動(dòng)車之間的最佳適用距離是有差異的，當(dāng)非機(jī)動(dòng)車公共出行意愿較為強(qiáng)烈時(shí)，相對(duì)降低電動(dòng)汽車充電粧的建設(shè)，可以將有限的資源進(jìn)行更好的分配，可以進(jìn)一步提高每個(gè)充電粧的利用效率。
[0066]以上所述的實(shí)施例只是本發(fā)明的一種較佳的方案，并非對(duì)本發(fā)明作任何形式上的限制，在不超出權(quán)利要求所記載的技術(shù)方案的前提下還有其它的變體及改型。
【主權(quán)項(xiàng)】
1.一種基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于:包括以下步驟: 數(shù)據(jù)采集步驟，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄， 數(shù)據(jù)分揀步驟，對(duì)由數(shù)據(jù)采集步驟采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄， 聚類分析步驟，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果， 出行意愿強(qiáng)度分析步驟，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。2.根據(jù)權(quán)利要求1所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于:所述數(shù)據(jù)采集步驟中，采集的數(shù)據(jù)包括身份ID、出發(fā)地點(diǎn)經(jīng)瑋度、目的地點(diǎn)經(jīng)瑋度、出發(fā)時(shí)間和到達(dá)時(shí)間。3.根據(jù)權(quán)利要求2所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于:在數(shù)據(jù)分揀步驟中，將采集到的出發(fā)時(shí)間結(jié)構(gòu)化為出發(fā)時(shí)間集:sttime [0..η-1 ]，出發(fā)地點(diǎn)經(jīng)瑋度結(jié)構(gòu)化為出發(fā)地點(diǎn)集:locat1n[0..n_l ] = {(xo，yo)，(xi，yi)，…，(xn—i，yn—ι)}，11為采集到的所有出行軌跡記錄的條數(shù)，在聚類分析步驟中，以出發(fā)地點(diǎn)為維度和出發(fā)時(shí)間為維度分別進(jìn)行聚類分析。4.根據(jù)權(quán)利要求3所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于: 以出發(fā)時(shí)間為維度的聚類分析步驟，包括， 時(shí)間聚類步驟一，首先選取出行軌跡記錄出發(fā)時(shí)間的m個(gè)初始中心，記為a[0] = Sttime[0]，a[I]=sttime[I]，…，a[m_l] =sttime[m_l] (m<n)； 時(shí)間聚類步驟二，將stt ime [0]至stt ime [n-1]內(nèi)所有出發(fā)時(shí)間，分別與a [0]，a[l]至a[m-1]進(jìn)行比較，sttime[0]至sttime[n-l]內(nèi)所有出發(fā)時(shí)間對(duì)應(yīng)有一個(gè)最小差值a[i]，并標(biāo)記為i，對(duì)于所有標(biāo)記為i的點(diǎn)重新計(jì)算a[i] = {所有標(biāo)記為i的sttime[ j]之和}/標(biāo)記為i的個(gè)數(shù)； 時(shí)間聚類步驟三，重復(fù)時(shí)間聚類步驟二，直到所有a[i]的變化小于給定的閾值，完成以出發(fā)時(shí)間為維度的聚類分析； 同時(shí)以出發(fā)地點(diǎn)為維度的聚類分析包括， 地點(diǎn)聚類步驟一，首先選取出行軌跡記錄出發(fā)地點(diǎn)的k個(gè)初始中心，分別記為b[0] =locat1n[0]，b[ I ] = locat1n[ I ]，…，b[k_l ] = locat1n[k_l ] (k<n)； 地點(diǎn)聚類步驟二，將locat 1n[0]至locat1n [n-1]內(nèi)所有經(jīng)瑋度數(shù)據(jù)，分別與b[0]，b[1]，至，b[k_l]比較，locat1n[0]至locat1n[n_l]內(nèi)所有經(jīng)瑋度數(shù)據(jù)對(duì)應(yīng)有一個(gè)最小距離b[i]，并標(biāo)記為i ;對(duì)于所有標(biāo)記為i的點(diǎn)，重新計(jì)算b[i] = {所有標(biāo)記為i的locat1n[ j]之和}/標(biāo)記為i的個(gè)數(shù)； 地點(diǎn)聚類步驟三，重復(fù)地點(diǎn)聚類步驟二，直到所有b[i]的變化小于給定的閾值，完成以出發(fā)地點(diǎn)為維度的聚類分析。5.根據(jù)權(quán)利要求4所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，其特征在于:根據(jù)聚類分析后所得的分類結(jié)果，計(jì)算出各個(gè)目標(biāo)區(qū)域的時(shí)間權(quán)值和區(qū)域權(quán)值，時(shí)間權(quán)值=所在區(qū)域類的出行時(shí)間總和/總出行時(shí)間總和；區(qū)域權(quán)值=所在區(qū)域類的記錄數(shù)/總記錄數(shù)；目標(biāo)區(qū)域的出行意愿強(qiáng)度為目標(biāo)區(qū)域所屬的時(shí)間權(quán)值與區(qū)域權(quán)值的乘積。6.—種基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，其特征在于:采用如權(quán)利要求5所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析方法，包括以下器件: 數(shù)據(jù)采集器，采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域的公交、出租車、自行車或其他公共交通的出行軌跡記錄， 數(shù)據(jù)分揀器，對(duì)由數(shù)據(jù)采集器采集到的出行軌跡記錄進(jìn)行數(shù)據(jù)清洗，得到以結(jié)構(gòu)化形式存儲(chǔ)的出行軌跡記錄， 聚類分析器，采用聚類算法，對(duì)結(jié)構(gòu)化存儲(chǔ)的出行軌跡記錄進(jìn)行時(shí)空網(wǎng)絡(luò)分析，得出聚類分析結(jié)果， 出行意愿強(qiáng)度分析器，根據(jù)聚類分析結(jié)果計(jì)算各個(gè)目標(biāo)區(qū)域的出行意愿強(qiáng)度。7.—種基于聚類的區(qū)域出行意愿強(qiáng)度分析的選址方法，用于充電粧選址，其特征在于:采用如權(quán)利要求6所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析裝置，根據(jù)目標(biāo)區(qū)域的出行意愿強(qiáng)度進(jìn)行充電粧布置，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。8.根據(jù)權(quán)利要求7所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析的選址方法，其特征在于:所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。9.根據(jù)權(quán)利要求7所述的基于聚類的區(qū)域出行意愿強(qiáng)度分析的選址方法，其特征在于:所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公交、出租車在內(nèi)的機(jī)動(dòng)車公共交通的出行軌跡記錄，并以機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度，所述數(shù)據(jù)采集步驟中采用爬蟲技術(shù)采集各個(gè)目標(biāo)區(qū)域包括公共自行車在內(nèi)的非機(jī)動(dòng)車公共交通的出行軌跡記錄，并以非機(jī)動(dòng)車公共交通的出行軌跡記錄作為數(shù)據(jù)來源依次執(zhí)行數(shù)據(jù)分揀步驟、聚類分析步驟，采用聚類算法和出行意愿強(qiáng)度分析步驟得出各個(gè)目標(biāo)區(qū)域的非機(jī)動(dòng)車出行意愿強(qiáng)度，目標(biāo)區(qū)域的機(jī)動(dòng)車出行意愿強(qiáng)度與非機(jī)動(dòng)車出行意愿強(qiáng)度的差值為目標(biāo)區(qū)域的目標(biāo)區(qū)域出行意愿強(qiáng)度，當(dāng)目標(biāo)區(qū)域出行意愿強(qiáng)度大于設(shè)定閾值時(shí)布置充電粧。
【文檔編號(hào)】G06Q50/26GK105868860SQ201610217598
【公開日】2016年8月17日
【申請(qǐng)日】2016年4月7日
【發(fā)明人】何若虛, 李喆煒
【申請(qǐng)人】浙江萬馬新能源有限公司