申请/专利权人：江苏智通交通科技有限公司

申请日：2018-08-31

公开（公告）日：2021-09-17

公开（公告）号：CN109308546B

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q50/26(20120101);G08G1/01(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.09.17#授权;2019.03.05#实质审查的生效;2019.02.05#公开

摘要：本发明提供一种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、智能化的公交出行服务。该种乘客公交出行下车站点预测方法及系统，能够为乘客提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户体验。

主权项：1.一种乘客公交出行下车站点预测方法，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，其特征在于：包括以下步骤，S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻；S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算出行行为指标；步骤S2中，出行行为指标包括乘客公交出行线路重复系数R、乘客公交出行频次N、乘客每日首次公交出行的起始站点位置差异系数SF和乘客每日末次公交出行的终点站点位置差异系数SL，乘客公交出行线路重复系数R，其计算公式为R＝CLN，其中C为选定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行中选择的公交线路数量；乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数；乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TFNF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站点数；乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为SL＝TLNL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点数；S3、基于步骤S2所得的出行行为指标，采用高斯混合模型划分高强度群体及一般出行群体，进一步分析刷卡乘客出行特征；步骤S3具体为，S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及聚类所采用的协方差模式；其中BIC＝Klnn-2lnL，K为聚类数目，n为样本数量，L为似然函数；S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类处理；S33、根据步骤S32的聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行群体；否则为一般出行群体；S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一；S4、根据步骤S3得出的乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据统计进行预测下车站点。

全文数据：乘客公交出行下车站点预测方法及系统技术领域本发明涉及一种乘客公交出行下车站点预测方法及系统。背景技术地面公交在我国大部分城市的分担率平均不足20％，基础设施不足、线网布局不够合理、运营管理智能化水平有限等因素都直接影响了公交运营服务水平，但究其根本，客流信息基础薄弱是主要原因之一。目前在乘客下车行为分析方面，主要以站点为分析单位，对站点下车客流量或站点间的出行OD进行估计。由此获得的指标结果能够满足管理方的宏观监管与规划需求，却难以应用到出行者的信息服务中。就出行者而言，定制化且有针对性的信息是提升其服务体验的关键。如何对个体的公交出行行为进行智能化地分析与描述，是当前优化公交服务质量的重难点。目前的公交服务系统APP可进行站点查询时需要乘客自行输入站点或线路名称，或需手动设置常用站点，或直接通过定位查询附近站点。若能够智能化地预测乘客的下车站点并进行自动地信息推送，则能显著提升用户体验，提高公交信息服务质量。通过AFC刷卡数据与车载GPS定位数据或公交行程单的时间匹配是当前公交上下车站点识别的主要手段；在缺少刷卡数据时，专利CN201611002208.2《基于IC卡的公交车辆当日下车站点识别方法与系统》通过换乘分析进行下车站点识别，CN201610229224.9《一种基于智能公交系统数据的公交乘客OD推算方法》通过相邻刷卡记录间的关联性进行站点估计。但此类方法都是对已结束的公交出行行程进行的数据分析，下车站点的估计依赖于后续的公交出行行为，无法满足即时预测的应用需求。针对这一缺陷，本发明提出了一种公交下车站点预测方法和系统，在行程开始前或行程中即可完成对下车站点的估计、预测，从而为乘客提供更为智能化且有针对性的公交信息服务。发明内容本发明的目的是提供一种乘客公交出行下车站点预测方法及系统解决现有技术中存在的均是对已结束的公交出行行程进行的数据分析，下车站点的估计依赖于后续的公交出行行为，无法满足即时预测的应用需求的问题。本发明的技术解决方案是：一种乘客公交出行下车站点预测方法，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，包括以下步骤，S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻；S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算出行行为指标；S3、基于步骤S2所得的出行行为指标，采用高斯混合模型划分高强度群体及一般出行群体，进一步分析刷卡乘客出行特征；S4、根据步骤S3得出的乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据统计进行预测下车站点。进一步地，步骤S2中，出行行为指标包括乘客公交出行线路重复系数R、乘客公交出行频次N、乘客每日首次公交出行的起始站点位置差异系数SF和乘客每日末次公交出行的终点站点位置差异系数SL，乘客公交出行线路重复系数R，其计算公式为R＝CLN，其中C为选定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行中选择的公交线路数量；乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数；乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TFNF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站点数；乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为SL＝TLNL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点数。进一步地，步骤S3中，历史公交上下车刷卡记录的时间范围不低于1个月。进一步地，步骤S3具体为，S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及聚类所采用的协方差模式；其中BIC＝Klnn-2lnL，K为聚类数目，n为样本数量，L为似然函数；S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类处理；S33、根据步骤S32的聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行群体；否则为一般出行群体；S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一。进一步地，步骤S4中，高强度出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点bk下车的概率为：其中，X＝Ti,a表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车的先验概率pB＝bj＝βjM，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；pX|B＝bj＝pTi，a|B＝bj＝pTi|B＝bjpa|B＝bj，其中pTi|B＝bj为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概率，依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数；pa|B＝bj为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。进一步地，步骤S4中，一般出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β，将β最大的站点作为该乘客在时刻t上车后的预测下车站点。一种乘客公交出行下车站点预测系统，公交乘客提供依托于智能移动设备的应用功能，自动实时定位，预测乘客的公交出行上、下车站点以及公交行程时间，包括定位模块、地图模块、特征分析模块、站点预测模块和出行预测模块；定位模块：根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐标，识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，获取公交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的到站时间；地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客的地图定位；特征分析模块：根据输入的公交卡号，从数据库中提取该卡号的历史公交上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型；站点预测模块：根据上车站点以及特征分析模块输出的乘客出行类型，采用上述任一项所述乘客公交出行下车站点预测方法预测乘客下车站点bp；出行预测模块：获取站点预测模块输出的上车站点a与下车站点bp，并从定位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点bp的公交出行时间。进一步地，特征分析模块中，公交卡号输入方式包括乘客自行输入、AFC刷卡系统对接。进一步地，特征分析模块中，上车站点a的确定方式为：若乘客向系统输入了明确的站点名称，则根据输入数据确定上车站点；若系统接收到公交AFC刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取上车站点；若乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据，则从地图模块获取预测的上车站点。本发明的有益效果是：一、该种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、智能化的公交出行服务。二、本发明基于AFC历史数据计算公交乘客出行行为指标，采用高斯混合模型分析群体出行特征。对于高出行强度乘客，采用贝叶斯估计模型对其下车站点进行预测。本发明的乘客公交出行预测系统能够根据估计或预测的上车站点信息进行智能化的下车站点以及行程时间预测。三、在公交服务中，该种乘客公交出行下车站点预测方法及系统，能够为乘客提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户体验。附图说明图1是本发明实施例乘客公交出行下车站点预测方法的流程示意图。图2是实施例中聚类模型BIC结果示意图。具体实施方式下面结合附图详细说明本发明的优选实施例。实施例一种乘客公交出行下车站点预测方法，如图1，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，具体步骤为：S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻。S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算出行行为指标；其中历史公交上下车刷卡记录的时间范围不低于1个月；出行行为指标包括：1乘客公交出行线路重复系数R，其计算公式为R＝CLN，其中C为选定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行中选择的公交线路数量。2乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数。3乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TFNF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站点数。4乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为SL＝TLNL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点数。S3、基于出行行为指标，采用高斯混合模型划分高强度群体及一般出行群体，进一步分析刷卡乘客出行特征；具体步骤为：S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及聚类所采用的协方差模式；其中BIC＝Klnn-2lnL，K为聚类数目，n为样本数量，L为似然函数。实施例中选用了四种备选协方差模式，分别为：1每种聚类类别采用各自的协方差矩阵；2所有聚类类别均采用统一的协方差矩阵；3每种聚类类别采用各自的对角协方差矩阵；4每种聚类类别采用各自的常数值协方差；BIC结果如图2所示；根据BIC值选择的聚类数为5，协方差模式为1。S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类处理。S33、根据聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行群体；否则为一般出行群体。S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一。S4、根据乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据统计对其下车站点进行预测。步骤S4中，高强度出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点bk下车的概率为：其中，X＝Ti,a表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车的先验概率pB＝bj＝βjM，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；pX|B＝bj＝pTi，a|B＝bj＝pTi|B＝bjpa|B＝bj，其中pTi|B＝bj为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概率，依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数；pa|B＝bj为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。步骤S4中，一般出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β，将β最大的站点作为该乘客在时刻t上车后的预测下车站点。实施例中的下车站点预测结果示例如下表：卡号上车站点ID上车刷卡时间下车站点ID215301*8101000D18:12:1381010021215300*8101131319:00:0381011318215300*8101250516:04:1381012512215300*810018095:38:5181001812215301*8101261412:14:1681012610215301*8101000F13:07:2781010004310483*8101021E19:46:3981010217215301*810102199:29:2881010210310483*8101081114:09:098101081A310483*8101121D10:34:2081011205实施例还提供一种采用上述乘客公交出行预测方法的乘客公交出行预测系统，该系统为公交乘客提供依托于智能移动设备的应用功能，自动实时定位，预测乘客的公交出行上、下车站点以及公交行程时间，包括定位模块、地图模块、特征分析模块、站点预测模块和出行预测模块。定位模块根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐标，识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，定位模块获取公交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的到站时间。地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客的地图定位。特征分析模块根据输入系统的公交卡号，从数据库中提取该卡号的历史公交上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型；公交卡号输入方式包括乘客自行输入、AFC刷卡系统对接。站点预测模块根据上车站点以及特征分析模块输出的乘客出行类型，采用下车站点预测方法，预测乘客下车站点bp；其中上车站点a的确定方式为：若乘客向系统输入了明确的站点名称，则根据输入数据确定上车站点；若系统接收到公交AFC刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取上车站点；若乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据，则从地图模块获取预测的上车站点。出行预测模块获取站点预测模块输出的上车站点a与下车站点bp，并从定位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点bp的公交出行时间。该种乘客公交出行下车站点预测方法及系统，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，从而为出行者提供定制化、智能化的公交出行服务。本发明基于AFC历史数据计算公交乘客出行行为指标，采用高斯混合模型分析群体出行特征。对于高出行强度乘客，采用贝叶斯估计模型对其下车站点进行预测。本发明的乘客公交出行预测系统能够根据估计或预测的上车站点信息进行智能化的下车站点以及行程时间预测。在公交服务中，该种乘客公交出行下车站点预测方法及系统，能够为乘客提供更为针对性且智能化的站点预测服务，显著提升信息服务系统的用户体验。

权利要求：1.一种乘客公交出行下车站点预测方法，基于乘客历史AFC数据计算出行行为指标，进一步分析刷卡乘客出行特征、提取公交出行模式，在此基础上根据实时的上车站点信息预测乘客下车站点，其特征在于：包括以下步骤，S1、获取时刻t公交上车刷卡卡号与上车站点a；将全天公交运营时间划分为若干时段，时刻t∈[Ti,Ti+1]，Ti为时段i的开始时刻；S2、根据AFC卡号，对乘客历史公交上下车刷卡记录进行汇集处理，计算出行行为指标；S3、基于步骤S2所得的出行行为指标，采用高斯混合模型划分高强度群体及一般出行群体，进一步分析刷卡乘客出行特征；S4、根据步骤S3得出的乘客出行特征进行下车站点进行预测；对于高强度出行乘客，采用贝叶斯估计模型对其下车站点进行预测；对于一般出行乘客，采用历史数据统计进行预测下车站点。2.如权利要求1所述的乘客公交出行下车站点预测方法，其特征在于：步骤S2中，出行行为指标包括乘客公交出行线路重复系数R、乘客公交出行频次N、乘客每日首次公交出行的起始站点位置差异系数SF和乘客每日末次公交出行的终点站点位置差异系数SL，乘客公交出行线路重复系数R，其计算公式为R＝CLN，其中C为选定时间范围内该乘客的公交出行总次数，LN为该时间范围内的该乘客所有公交出行中选择的公交线路数量；乘客公交出行频次N，即统计在该时间范围内乘客公交出行的天数；乘客每日首次公交出行的起始站点位置差异系数SF，其计算公式为SF＝TFNF，其中TF为选定时间范围内存在该乘客上车刷卡记录的天数，NF表示在该时间范围内的任一天存在该乘客当日首次公交出行的上车刷卡记录的站点数；乘客每日末次公交出行的终点站点位置差异系数SL，其计算公式为SL＝TLNL，其中TL为选定时间范围内存在该乘客下车刷卡记录的天数，NL表示在该时间范围内的任一天存在乘客当日末次公交出行的下车刷卡记录的站点数。3.如权利要求1所述的乘客公交出行下车站点预测方法，其特征在于：步骤S3中，历史公交上下车刷卡记录的时间范围不低于1个月。4.如权利要求1所述的乘客公交出行下车站点预测方法，其特征在于：步骤S3具体为，S31、基于贝叶斯信息准则BIC值，确定聚类模型，即确定聚类数目以及聚类所采用的协方差模式；其中BIC＝Klnn-2lnL，K为聚类数目，n为样本数量，L为似然函数；S32、根据步骤S31选定的聚类模型，对步骤S2的出行行为指标进行聚类处理；S33、根据步骤S32的聚类结果，对每一聚类群体的人均天出行次数进行统计，若群体的统计值超过阈值，则对应群体具有高强度出行属性，将其判定为高强度出行群体；否则为一般出行群体；S34、根据乘客AFC卡号，从高强度出行群体、一般出行群体中识别该乘客群体归属，从而分析乘客的出行特征，在高强度出行与一般出行中选其一。5.如权利要求1-4任一项所述的乘客公交出行下车站点预测方法，其特征在于：步骤S4中，高强度出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在的a站上车刷卡数据，生成历史下车站点集合B＝{b1,b2,...,bm}，其中b为下车站点；在某一站点bk下车的概率为：其中，X＝Ti,a表示在[Ti,Ti+1]时段内在a站上车，该乘客在站点bj下车的先验概率pB＝bj＝βjM，M为该乘客历史公交出行总次数，βj为站点bj下车的公交出行次数；pX|B＝bj＝pTi，a|B＝bj＝pTi|B＝bjpa|B＝bj，其中pTi|B＝bj为以站点bj为目标下车站点前提下在[Ti,Ti+1]时段内上车的概率，依据该乘客公交出行的历史记录，拟合出其相应的先验概率分布函数；pa|B＝bj为以站点bj为目标下车站点前提下在a站上车的概率，直接根据历史记录统计得到其先验概率；计算在B＝{b1,b2,...,bm}各站点的下车概率，并将概率值最大的站点作为该乘客在时刻t上车后的预测下车站点bp。6.如权利要求5所述的乘客公交出行下车站点预测方法，其特征在于：步骤S4中，一般出行乘客的下车站点预测方法具体为：在历史公交上下车刷卡记录中筛选出[Ti,Ti+1]时段内存在a站上车刷卡数据的记录，生成历史下车站点集合B＝{b1,b2,...,bm}，统计在各站点的下车次数β，将β最大的站点作为该乘客在时刻t上车后的预测下车站点。7.一种乘客公交出行下车站点预测系统，其特征在于：公交乘客提供依托于智能移动设备的应用功能，自动实时定位，预测乘客的公交出行上、下车站点以及公交行程时间，包括定位模块、地图模块、特征分析模块、站点预测模块和出行预测模块；定位模块：根据乘客实时定位坐标，进行地图匹配，并根据公交站点的坐标，识别出乘客附近站点，将距离最近的站点预测为上车站点；同时，获取公交车实时GPS定位数据，与站点坐标进行匹配，确定公交车在每一站点的到站时间；地图模块：基于离线地图数据构建电子地图底图，实现图层叠加以及基础地图操作功能；定位模块将定位坐标传输至地图模块，通过叠加图层实现乘客的地图定位；特征分析模块：根据输入的公交卡号，从数据库中提取该卡号的历史公交上下车刷卡记录，采用刷卡乘客出行特征分析方法，判断乘客的出行类型；站点预测模块：根据上车站点以及特征分析模块输出的乘客出行类型，采用权利要求1-6任一项所述乘客公交出行下车站点预测方法预测乘客下车站点bp；出行预测模块：获取站点预测模块输出的上车站点a与下车站点bp，并从定位模块获取公交车在各站点的到站时间，预测从上车站点a行驶至下车站点bp的公交出行时间。8.如权利要求7所述的乘客公交出行下车站点预测系统，其特征在于：特征分析模块中，公交卡号输入方式包括乘客自行输入、AFC刷卡系统对接。9.如权利要求7所述的乘客公交出行下车站点预测系统，其特征在于：特征分析模块中，上车站点a的确定方式为：若乘客向系统输入了明确的站点名称，则根据输入数据确定上车站点；若系统接收到公交AFC刷卡数据，则通过账号匹配检索出该乘客的动态刷卡记录，读取上车站点；若乘客未向系统输入上车站点，同时也无法获取乘客的刷卡数据，则从地图模块获取预测的上车站点。

百度查询： 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD