[发明专利]一种基于大数据的校车路径优化方法

权利要求书

1.一种基于大数据的校车路径优化方法，其特征在于，具体包括：

S1：对现有大量数据进行统计，得出先验信息；

S2：利用赤池信息量模型，结合先验信息，提取特征参数子集；

S3：依据特征参数子集，计算概率密度，得到交通拥堵程度；

S4：划分区域，对每一区域内学生点进行初始静态路径规划；

S5：基于静态路径和交通拥堵程度建立动态预测最优路线模型；

S6：依次判断出最优点，得到最优路径。

2.根据权利要求1所述一种基于大数据的校车路径优化方法，其特征在于，赤池信息量模型为：

AIC_H＝logσ²+(m/n)logn

其中σ²为模型方差，m为模型的最高参数，n为参数个数，选取AIC值最小的特征参数子集，即为最优影响因素子集。

3.根据权利要求2所述一种基于大数据的校车路径优化方法，其特征在于，概率密度是网络各路段之间联系的拥堵程度；联系越紧密，路段的拥堵程度就越大，其计算公式如下：

P＝f(S,T,M)

其中，S、T、M是上述赤池信息量模型选取出的影响因素。

4.根据权利要求3所述一种基于大数据的校车路径优化方法，其特征在于，将不拥堵状态路段视为健康状态S，半拥堵状态视为感染状态I，拥堵状态视为被移除状态R；S_k(t)、I_k(t)和R_k(t)分别为具有k个边的节点处于不拥堵状态、半拥堵状态、拥堵状态的相对密度。

5.根据权利要求3或4所述一种基于大数据的校车路径优化方法，其特征在于，S(t)、I(t)、R(t)分别表示网络中节点处于不拥堵状态、半拥堵状态、拥堵状态的平均密度，可用具有k个边的节点的相对密度表示为：

$\begin{array}{c}S\left(t\right)=\underset{k}{\Σ}P\left(k\right)S_k\left(t\right)\\ I\left(t\right)=\underset{k}{\Σ}P\left(k\right)I_k\left(t\right)\\ R\left(t\right)=\underset{k}{\Σ}P\left(k\right)R_k\left(t\right)\end{array}.$