[发明专利]一种基于大数据的校车路径优化方法

说明书

技术领域

本发明属于车辆路径优化领域，具体说是一种基于大数据的校车路径优化方法。

背景技术

随着我国城乡经济迅速发展，人民生活水平日益提高，人们对教育的重视程度也越来越大，我国政府对教育的投入也逐年增加，使得我国中小学入学人数增多，中小学校数也比改革开放初期大幅度增加。

社会经济的发展、城市化进程的加快，道路交通的拥堵和安全问题也随之而来，其中学生的出行问题更是当今社会普遍关注的。而校车作为一种专门面向学生的公共交通工具，即能够满足运送大量学生的需求又能保证安全，使其成为解决学生出行问题的最佳方案。对于校车而言，最重要的就是行驶路线的选取，这就需要考虑校车是否能够满足分布在各个居住地的学生的需求。所以对校车行驶路线进行科学合理的优化调度就显得迫在眉睫。

由于乘车费用以及城市道路交通的复杂性，现有的校车路径规划具有学区分布不均，人数分布不平衡，安全性不高等局限性；解决方案只是针对大量数据浅显分析乘车意愿和位置分布，没有找出大量数据之间的关联性和潜在的有价值数据。随着数据挖掘技术研究的进步与发展，给校车路径优化带来了新的方法和思路。

结合上述问题，再加上近些年来，学校门前拥堵点已成为各大城市交通拥堵治理的关键点位。根据调查其原因在于学校周边配套交通设施，集散场地及接送车辆停车位缺乏，尤其是如果小学门前道路为城市主干道路，上下学期间一旦发生交通拥堵，就会影响到周边区域的通行能力。为缓解交通拥堵，完善中小学周边交通设施配套，维护学校周边交通秩序，同时保证小学生上下学期间的交通安全，建立中小学出行大数据分析系统十分必要。

发明内容

鉴于上述问题，为了提高校车运行效率，保证学生的安全和交通的便捷性，节约成本和时间，减轻社会交通压力，提出一种基于大数据的校车路径优化方法。

为实现上述目的，本申请采用的技术方案是：一种基于大数据的校车路径优化方法，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。

进一步的，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。

进一步的，概率密度指的是网络各路段之间联系的拥堵程度；网络之间的联系越紧密，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。

进一步的，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，并且满足归一化条件：

S_k(t)+I_k(t)+R_k(t)＝1。

进一步地，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：

更进一步的，不拥堵状态节点、半拥堵状态节点和拥堵状态节点的相对密度S_k(t)、I_k(t)和R_k(t)随时间演化的非线性微分方程为：

其中，健康个体与感染个体相接触时,健康个体将以p的概率被感染，同时，感染个体以δ概率恢复为健康个体，定义有效传播率为λ＝p/δ；并且0≤Θ(t)≤1表示任意一条给定的边与一个感染节点相连的概率，在无关联无标度网络中，Θ(t)表达式为：

其中表示网络节点平均度。

更进一步的，根据校车数量nb划分nb个区域，以学校为中心，根据地理位置，使每个区域包含学生数量大体相同：