[发明专利]多模式交通运输中预测两站间换乘行程最小耗时的方法

说明书

本发明公开了一种用于多模式交通运输中预测两站间换乘行程最小耗时的方法，属于最小耗时行程搜索技术领域，本发明采用多元回归/极限学习机模型的最小耗时换乘行程的时长搜索方法；通过离线使用机器学习方法对大量的行程数据进行学习，形成计算模型，这种离线学习的方式，避免了每次需求行程时间，都要在线对行程进行规划带来的大量计算。

技术领域

本发明属于最小耗时行程搜索技术领域，具体涉及多模式交通运输中预测两站间换乘行程最小耗时的方法。

背景技术

由于智能交通的发展以及交通物流运输行业的运输需求的提升，使用铁路（含高铁）、航空等交通工具进行运输逐渐成为物流行业的一个重要的运输手段。其中，由于飞机场和高铁站仍不能覆盖全国所有城市，空运和铁路运输实际属于互补的存在，因此，使用多种交通模式（多模态）可以满足空铁换乘的物流运输需求，使货品以公共交通方式得以最快的速度从一个地点到达另外一个地点。但是，在跨城市、远距离的交通运输规划中，规划平台可能同时收到成千上万的并发请求，要求进行路径规划或路程耗时规划。 有的时候，用户仅想在前期知道两站（两地）之间的换乘所需最短时间，当认为时间合适时，才会进一步询问具体的方案。现有技术普遍对规划方案进行在线计算，同时给出行程时间，这样的做法消耗了大量计算资源，而且计算耗时较大。

现有技术在搜索某个时间段内（如24小时内）从站A到站B的最小耗时的换乘行程时，一般通过使用基于时间表的时间依赖算法来计算整个换乘行程（此种为最小耗时行程搜索技术），得到计算耗时过长。现有技术可搜索出的最小耗时的换乘行程的计算量较大，耗时较长。

如现有技术-学术论文：Y. Zhang, J. Tang and S. Lv, Least time pathplanning under urban timetabled public transport using A∗ Algorithm, 201325th Chinese Control and Decision Conference (CCDC), Guiyang, 2013, pp. 3587-3592.该现有技术使用修改的A*算法来计算有时间表的公交出行换乘旅程计划，从而得到相应的计算时间，该现有技术想得知整个旅程的最小耗时，就需要对整个行程进行计算，消耗很大的计算量和计算时间，不利于大规模的并发请求时使用。另外，当多模式交通运输的跨城使用火车、飞机等交通工具时，整个行程的耗时就有可能超过24小时；这样现有技术在搜索某个时间段内（如24小时、48小时内）从站A到站B的最小耗时的换乘行程时，如要得到此最小耗时换乘行程的时长，一般需要遍历时间段内（如24小时、48小时内）所有可能班次信息（也就是在时间段内的所有可达边），这样会造成更大的计算量，需要更大的计算耗时。

发明内容

本发明寻求一种通过学习已知的行程数据，来建立行程时间估算模型，降低在线计算的时间和空间量。

为了以最小的计算消耗来预测换乘中某个时间段内（如24小时、48小时内）从站A到站B的最小耗时或者近似最小耗时的换乘行程的耗时。本专利使用机器学习算法如多元回归方法、极限学习机，来分析现有以搜索的行程数据（起点站级别、终点站级别、起点位置坐标、终点位置坐标、搜索时间、起点站地理区域、终点站地理区域），建立模型来预测最小耗时换乘行程的时长。

本发明采用的技术方案如下：多模式交通运输中预测两站间换乘行程最小耗时的方法，包括如下步骤：

（1）采用传统的时间依赖（基于时间表）的路径规划方法进行来搜索最小耗时行程，即最小耗时行程搜索方法，通过输入起点站、终点站，得到出发时间、到达时间的数据，大量反复使用最小耗时行程搜索方法，随机生成起点站、终点站和日期，生成大量的训练数据；

（2）对训练数据进行统计分析确立最小耗时换乘行程的时长的多元回归或极限学习机模型，并将所述训练数据输入多元回归或极限学习机模型，将输出最小耗时换乘行程的时长。

所述训练数据样本格式如下：