[发明专利]一种基于分布式机器学习的行车站点优化更新方法和系统

权利要求书

1.一种基于分布式机器学习的行车站点优化更新方法，其特征在于，所述方法包括：

S1：将固定时间段内单条线路全部行车的车况信息进行站内和上下行分类，获得所述上下行分类所对应的疑似单行站点数据；

S2：以单辆行车为单位，将所述疑似单行站点数据通过Bisecting k-Means算法进行第一层聚类处理，获得每辆行车对应的初始单行站点数据；

S3：利用k-Means算法对所述初始单行站点数据进行第二层聚类处理，获得每辆行车的最终单行站点数据，基于时间顺序将所述最终单行站点数据进行串联处理，获得每辆行车的实际行驶线路；以及

S4：将所述实际行驶线路与原始线路进行差异度计算，以更新所述差异度小于设定阈值的原始线路的站点位置信息，获得优化后的行车站点线路；

在进行差异度计算前，需要将所述实际行驶线路和原始线路进行线路特征变换处理，最后转换成两个行向量，而相关特征计算用于生成线路特征矩阵，主要是将所述实际行驶线路和原始线路向量化输出，然后将所述实际行驶线路与原始线路进行差异度计算，并更新差异；

响应于将所述全部行车的实际行驶线路根据对应的差异度大小进行降序排序，选取差异度小于设定阈值且差异度最小的实际行驶线路作为最优匹配线路，并根据所述最优匹配线路更新对应的站点信息。

2.根据权利要求1所述的方法，其特征在于，所述S2步骤前还包括利用墨卡托投影将所述疑似单行站点数据的经纬度坐标轴转化为墨卡托单元。

3.根据权利要求1所述的方法，其特征在于，所述S3步骤还包括对所述最终单行站点数据中的每个最终单行站点和对应的原始线路站点的进行平均误差函数计算，具体的计算公式如下：

其中，N表示最终单行站点的个数，y_i表示第i个最终单行站点的向量值，x_i表示第i个原始线路站点的向量值，i表示自然数，且i≤N。

4.一种基于分布式机器学习的行车站点优化更新系统，其特征在于，所述系统包括：

疑似单行站点模块，配置用于将固定时间段内单条线路全部行车的车况信息进行站内和上下行分类，获得所述上下行分类所对应的疑似单行站点数据；

初始单行站点模块，配置用于以单辆行车为单位，将所述疑似单行站点数据通过Bisecting k-Means算法进行第一层聚类处理，获得每辆行车对应的初始单行站点数据；

实际行驶线路模块，配置用于利用k-Means算法对所述初始单行站点数据进行第二层聚类处理，获得每辆行车的最终单行站点数据，基于时间顺序将所述最终单行站点数据进行串联处理，获得每辆行车的实际行驶线路；

优化行车站点模块，配置用于将所述实际行驶线路与原始线路进行差异度计算，以更新所述差异度小于设定阈值的原始线路的站点位置信息，获得优化后的行车站点线路；

在进行差异度计算前，需要将所述实际行驶线路和原始线路进行线路特征变换处理，最后转换成两个行向量，而相关特征计算用于生成线路特征矩阵，主要是将所述实际行驶线路和原始线路向量化输出，然后将所述实际行驶线路与原始线路进行差异度计算，并更新差异；

响应于将所述全部行车的实际行驶线路根据对应的差异度大小进行降序排序，选取差异度小于设定阈值且差异度最小的实际行驶线路作为最优匹配线路，并根据所述最优匹配线路更新对应的站点信息。

5.根据权利要求4所述的系统，其特征在于，所述实际行驶线路模块还包括对所述最终单行站点数据中的每个最终单行站点和对应的原始线路站点的进行平均误差函数计算，具体的计算公式如下：

其中，N表示最终单行站点的个数，y_i表示第i个最终单行站点的向量值，x_i表示第i个原始线路站点的向量值，i表示自然数，且i≤N。

6.根据权利要求4所述的系统，其特征在于，所述优化行车站点模块还包括响应于将所述全部行车的实际行驶线路根据对应的差异度大小进行降序排序，选取差异度最小的实际行驶线路作为最优匹配线路，并根据所述最优匹配线路更新对应的站点信息。