[发明专利]一种社会事件与客运交通需求之间的相关性分析方法

摘要

本发明涉及社会事件与客运交通需求相关性领域，尤其是对复杂的各类社会事件的建模，并分析其与客运交通需求之间的相关性的方法。本发明可以将交通需求与社会事件紧密联系起来，充分考虑社会事件对交通需求的影响，更为准确地预测各种交通方式在社会事件影响下的需求。本发明利用机器学习算法，针对不同类型事件在设计的属性上分别构造融合模型，预测出由事件引起的交通需求的变化量。

主权项

一种社会事件与客运交通需求之间的相关性分析方法，其特征在于，该方法包括以下步骤：S1.对社会事件进行分类建模，进而针对不同类型的社会事件进行相应的特征属性设计；S1.1从多个维度设计多种属性对社会事件进行建模，从而全面、具体地描述每个社会事件的特点与特征；具体来说，将社会事件分为三类：演唱会、体育赛事、展会；针对这三类社会事件，构造相应的公共属性包括：时间属性、出发地及目的地各自的城市属性、交通方式固有属性、事件参与方属性；事件的公共属性如表1所示；表1.社会事件公共特征属性设计其中“城市属性”描述了城市自身特有的属性，包含了出发地和目的地两个方面，目的地是指事件发生城市，出发地是指能够去往目的城市的其他城市；“交通线”是指由出发城市和目的城市组成的交通线路组合，可以是航空业的航线，铁路系统中的火车线路等；S1.2针对不同类型社会事件的独有特点设计构造出其特有属性；不同事件类型所关注的侧重点有所不同；对于演唱会类型事件，其特有属性包括：明星近期影响力、年度举办频率等；对体育赛事而言，包含比赛等级、体育明星影响力、比赛项目大众参与度、赛事影响范围等；对展会而言，包含行业热度、展会时长、主办方等级、历史悠久程度、参展规模；独有属性具体设计如表2所示；表2.社会事件独有特征属性设计S2.在历史数据的基础上构建已发生事件的属性特征，并计算相应事件对交通线的影响力，从而建立线性回归模型；S2.1利用搜集到的各个交通线上已经发生的事件的信息按照S1中设计的属性构造其属性，作为线性回归模型的训练集的输入；其中“交通线上已发生的事件”即交通线中包括的目的城市发生的事件；S2.2解析历史数据库中的查询日志数据，分别得到历史数据中没有事件影响和有事件影响情况下的客运交通需求，计算事件影响力：influence＝demandAll/demandSD其中，影响力(influence)，即社会事件对交通线路需求影响的能力，计算方式为某交通线路真实需求量(demandAll)与该交通线路标准需求量(demandSD)的比值；真实需求量，是针对某条发生社会事件的交通线，基于近期一定时间内查询数据的求日平均值得到；标准需求量基于较长时间的历史数据，对该时间内查询量求日平均得到；用两者的比值作为社会事件产生的影响力，以刻画社会事件对相应交通线路产生的影响；S2.3利用S2.1和S2.2中生成的特征属性和影响力构造线性回归模型；具体来说，基于历史数据采用多元线性回归在各个交通线上分别建立相应的模型，以便后续步骤中利用所得模型和未来社会事件的特征属性对未来事件的影响力进行预测，即得到相应交通线路需求量增加或减少的情况；多元线性回归模型如下：y=b₀+b₁x₁+b₂x₂+…+b_kx_k+e其中y是影响力的预测结果，x₁、x₂、…、x_k是S1中所设计的各个社会事件的属性，k为属性的个数，b₀、b₁、…、b_k是利用机器学习算法基于历史数据训练出的各个事件属性对应的系数，e为算法训练出的常数项；S3.结合未来事件的信息，利用S2中建立的回归模型，预测相应事件的影响力，进而计算出由事件引起的交通需求的变化量；具体来说，得到未来某事件的信息后，生成S1中所述的特征属性信息，利用S2中生成的线性回归模型y=b₀+b₁x₁+b₂x₂+…b_kx_k+e对该未来事件的影响力进行预测；得到影响力预测值之后，利用如下公式计算预测的需求的变化量：demandChange＝demandAllSum*(influence‑1)其中demandAllSum为未来一段时间(如一个月)标准需求和，influence为预测的事件影响力，demandChange为计算得到的需求变化量；当influence>1则事件为正影响，需求变化量demandChange为正值，即需求增加；当influence<1则事件为负影响，需求变化量demandChange为负值，即需求减少，从而得到社会事件对相应交通线路需求产生的总增加或减少量。