基于隐马尔可夫模型的铁路出行团体关系预测研究

近年来,随着铁路交通网络和高铁技术的不断发展,铁路出行的快捷性和舒适性得到了大幅度提高,铁路出行被更多人选择,团队出行也变得更加普遍。旅客的出行行为通常会受同行旅客的影响,不同的出行团体有不同的出行偏好,如家庭团体出行时会考虑团体中的老人和小孩,更在意舒适度;年轻人组成的团体出行时会着重考虑体验感和新鲜感。因此,出行团体类型是研究该团体出行偏好的基础。基于此,文中提出了一种利用客票数据对铁路出行团体同行关系进行预测的方法。首先,基于铁路客票数据特点,提出了铁路出行团体同行次数的量化方法;然后,对隐马尔可夫模型在客票数据分析中的适用性进行了剖析,对基于隐马尔可夫模型的铁路出行团体关系预测问题进行了形式化定义。基于真实铁路购票数据,对构建的出行团体关系模型的预测准确性以及预测结果的一致性进行了验证,实验结果显示构建的模型的预测准确率高达96.38%,对于同一出行团体在不同时刻的预测结果的一致性达95%,由此认为所提方法能够高效且准确地预测铁路出行团体中的同行关系。

基于多点协作的团队出行路径优化算法

针对团队出行过程中因信息孤岛导致出行路径非优化和延时等待等问题,提出了一种以团队成员信息共享为基础,以集中式计算为手段的协作式路径优化算法。该算法统筹考虑成员间会合的便捷性、路径/时间最短化等多种因素基础上,通过引入团队会合优先度因子对路径计算进行加权处理,从而实现整个团队出行路径的最优化。理论分析表明,协作式路径优化算法的计算复杂度随团队成员的数量线性增长,与传统的最短路径算法计算复杂度基本相当。仿真结果表明,会合优先度因子值的高低,将会影响会合点及出行路径的选择,因此,可根据实际需求设置会合优先度因子,实现团队会合和路径最短化的动态均衡。最后,以协作式路径优化算法的一个具体的工程应用,阐述团队成员间如何提供支持和帮助,从而安全、高效和有序地到达目的地。