优化公交出行：基于 P-KMEANS 和 P-LDA 算法的特征挖掘新方法
机器学习
2023-12-05 v1
摘要
定制公交出行服务可以增强其吸引力，优化使用率，缓解交通拥堵，并减少碳排放。通过利用定位通信设施、物联网和人工智能在公共交通特征挖掘方面的最新进展，这一潜力得以实现。然而，无序和非结构化公共交通数据固有的复杂性给出行特征提取带来了巨大挑战。本研究提出了一种基于兴趣点 (POI) 数据的公交出行特征提取方法，采用改进的 P-KMEANS 和 P-LDA 算法来克服这些限制。虽然 KMEANS 算法能够巧妙地将乘客出行路径划分为不同的簇，但其结果可能会受到初始 K 值的影响。另一方面，Latent Dirichlet Allocation (LDA) 在特征识别和概率解释方面表现出色，但在特征混杂和细微的子特征交互方面存在困难。引入 POI 维度增强了我们对出行行为的理解，使其与乘客属性更紧密地结合，并促进了更简便的数据分析。通过结合 POI 数据，我们改进的 P-KMEANS 和 P-LDA 算法提供了对出行行为和属性的整体洞察，有效缓解了上述局限性。因此，这种以 POI 为中心的算法有效地融合了多样的 POI 属性，描绘了不同的出行情境，并赋予特征属性概率度量。我们的方法成功挖掘了公交出行的多个方面，如年龄、职业、性别、运动、成本、安全和人格特质。它有效地计算了个体出行行为之间的关系，并为 POI 标签分配了解释和评估概率，从而增强了公交出行优化。
引用
@article{arxiv.2312.01687,
title = {Optimizing Bus Travel: A Novel Approach to Feature Mining with P-KMEANS and P-LDA Algorithms},
author = {Hongjie Liu and Haotian Shi and Sicheng Fu and Tengfei Yuan and Xinhuan Zhang and Hongzhe Xu and Bin Ran},
journal= {arXiv preprint arXiv:2312.01687},
year = {2023}
}