(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210898410.7 (22)申请日 2022.07.28 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 许心越　刘军　夏霖琪　王潇然　 罗维嘉　张安忠　 (74)专利代理 机构 北京市商 泰律师事务所 11255 专利代理师 黄晓军 (51)Int.Cl. G06F 16/9535(2019.01) G06F 16/9537(2019.01) G06F 16/903(2019.01) G06F 16/9035(2019.01)G06F 16/909(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01) (54)发明名称 一种基于最小可觉差乘客偏好排序的诱导 路径推荐方法 (57)摘要 本发明提供了一种基于最小可觉差(JND)乘 客偏好排序的诱导路径推荐方法。 该方法包括： 获取乘客出行信息， 对乘客出行过程进行分析， 构建包括直接属性和间接属性的乘客画像标签 体系； 基于所述乘客画像标签体系从起点到终点 OD层面和时段层面两个维度细化乘客出行信息， 并采用谱聚类方法提取乘客出行偏好； 结合乘客 出行的偏好度排序， 构建基于JND的字典序偏好 路径选择模型， 得到满足乘客偏好的路径， 并推 荐给乘客。 本发明方法基于AFC数据和乘客画像 提出多维度的乘客偏好识别方法， 解决乘客和路 径的匹配问题， 并结合深度确定性策略梯度 (DDPG)对乘客 路径选择模型参数进行优化， 提高 乘客个性化诱导的准确性， 为轨道交通精准客流 诱导提供决策参 考。 权利要求书3页 说明书17页 附图3页 CN 115391641 A 2022.11.25 CN 115391641 A 1.一种基于最小可觉 差乘客偏好 排序的诱 导路径推荐方法， 其特 征在于， 包括： 获取乘客出行信息， 对乘客出行过程进行分析， 构建包括直接属性和间接属性的乘客 画像标签 体系； 基于所述乘客画像标签体系从起点到终点OD层面和时段层面两个维度细化乘客出行 信息， 并采用谱聚类方法提取乘客出 行偏好； 结合乘客出行的偏好度排序， 构建基于JND的字典序偏好路径选择模型， 得到满足乘客 偏好的路径， 并推荐给乘客。 2.根据权利要求1所述的方法， 其特征在于， 所述的获取乘客出行信息， 对乘客出行过 程进行分析， 构建包括 直接属性和间接属性的乘客画像标签 体系， 包括： 采用区间属性和路径属性定义路网， 所述区间属性包括区间运行时间和区间拥挤情 况， 所述路径属性包括： 路径旅行时间、 路径等待时间、 路径换乘次数以及路径拥挤 程度； 设置定义乘客出 行过程的六 元组的数 学模型公式为： xm＝(id,tin,tout,sto,std,r,tp) 式中m——某乘客， id——乘客ID， 用于标识乘客； tin——进站时间； tout——出站时间； sto——起始车站； std——终点车站； r——该乘客的出行路径为该OD的第r条可行路径； tp——出行时段； 所述的乘客画像标签 体系包括： 直接属性和间接属性。 所述直接属性主要包括卡类型、 出行次数、 出行OD分布、 出行时间分布和出行路径分 布， 所述间接属 性包括平均换乘 次数、 平均出行时间、 出行路径平均拥挤度、 平均等待时间 和标签偏好度分布。 3.根据权利要求2所述的方法， 其特征在于， 所述的基于所述乘客画像标签体系从OD层 面和时段层面两个维度细化乘客出行信息， 并采用谱聚类方法识别并提取乘客出行偏好， 包括： 将所有乘客的出行记录集合X按照OD进行划分， 筛选出以某OD为出行OD的乘客出行数 据Xo,d， 实现空间维度的划分， Xo,d计算公式如下 所示： Xo,d＝{xm|sto＝o,std＝d} 将Xo,d按出行时段进行划分， 得到时段τ 的子集Xo,d, τ， 实现时间维度的划分， Xo,d, τ计算公 式如下所示： Xo,d, τ＝{xm|sto＝o,std＝d,tp＝ τ } 将Xo,d, τ按照乘客进行划分， 得到不同乘客在不同OD不同时段下的子 集 计算 公式如下 所示： 筛选出出行次数大于3次的乘客， 计算不同OD不同时段下每个乘客的间接属性， 得到乘 客在(o,d)的时段τ下的出行个体 特征属性 组成不同OD不同时段的乘客出行个体 特征属性集合Uo,d, τ， 对Uo,d, τ进行谱聚类， 根据轮廓系数和CH分数确定最优聚类簇C， 计算公 式如下所示：权　利　要　求　书 1/3 页 2 CN 115391641 A 2C＝{C1,C2,...,Ck} 根据每类乘客的聚类中心ck， 确定每类的乘客偏好， 公式如下 所示： 式中， Qk为聚类中心ck所体现的乘客偏好。 乘客c的乘客偏好Qc即为其所属类别的聚类 中心所呈现出的乘客偏好。 4.根据权利要求3所述的方法， 其特征在于， 所述的结合乘客出行的偏好度排序， 构建 基于JND的字典序偏好路径选择模型， 得到满足乘客偏好的路径， 并推荐给乘客， 包括： 设定乘客对于路径的不同属性的感知存在JND阈值， 当多个路径 的出行时间差值小于 JND阈值， 则认为该多个路径在出行时间上没有差别； 当多个路径的出行时间差值大于JND 阈值， 则认为该多个路径在出 行时间上存在差异； 令 为乘客偏好属性qi的可感知的刺激量变化比率， 即如果两条路径的属性qi的差 异比率小于 则这两条路径在该属性上的差异没有被感知到， 那么这两条路径在该属 性上被认为是没有差异的， 计算公式如下： 式中， 是属性qi的最佳值， 为百分比形式。 上式即为， 乘客对于属性qi的可感知变化比率为 路径 和路径 中该属性的较优值为 当乘客在对比这两条路径时， 若 两条路径之间的差 值在 的范围内 时， 乘客会认为 这两条路径在属性qi上的表现是一样的， 选择任意 一条路径都可； 基于JND的字典序偏好模型的模型假设： 设已知乘客c在某OD对(o,d)的字典序偏好集合为Qc， OD在时刻ω的路径属性集 假设乘客对于属性变化的感知服从韦伯定律， 存在JND阈值， 假设乘客对于属性变化的 可感知变化比率 集为β， 计算公式如下 所示： 式中 ——偏好属性qi的可感知变化比率； ——出行时间属性的可感知变化比率； ——换乘次数属性的可感知变化比率； ——等待时间属性的可感知变化比率； ——路径拥挤度属性的可感知变化比率。 对β 集进行随机连续 化， 采用D DPG算法对参数进行自动探索； 根据乘客出行偏好得到乘客偏好度排序， 根据乘客偏好度排序构建基于JND的字典序 偏好路径选择模型， 所述基于JND的字典序偏好模型的计算 流程如下： Step1： 输入乘客的有序偏好集、 感知变化率、 O D的路径集矩阵， 初始化推荐路径集和临时权　利　要　求　书 2/3 页 3 CN 115391641 A 3