关于出租车载客地点序列推荐技术研究.docVIP

关于出租车载客地点序列推荐技术研究 　　摘要：在大城市中，出租车已成为实现智能交通运输系统不可或缺的一环。然而，由于一些出租车司机的驾驶经验，和对城市活动的熟悉程度的不足，使得其在寻找乘客时会采取毫无目的的随机漫游策略。这就导致了出租车司机的收益不高，同时也造成了能源的消耗以及环境的污染。针对此问题，将提出出租车载客地点的推荐模型，使得模型给出的推荐地点序列能获得较高的期望收益。具体来说，将基于出租车GPS轨迹数据建立出租车载客地点的马尔科夫决策过程模型，并给出求解该模型的2种算法。仿真实验结果显示，与典型的TopK方法相比，给出的推荐结果能更好地提高单位时间内出租车司机的收益。 　　关键词：智能交通系统； 马尔科夫决策过程； 空间数据挖掘； 轨迹数据处理 　　中图分类号：TP391 文献标识码：A文章编号：2095-2163（2013）06-0070-04 　　0引言 　　在人们日常的出行活动中，出租车正扮演着越来越重要的角色。如今，已经有数量众多的现代人选择出租车来作为其代步的出行方式。根据最近一份关于纽约出租车服务的调查[1]，结果显示有41%的调查者每周都会乘坐出租车，有25%的调查者甚至每天都会乘坐出租车。然而，为了方便人们的出行，一些大城市（如纽约、东京、伦敦和北京）都会有大量的空载出租车随机行驶在城市区域中。这些空载出租车的随机行驶不仅会浪费出租车的汽油，造成环境的污染，而且会造成城市中额外的交通事故。因此，怎样规划空载出租车的行驶路线使其快速发现乘客，提高出租车的利用率，从而有效减轻资源消耗和环境污染，则成为一个亟待解决的严峻挑战。 　　近年来，为了出租车的调度和安全，许多大城市（如纽约、北京和新加坡）中的出租车均配置了GPS传感器。这些出租车会以一定的频率（如2分钟）向数据中心报告其当前所处的位置[2]。除了地理位置和时间戳信息，出租车的载客状态信息也会通过重量传感器或者出租车的计程器被记录下来。因此，每天都会产生大量的伴随着出租车载客状态的GPS轨迹信息。这些轨迹信息的产生也引发了学术界对出租车地点推荐问题的关注和兴趣。文献[3]提出了一??推荐出租车司机至一系列载客点的模型，目的是使得出租车司机的收益最大化。该模型使用了skyline路径查询的方法，同时将问题形式化为移动序列推荐（mobile sequential recommendation）问题。文献[4]提出了出租车司机寻找乘客的学习策略（漫游/等待）。该文献使用了L1-Norm SVM的学习方法筛选得出用于寻找乘客策略的分类特征。文献[5]提出了一种能预测出租车收益地点的方法。该方法建立了空间-时间收益地图，并根据历史数据计算出的潜在收益将临近区域内的司机在该地图上进行评分。 　　与上述研究类似，本文也将提出一种基于GPS轨迹信息的出租车载客地点推荐系统。其中，系统的输入为空载出租车当前的地理位置和时间，输出为预推荐的一系列的载客地点，使得这些载客地点能够实现单位时间内的收益最大化。但与已有研究不同的是，本文将建立基于马尔科夫决策过程[6]（Markov Decision Process， MDP）的推荐模型，同时将融合2方面的特征： 　　（1）能以较大的概率发现乘客； 　　（2）推荐地点离当前地点的距离不是太远（否则物质上和时间上的开销都较大）。 　　实验结果表明，模型给出的推荐结果将有助于减少出租车随机漫游的时间，为出租车司机带来更多的收益。 　　1预备知识 　　整个MDP过程可表示如下：S0a0S1a1S2a2…，所能获得的总的回报为R（s0，a0）+γR（s1+a1）+γ2R（s2，a2）+…。MDP的优化目标就是采取某组策略（动作），使得该回报值最大化。 　　2出租车载客地点的MDP模型的建立 　　2.1状态集合的建立 　　首先，将建立MDP的状态。可令状态s表示为三元组s=（p，t，x），其中p表示出租车所在的地点，t表示出租车所处的时刻，x表示出租车当前的载客状态：x=0未载客 　　1载客。现在将对出租车所处的时空状态进行离散化处理。 　　首先，将出租车的空间位置信息表示在有限的道路网络内，这样p就可以抽象成某种空间实体，如其所属的某条路段r，或者离出租车最近的路口c等；如果没有城市道路网络的精确数据，也可以将虚拟的道路网络划分成固定大小的网格，将p表示为出租车所在的网格，如此就将连续的空间地点离散成为有限个空间状态的集合。 　　其次，将时间维度也离散成有限的时间区间。一般地，由于城市中的许多活动均带有一定的周期性，如上下班，火车到站等；同时，这些活动在工作日和双休日内的发生时刻又有着各自的规律性，因此，对时间也将依据2个维度进行划分： 　　（1）按照周几（1-7）或是工作日和双休日进行划分；