基于POI 的出租車?？课恢眠x擇算法研究①

徐煥君 余 靖 苑 帥 張玉停

(燕山大學(xué)信息科學(xué)與工程學(xué)院 秦皇島066004)

0 引言

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,傳統(tǒng)出租車行業(yè)面臨著網(wǎng)約車的競爭,其中一個(gè)重要原因就是出租車等待位置以及資源分配不合理而造成的打車難問題。如何合理選擇出租車停靠位置屬于城市交通設(shè)施建設(shè)的一個(gè)主要問題,也是城市規(guī)劃[1]的重要依據(jù)。

城市興趣點(diǎn)(point of interest,POI)數(shù)據(jù)涵蓋了廣泛的地理空間位置屬性,相關(guān)學(xué)者使用POI 為評價(jià)城市布局合理性提供了新的研究方法。文獻(xiàn)[2]基于地理信息系統(tǒng)(geographic information system,GIS)和POI 數(shù)據(jù),研究了上海市的城市中心體系,與上海市現(xiàn)行城市總體規(guī)劃進(jìn)行對比,并提出發(fā)展建議。文獻(xiàn)[3]基于POI 數(shù)據(jù)對蘇南4 個(gè)城市的生活便利度進(jìn)行評價(jià),為公共服務(wù)設(shè)施空間分布及其便利度評價(jià)提供了新的方法。文獻(xiàn)[4]基于住宅POI 數(shù)據(jù),考慮城市公園綠地對周邊住宅價(jià)格的影響,構(gòu)建了住宅市場特征價(jià)格模型并結(jié)合彈性與邊際價(jià)格分析,量化了公園綠地對住宅價(jià)格的影響。

基于POI 的出租車?？课恢檬歉鶕?jù)節(jié)點(diǎn)重要度來選擇的,用于判定網(wǎng)絡(luò)節(jié)點(diǎn)重要度的方法本質(zhì)上源于圖論[5]。目前的研究均是僅以一種類型的場所作為研究對象,如公交站點(diǎn)、地鐵站點(diǎn)、鐵路站點(diǎn)等,而沒有綜合考慮多類型場所。判定重要節(jié)點(diǎn)的方法除了度數(shù)法[6]和介數(shù)法[7]之外,考慮到整個(gè)網(wǎng)絡(luò)的全局特性,又將貼近度中心性[8]、介數(shù)中心性[9]等也作為評價(jià)指標(biāo)加入算法中。文獻(xiàn)[10]提出一種基于熵的復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)重要性自適應(yīng)判定方法,但采用的判定指標(biāo)有一定的局限性。文獻(xiàn)[11]提出了一種基于生成樹數(shù)目的節(jié)點(diǎn)刪除法,但節(jié)點(diǎn)刪除可能會造成網(wǎng)絡(luò)不連通,從而使判定結(jié)果不準(zhǔn)確。文獻(xiàn)[12]提出一種基于全網(wǎng)平均等效最短路徑數(shù)的網(wǎng)絡(luò)抗毀度評價(jià)模型,但沒有完全體現(xiàn)出網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的差異性。網(wǎng)頁排名(PageRank)算法[13-14]不僅可以預(yù)測網(wǎng)絡(luò)流量、未來鏈路等,還可以識別重要節(jié)點(diǎn),且其計(jì)算復(fù)雜度較低。此外,文獻(xiàn)[15,16]提出了融合節(jié)點(diǎn)自身重要度及連邊重要度的改進(jìn)加權(quán)節(jié)點(diǎn)收縮法,主要用于判定供應(yīng)鏈網(wǎng)絡(luò)節(jié)點(diǎn)間的重要度。文獻(xiàn)[17]利用A*算法,將復(fù)雜網(wǎng)絡(luò)理論與動態(tài)需求特征相結(jié)合,對公交站點(diǎn)進(jìn)行重要度判定,解決了定制公交站點(diǎn)及路徑動態(tài)優(yōu)化問題。文獻(xiàn)[13-17]主要是針對單一類型節(jié)點(diǎn)判定重要度,具有一定的局限性。

本文在綜合考慮節(jié)點(diǎn)在路網(wǎng)[18]中基本信息的前提下,建立了一種在不同模式下出租車按需分配呼叫模型,給出適用于無權(quán)節(jié)點(diǎn)和加權(quán)節(jié)點(diǎn)的重要度判定方法,并以POI 數(shù)據(jù)集為參考,對節(jié)點(diǎn)重要度進(jìn)行排名,根據(jù)排名結(jié)果,依照杠桿原理和多邊形求“重心”方法,找出最適合的出租車停靠位置,并實(shí)現(xiàn)可視化。

1 系統(tǒng)模型

本節(jié)首先從城市道路網(wǎng)絡(luò)的結(jié)構(gòu)特性出發(fā),基于選取的POI 處產(chǎn)生的呼叫出租車次數(shù)的不同提出4 種模式。將城市中對于出租車需求量大的場所抽象為網(wǎng)絡(luò)中的節(jié)點(diǎn),將不同POI 之間的運(yùn)行線路抽象為節(jié)點(diǎn)間的連接邊,基于此得到城市道路拓?fù)渚W(wǎng)絡(luò)是一個(gè)復(fù)雜網(wǎng)絡(luò)。該網(wǎng)絡(luò)形成的拓?fù)鋱D是一個(gè)無向圖,數(shù)學(xué)表達(dá)式為G=(V,E) 是一個(gè)有序的二元組。其中V=(v1,v2,…,vm) 稱為點(diǎn)集,其元素稱為頂點(diǎn)或節(jié)點(diǎn);E=(e1,e2,…,en) 稱為邊集,其元素稱為無向邊,簡稱邊。

圖G的鄰接矩陣A=[aij],其中,

1.1 呼叫模型

1.1.1 加權(quán)節(jié)點(diǎn)的權(quán)

(1)節(jié)點(diǎn)類型共有8 種,分別為車站a、住宅區(qū)b、學(xué)校(高校)c、醫(yī)院d、景區(qū)e、酒店f、餐館g 和購物廣場h。

(2)時(shí)間參數(shù)共有4 種,分別為早上mor、中午noon、下午aft 和晚上eve。

1.1.2 4 種出租車呼叫模式

模式1totalSame。不同節(jié)點(diǎn)處產(chǎn)生出租車呼叫次數(shù)相同,呼叫次數(shù)是一個(gè)有范圍的隨機(jī)數(shù),隨機(jī)數(shù)的產(chǎn)生受時(shí)間參數(shù)控制。

模式2typeSame。相同類型的節(jié)點(diǎn)產(chǎn)生出租車呼叫次數(shù)相同,不同類型的節(jié)點(diǎn)之間產(chǎn)生的呼叫次數(shù)不考慮是否會相同。呼叫次數(shù)是一個(gè)有范圍的隨機(jī)數(shù),隨機(jī)數(shù)的產(chǎn)生受時(shí)間參數(shù)控制。

模式3random。不同節(jié)點(diǎn)處產(chǎn)生出租車呼叫次數(shù)是隨機(jī)的,隨機(jī)數(shù)的產(chǎn)生受時(shí)間參數(shù)控制。

TotalSame、typeSame、random 模式隨機(jī)數(shù)選擇方案如表1 所示。

表1 totalSame、typeSame、random 模式隨機(jī)數(shù)選擇方案

模式4human。人工干涉節(jié)點(diǎn)處出租車呼叫次數(shù),指定被選擇節(jié)點(diǎn)處的呼叫次數(shù)為一個(gè)較大的隨機(jī)數(shù),其他節(jié)點(diǎn)處的呼叫次數(shù)的產(chǎn)生方式與total-Same 模式一致。

Human 模式隨機(jī)數(shù)選擇方案如表2 所示。

表2 human 模式隨機(jī)數(shù)選擇方案

1.2 相關(guān)定義

定義1 節(jié)點(diǎn)鄰域(neighborhood)與閉鄰域(closed neighborhood)。設(shè)無向圖G=＜V,E ＞,vi,vj∈V,若?et∈E,使得et=(vi,vj),則稱vi與vj是相鄰的,即aij=1。節(jié)點(diǎn)vi鄰域?yàn)棣膇={vj | vj∈V,aij=1,j=1,2,…,n}。節(jié)點(diǎn)vi閉鄰域?yàn)?{vi} ∪δi。

1.2.1 節(jié)點(diǎn)加權(quán)系數(shù)

本文中節(jié)點(diǎn)的權(quán)值為節(jié)點(diǎn)處出租車的隨機(jī)呼叫次數(shù),該指標(biāo)的提出是考慮到判定節(jié)點(diǎn)重要度時(shí)除了拓?fù)鋱D本身結(jié)構(gòu)屬性之外,還受到POI 即節(jié)點(diǎn)處權(quán)值大小的影響。在其他條件相同的前提下,節(jié)點(diǎn)處的權(quán)值越大,節(jié)點(diǎn)越重要,說明該指標(biāo)的貢獻(xiàn)度越高。根據(jù)各POI 處對出租車的隨機(jī)呼叫次數(shù),提出節(jié)點(diǎn)加權(quán)系數(shù)為不同節(jié)點(diǎn)處的出租車呼叫權(quán)重,也稱為節(jié)點(diǎn)貢獻(xiàn)度。

定義2局部加權(quán)系數(shù)(local weighting factor,LWF)。節(jié)點(diǎn)的局部加權(quán)系數(shù)為節(jié)點(diǎn)閉鄰域中的權(quán)值和,節(jié)點(diǎn)vi處的出租車呼叫次數(shù)為,節(jié)點(diǎn)vi鄰域的出租車呼叫次數(shù)為,則節(jié)點(diǎn)vi的局部加權(quán)系數(shù)可以定義為

為了簡化計(jì)算,縮小量值,將上述局部加權(quán)系數(shù)的值進(jìn)行歸一化,使結(jié)果范圍在[0,1]之間。使用的歸一化方法如式(2)所示。

定義3全局加權(quán)系數(shù)(global weighting factor,GWF)。節(jié)點(diǎn)的全局加權(quán)系數(shù)為節(jié)點(diǎn)vi處的權(quán)值與整個(gè)網(wǎng)絡(luò)圖中所有節(jié)點(diǎn)的權(quán)值和之比,節(jié)點(diǎn)vi的全局加權(quán)系數(shù)為

1.2.2 局部重要度

定義4節(jié)點(diǎn)的度(degree)及其閉鄰域的度(degree of closed neighborhood,CND)。節(jié)點(diǎn)vi的度等于和vi相關(guān)聯(lián)的邊的條數(shù),又稱關(guān)聯(lián)度,記作dG(vi)。節(jié)點(diǎn)vi閉鄰域的度為

式中,dG(δi) 為節(jié)點(diǎn)vi的鄰域集合中所有節(jié)點(diǎn)的度的累加和。

Sigmoid 函數(shù)也叫Logistic 函數(shù),在信息科學(xué)中,由于其單增以及反函數(shù)單增等性質(zhì),Sigmoid 函數(shù)常被用作神經(jīng)網(wǎng)絡(luò)的激活函數(shù),將變量映射到0～1 之間。

為了將節(jié)點(diǎn)閉鄰域的度的值映射到0～1 之間,對原Sigmoid 函數(shù)進(jìn)行一個(gè)變形。

其中x的取值范圍為[0,+∞),s(x) 的取值范圍為(0,1)。

定義5節(jié)點(diǎn)鄰域度密度(neighborhood degree density,NDD)。將節(jié)點(diǎn)vi鄰域集合中節(jié)點(diǎn)的度數(shù)之和與節(jié)點(diǎn)vi的度的比值定義為節(jié)點(diǎn)vi的鄰域度密度,代表著節(jié)點(diǎn)的鄰域關(guān)系。節(jié)點(diǎn)vi的鄰域度密度為

定義6基于度的點(diǎn)密度(dot density,DOTD)考慮了節(jié)點(diǎn)閉鄰域的度與節(jié)點(diǎn)鄰域集合的度密度之間的關(guān)系,其定義如式(8)所示。

定義7節(jié)點(diǎn)的局部集聚系數(shù)(agglomeration coefficient,AGGC)。節(jié)點(diǎn)vi的鄰居節(jié)點(diǎn)之間所存在的邊數(shù)與可能存在的最大邊數(shù)之比。節(jié)點(diǎn)vi的局部集聚系數(shù)為

該指標(biāo)考慮了節(jié)點(diǎn)的鄰居節(jié)點(diǎn)之間的緊密程度。

1.2.3 全局重要度

定義8接近中心性(proximity centrality)。假設(shè)圖中共有m個(gè)節(jié)點(diǎn),是節(jié)點(diǎn)vi到節(jié)點(diǎn)vj的距離(按經(jīng)緯度計(jì)算),di是節(jié)點(diǎn)vi到網(wǎng)絡(luò)中所有節(jié)點(diǎn)的距離的平均值。節(jié)點(diǎn)vi的經(jīng)緯度為節(jié)點(diǎn)vj的經(jīng)緯度為,則兩點(diǎn)經(jīng)緯度間的距離公式為

式中r為地球平均半徑,通常選擇常數(shù)值為6371 km。

節(jié)點(diǎn)vi的全局重要度(global importance)為

其中,di值的相對大小在某種程度上反映了節(jié)點(diǎn)vi在網(wǎng)絡(luò)中的相對重要性,di的值越小意味著節(jié)點(diǎn)vi更接近其他節(jié)點(diǎn),越居于網(wǎng)絡(luò)中心,節(jié)點(diǎn)vi在全局網(wǎng)絡(luò)中越重要。

1.2.4 節(jié)點(diǎn)重要度

復(fù)雜網(wǎng)絡(luò)本質(zhì)上的非同質(zhì)拓?fù)浣Y(jié)構(gòu),決定了網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的重要程度是不同的。節(jié)點(diǎn)在復(fù)雜網(wǎng)絡(luò)中的重要度首先取決于節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置,如網(wǎng)絡(luò)中的“末梢節(jié)點(diǎn)”和“非末梢節(jié)點(diǎn)”的重要程度顯然是不一樣的;其次,節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要度還取決于節(jié)點(diǎn)的連通能力,該節(jié)點(diǎn)連接的邊數(shù)越多,節(jié)點(diǎn)就越重要;除此之外,本文中提出的節(jié)點(diǎn)處的權(quán)值大小也影響著節(jié)點(diǎn)的重要程度。

定義9通用節(jié)點(diǎn)重要度(general node importance degree,GNID),稱

為節(jié)點(diǎn)vi是通用節(jié)點(diǎn)時(shí)的重要度。通用節(jié)點(diǎn)在本文里特指無權(quán)節(jié)點(diǎn),即節(jié)點(diǎn)處無權(quán)值。

定義10專用節(jié)點(diǎn)重要度(dedicated node importance degree,DNID),稱

為節(jié)點(diǎn)vi是專用節(jié)點(diǎn)時(shí)的重要度。專用節(jié)點(diǎn)在本文里特指加權(quán)節(jié)點(diǎn),即節(jié)點(diǎn)處有權(quán)值。

2 算法描述

復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)的重要度由節(jié)點(diǎn)在復(fù)雜網(wǎng)絡(luò)中的位置和在其鄰域中的度以及節(jié)點(diǎn)處的權(quán)值大小共同決定。

2.1 GNI 算法

本文通用節(jié)點(diǎn)重要度(general node importance,GNI)計(jì)算方法可以在常見的網(wǎng)絡(luò)圖中使用,節(jié)點(diǎn)處無權(quán)值,它考慮的是節(jié)點(diǎn)在網(wǎng)絡(luò)中的基本結(jié)構(gòu),綜合節(jié)點(diǎn)在局部區(qū)域和全局中的信息,設(shè)計(jì)算法過程如算法1 所示。

2.2 DNI 算法

本文專用節(jié)點(diǎn)重要度(dedicated node importance,DNI)計(jì)算方法是在DNI 算法的基礎(chǔ)上設(shè)計(jì)的,它除了綜合考慮節(jié)點(diǎn)在網(wǎng)絡(luò)中的基本結(jié)構(gòu)信息外,還增加了節(jié)點(diǎn)加權(quán)系數(shù)(貢獻(xiàn)度)這一指標(biāo),更適用于本文的研究背景,算法過程如算法2 所示。

GNI 算法適用于節(jié)點(diǎn)處無權(quán)值的情況下求節(jié)點(diǎn)重要度。DNI 算法適用于節(jié)點(diǎn)處有權(quán)值的情況下求節(jié)點(diǎn)重要度。DNI 算法更適用于本文的研究背景,在POI 處對出租車有需求,即在節(jié)點(diǎn)處有權(quán)值的情況下判定節(jié)點(diǎn)重要度。

2.3 出租車?？课恢眠x擇算法

出租車?？课恢玫倪x擇依據(jù)周圍節(jié)點(diǎn)的重要程度,在多個(gè)重要程度不同的節(jié)點(diǎn)之間的某個(gè)位置選擇出租車停靠點(diǎn)時(shí),需要考慮到?？课恢玫焦?jié)點(diǎn)的距離及節(jié)點(diǎn)的重要程度兩個(gè)因素。本文類比多邊形獲取“重心”的方法,求得最佳的出租車?？课恢?。

已知節(jié)點(diǎn)vi,其在平面坐標(biāo)系中的坐標(biāo)為(,),米勒坐標(biāo)系中的坐標(biāo)為。米勒坐標(biāo)系下坐標(biāo)轉(zhuǎn)化至平面坐標(biāo)系下坐標(biāo)公式為

得:

在平面直角坐標(biāo)系下:

已知點(diǎn)o(xo,yo),其在平面坐標(biāo)系中的坐標(biāo)為(xo,yo),在米勒坐標(biāo)系中的坐標(biāo)為。平面坐標(biāo)系下坐標(biāo)轉(zhuǎn)化至米勒坐標(biāo)系下坐標(biāo)公式為

式中mill=2.3,最終結(jié)果留到小數(shù)點(diǎn)后7 位。出租車?？课恢眠x擇算法過程如算法3 所示。

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)集

本文選取的POI 為河北省秦皇島市北戴河區(qū)113 家對出租車有較大需求的8 類場所,分別為車站、住宅區(qū)、學(xué)校(高校)、醫(yī)院、景區(qū)、酒店、餐館和購物廣場,如圖1 和圖2 所示。這113 家場所的選取來自當(dāng)前熱門APP 推薦并且根據(jù)真實(shí)的經(jīng)緯度數(shù)據(jù)(北京大學(xué)開放數(shù)據(jù)平臺和高德地理信息集)與高德地圖實(shí)際行駛路線構(gòu)成城市道路網(wǎng)。城市道路網(wǎng)是在城鎮(zhèn)管轄范圍內(nèi)由節(jié)點(diǎn)和各種不同功能的干道和區(qū)域性道路組成的,是城市總體規(guī)劃布局的骨架。

圖1 POI 及出租車可行駛路線網(wǎng)絡(luò)圖

圖2 POI 按類型顯示及出租車可行駛路線網(wǎng)絡(luò)圖

選取北戴河區(qū)的POI 作為研究數(shù)據(jù)的原因:(1)北戴河區(qū)交通基礎(chǔ)設(shè)施建設(shè)還在發(fā)展中,沒有市中心發(fā)達(dá),公交站點(diǎn)密度也比較小;(2)因?yàn)槁糜蔚刃枨?人口流動量大;(3)堵車情況不嚴(yán)重,出租車市場發(fā)展?jié)摿Υ蟆?/p>

3.2 實(shí)驗(yàn)

為求得北戴河區(qū)最佳的出租車?？课恢?共進(jìn)行2 組實(shí)驗(yàn)。第1 組實(shí)驗(yàn)根據(jù)定義8 和定義9 分別在4 種模式下以GNI 算法和DNI 算法求出圖中113個(gè)節(jié)點(diǎn)的重要度排名,通過比較兩種算法下的排名可以看到,在節(jié)點(diǎn)處有權(quán)值時(shí)會影響節(jié)點(diǎn)的重要度。第2 組實(shí)驗(yàn)根據(jù)DNI 算法下的節(jié)點(diǎn)重要度排名,選出排名前5%的節(jié)點(diǎn),依據(jù)出租車?？课恢眠x擇算法,求得最佳的出租車?？课恢?。

下面的各個(gè)實(shí)驗(yàn)是對于不同模式下DNI 算法與GNI 算法節(jié)點(diǎn)重要度變化量排名前5 結(jié)果對比。

3.2.1 節(jié)點(diǎn)重要度排名

(1) totalSame 模式

如圖3 所示,由實(shí)驗(yàn)結(jié)果可知,當(dāng)考慮節(jié)點(diǎn)處的權(quán)值時(shí),會對最終節(jié)點(diǎn)重要度的排名結(jié)果產(chǎn)生明顯的影響,排名結(jié)果與權(quán)值大小無關(guān)。并且,若所有POI 處的呼叫次數(shù)為0 時(shí),即節(jié)點(diǎn)處的權(quán)值大小為0時(shí),DNI 算法的節(jié)點(diǎn)重要度排名與GNI 算法下的排名一致。

圖3 totalSame 模式

(2) typeSame 模式

如圖4 所示,該模式下,相同類型的節(jié)點(diǎn)處產(chǎn)生的呼叫次數(shù)相同。時(shí)間參數(shù)為mor 時(shí),8 種類型節(jié)點(diǎn)的呼叫次數(shù)分別為5、3、7、7、0、4、1、0;時(shí)間參數(shù)為noon 時(shí),8 種類型節(jié)點(diǎn)的呼叫次數(shù)分別為9、0、5、0、2、3、1、6;時(shí)間參數(shù)為aft時(shí),8種類型節(jié)點(diǎn)的呼叫次數(shù)分別為6、9、16、7、15、9、4、5;時(shí)間參數(shù)為eve時(shí),8 種類型節(jié)點(diǎn)的呼叫次數(shù)分別為12、3、2、6、1、4、5、1。由實(shí)驗(yàn)結(jié)果可知,typeSame 模式下,節(jié)點(diǎn)重要度排名在DNI 算法下與GNI 算法下有明顯變化。

圖4 typeSame 模式

(3) random 模式

如圖5所示,該模式下,不同節(jié)點(diǎn)處產(chǎn)生的呼叫次數(shù)是在時(shí)間參數(shù)的控制下隨機(jī)生成的。由實(shí)驗(yàn)結(jié)果可知,random 模式下,節(jié)點(diǎn)重要度排名結(jié)果在DNI 算法下與GNI 算法下有明顯變化。

圖5 random 模式

(4) human 模式

如圖6 所示,該模式下,人工選擇標(biāo)號為50 的節(jié)點(diǎn),此節(jié)點(diǎn)處產(chǎn)生一個(gè)較大的隨機(jī)數(shù),而其余節(jié)點(diǎn)產(chǎn)生的隨機(jī)數(shù)方式與totalSame 模式一致。時(shí)間參數(shù)為mor 時(shí),{50 號節(jié)點(diǎn):58,其他節(jié)點(diǎn):14};時(shí)間參數(shù)為noon 時(shí),{50 號節(jié)點(diǎn):37,其他節(jié)點(diǎn):0};時(shí)間參數(shù)為aft 時(shí),{50 號節(jié)點(diǎn):45,其他節(jié)點(diǎn):2};時(shí)間參數(shù)為eve 時(shí),{50 號節(jié)點(diǎn):50;其他節(jié)點(diǎn):5}。

圖6 human 模式

由實(shí)驗(yàn)結(jié)果可知,human 模式下,節(jié)點(diǎn)重要度排名在DNI 算法下與GNI 算法下有明顯變化。

3.2.2 出租車?？课恢眠x擇

本文節(jié)點(diǎn)重要度排名方法選取DNI 算法,以human 模式下,設(shè)定時(shí)間參數(shù)等于mor 時(shí)為例,生成出租車?？课恢貌⑵浣Y(jié)果可視化。

根據(jù)出租車停靠位置選擇算法,排名前5%的節(jié)點(diǎn)的出租車?？课恢萌鐖D7 所示(黑色粗加號)。從表3 及圖7 中可知,排名第2 的節(jié)點(diǎn)與排名第4的節(jié)點(diǎn)分別在其閉鄰域中找最合適的出租車?？课恢脮r(shí),得到的結(jié)果一致。因?yàn)闃?biāo)號為56 的節(jié)點(diǎn)與標(biāo)號為70 的節(jié)點(diǎn)互為閉鄰域的關(guān)系,在通過出租車停靠位置選擇算法計(jì)算時(shí),是會出現(xiàn)結(jié)果一致的可能性的。而在該模式下,標(biāo)號為50 的節(jié)點(diǎn)處隨機(jī)數(shù)為56,此時(shí)節(jié)點(diǎn)加權(quán)系數(shù)對50 號節(jié)點(diǎn)的重要度排名及最終的出租車?？课恢枚加杏绊?。

圖7 出租車?？课恢迷诰W(wǎng)絡(luò)圖中的可視化

表3 human 模式下(時(shí)間參數(shù)為mor)出租車?？课恢眠x擇方案

本文以北戴河區(qū)113 個(gè)POI 進(jìn)行實(shí)例分析,得出以下結(jié)論。

(1) POI 處的呼叫次數(shù)大小,即節(jié)點(diǎn)處隨機(jī)數(shù)的權(quán)值大小,會影響節(jié)點(diǎn)重要度的排名結(jié)果。

(2) 節(jié)點(diǎn)的權(quán)值與節(jié)點(diǎn)在圖中的基本屬性之間并無相關(guān)性,進(jìn)一步說明單個(gè)指標(biāo)具有不同側(cè)重點(diǎn),而綜合指標(biāo)更能從物理拓?fù)浣Y(jié)構(gòu)及呼叫次數(shù)屬性方面體現(xiàn)節(jié)點(diǎn)的重要性。

(3) 出租車停靠位置的選取與POI 處的重要性相關(guān),?？课恢脮拷^為重要的POI。

4 結(jié)論

本文選取北戴河區(qū)113 個(gè)POI,考慮了其實(shí)際地理位置信息與出租車行駛路線,提出了POI 處出租車呼叫的次數(shù)作為新指標(biāo),建立了一種具有不同模式的出租車按需分配呼叫模型。該模型更適合于判定加權(quán)節(jié)點(diǎn)的重要度,同時(shí)基于節(jié)點(diǎn)的重要度排名,給出了較好的出租車?？课恢?。下一步的研究方向會將出租車的實(shí)際行駛距離以及行駛道路上需要經(jīng)過的紅綠燈數(shù)等指標(biāo)考慮進(jìn)去,以得到更好的出租車?？课恢?。