目前起訖點(origin-destination,OD)挖掘方法普遍存在無法并行分析多條線路、低效率、預(yù)測率不足的問題�？紤]到Hive在海量數(shù)據(jù)上的查詢性能優(yōu)勢,基于Hive實現(xiàn)了OD挖掘,克服了上述問題�；跁r間閾值匹配上車站點,失配記錄基于站點上客數(shù)再次匹配�；诒磉B接的出行鏈算法預(yù)測下車站點,預(yù)測失敗的記錄基于概率進行兩次預(yù)測。以石家莊2018年1月1日—2018年3月27日的IC卡刷卡數(shù)據(jù)和調(diào)度數(shù)據(jù)進行OD挖掘,在清洗后的11 312 505條出行記錄中挖掘出11 270 037條OD記錄,預(yù)測率達到99.6%,出行與吸引校驗質(zhì)量較高,Hive并行調(diào)優(yōu)開啟后耗時17 829.04 s�？梢娫摲椒M足生產(chǎn)環(huán)境中離線挖掘OD的業(yè)務(wù)需求。

【文章頁數(shù)】：10 頁

【文章目錄】：
1 相關(guān)研究
2 數(shù)據(jù)源
3 上車站點匹配
    3.1 基于時間閾值的上車站點匹配
    3.2 基于站點上客數(shù)的上車站點匹配
4 下車站點預(yù)測
    4.1 出行鏈算法
    4.2 基于表連接的出行鏈算法
        4.2.1 構(gòu)造出行規(guī)律
        4.2.2 計算距離關(guān)系表
        4.2.3 下車站點預(yù)測
    4.3 基于概率的下車站點預(yù)測
5 實驗及結(jié)果分析
    5.1 數(shù)據(jù)清洗
    5.2 基于Hive的OD挖掘
        5.2.1 代理鍵
        5.2.2 輪盤賭策略
        5.2.3 時間不等關(guān)系轉(zhuǎn)換為相等關(guān)系
        5.2.4 Hive調(diào)優(yōu)
    5.3 OD挖掘及結(jié)果分析
    5.4 與其他方法的比較
6 結(jié)論



本文編號：3746441