CN115391641B 一种基于最小可觉差乘客偏好排序的诱导路径推 荐方法 （北京交通大学）

一种基于最小可觉差乘客偏好排序的诱导本发明提供了一种基于最小可觉差(JND)乘构建包括直接属性和间接属性的乘客画像标签出行的偏好度排序，构建基于JND的字典序偏好荐给乘客。本发明方法基于AFC数据和乘客画像径的匹配问题，并结合深度确定性策略梯度2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所述的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将所有乘客的出行记录集合X按照其起点到终点OD进行划分，筛选出以某OD为出行OD将客在(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k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3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令p,"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于属性qi的可感知变化比率为p,",路径和路径中该属性的较优值为当乘客设已知乘客c在某OD对(o,d)的字典序偏好集合为Qc，OD在时刻⑴的路径属性集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4属性的敏感性差异，结合DDPG强化学习算法对所述基于JND的字典序偏好路径选择模型进θQ,=τθQ+(1_τ)θQ,θμ,=τθμ+(1_τ)θμ,5[0004]本发明的实施例提供了一种基于最小可觉差乘客偏好排通乘客信息服务与运营管理水平提供理论与技[0008]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6[0018]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的乘客出计算公式如下所示：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[0031]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[0032]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，那么这两条路径在即为，乘客对于属性qi的可感知变化比率为p,",路径:"和路径"中该属性的较优值为7[0036]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⑴的路径属性集[0039]式中,"——偏好属性qi的可感知变化比率；[0045]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的字中的路径从大到小依次存入中；8τθQ+(1_τ)θQ′τθμ+(1_τ)θμ′JND(JustNoticeableDifference，最小可觉差)乘客偏好分析的诱导路径推荐方法与系合DDPG强化学习方法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，[0067]图1为本发明实施例提供的一种基于最小可觉差乘客偏好排序的诱导路径推荐方9语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该[0076]本发明实施例提供的一种基于最小可觉差乘客偏好排序的诱导路径推荐方法的tp=}[0101]式中J"——乘客c以o为起始站点的出行频率；[0103]各个起始站的出行频率J"组成起始站分布集合仅包含出行频率降序排[0105]X=tx,lid-c,st,-d;[0110]出行路径分布是指乘客在各条出行路径的频率统计，可[0115]各条出行路径的出行频率组成出行路径分布集合仅包含出行频率[0127]——起点站o到终点站d的第k条路径的旅行时间，为出站时间和进站时间之[0143]所述的标签偏好度分布反映乘客在路径选择时所考虑的因素，包括路径旅行时[0155]Tg:——路径k在tin时的属性标签集合；o,d,τo,d,τ[0169]Step3：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 o,d,τ[0178]所述基于JND的字典序偏好模型在进行路径之间的比较时，按照乘客对不同属性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"即为，乘客对于属性qi的可感知变化比率为p,",路径"和路径;"中该属性的较优值为[0184]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[0187]式中,"——偏好属性qi的可感知变化比率；j"0中排序第一的路径即为lbest。0中大于上限o;"的路径取出，从大到小依次存[0207]本发明中的动作为基于JND的字典序偏好模型的感知变化比率集β最优策略使得累积奖励最大化。Actor网络中的参数定义为θμ,目标函数计算公式如下所′[0228]结合Actor网络和Critic网络的目标和更新流程可知，DDPG算法的目标就是最大τθQ+(1_τ)θQ′τθμ+(1_τ)θμ′[0244]以卡号为1759753155543242的乘客为例，采用所述基于JND的字典序偏好模型进与系统可以真