[发明专利]一种多维数据驱动的交通运输主体综合画像方法

权利要求书

1.一种多维数据驱动的交通运输主体综合画像方法，其特征在于，该方法具体包括如下步骤：

步骤1，交通运输主体的综合画像数据采集；

步骤1.1，对综合交通运输主体所涵盖各交通运输行业的原始运营数据进行采集；

基于不同时空维度的运输主体动、静态数据常态化的共享交换和综合利用，研发跨企业、跨系统企业动态监管数据交互架构技术，整合跨行业运营市场主体全生命周期生成的各类动静态多源数据，构建包括基础信息数据库、业务关联数据库运输主体综合动、静态数据库，为运输主体多维度画像提供数据支撑；

数据库的主体框架中涵盖公交、出租、汽车租赁、旅游客运、省际客运、货运、水运、机动车维修、停车多个交通运输行业，可根据实际企业的营业范围应用相应的子数据库；数据来源涉及政府、行业监管部门、企业运营部门及社会资源复杂主体，实现不同时空维度动态数据常态化的抽取、格式转换迁移、内容过滤整合、内容转换、同异步传输、录入与存储、共享交换和动态部署；

步骤1.2，根据交通运输主体的原始运营数据，实现对核心画像元素的提取，并对核心画像元素进行分级；

核心画像元素共分为三级，分别为宏观画像元素集、中观画像元素集和微观画像元素集，宏观画像元素集为交通运输主体包含的公交、出租、汽车租赁、旅游客运、省际客运、货运、水运、机动车维修、停车行业；中观画像元素为运输安全、经营行为、服务质量、企业管理、社会责任、运营监管方面；微观画像元素为具体指标；

核心画像元素集涵盖运输安全、经营行为、服务质量、企业管理、社会责任、运营监管6个方面，涵盖画像元素47项；

步骤2，交通运输主体的综合画像元素特征分析；

对画像元素数据进行统计、分析、评价，提取不同交通运输主体的运营特征；从运输安全、经营行为、服务质量、企业管理以及社会责任五个方面，对不同画像元素建立评分标准并进行打分，建立优秀、良好、中等、不合格标签属性；运营监管画像元素不作为交通运输主体的评分标准，针对画像元素进行时空特征分析，提取各画像元素的时空分布属性，作为各行业的运营特征并生成综合画像属性标签；

步骤3，结合各交通运输行业画像元素特征，建立交通运输主体的综合画像属性标签库；

步骤3.1，构建画像元素集及评语集；

根据画像元素集，分别设定宏观、中观、微观评价元素集：A＝{A₁,A₂,…,A_m}，A_i＝{A_i1,A_i2,…,A_ig},A_ij＝{A_ij1,A_ij2,…,A_ijh}，评语集V＝{V₁,V₂,…,V_q}；

步骤3.2，确定各画像元素权重；

分别计算各画像元素的主观权重和客观权重；设有m维画像元素向量A＝(A₁,A₂,…,A_m)，协方差矩阵为∑，分解成n维公因子F＝(F₁,F₂,…,F_n)^T和一个m维特殊因子ε＝(ε₁,ε₂,…,ε_m)^T，因子载荷矩阵为其模型表示为公式：

A_i＝a_i1F₁+a_i2F₂+…+a_inF_n+ε_i，i＝1,2,…,m

满足n≤m；Cov(F,ε)＝0；E(f)＝0,V(f)＝I；

n维公因子对第i个画像元素A_i的方差贡献率为：

随后，计算因子载荷矩阵，并进行最大方差正交旋转，得到旋转成分矩阵，最终通过回归法确立得分函数；

因此，最终微观画像元素集定量表示为S＝β₁A₁+β₂A₂+…+β_mA_m，β_i反映了各画像元素的变化对公因子的影响程度；

主观权重由层次分析法计算得出；

各画像元素的权重由乘法归一化公式求得，公式如下：

根据主观和客观的画像权重计算方法，分别得到宏观画像元素集的权重向量W＝(w₁,w₂,…,w_m)^T，中观画像元素集的权重向量W_i＝(w_i1,w_i2,…,w_im)^T，微观画像元素集的权重向量W_ij＝(w_ij1,w_ij2,…,w_ijm)^T；

步骤3.3，计算综合评价向量和综合评价值；

各微观元素的隶属度用各评价等级的评价企业数量占总企业数量的比例表示；模糊评价矩阵由中观画像元素下的微观画像元素对各评价等级的隶属度构成；

其中，r_ik1～r_ikn依次为微观元素集第k个元素对n个评价等级的隶属度；

对各画像元素集的权重向量与模糊评价矩阵进行加权平均型运算，获得模糊综合评价向量；宏观画像元素综合评价向量计算公式为Q_ij＝W_ij·R_ij，用Q_i1～Q_in构成的中观画像元素集的模糊评价矩阵R_i与权重向量W_i进行加权平均型运算，综合评价向量计算公式为Q_i＝W_i·R_i；同理，宏观画像元素集的综合评价向量计算公式为Q＝W·R，最后计算综合评价值C＝QV＝(b₁,b₂,…,b_q)^T·(V₁,V₂,…,V_q)^T；

将Q归一化，若q_t＝max(q₁,q₂,…,q₅)，则选择隶属度最大的等级，评价对象为t等级；

步骤4，基于交通运输主体的画像属性标签，生成基于交通运输主体的综合画像。