[发明专利]一种基于LDA模型的地铁站点功能挖掘方法

摘要

本发明属于数据挖掘技术领域，一种基于LDA模型的地铁站点功能挖掘方法，步骤如下：1)数据收集：包括地铁刷卡数据、地铁POI数据等。经过筛选提取预处理以后，得到实验所需的潜在主题分布向量，以保证分析结果的普适性；2)语义挖掘：应用LDA主题模型，以乘客出行模式分布矩阵和POI相对含量矩阵为输入挖掘动静语义；3)站点聚类：在功能挖掘方面，本发明使用先进的聚类算法获得按功能的站点聚类簇；4)站点分类标识：本发明从类间客流转移、地理功能占比分布、簇间相似度3个角度提出站点功能标识方法，使得分析结果权威可靠。以上海地铁为例进行的地铁站点功能挖掘实验表明，本方法对于处理类似问题具有出色表现。

主权项

一种基于LDA模型的地铁站点功能挖掘方法，其特征在于，步骤如下：(1)收集地铁客流数据作为乘客出行模式矩阵，收集地铁POI数据作为POI相对含量矩阵；(2)以乘客出行模式矩阵和POI相对含量矩阵为输入，应用LDA主题模型挖掘站点静动语义；(3)移动语义挖掘与位置语义挖掘a)将所有站点的出行模式的频率通过一个形为m*n的矩阵Msp来表示，其中m为站点的总数目，n为所有可能出现的出行模式的总数目；b)将站点出行模式矩阵Msp作为LDA的输入，得到一个m*k的站点功能矩阵，其中，k为潜在功能的数目，k设为20；c)建立一个m*t的站点POI矩阵MSPOI，其中m为站点的数目，t为POI类别标签数目；d)对矩阵MSPOI的每一列进行min‑max标准化，以将每个POI类别的数值映射到0至1之间，具体公式如下：MSPOI*.mi,j*=MSPOI.mi,j-min(MSPOI[,j])max(MSPOI[,j])-min(MSPOI[,j])]]>其中，min(MSPOI[,j])表示矩阵第j列的最小值，max(MSPOI[,j])表示第j列的最大值；i＝1,2,3,…,m；j＝1,2,3,…,t；(4)联合步骤(3)所得移动语义及位置语义，提取每个站点的功能特征向量，得到站点功能矩阵Fa)将移动语义与位置语义作为站点两大特征，得到一个m×2k的矩阵MSF，其中m为站点的总数目，k为潜在功能的数目；b)对MSF按列进行Z‑Score标准化处理，计算方法如下：MSF*.mi,j*=MSF.mi,j-μjσj]]>其中μj为MSF第j列的期望，σj为MSF第j列的方差；c)使用稀疏主成份分析方法SPCA提取每个站点的功能特征向量，得到站点功能矩阵F；(5)使用优化的K均值算法对站点的功能特征向量进行聚类a)使用轮廓系数s来评估聚类性能，轮廓系数s通过以下两个指标来计算：指标a：一个样本点和同一聚类中所有其他样本点的平均距离，反映了簇内凝聚度；指标b：一个样本点和离其最近的聚类中所有样本点的平均距离，反映了簇间分离度；对于一个样本的轮廓系数计算公式为：s=b-amax(a,b)]]>b)使用KMeans++的聚类中心选取方法来代替原始K均值算法随机选取初始聚类中心的方式，步骤如下：A.从样本集中随机选取一个点作为第一个聚类中心；B.重复以下步骤，直至生成k个聚类中心：①计算样本集中每个样本点xi和与之最近的已有聚类中心之间的距离di；②选取一个新的聚类中心，选择时每个点xi被选中的概率与di成正比；c)以这k个点为初始聚类中心执行K均值算法；对站点功能矩阵F聚类，得到M个聚类中心向量μi，每个簇都是具有某种相同功能站点的集合；(6)从多个角度分析站点功能标识，确定站点功能a)类间客流转移：分析类间不同时段的出入客流量特征以进行类型标注；在时间段t内由聚类ci中站点到达聚类cj中站点的平均客流量为这段时间内由聚类ci到达聚类cj的客流量总数除以两个聚类包含站点数的积；b)地理功能占比分布：统计一个站点类别内平均每个站点所含有的POI数目占全市总数目的百分比，以分析出每个类别的功能；第i种POI标签点在站点分类j的地理功能占比其中ni为所有i类POIs的数目，nj为j类站点的数目，ni,j为j类站点所在地区内所有i类POIs的数目；c)簇间相似度：根据已经获得的M个聚类中心向量μi，计算簇间余弦相似度矩阵MS，MS是一个M×M的方阵，其中每个元素MS.mi,j的具体计算方法如下：MS.mi,j＝cos＜μi,μj＞在进行站点功能标识时，簇间相似度越大的两个簇承担的功能就越相似。