数据挖掘在公交运营调度中的应用

　　解决城市交通的有效途径就是发展公共交通，而公交调度指挥着公交的正常营运，公交调度数据库中记录着大量的实时和历史数据，通过数据挖掘技术处理这些大量的数据，并转化成有价值的信息，用于分析营运趋势及各项指标，为管理者提供决策支持，从而提升企业效益。

　　1.什么是数据挖掘

　　数据挖掘（Data Mining，DM）又称数据库中的知识发现（Knowledge Discover in Database，KDD），是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘是一种决策支持过程，它主要基于人工智能、模式识别、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助管理者做出正确的决策。

　　2.数据挖掘的特点

　　（1）数据量大：大量的数据通过数据挖掘算法能够反映数据的规律及特征。

　　（2）隐含性：数据挖掘是发现深藏在数据内部的信息，而不是浮现在数据表面的信息。

　　（3）价值性：通过数据挖掘将为管理者提供决策支持，从而提升企业效益。

　　3.数据挖掘常见算法

　　（1）C4.5：C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法。

（2）k-means algorithm算法：k-means algorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割，k<n。

（3）Support vector machines：支持向量机算法是一种监督式学习的方法，广泛的应用于统计分类以及回归分析中。

（4）The Apriori algorithm：Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。

（5）最大期望(EM)算法：最大期望（EM，Expectation–Maximization）算法是在概率模型中寻找参数最大似然估计的算法。

（6）PageRank：PageRank算法是Google算法的重要内容。

（7）AdaBoost：Adaboost是一种迭代算法。

（8）k-nearest neighbor classification：K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。

（9）Naive Bayes：朴素贝叶斯模型有着坚实的数学基础，以及稳定的分类效率。

（10）分类与回归树（CART,Classification and Regression Trees）：在分类树下面有两个关键的思想。第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝。

　　4.公交调度数据挖掘

　　数据挖掘技术的应用是为了完善调度系统，公交调度数据挖掘的对象是智能调度系统数据库，根据营运调度的实时上传数据，进行数据挖掘。公交调度数据挖掘流程如下图所示：

　　（1）数据准备建立模型

　　数据准备就是对智能调度系统数据库中有关行车计划数据进行搜集，建立相应数据模型，包括应用时刻表、车辆使用计划、配班计划等，以支持公交调度方案的生成。

　　数据库以Oracle建立的，行车时刻数据表字段包括时刻表ID、发车时间、到达时间、发车间隔等字段；配班计划表字段包括班次、上下班时间、班组等字段；车辆使用计划表字段包括线路ID、车辆ID等字段。

　　（2）处理营运调度数据

　　对搜集的原始信息进行分析整理，对海量的数据信息进行清算过滤，将无效数据、错误数据、重复数据等进行详细分类整理。同时进行营运调度问题与偏差分析，调度人员根据不同的问题采取相应的调度措施。

　　根据车辆营运实际，当车辆发生故障、车辆临时调出、串车、严重堵塞等问题发生时，车辆调度将与计划出现偏差，数据挖掘将这些问题进行挖掘整理便于及时调整车辆调度。

　　（3）数据分析构建挖掘模型

　　公交调度是在营运车辆偏离行车计划后针对遇到的问题采取的调度措施，确保发车间隔、发车时间、发车次序等正常化。数据分析构建挖掘模型为了最大发挥数据信息的应用价值，将数据信息进行多样式多方位分析，确保正常营运的同时准确预测未来一定时间内各项营运指标。

　　在处理调度问题上，主要通过调整发车时间、发车类型、发车次序等措施确保车辆正常营运。

　　（4）深入剖析挖掘数据的结果

　　根据结果并结合实际情况进一步分析营运状况，进而能够根据智能调度系统进行优化调度，推动智慧公交的进一步发展。

　　在智能调度系统中合理应用数据挖掘技术，通过各种数据挖掘算法完善调问题，进而更好地做好营运调度工作，合理制定排班工作。

　　参考文献:

　　[1]尹克坚 浅谈数据挖掘在智慧交通领域中的应用 信息通信，2013（10）

　　[2]杨雪 数据挖掘在公交调度中的应用研究 北京交通大学

　　[3]MBA智库百科