本技术涉及智能化客流优化领域，具体涉及一种基于客流仿真的网约车和地铁联运的优化协同方法。
背景技术：
1、随着城市化进程的加速，城市交通拥堵问题日益严重，特别是在高峰时段，地铁站口的客流疏散成为一大挑战，这不仅影响了市民的出行效率，也对城市的可持续发展构成了威胁。为了缓解交通压力，在城市交通规划中，常常采用多模式的交通系统，即结合公共交通、私人交通和共享交通等多种交通方式，以提供更灵活、高效的出行选择。
2、然而，传统的网约车和地铁联运模式虽然在一定程度上提供了出行的便利性，但仍然存在一些缺陷。例如，乘客和网约车司机之间可能存在信息不对称的问题，导致乘客难以快速找到网约车，而司机也难以准确定位乘客位置，影响接驳效率。此外，地铁站周边的网约车接驳点没有经过科学规划，导致乘客在寻找网约车时需要走很长的距离，或者网约车在接驳点等待时造成交通拥堵。尤其是在高峰时段，地铁站口的客流疏散压力巨大，而传统的网约车和地铁联运模式通常没有有效的客流管理策略，导致乘客疏散效率低下。
3、因此，期望一种优化的网约车和地铁联运协同方案。
技术实现思路
1、考虑到以上问题而做出了本技术。本技术的一个目的是提供一种基于客流仿真的网约车和地铁联运的优化协同方法。
2、本技术的实施例提供了一种基于客流仿真的网约车和地铁联运的优化协同方法，其包括：
3、获取预定地铁站在预定时间段的人流量的时间序列；
4、获取所述预定地铁站的预定出站口在所述预定时间段内的车流量的时间序列；
5、将所述人流量的时间序列和所述车流量的时间序列传输至客流仿真服务器；
6、在所述客流仿真服务器，对所述人流量的时间序列和所述车流量的时间序列进行时序特征提取以得到人流量时序关联隐含特征向量和车流量时序关联隐含特征向量；
7、在所述客流仿真服务器，基于所述人流量时序关联隐含特征向量进行理想车流量时序特征映射以确定理想车流量时序关联推理特征向量；
8、在所述客流仿真服务器，将所述理想车流量时序关联推理特征向量和所述车流量时序关联隐含特征向量输入基于先验分布的特征动态交互模块以得到理想车流量-实际车流量时序交互特征向量；
9、在所述客流仿真服务器，基于所述理想车流量-实际车流量时序交互特征向量，确定仿真结果，所述仿真结果用于表示是否在所述预定出站口设置网约车泊车点。
10、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，其中，在所述客流仿真服务器，对所述人流量的时间序列和所述车流量的时间序列进行时序特征提取以得到人流量时序关联隐含特征向量和车流量时序关联隐含特征向量，包括：将所述人流量的时间序列和所述车流量的时间序列分别输入基于bi-lstm模型的序列编码器以得到所述人流量时序关联隐含特征向量和所述车流量时序关联隐含特征向量。
11、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，在所述客流仿真服务器，基于所述人流量时序关联隐含特征向量进行理想车流量时序特征映射以确定理想车流量时序关联推理特征向量，包括：将所述人流量时序关联隐含特征向量输入基于解码器的理想车流量时序特征映射器以得到所述理想车流量时序关联推理特征向量。
12、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，在所述客流仿真服务器，将所述理想车流量时序关联推理特征向量和所述车流量时序关联隐含特征向量输入基于先验分布的特征动态交互模块以得到理想车流量-实际车流量时序交互特征向量，包括：
13、计算所述理想车流量时序关联推理特征向量和所述车流量时序关联隐含特征向量之间的逐位置除法以得到理想车流量-实际车流量逐位置响应交互特征向量；
14、分别计算所述理想车流量-实际车流量逐位置响应交互特征向量的第一先验因子和第二先验因子以得到第一理想车流量-实际车流量逐位置响应交互先验特征向量和第二理想车流量-实际车流量逐位置响应交互先验特征向量；
15、计算所述第一理想车流量-实际车流量逐位置响应交互先验特征向量和所述第二理想车流量-实际车流量逐位置响应交互先验特征向量之间的按位置加和以得到所述理想车流量-实际车流量时序交互特征向量。
16、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，分别计算所述理想车流量-实际车流量逐位置响应交互特征向量的第一先验因子和第二先验因子以得到第一理想车流量-实际车流量逐位置响应交互先验特征向量和第二理想车流量-实际车流量逐位置响应交互先验特征向量，包括：
17、将所述理想车流量-实际车流量逐位置响应交互特征向量逐位置乘以第一预定权重超参数以得到第一权重调制理想车流量-实际车流量逐位置响应交互特征向量；
18、以所述第一权重调制理想车流量-实际车流量逐位置响应交互特征向量中的各个位置特征值作为自然常数的指数以计算按位置的以自然常数为底的指数函数值以得到第一权重调制理想车流量-实际车流量逐位置响应交互类支持特征向量；
19、将所述第一权重调制理想车流量-实际车流量逐位置响应交互类支持特征向量乘以第一高斯分布随机数函数值以得到所述第一理想车流量-实际车流量逐位置响应交互先验特征向量；
20、将所述理想车流量-实际车流量逐位置响应交互特征向量逐位置乘以第二预定权重超参数以得到第二权重调制理想车流量-实际车流量逐位置响应交互特征向量；
21、以所述第二权重调制理想车流量-实际车流量逐位置响应交互特征向量中的各个位置特征值作为自然常数的指数以计算按位置的以自然常数为底的指数函数值以得到第二权重调制理想车流量-实际车流量逐位置响应交互类支持特征向量；
22、将所述第二权重调制理想车流量-实际车流量逐位置响应交互类支持特征向量乘以第二高斯分布随机数函数值以得到所述第二理想车流量-实际车流量逐位置响应交互先验特征向量。
23、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，所述第一高斯分布随机数函数值和所述第二高斯分布随机数函数值都是以均值为0、方差为1的高斯分布随机数函数产生。
24、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，在所述客流仿真服务器，基于所述理想车流量-实际车流量时序交互特征向量，确定仿真结果，所述仿真结果用于表示是否在所述预定出站口设置网约车泊车点，包括：在所述客流仿真服务器，将所述理想车流量-实际车流量时序交互特征向量输入基于分类器的仿真结果生成器以得到所述仿真结果。
25、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，还包括训练步骤：用于对所述基于bi-lstm模型的序列编码器、所述基于解码器的理想车流量时序特征映射器、所述基于先验分布的特征动态交互模块和所述基于分类器的仿真结果生成器进行训练。
26、例如，根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，所述训练步骤，包括：
27、获取训练数据，所述训练数据包括预定地铁站在预定时间段的训练人流量的时间序列、所述预定地铁站的预定出站口在所述预定时间段内的训练车流量的时间序列以及真实仿真结果；
28、将所述训练人流量的时间序列和所述训练车流量的时间序列传输至训练客流仿真服务器；
29、在所述训练客流仿真服务器，将所述训练人流量的时间序列和所述训练车流量的时间序列分别输入所述基于bi-lstm模型的序列编码器以得到训练人流量时序关联隐含特征向量和训练车流量时序关联隐含特征向量；
30、在所述训练客流仿真服务器，将所述训练人流量时序关联隐含特征向量输入所述基于解码器的理想车流量时序特征映射器以得到训练理想车流量时序关联推理特征向量；
31、在所述训练客流仿真服务器，将所述训练理想车流量时序关联推理特征向量和所述训练车流量时序关联隐含特征向量输入所述基于先验分布的特征动态交互模块以得到训练理想车流量-实际车流量时序交互特征向量；
32、在所述训练客流仿真服务器，将所述训练理想车流量-实际车流量时序交互特征向量输入所述基于分类器的仿真结果生成器以得到训练仿真结果；
33、计算所述训练仿真结果和所述真实仿真结果之间的交叉熵损失函数值作为分类损失函数值；
34、基于所述分类损失函数值对所述基于bi-lstm模型的序列编码器、所述基于解码器的理想车流量时序特征映射器、所述基于先验分布的特征动态交互模块和所述基于分类器的仿真结果生成器进行训练。
35、根据本技术的实施例的基于客流仿真的网约车和地铁联运的优化协同方法，其利用客流仿真模型和人工智能算法来模拟和分析乘客在地铁站口内外的流动情况，从而为网约车接驳点的设置提供科学依据。通过对站点内外部条件的综合考虑，可以有效规划网约车接驳点的位置，以优化乘客的接驳体验和提高站点的客流疏散能力。
1.一种基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，包括：
2.根据权利要求1所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，在所述客流仿真服务器，对所述人流量的时间序列和所述车流量的时间序列进行时序特征提取以得到人流量时序关联隐含特征向量和车流量时序关联隐含特征向量，包括：将所述人流量的时间序列和所述车流量的时间序列分别输入基于bi-lstm模型的序列编码器以得到所述人流量时序关联隐含特征向量和所述车流量时序关联隐含特征向量。
3.根据权利要求2所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，在所述客流仿真服务器，基于所述人流量时序关联隐含特征向量进行理想车流量时序特征映射以确定理想车流量时序关联推理特征向量，包括：将所述人流量时序关联隐含特征向量输入基于解码器的理想车流量时序特征映射器以得到所述理想车流量时序关联推理特征向量。
4.根据权利要求3所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，在所述客流仿真服务器，将所述理想车流量时序关联推理特征向量和所述车流量时序关联隐含特征向量输入基于先验分布的特征动态交互模块以得到理想车流量-实际车流量时序交互特征向量，包括：
5.根据权利要求4所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，分别计算所述理想车流量-实际车流量逐位置响应交互特征向量的第一先验因子和第二先验因子以得到第一理想车流量-实际车流量逐位置响应交互先验特征向量和第二理想车流量-实际车流量逐位置响应交互先验特征向量，包括：
6.根据权利要求5所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，所述第一高斯分布随机数函数值和所述第二高斯分布随机数函数值都是以均值为0、方差为1的高斯分布随机数函数产生。
7.根据权利要求6所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，在所述客流仿真服务器，基于所述理想车流量-实际车流量时序交互特征向量，确定仿真结果，所述仿真结果用于表示是否在所述预定出站口设置网约车泊车点，包括：在所述客流仿真服务器，将所述理想车流量-实际车流量时序交互特征向量输入基于分类器的仿真结果生成器以得到所述仿真结果。
8.根据权利要求7所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，还包括训练步骤：用于对所述基于bi-lstm模型的序列编码器、所述基于解码器的理想车流量时序特征映射器、所述基于先验分布的特征动态交互模块和所述基于分类器的仿真结果生成器进行训练。
9.根据权利要求8所述的基于客流仿真的网约车和地铁联运的优化协同方法，其特征在于，所述训练步骤，包括：
