解決城市交通的有效途徑就是發(fā)展公共交通，而公交調(diào)度指揮著公交的正常營(yíng)運(yùn)，公交調(diào)度數(shù)據(jù)庫(kù)中記錄著大量的實(shí)時(shí)和歷史數(shù)據(jù)，通過(guò)數(shù)據(jù)挖掘技術(shù)處理這些大量的數(shù)據(jù)，并轉(zhuǎn)化成有價(jià)值的信息，用于分析營(yíng)運(yùn)趨勢(shì)及各項(xiàng)指標(biāo)，為管理者提供決策支持，從而提升企業(yè)效益。

　　1.什么是數(shù)據(jù)挖掘

　　數(shù)據(jù)挖掘（Data Mining，DM）又稱數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)（Knowledge Discover in Database，KDD），是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。數(shù)據(jù)挖掘是一種決策支持過(guò)程，它主要基于人工智能、模式識(shí)別、數(shù)據(jù)庫(kù)、可視化技術(shù)等，高度自動(dòng)化地分析企業(yè)的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，幫助管理者做出正確的決策。

　　2.數(shù)據(jù)挖掘的特點(diǎn)

　　（1）數(shù)據(jù)量大：大量的數(shù)據(jù)通過(guò)數(shù)據(jù)挖掘算法能夠反映數(shù)據(jù)的規(guī)律及特征。

　?。?）隱含性：數(shù)據(jù)挖掘是發(fā)現(xiàn)深藏在數(shù)據(jù)內(nèi)部的信息，而不是浮現(xiàn)在數(shù)據(jù)表面的信息。

　?。?）價(jià)值性：通過(guò)數(shù)據(jù)挖掘?qū)楣芾碚咛峁Q策支持，從而提升企業(yè)效益。

　　3.數(shù)據(jù)挖掘常見算法

　　（1）C4.5：C4.5算法是機(jī)器學(xué)習(xí)算法中的一種分類決策樹算法,其核心算法是ID3算法。

（2）k-means algorithm算法：k-means algorithm算法是一個(gè)聚類算法，把n的對(duì)象根據(jù)他們的屬性分為k個(gè)分割，k<n。

（3）Support vector machines：支持向量機(jī)算法是一種監(jiān)督式學(xué)習(xí)的方法，廣泛的應(yīng)用于統(tǒng)計(jì)分類以及回歸分析中。

（4）The Apriori algorithm：Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)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尋找參數(shù)最大似然估計(jì)的算法。

（6）PageRank：PageRank算法是Google算法的重要內(nèi)容。

（7）AdaBoost：Adaboost是一種迭代算法。

（8）k-nearest neighbor classification：K最近鄰(k-Nearest Neighbor，KNN)分類算法，是一個(gè)理論上比較成熟的方法，也是最簡(jiǎn)單的機(jī)器學(xué)習(xí)算法之一。

（9）Naive Bayes：樸素貝葉斯模型有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。

（10）分類與回歸樹（CART,Classification and Regression Trees）：在分類樹下面有兩個(gè)關(guān)鍵的思想。第一個(gè)是關(guān)于遞歸地劃分自變量空間的想法；第二個(gè)想法是用驗(yàn)證數(shù)據(jù)進(jìn)行剪枝。

　　4.公交調(diào)度數(shù)據(jù)挖掘

　　數(shù)據(jù)挖掘技術(shù)的應(yīng)用是為了完善調(diào)度系統(tǒng)，公交調(diào)度數(shù)據(jù)挖掘的對(duì)象是智能調(diào)度系統(tǒng)數(shù)據(jù)庫(kù)，根據(jù)營(yíng)運(yùn)調(diào)度的實(shí)時(shí)上傳數(shù)據(jù)，進(jìn)行數(shù)據(jù)挖掘。公交調(diào)度數(shù)據(jù)挖掘流程如下圖所示：

　　（1）數(shù)據(jù)準(zhǔn)備建立模型

　　數(shù)據(jù)準(zhǔn)備就是對(duì)智能調(diào)度系統(tǒng)數(shù)據(jù)庫(kù)中有關(guān)行車計(jì)劃數(shù)據(jù)進(jìn)行搜集，建立相應(yīng)數(shù)據(jù)模型，包括應(yīng)用時(shí)刻表、車輛使用計(jì)劃、配班計(jì)劃等，以支持公交調(diào)度方案的生成。

　　數(shù)據(jù)庫(kù)以O(shè)racle建立的，行車時(shí)刻數(shù)據(jù)表字段包括時(shí)刻表ID、發(fā)車時(shí)間、到達(dá)時(shí)間、發(fā)車間隔等字段；配班計(jì)劃表字段包括班次、上下班時(shí)間、班組等字段；車輛使用計(jì)劃表字段包括線路ID、車輛ID等字段。

　　（2）處理營(yíng)運(yùn)調(diào)度數(shù)據(jù)

　　對(duì)搜集的原始信息進(jìn)行分析整理，對(duì)海量的數(shù)據(jù)信息進(jìn)行清算過(guò)濾，將無(wú)效數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)、重復(fù)數(shù)據(jù)等進(jìn)行詳細(xì)分類整理。同時(shí)進(jìn)行營(yíng)運(yùn)調(diào)度問題與偏差分析，調(diào)度人員根據(jù)不同的問題采取相應(yīng)的調(diào)度措施。

　　根據(jù)車輛營(yíng)運(yùn)實(shí)際，當(dāng)車輛發(fā)生故障、車輛臨時(shí)調(diào)出、串車、嚴(yán)重堵塞等問題發(fā)生時(shí)，車輛調(diào)度將與計(jì)劃出現(xiàn)偏差，數(shù)據(jù)挖掘?qū)⑦@些問題進(jìn)行挖掘整理便于及時(shí)調(diào)整車輛調(diào)度。

　　（3）數(shù)據(jù)分析構(gòu)建挖掘模型

　　公交調(diào)度是在營(yíng)運(yùn)車輛偏離行車計(jì)劃后針對(duì)遇到的問題采取的調(diào)度措施，確保發(fā)車間隔、發(fā)車時(shí)間、發(fā)車次序等正?；?shù)據(jù)分析構(gòu)建挖掘模型為了最大發(fā)揮數(shù)據(jù)信息的應(yīng)用價(jià)值，將數(shù)據(jù)信息進(jìn)行多樣式多方位分析，確保正常營(yíng)運(yùn)的同時(shí)準(zhǔn)確預(yù)測(cè)未來(lái)一定時(shí)間內(nèi)各項(xiàng)營(yíng)運(yùn)指標(biāo)。

　　在處理調(diào)度問題上，主要通過(guò)調(diào)整發(fā)車時(shí)間、發(fā)車類型、發(fā)車次序等措施確保車輛正常營(yíng)運(yùn)。

　　（4）深入剖析挖掘數(shù)據(jù)的結(jié)果

　　根據(jù)結(jié)果并結(jié)合實(shí)際情況進(jìn)一步分析營(yíng)運(yùn)狀況，進(jìn)而能夠根據(jù)智能調(diào)度系統(tǒng)進(jìn)行優(yōu)化調(diào)度，推動(dòng)智慧公交的進(jìn)一步發(fā)展。

　　在智能調(diào)度系統(tǒng)中合理應(yīng)用數(shù)據(jù)挖掘技術(shù)，通過(guò)各種數(shù)據(jù)挖掘算法完善調(diào)問題，進(jìn)而更好地做好營(yíng)運(yùn)調(diào)度工作，合理制定排班工作。

　　參考文獻(xiàn):

　　[1]尹克堅(jiān) 淺談數(shù)據(jù)挖掘在智慧交通領(lǐng)域中的應(yīng)用 信息通信，2013（10）

　　[2]楊雪 數(shù)據(jù)挖掘在公交調(diào)度中的應(yīng)用研究 北京交通大學(xué)

　　[3]MBA智庫(kù)百科