CN103310287A - 基于svm预测乘客出行概率的轨道交通客流预测方法 - Google Patents
基于svm预测乘客出行概率的轨道交通客流预测方法 Download PDFInfo
- Publication number
- CN103310287A CN103310287A CN2013102735046A CN201310273504A CN103310287A CN 103310287 A CN103310287 A CN 103310287A CN 2013102735046 A CN2013102735046 A CN 2013102735046A CN 201310273504 A CN201310273504 A CN 201310273504A CN 103310287 A CN103310287 A CN 103310287A
- Authority
- CN
- China
- Prior art keywords
- passenger
- station
- probability
- prediction
- passenger flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于SVM预测乘客出行概率的轨道交通客流预测方法,步骤如下:一:采集轨道交通历史数据,包括乘客出行的起始站点、目的站点,进站时刻和出站时刻;二:基于历史数据,统计乘客出行比例;三:利用统计得到的出行比例数据训练最小二乘支持向量机,预测乘客出行概率;四:存储预测的出行概率,供实时客流预测模块使用;五:采集实时进站客流数据;该数据看作是乘客进站记录的集合;六:获取在步骤四中存储的乘客在该站的出行概率,预测乘客出行的目的站点;七:结合列车的发车间隔,模拟乘客出行,计算乘客到达和离开每一个站点的时间,并更新全路网客流。本发明利用乘客出行规律进行预测,能够实时对进站客流进行预测,预测的精度高。
Description
技术领域
本发明提供一种基于支持向量机(Support Vector Machine or SVM)预测乘客出行概率的轨道交通客流预测方法,即提供一种基于SVM预测乘客出行概率的轨道交通客流预测方法,属于计算机应用技术领域。
背景技术
随着国民经济的快速发展,城市化进程的不断加快,城市人口密度的不断增长,城市交通所承受的压力也逐渐加大。轨道交通具有客运量大、速度快、时间准、运距长、舒适度高、受外界因素影响小等特点,如今已经被越来越多的城市作为重点建设项目之一。
轨道交通客流预测是以轨道交通运行数据为基础,预测较短一段时间内站点的进出站客流、区段断面客流,换乘站换乘客流,地铁站内部客流分布等,能够监测地铁网络中客流情况并为突发事件提供预警,对于轨道交通***安全高效运行具有重要的意义。
现存技术中一种轨道交通客流的预测方法,是简单的面向地铁站点,将地铁客流看作简单的时间序列,利用神经网络进行预测,主要处理过程如下:
1.利用采集装置采集一段时间的轨道交通客流数据,将数据集分成两部分,训练数据集和测试数据集。
2.确定神经网络的参数,包括神经网络的层数、各层神经元的数目、层与层之间的传递函数、学习算法等。
3.利用训练数据集训练神经网络,将训练好的网络利用测试数据集进行测试。如果测试结果不满足要求,则修改网络参数,重新进行训练和预测。
4.利用训练好的网络预测轨道交通客流。
上述方法最大的问题就是孤立地处理一个地铁站,没有将地铁网络当作一个整体来对待,也就不能利用乘客出行规律进行预测,降低了预测的精度。
发明内容
本发明的目的是提供一种基于SVM预测乘客出行概率的轨道交通客流预测方法,将地铁网络当作一个整体来对待,利用乘客出行规律进行预测,提高预测的精度并且提供实时预测进站客流的功能。
本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其具体步骤如下:
步骤一:采集一段时间的轨道交通历史数据,该数据可以看作是乘客出行记录的集合,其中每条记录包括乘客出行的起始站点、目的站点,进站时刻和出站时刻;
步骤二:基于历史数据,统计乘客出行比例,针对每一个地铁站,统计乘客由该站进入去往其它站的比例;
步骤三:利用统计得到的出行比例数据训练最小二乘支持向量机(LSSVM),预测乘客出行概率,即针对每一个地铁站,预测乘客由该站进入去往其它站的概率;
步骤四:存储预测得到的出行概率,供实时客流预测模块使用;
步骤五:采集实时进站客流数据;该数据可以看作是乘客进站记录的集合,进站记录包括乘客的起始站点和进站时间;
步骤六:获取在步骤四中存储的乘客在该站的出行概率,预测乘客出行的目的站点;
步骤七:结合列车的发车间隔,模拟乘客出行,计算乘客到达和离开每一个站点的时间,并更新全路网客流。
其中,在步骤一中所述的“采集一段时间的轨道交通历史数据”,可以通过在地铁进出站闸机口布设装置,获取乘客刷卡信息采集得到。
其中,在步骤三中所述的“最小二乘支持向量机”,是支持向量机的一种扩展,在构造最优决策函数时,遵循了结构风险最小化原则,同时引入了间隔的概念,并巧妙地利用了原空间的核函数取代了高维特征点的点积运算,降低了计算的复杂度。
其中,在步骤三中所述的“利用统计得到的出行比例数据训练最小二乘支持向量机(LSSVM),预测乘客出行概率”,其训练内容和步骤为:
最小二乘支持向量机的训练数据样本可以表示为:(x1,y1),(x2,y2),…(xn,yn)。其中yi是目标值,xi是输入向量。
非线性回归问题可以描述为求解下面问题:
约束条件为:
其中是核空间映射函数,权矢量ω∈Rnh,误差变量ξt∈R,b是偏差量,γ是可调参数。核函数可以将原始空间中的样本映射为高维特征空间中的一个向量,已解决线性不可分问题,可以用拉格朗日求解这个优化问题,得到预测值
其中at,i=1,…n是拉格朗日乘子,b是偏差量,σ为核函数的调整参数
参数at、b、σ、γ是以统计得到的出行比例为训练数据,通过训练支持向量机而自动得到。
其中,在步骤四中所述的“存储预测得到的出行概率”,可以以文件的形式存储在磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM),也可以以关系数据的形式存储在关系数据库***中。
其中,在步骤五中所述的“采集实时进站客流数据”,可以通过在地铁进站闸机口布设装置,获取乘客刷卡信息采集得到。
本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方法和装置,其优点和功效是:
1.将地铁网络当作一个整体来对待,利用乘客出行规律进行预测,提高了预测的精度。
2.能够实时对进站客流进行预测。
附图说明
图1为本发明所述方法流程框图
具体实施方式
本发明提供了一种基于SVM预测乘客出行概率的轨道交通客流预测方法,通过对历史数据进行统计并采用SVM预测得到乘客出行概率,对实时进站客流,按照乘客出行概率预测乘客出行目的站,模拟乘客分配预测全路网客流。
为便于对本发明实施例的理解,下面将结合附图以一个具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
实施例
本实施例以北京地铁2012年4月24日,5月1日,5月8日,5月15日,5月22日预测5月29日的客流。
见图1所示,本发明一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其步骤如下:
1.采集历史数据
通过在地铁进出站闸机口布设装置,获取乘客刷卡信息采集得到2012年4月24日,5月1日,5月8日,5月15日,5月22日历史客流数据。
2.统计出行比例
3.预测5月29日乘客出行概率。
利用统计得到的出行比例训练最小二乘支持向量机,预测5月29日乘客出行概率。
4.存储出行概率
计算得到的出行概率,可以以文件的形式存储在磁碟、光盘、只读存储记忆体(Read‐Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM),也可以以关系数据的形式存储在关系数据库***中。
5.采集5月29日实时进站客流
通过在地铁进站闸机口布设装置,获取乘客刷卡信息采集得到2012年5月29日实时进站客流数据。
6.处理5月29日进站客流,预测乘客目的站点
之间的随机数r,如果Sj满足
则认为Sj为乘客出行的终点站。
重复以上过程,处理5月29日进站客流全部进站客流,就预测得到5月29日每条进站记录的出站预测值。
7.模拟乘客走行,更新全路网客流
模拟乘客出行并更新路网客流,过程如下:
3)根据乘客出行的路径结合列车发车间隔,模拟乘客出行,计算乘客到达地铁站的时间ArriveTimei和离开地铁站的时间DepartTimei,(i=1,2...k)。
4)更新全路网客流。比如乘客在ArriveTimei时刻到达DepartTimei时刻离开则在站内客流人数在(ArriveTimei,DepartTimei)时间段内增一。比如乘客在DepartTimei时刻离开在ArriveTimei+1时刻到达而和是相邻的两个非换乘地铁站,则到区段客流人数在(DepartTimei+1,ArriveTimei)时间段内增一。比如乘客在DepartTimei时刻离开在ArriveTimei+1时刻到达而和是相邻的两个换乘地铁站,则到换乘通道客流人数在(DepartTimei+1,ArriveTimei)时间段内增一。
重复以上过程,处理5月29日进站客流全部进站客流,就预测得到5月29日全路网在任意时刻的客流分布。
对于本发明提供的轨道交通客流预测方法,采用RME和RMSE标准进行评价,并与现存方法进行比较,发现本方法预测结果更加准确。
RME,又称平均相对误差,统计的是预测数据与对应真实数据的相对误差的平均值,计算公式如下:
RME越接近0,说明数据拟合程度越好,数据预测算法的正确性也越高。
RMSE,又称均方根误差,统计的是预测数据和原始数据对应点误差的平方和均值的平方根,计算公式如下:
RMSE越接近0,说明数据拟合程度越好,数据预测算法的正确性也越高。
表格1本发明与现存方法比较
本发明 | 现存方法1 | 现存方法2 | |
RME | 0.0608 | 0.1869 | 0.2925 |
RMSE | 19.9625 | 30.6418 | 40.3411 |
从上述表1可以看出,使用基于SVM预测乘客出行概率的轨道交通客流预测方法预测效果最好。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (6)
1.一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:该方法的步骤如下:
步骤一:采集一段时间的轨道交通历史数据,该数据看作是乘客出行记录的集合,其中每条记录包括乘客出行的起始站点、目的站点,进站时刻和出站时刻;
步骤二:基于历史数据,统计乘客出行比例,针对每一个地铁站,统计乘客由该站进入去往其它站的比例;
步骤三:利用统计得到的出行比例数据训练最小二乘支持向量机即LSSVM,预测乘客出行概率,即针对每一个地铁站,预测乘客由该站进入去往其它站的概率;
步骤四:存储预测得到的出行概率,供实时客流预测模块使用;
步骤五:采集实时进站客流数据;该数据看作是乘客进站记录的集合,进站记录包括乘客的起始站点和进站时间;
步骤六:获取在步骤四中存储的乘客在该站的出行概率,预测乘客出行的目的站点;
步骤七:结合列车的发车间隔,模拟乘客出行,计算乘客到达和离开每一个站点的时间,并更新全路网客流。
2.根据权利要求1所述的一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:在步骤一中所述的“采集一段时间的轨道交通历史数据”,通过在地铁进出站闸机口布设装置,获取乘客刷卡信息采集得到。
3.根据权利要求1所述的一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:在步骤三中所述的“最小二乘支持向量机”,是支持向量机的一种扩展,在构造最优决策函数时,遵循了结构风险最小化原则,同时引入了间隔的概念,并巧妙地利用了原空间的核函数取代了高维特征点的点积运算,降低了计算的复杂度。
4.根据权利要求1所述的一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:在步骤三中所述的“利用统计得到的出行比例数据训练最小二乘支持向量机即LSSVM,预测乘客出行概率”,其训练内容和步骤为:
最小二乘支持向量机的训练数据样本表示为:(x1,y1),(x2,y2),…(xn,yn);其中yi是目标值,xi是输入向量;
非线性回归问题描述为求解下面问题:
约束条件为:
其中是核空间映射函数,权矢量ω∈Rnh,误差变量ξt∈R,b是偏差量,γ是可调参数;核函数将原始空间中的样本映射为高维特征空间中的一个向量,已解决线性不可分问题,用拉格朗日求解这个优化问题,得到预测值
其中at,i=1,…n是拉格朗日乘子,b是偏差量,σ为核函数的调整参数,
参数at、b、σ、γ是以统计得到的出行比例为训练数据,通过训练支持向量机而自动得到。
5.根据权利要求1所述的一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:在步骤四中所述的“存储预测得到的出行概率”,以文件的形式存储在磁碟、光盘、只读存储记忆体即ROM或随机存储记忆体即RAM,也能以关系数据的形式存储在关系数据库***中。
6.根据权利要求1所述的一种基于SVM预测乘客出行概率的轨道交通客流预测方法,其特征在于:在步骤五中所述的“采集实时进站客流数据”,是通过在地铁进站闸机口布设装置,获取乘客刷卡信息采集得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310273504.6A CN103310287B (zh) | 2013-07-02 | 2013-07-02 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310273504.6A CN103310287B (zh) | 2013-07-02 | 2013-07-02 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103310287A true CN103310287A (zh) | 2013-09-18 |
CN103310287B CN103310287B (zh) | 2016-07-06 |
Family
ID=49135474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310273504.6A Expired - Fee Related CN103310287B (zh) | 2013-07-02 | 2013-07-02 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103310287B (zh) |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366224A (zh) * | 2013-07-15 | 2013-10-23 | 鲁东大学 | 一种基于公交网络的乘客需求预测***和方法 |
CN103914744A (zh) * | 2014-04-23 | 2014-07-09 | 北京市市政工程设计研究总院有限公司 | 一种地铁站地下商业客流预测方法及装置 |
CN103955973A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 一种公交车客运量的检测与获取方法 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN104574255A (zh) * | 2015-01-29 | 2015-04-29 | 北京嘀嘀无限科技发展有限公司 | 向用户提供出行路径的方法及设备 |
CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
CN106503315A (zh) * | 2016-10-10 | 2017-03-15 | 北京市交通信息中心 | 轨道交通突发事件下进站乘客出行特征比例的确定方法 |
CN106611227A (zh) * | 2015-10-23 | 2017-05-03 | 北斗导航位置服务(北京)有限公司 | 兴趣点流量动态变化曲线预测方法及*** |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN106933956A (zh) * | 2017-01-22 | 2017-07-07 | 深圳市华成峰科技有限公司 | 数据挖掘方法和装置 |
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN107180278A (zh) * | 2017-05-27 | 2017-09-19 | 重庆大学 | 一种轨道交通实时客流预测方法 |
CN107220724A (zh) * | 2017-04-21 | 2017-09-29 | 北京航空航天大学 | 客流量预测方法及装置 |
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
CN108876029A (zh) * | 2018-06-11 | 2018-11-23 | 南京航空航天大学 | 一种基于双种群自适应混沌萤火虫的客流预测方法 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN110276563A (zh) * | 2019-07-01 | 2019-09-24 | 长安大学 | 一种基于支持向量机模型的交通方式换乘行为识别方法 |
US10458806B2 (en) | 2015-01-27 | 2019-10-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110648010A (zh) * | 2019-07-26 | 2020-01-03 | 浙江工业大学 | 一种基于小样本数据的公交客流预测方法 |
CN110718089A (zh) * | 2019-10-15 | 2020-01-21 | Oppo(重庆)智能科技有限公司 | 一种出行服务方法、装置及计算机可读存储介质 |
CN111046288A (zh) * | 2019-12-11 | 2020-04-21 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN111275227A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 危险性预测方法、装置、电子设备及计算机可读存储介质 |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN111832841A (zh) * | 2020-07-27 | 2020-10-27 | 北京交通大学 | 一种封站条件下的轨道交通短时客流预测方法及*** |
CN111861841A (zh) * | 2020-06-30 | 2020-10-30 | 南昌轨道交通集团有限公司 | 交通路网客流分布的确定方法、装置、设备和存储介质 |
CN111860182A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种基于遥感影像的地铁客流来源智能分析方法 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112347596A (zh) * | 2020-11-05 | 2021-02-09 | 浙江非线数联科技有限公司 | 一种城市公交线网优化方法 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
TWI734117B (zh) * | 2018-07-27 | 2021-07-21 | 開曼群島商創新先進技術有限公司 | 期望時長區間確定方法、行程驗證方法及裝置 |
CN117973640A (zh) * | 2024-03-29 | 2024-05-03 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287620A1 (en) * | 2008-05-16 | 2009-11-19 | Samsung Electronics Co., Ltd. | System and method for object detection and classification with multiple threshold adaptive boosting |
CN102354406A (zh) * | 2011-06-07 | 2012-02-15 | 同济大学 | 基于rfid技术的轨道交通网络客流实时统计***及方法 |
-
2013
- 2013-07-02 CN CN201310273504.6A patent/CN103310287B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287620A1 (en) * | 2008-05-16 | 2009-11-19 | Samsung Electronics Co., Ltd. | System and method for object detection and classification with multiple threshold adaptive boosting |
CN102354406A (zh) * | 2011-06-07 | 2012-02-15 | 同济大学 | 基于rfid技术的轨道交通网络客流实时统计***及方法 |
Non-Patent Citations (3)
Title |
---|
CHUN-HSIN WU等: "Travel-Time Prediction with Support Vector Regression", 《IEEE TRANSACTION ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
冷彪等: "北京地铁换乘站客流预测模型研究", 《铁道运输与经济》 * |
杨军等: "基于小波分析的最小二乘支持向量机轨道交通客流预测方法", 《中国铁道科学》 * |
Cited By (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366224B (zh) * | 2013-07-15 | 2021-09-17 | 鲁东大学 | 一种基于公交网络的乘客需求预测***和方法 |
CN103366224A (zh) * | 2013-07-15 | 2013-10-23 | 鲁东大学 | 一种基于公交网络的乘客需求预测***和方法 |
CN103955973A (zh) * | 2014-04-15 | 2014-07-30 | 浙江工业大学 | 一种公交车客运量的检测与获取方法 |
CN103955973B (zh) * | 2014-04-15 | 2016-02-24 | 浙江工业大学 | 一种公交车客运量的检测与获取方法 |
CN103914744B (zh) * | 2014-04-23 | 2016-10-26 | 北京市市政工程设计研究总院有限公司 | 一种地铁站地下商业客流预测方法及装置 |
CN103914744A (zh) * | 2014-04-23 | 2014-07-09 | 北京市市政工程设计研究总院有限公司 | 一种地铁站地下商业客流预测方法及装置 |
CN103984994B (zh) * | 2014-05-19 | 2017-02-01 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
US11892312B2 (en) | 2015-01-27 | 2024-02-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
US10458806B2 (en) | 2015-01-27 | 2019-10-29 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
US11156470B2 (en) | 2015-01-27 | 2021-10-26 | Beijing Didi Infinity Technology And Development Co., Ltd. | Methods and systems for providing information for an on-demand service |
CN104574255A (zh) * | 2015-01-29 | 2015-04-29 | 北京嘀嘀无限科技发展有限公司 | 向用户提供出行路径的方法及设备 |
CN106611227A (zh) * | 2015-10-23 | 2017-05-03 | 北斗导航位置服务(北京)有限公司 | 兴趣点流量动态变化曲线预测方法及*** |
CN106611227B (zh) * | 2015-10-23 | 2020-08-11 | 北斗导航位置服务(北京)有限公司 | 兴趣点流量动态变化曲线预测方法及*** |
CN105513337A (zh) * | 2015-11-12 | 2016-04-20 | 中国科学院深圳先进技术研究院 | 一种客流量的预测方法及装置 |
CN107153881A (zh) * | 2016-03-03 | 2017-09-12 | 中国石油化工股份有限公司 | 一种钻井风险的预测方法 |
CN105741549B (zh) * | 2016-04-18 | 2017-12-05 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
CN105741549A (zh) * | 2016-04-18 | 2016-07-06 | 北京航空航天大学 | 一种基于空间copula理论的交通流量预测方法 |
CN106503315A (zh) * | 2016-10-10 | 2017-03-15 | 北京市交通信息中心 | 轨道交通突发事件下进站乘客出行特征比例的确定方法 |
CN106503315B (zh) * | 2016-10-10 | 2019-07-23 | 北京市交通信息中心 | 轨道交通突发事件下进站乘客出行特征比例的确定方法 |
CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
CN106933956A (zh) * | 2017-01-22 | 2017-07-07 | 深圳市华成峰科技有限公司 | 数据挖掘方法和装置 |
CN106933956B (zh) * | 2017-01-22 | 2020-12-01 | 深圳市华成峰科技有限公司 | 数据挖掘方法和装置 |
CN107220724B (zh) * | 2017-04-21 | 2020-12-08 | 北京航空航天大学 | 客流量预测方法及装置 |
CN107220724A (zh) * | 2017-04-21 | 2017-09-29 | 北京航空航天大学 | 客流量预测方法及装置 |
CN107180278A (zh) * | 2017-05-27 | 2017-09-19 | 重庆大学 | 一种轨道交通实时客流预测方法 |
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN109961164B (zh) * | 2017-12-25 | 2022-01-07 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN108876029A (zh) * | 2018-06-11 | 2018-11-23 | 南京航空航天大学 | 一种基于双种群自适应混沌萤火虫的客流预测方法 |
CN108564789A (zh) * | 2018-06-11 | 2018-09-21 | 重庆大学 | 基于收费站数据的高速公路匝道上下行方向流量估计方法 |
TWI734117B (zh) * | 2018-07-27 | 2021-07-21 | 開曼群島商創新先進技術有限公司 | 期望時長區間確定方法、行程驗證方法及裝置 |
CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN109308543B (zh) * | 2018-08-20 | 2021-10-22 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
CN111275227A (zh) * | 2018-12-04 | 2020-06-12 | 北京嘀嘀无限科技发展有限公司 | 危险性预测方法、装置、电子设备及计算机可读存储介质 |
CN110276563A (zh) * | 2019-07-01 | 2019-09-24 | 长安大学 | 一种基于支持向量机模型的交通方式换乘行为识别方法 |
CN110648010A (zh) * | 2019-07-26 | 2020-01-03 | 浙江工业大学 | 一种基于小样本数据的公交客流预测方法 |
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110647929B (zh) * | 2019-09-19 | 2021-05-04 | 北京京东智能城市大数据研究院 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110718089A (zh) * | 2019-10-15 | 2020-01-21 | Oppo(重庆)智能科技有限公司 | 一种出行服务方法、装置及计算机可读存储介质 |
CN111046288A (zh) * | 2019-12-11 | 2020-04-21 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN111046288B (zh) * | 2019-12-11 | 2024-04-19 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN111582605A (zh) * | 2020-05-21 | 2020-08-25 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN111582605B (zh) * | 2020-05-21 | 2023-09-12 | Oppo广东移动通信有限公司 | 目的站点的预测方法、装置、电子设备及存储介质 |
CN111860182A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种基于遥感影像的地铁客流来源智能分析方法 |
CN111860182B (zh) * | 2020-06-23 | 2023-09-29 | 北京航空航天大学 | 一种基于遥感影像的地铁客流来源智能分析方法 |
CN111861841A (zh) * | 2020-06-30 | 2020-10-30 | 南昌轨道交通集团有限公司 | 交通路网客流分布的确定方法、装置、设备和存储介质 |
CN111832841A (zh) * | 2020-07-27 | 2020-10-27 | 北京交通大学 | 一种封站条件下的轨道交通短时客流预测方法及*** |
CN112183815B (zh) * | 2020-08-28 | 2023-04-07 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112347596B (zh) * | 2020-11-05 | 2021-08-13 | 浙江非线数联科技股份有限公司 | 一种城市公交线网优化方法 |
CN112347596A (zh) * | 2020-11-05 | 2021-02-09 | 浙江非线数联科技有限公司 | 一种城市公交线网优化方法 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
CN117973640A (zh) * | 2024-03-29 | 2024-05-03 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
CN117973640B (zh) * | 2024-03-29 | 2024-07-12 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103310287B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310287A (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
Long et al. | Evaluating the effectiveness of urban growth boundaries using human mobility and activity records | |
Rahman et al. | Perceived service quality of paratransit in developing countries: A structural equation approach | |
CN108596727B (zh) | 一种共享单车的管理与决策方法 | |
WO2018214675A1 (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
Poliak et al. | New paradigms of quantification of economic efficiency in the transport sector | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN104200286A (zh) | 一种城市轨道交通时刻表优化技术应用框架 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
Zahabi et al. | Spatio-temporal analysis of car distance, greenhouse gases and the effect of built environment: A latent class regression analysis | |
Gan et al. | The identification of truck-related greenhouse gas emissions and critical impact factors in an urban logistics network | |
CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
CN109637134A (zh) | 一种公交设备匹配方法 | |
CN116629738B (zh) | 一种物流路径优化方法、相关方法、装置、设备及介质 | |
Moschovou et al. | Exploring the effects of economic crisis in road transport: The case of Greece | |
CN104464280B (zh) | 车辆行进开销的预测方法及*** | |
CN103049829A (zh) | 城乡客运线网与枢纽场站一体化融合方法 | |
KR101502539B1 (ko) | 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 | |
CN113256188A (zh) | 区域轨道跨线运营运输能力评价交互*** | |
Bousonville et al. | Data driven analysis and forecasting of medium and heavy truck fuel consumption | |
Cyril et al. | Electronic ticket machine data analytics for public bus transport planning | |
CN106570182B (zh) | 公交车辆下车站点识别方法与*** | |
Andrew et al. | Operational evaluation of the bus rapid transit system: Case study of Dar es Salaam city | |
Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160706 Termination date: 20180702 |