CN103366224B - 一种基于公交网络的乘客需求预测***和方法 - Google Patents
一种基于公交网络的乘客需求预测***和方法 Download PDFInfo
- Publication number
- CN103366224B CN103366224B CN201310293407.3A CN201310293407A CN103366224B CN 103366224 B CN103366224 B CN 103366224B CN 201310293407 A CN201310293407 A CN 201310293407A CN 103366224 B CN103366224 B CN 103366224B
- Authority
- CN
- China
- Prior art keywords
- time
- bus
- model
- passenger demand
- prediction
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于公交网络的乘客需求预测***和方法,该方法综合考虑非均匀性、突发性和周期性等因素,通过随时间变化的泊松模型,加权时间变化的泊松模型,综合自回归移动平均模型等预测模型和基于滑动窗口的整合框架最终得到公交网络中的乘客需求预测。本发明预测得到的乘客需求量能够为乘客提供更加便捷舒适的公交出行环境,如减少乘客的等车时间、避免公交车过度拥挤或者过度松散的情况。
Description
技术领域
本发明涉及一种基于公交网络的乘客需求预测***和方法。
背景技术
伴随着经济的高速发展,交通运输业得到了飞速发展,但是交通状况却不断恶化,产生了一系列交通问题:交通拥挤和道路阻塞的现象日趋严重,交通事故频繁发生,随之带来的能源消耗和环境污染也越来越引起社会的普遍关注。公共交通工具,尤其是公交车服务可以有效缓解这些问题。公交服务能有效地利用现有交通设施,减少交通负荷和环境污染,保证交通安全,提高运输效率,改善道路使用者的方便性和舒适性。另外公交车分布范围广,价格便宜,因而日益受到各国人们的青睐。2011年新加坡500万居民中平均每天乘坐公交车的就有330多万。然而目前公交车的服务质量还有待提高,乘客在乘坐公交车时希望尽可能缩短等车时间,尽可能乘坐不拥挤的公交车。事实上,过度拥挤的公交车可能会吓走很多乘客,从而使他们放弃乘坐公交车。因此合理均衡的公交服务应该是满足公交公司和乘客双方的利益最大化。如果失去这种均衡就会出现下面两种情形中的一种:1)过多的空车和很少的乘客需求;2)乘客的等待时间很长和过度拥挤的公交车。可见,准确的、实时的乘客需求预测可以帮助公交公司决定合理的公交发车时间间隔,并且可以减少乘客的等车时间,这正是人们急切需要的。
然而,由于很多不确定因素的存在,本发明需要面对如下三个挑战:1)非均匀性。乘客对公交服务的需求在不同站点间,不同工作日间,以及同一天的不同时间段都存在差异;2)突发性。每个公交站点的乘客需求量都是不同的,并且很多公交站点的乘客需求是有突发性的,会受到很多意外事件的影响,如交通拥堵,天气变化等;3)周期性。乘客对公交服务的需求在不同周的同一工作日,以及同一天的早晨和傍晚都存在很高的相关度。为了很好地解决这些挑战性问题,本发明提出了一种基于公交网络的乘客需求预测***和方法。基于历史的GPS数据和公交服务数据(如乘客的上/下车站点),针对每个公交站点的乘客需求建立一个P分钟的时间序列直方图。本发明采用有名的时间序列预测技术,如随时间变化的泊松模型、加权时间变化的泊松模型和综合自回归移动平均模型等来预测公交网络中的乘客需求。
有效的乘客需求预测将成为公交网络中提供高级服务的一个重要的新特征,并且对其他基于位置的服务应用(Location Based Services,LBS)也是非常有用的。但是目前为止,公交网络中的乘客需求预测从未被考虑过。Vuchic (V. R. Vuchic.: TransitOperating Manual. Department of Transportation. Pennsylvania, USA. 1976) 提出一种最大负荷区的方法来决定公交车的发车时间间隔,从而提供足够的交通运输能力。Daganzo (C. F. Daganzo.: A Headway-based Approach to Eliminate Bus Bunching:Systematic Analysis and Comparisons. Transp. Res. Part B 43: 913-921. 2009)提出一种自适应控制模式来消除总线聚束,根据实时的车头时距信息来动态地决定公交车的发车时间。Zhao等 (J. Zhao, M. Dessouky, S. Bukkapatnam.: Optimal Slack Timefor Schedule-based Transit Operations. Transp. Sci. 40 (4): 529-539. 2006) 研究了最优松弛时间的问题,通过公交汽车运输车辆控制使乘客的等待时间最少。Chen (H.Chen.: Stochastic Optimization in Computing Multiple Headways for a SingleBus Line. In Proceedings of the 35th Annual Simulation Symposium (ANSS-35).IEEE Computer Society, California, USA. 2002) 考虑了同一条公交线路上多班距的问题,其优化模型是为了最大化公交公司的利润。Yan等(S. Y. Yan, C. J. Chi, C. H.Tang.: Inter-city Bus Routing and Timetable Setting under Stochastic Demands.Transp. Res. Part A 40: 572-586. 2006) 针对城际巴士线的随机需求研究了路由和时间表的设置模型,然而这种模型没有考虑市内公交线路,并且没有分析不同时间段的需求差异。上述这些研究工作都没有考虑乘客对公交服务的实时需求,而这正是本发明的重点所在。
关于公交车到达时间预测,目前已有很多相关研究。Van Hinsbergen等 (C. V.Hinsbergen, J. V. Lint, H. J. Zuylen. :Bayesian Committee of Neural Networksto Predict Travel Times with Confidence Intervals. Transportation ResearchPart C, Vol. 17, pp. 498-509. 2009) 将神经网络融合到等待时间预测模型中,并且利用贝叶斯理论来解决选择最优网络的问题。Chang等 (H. Chang, D. Park, S. Lee, H.Lee, S. Baek.: Dynamic Multi-interval Bus Travel Time Prediction using BusTransit Data. Transportmetrica Vol. 6, pp. 19-38. 2010)基于最近邻非参数回归提出了一种动态模型来预测从起始站点到终结站点的多条路径行驶时间。Yu等 (B. Yu, W.Lam, M. L. Tam.: Bus Arrival Time Prediction at Bus Stop with MultipleRoutes. Transportation Research Part C Vol. 19, pp. 1157-1170. 2011)提出了包括支持向量机(SVM),人工神经网络(ANN),K近邻算法(KNN)和线性回归(LR)等多种方法来预测等待时间,结果证明SVM模型对有多条线路的公交站点的等待时间预测是最好的。关于交通堵塞目前也有相关的研究工作。(A. Lakas and M. Chaqfeh.: A Novel Method forReducing Road Traffic Congestion using Vehicular Communication. InProceedings of the 6th International Wireless Communications and MobileComputing Conference, IWCMC , ACM, pp. 16-20. 2010)提出了一个车载通信***,通过挖掘和传播道路信息实现交通堵塞的检测和预警。该***由两部分组成:一个是基于泛洪的协议用来传输交通信息,一个是迪杰斯特拉算法用来动态地计算车辆的最少拥堵路线。(M. Ferreira, R. Fernandes, H. Conceicao, W. Viriyasitavat, and O.Tonguz.: Self-organized Traffic Control. In Proceedings of the AnnualInternational Conference on Mobile Computing and Networking, MOBICOM , ACM,pp. 85-90. 2010)中设计了一种虚拟的交通灯协议,在不需要任何路边基础设施的情况下,对道路交叉口的运输流量进行动态优化。上述方法假设道路中的每辆车都自愿参与交通管理,并且主动提供相关信息。但实际上,很多司机只愿意享受交通信息带来的便捷性,而不愿意分享任何信息。由于这种自私性的存在,这些交通管理***都是不可行的。本发明的乘客需求预测可以帮助公交公司决定合理的公交发车时间间隔,减少乘客的等车时间,从而减少甚至避免交通堵塞。
总之,现有方法的主要不足在于:1、目前的这些研究工作都没有考虑乘客对公交服务的实时需求量,而这是交通管理中的主要因素;2、目前的很多研究工作都以假设所有司机的积极主动配合为前提,而这些假设在大多数实际应用中都是不可行的;3、现有的研究工作都没有考虑乘客需求的非均匀性、突发性和周期性,而这些在乘客需求分析中必须考虑,否则会影响最终预测出的乘客需求结果;4、现有的基于出租车的研究工作,其数据是不全面的。
发明内容
针对现有技术存在的问题,本发明的目的在于提供一种基于公交网络的乘客需求预测***和方法。该方法综合考虑非均匀性、突发性和周期性等因素,从而为公交公司和乘客提供一种准确的、实时的公交网络中的乘客需求预测***和方法。
为实现上述目的,本发明的基于公交网络的乘客需求预测***和方法,具体步骤为:
1)从实际公交网络的应用出发,给出乘客需求预测方法的概要描述;
2)综合考虑非均匀性、突发性和周期性等因素,分别提出三种不同的乘客需求预测模型;
3)提出一种基于滑动窗口的框架来整合三种预测模型。
进一步,步骤1)中的实际公交网络表示如下:假设某条公交线路包含N(N2)个公交站点S ={S1,S2,…,SN}。其中第一个站点为出发站点,最后一个为终结站点。公交车在站点间的通行遵循特定的路线和特定的时刻表。Db ={d1,d2,…,dj}表示在站点s上车的、乘坐b路公交车的j个乘客的目的地集合。根据公交车的换班时间将运行时间分为4个时间段(早晨5点到上午9点,上午9点到中午1点,中午1点到下午5点,下午5点到晚上9点)。本发明要解决的问题就是预测t时刻在公交站点s要乘坐b路公交车的乘客的数目。
进一步,步骤2)中对乘客需求的预测模型包括随时间变化的泊松模型,加权时间变化的泊松模型和综合自回归移动平均模型。
进一步,随时间变化的泊松模型包括以下步骤:给定时间内某公交站点有n辆公交车停靠的概率P(n)满足泊松分布,定义为
式中d(t)表示工作日{1=周日,2=周一,…};h(t)是时间t所属的时间段(例如,若每30分钟作为一个时间段,则时间00:31包含于第二个时间段)。另外需要满足下面两个等式
式中D是一天中时间段的数目;是一周泊松过程的平均比率;表示第i天的相对变化(如周六的比率低于周二);表示第j天第i时间段的相对变化(如高峰期);是一个离散函数,用来表示公交站点s上随时间变化的乘客需求。
进一步,加权时间变化的泊松模型包括以下步骤:随时间变化的泊松模型只预测了时间相关的平均乘客需求,然而每个公交站点的乘客需求量都是不同的。实际上,很多公交站点的乘客需求是有突发性的,会受到很多意外事件的影响,如交通拥堵,天气变化等。加权时间变化的泊松模型能很好地解决突发性问题。其目的是增加上周乘客需求量与之前几周乘客需求量的相关度。相关度的权值w用有名的时间序列方法-指数平滑法-来计算,其定义为
进一步,综合自回归移动平均模型包括以下步骤:之前两种模型都假设乘客对公交服务的需求存在周期规律性,而实际上乘客的需求在不同站点间,不同工作日间,以及同一天的不同时间段都存在差异。综合自回归移动平均模型可以很好地模拟和预测单变量时间序列数据,如交通流数据和短期预测问题等。其优势在于能够准确地表示不同类型的时间序列,如自回归时间序列,移动平均时间序列,以及二者的结合。在综合自回归移动平均模型中,变量的预测值可以看做是历史观测和随机误差的线性函数。本发明中我们将某特定公交站点s上随时间变化的乘客需求量看做时间序列,因此预测过程可以表示如下
式中和分别是在时刻t乘客需求量的实际值和随机误差;和是模型的参数和权值,其中p和q是表示模型的阶的正整数。模型的阶和权值都可以利用自相关函数和偏自相关函数从历史时间序列中得到。这些值可以用来检测是否存在周期性,以及其周期性的频率。
进一步,步骤3)中基于滑动窗口的整合框架包括以下步骤:步骤2)中提出的三种预测模型分别针对长期、中期以及短期的历史数据进行预测。基于滑动窗口的整合框架旨在将他们结合起来实现更好的预测。表示对一个给定时间序列进行建模的z个模型的集合;表示这些模型在时刻t对下一时间段的预测值的集合。整合预测值可以由下式计算得到
其中是模型在时间窗口[t - H, t]内的某个时间段做出的预测值。H是由用户定义的滑动窗口的大小。因为在后续的时间段中公交数据信息是连续不断到来的,因此时间窗口也要不断滑动,从而保证这些模型在下一个H时间段内正常运行。为了更好地评价预测的准确性,我们采用的是著名的时间序列预测误差度量机制-对称平均百分比误差(sMAPE)。
本发明的公交网络中乘客需求预测***,包括数据存储层和数据分析层,数据存储层用来存储公交数据;数据分析层用于根据数据存储层储存的公交数据,通过数据分析层中的随时间变化的泊松模型,加权时间变化的泊松模型,综合自回归移动平均模型和基于滑动窗口的整合框架进行处理得到公交网络中的乘客需求量。
进一步,所述公交数据包括五个属性值: 1)公交状态值,其中busy表示乘客的数量大于公交车的容量,free表示乘客的数量小于公交车的容量,park表示公交车正停靠在起始或终结站点上;2)公交站点的ID;3)数据产生的时间;4)公交车牌号;5)GPS数据对应位置的经纬度。
进一步,随时间变化的泊松模型,加权时间变化的泊松模型和综合自回归移动平均模型分别可以解决非均匀性、突发性和周期性等问题。
本发明考虑了公交网络和乘客数量这两个关键的影响因素,从而能为公交公司和乘客提供更准确的、基于公交网络的乘客需求预测***和方法。该方法综合考虑非均匀性、突发性和周期性等因素,从而为乘客提供一种准确的、实时的公交网络中的乘客需求预测。本发明提出的基于公交网络的乘客需求预测***和方法能够为乘客提供更加便捷舒适的公交出行环境,如减少乘客的等车时间、避免公交车过度拥挤或者过度松散的情况。
附图说明
图1为本发明的基于公交网络的乘客需求预测***的示意图;
图2为本发明的乘客需求受时间和天气变化影响的结果对比图。
具体实施方式
下面结合附图和实例对本发明进行详细的描述。
如图1所示,公交网络中乘客需求预测***包括:公交数据层、数据预处理和分析层、乘客需求预测层、知识库、服务层。
数据层用来存储公交GPS数据源,它的功能是进行数据的搜集和整理,为上层提供丰富的源数据。在实际应用中可以根据不同应用场景的数据定制合适的存储模式。在本发明中,使用XML文件存储样例数据。
数据预处理和分析层负责对数据层中的源数据进行预处理,消除噪声,滤除与乘客需求预测无关的冗余数据,并且利用统计等方法对公交数据进行预分类。
上述的数据层以及数据预处理和分析层只是为了得到适用处理的公交数据源,其预处理方法采用常规方法即可,在此不做过多说明。
乘客需求预测层专注于逻辑功能的实现,是整个***的核心,使用Java编写。它是随时间变化的泊松模型,加权时间变化的泊松模型,综合自回归移动平均模型,基于滑动窗口的整合框架等各类方法的集合。并将不同的方法划分成小的模块,每个模块可以完成一种特定的需求预测。
知识库中存储的是经过需求预测分析之后得到的各类规则和知识。在此之前,我们首先要对需求预测分析步骤中检测出的结果进行评估。经过用户或机器评估后,可能会发现其中存在冗余或无关的结果,此时应该将其剔除。知识库中只保留那些经过评估和验证后的、能真实反映乘客需求的、有用的知识和规则。
服务层负责将预测出的结果直观地呈现给公交公司和乘客,同时给他们提供一些操作接口,用来向乘客需求预测层发送查询请求,从而能够更好地为乘客提供便捷舒适的服务。服务层的设计目标是用户友好、功能全面、轻便且兼容性好。
本发明的基于公交网络的乘客需求预测***和方法,具体步骤为:
1)从实际公交网络的应用出发,给出乘客需求预测方法的概要描述;
2)综合考虑非均匀性、突发性和周期性等因素,分别提出三种不同的乘客需求预测模型;
3) 提出一种基于滑动窗口的框架来整合三种预测模型。
步骤1)中的实际公交网络表示如下:假设某条公交线路包含N(N2)个公交站点S={S1,S2,…,SN}。其中第一个站点为出发站点,最后一个为终结站点。公交车在站点间的通行遵循特定的路线和特定的时刻表。Db ={d1,d2,…,dj}表示在站点s上车的、乘坐b路公交车的j个乘客的目的地集合。根据公交车的换班时间将运行时间分为4个时间段(早晨5点到上午9点,上午9点到中午1点,中午1点到下午5点,下午5点到晚上9点)。本发明要解决的问题就是预测t时刻在公交站点s要乘坐b路公交车的乘客的数目。
步骤2)中对乘客需求的预测模型包括随时间变化的泊松模型,加权时间变化的泊松模型和综合自回归移动平均模型。随时间变化的泊松模型包括以下步骤:给定时间内某公交站点有n辆公交车停靠的概率P(n)满足泊松分布,定义为
式中d(t)表示工作日{1=周日,2=周一,…};h(t)是时间t所属的时间段(例如,若每30分钟作为一个时间段,则时间00:31包含于第二个时间段)。另外需要满足下面两个等式
式中D是一天中时间段的数目;是一周泊松过程的平均比率;表示第i天的相对变化(如周六的比率低于周二);表示第j天第i时间段的相对变化(如高峰期);是一个离散函数,用来表示公交站点s上随时间变化的乘客需求。
加权时间变化的泊松模型包括以下步骤:随时间变化的泊松模型只预测了时间相关的平均乘客需求,然而每个公交站点的乘客需求量都是不同的。实际上,很多公交站点的乘客需求是有突发性的,会受到很多意外事件的影响,如交通拥堵,天气变化等。图2显示的是时间和天气变化对乘客需求的影响。如图2所示,某工作日不同时间段的乘客需求差异明显,乘客在上午7点到9点(上班高峰期),下午4点到6点(下班高峰期)对公交服务的需求量最大。并且下雨天乘客对公交服务的需求比平时要少,因为下雨天很多乘客会选择出租车或者私家车等更加快捷的出行方式。加权时间变化的泊松模型能很好地解决突发性问题。其目的是增加上周乘客需求量与之前几周乘客需求量的相关度。相关度的权值w用有名的时间序列方法-指数平滑法-来计算,其定义为
综合自回归移动平均模型包括以下步骤:之前两种模型都假设乘客对公交服务的需求存在周期规律性,而实际上乘客的需求在不同站点间,不同工作日间,以及同一天的不同时间段都存在差异。综合自回归移动平均模型可以很好地模拟和预测单变量时间序列数据,如交通流数据和短期预测问题等。其优势在于能够准确地表示不同类型的时间序列,如自回归时间序列,移动平均时间序列,以及二者的结合。在综合自回归移动平均模型中,变量的预测值可以看做是历史观测和随机误差的线性函数。本发明中我们将某特定公交站点s上随时间变化的乘客需求量看做时间序列,因此预测过程可以表示如下
式中和分别是在时刻t乘客需求量的实际值和随机误差;和是模型的参数和权值,其中p和q是表示模型的阶的正整数。模型的阶和权值都可以利用自相关函数和偏自相关函数从历史时间序列中得到。这些值可以用来检测是否存在周期性,以及其周期性的频率。
步骤3)中基于滑动窗口的整合框架包括以下步骤:步骤2)中提出的三种预测模型分别针对长期、中期以及短期的历史数据进行预测。基于滑动窗口的整合框架旨在将他们结合起来实现更好的预测。表示对一个给定时间序列进行建模的z个模型的集合;表示这些模型在时刻t对下一时间段的预测值的集合。整合预测值可以由下式计算得到
其中是模型在时间窗口[t - H, t]内的某个时间段做出的预测值。H是由用户定义的滑动窗口的大小。因为在后续的时间段中公交数据信息是连续不断到来的,因此时间窗口也要不断滑动,从而保证这些模型在下一个H时间段内正常运行。为了更好地评价预测的准确性,我们采用的是著名的时间序列预测误差度量机制-对称平均百分比误差(sMAPE)。
综上所述,在本发明的基于公交网络的乘客需求预测***和方法中,利用了包含1,326辆公交车,806,257个上/下车站点的公交数据,全面地覆盖了整个烟台市区的、22周的公交信息;综合考虑了非均匀性、突发性和周期性等因素;贴合实际应用,在公交网络上分析了乘客需求预测问题,从而能为公交公司和乘客提供一种准确的、实时的公交网络中的乘客需求预测方法,其预测准确率达到96%。
上述各实例仅用于说明本发明,其中各部件的结构、连接方式等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (5)
1.基于公交网络的乘客需求预测方法,具体步骤为:
1)从实际公交网络的应用出发,给出乘客需求预测方法的概要描述;步骤1)中的实际公交网络表示如下:假设某条公交线路包含N,N≥2个公交站点S={S1,S2,…,SN};其中第一个站点为出发站点,最后一个为终结站点;公交车在站点间的通行遵循特定的路线和特定的时刻表;Db={d1,d2,…,dj}表示在站点s上车的、乘坐b路公交车的j个乘客的目的地集合;根据公交车的换班时间将运行时间分为4个时间段;预测t时刻在公交站点s要乘坐b路公交车的乘客的数目
2)综合考虑非均匀性、突发性和周期性因素,分别提出三种不同的乘客需求预测模型;
步骤2)中对乘客需求的预测模型包括随时间变化的泊松模型,加权时间变化的泊松模型和综合自回归移动平均模型:
随时间变化的泊松模型包括以下步骤:给定时间内某公交站点有n辆公交车停靠的概率P(n)满足泊松分布,定义为式中表示在固定时间段内乘客对公交服务的平均需求的比率,λ的值不是常量,而是随时间变化的;把它看做一个时间函数λ(t),从而将泊松分布变换成非齐次的;λ(t)定义为λ(t)=λ0δd(t)ηd(t),h(t),式中d(t)表示工作日{1=周日,2=周一,…},h(t)是时间t所属的时间段,每30分钟作为一个时间段;另外需要满足下面两个等式和式中D是一天中时间段的数目,λ0是一周泊松过程的平均比率,δi表示第i天的相对变化,ηj,i表示第j天第i时间段的相对变化,λ(t)是一个离散函数,用来表示公交站点s上随时间变化的乘客需求;
加权时间变化的泊松模型包括以下步骤:增加上周乘客需求量与之前几周乘客需求量的相关度;相关度的权值w用时间序列方法-指数平滑法-来计算,其定义为w=α*{1,(1-α),(1-a)2,...,(1-a)λ-1},式中λ是以往时间段中乘客需求的平均值,α是平滑因子,其值是由用户定义的,其大小范围为0<α<1;
综合自回归移动平均模型包括以下步骤:模拟和预测不同类型的单变量时间序列数据,变量的预测值是历史观测和随机误差的线性函数;将某特定公交站点s上随时间变化的乘客需求量看做时间序列,因此预测过程表示如下Rs,t=θ0+φ1Xs,t-1+φ2Xs,t-2+...+φpXs,t-p+εs,t-θ1Xs,t-1-θ2Xs,t-2-...-θqXs,t-q,式中Rs,t和εs,t分别是在时刻t乘客需求量的实际值和随机误差,φI(1,2,...,p)和θm(1,2,...,q)是模型的参数和权值,其中p和q是表示模型的阶的正整数;模型的阶和权值都利用自相关函数和偏自相关函数从历史时间序列中得到;这些值用来检测是否存在周期性,以及其周期性的频率;
2.如权利要求1所述的基于公交网络的乘客需求预测方法,其特征在于,步骤1)中根据公交车的换班时间将运行时间分为4个时间段,即早晨5点到上午9点,上午9点到中午1点,中午1点到下午5点,下午5点到晚上9点。
3.一种采用如权利要求1-2任一项所述的基于公交网络的乘客需求预测方法的***,其特征在于,包括数据存储层和数据分析层,数据存储层用来存储公交数据;数据分析层用于根据数据存储层储存的公交数据,通过数据分析层中的随时间变化的泊松模型,加权时间变化的泊松模型,综合自回归移动平均模型和基于滑动窗口的整合框架进行处理得到公交网络中的乘客需求量。
4.如权利要求3所述的***,其特征在于,所述公交数据包括五个属性值:1)公交状态值,其中busy表示乘客的数量大于公交车的容量,free表示乘客的数量小于公交车的容量,park表示公交车正停靠在起始或终结站点上;2)公交站点的ID;3)数据产生的时间;4)公交车牌号;5)GPS数据对应位置的经纬度。
5.如权利要求3所述的***,其特征在于,随时间变化的泊松模型,加权时间变化的泊松模型和综合自回归移动平均模型分别解决非均匀性、突发性和周期性问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310293407.3A CN103366224B (zh) | 2013-07-15 | 2013-07-15 | 一种基于公交网络的乘客需求预测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310293407.3A CN103366224B (zh) | 2013-07-15 | 2013-07-15 | 一种基于公交网络的乘客需求预测***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103366224A CN103366224A (zh) | 2013-10-23 |
CN103366224B true CN103366224B (zh) | 2021-09-17 |
Family
ID=49367517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310293407.3A Active CN103366224B (zh) | 2013-07-15 | 2013-07-15 | 一种基于公交网络的乘客需求预测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103366224B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105489000A (zh) * | 2015-09-08 | 2016-04-13 | 同济大学 | 一种夜班公交车站点及路径选择方法 |
CN106529787A (zh) * | 2016-11-02 | 2017-03-22 | 南京国电南自轨道交通工程有限公司 | 一种基于人脸检测技术的地铁能源管理*** |
TWI635447B (zh) * | 2017-06-16 | 2018-09-11 | 宏碁股份有限公司 | 乘車需求量預測方法及系統 |
CN108199888B (zh) * | 2018-01-09 | 2021-05-04 | 东北大学 | 一种基于历史信息预测和缓解公共交通网络拥塞的方法 |
CN110853156B (zh) * | 2019-11-18 | 2020-11-17 | 西南交通大学 | 融合公交gps轨迹与ic卡数据的乘客od识别方法 |
CN111723871B (zh) * | 2020-07-09 | 2022-05-27 | 广州市公共交通数据管理中心有限公司 | 一种公交车实时车厢满载率的估算方法 |
CN113554878A (zh) * | 2021-09-18 | 2021-10-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种路段阻抗函数确定方法、计算设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的***和搜索乘客信息的***及其方法 |
CN102436603A (zh) * | 2011-08-29 | 2012-05-02 | 北京航空航天大学 | 基于概率树d预测的轨道交通全路网客流预测方法 |
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185486A1 (en) * | 2009-01-21 | 2010-07-22 | Disney Enterprises, Inc. | Determining demand associated with origin-destination pairs for bus ridership forecasting |
-
2013
- 2013-07-15 CN CN201310293407.3A patent/CN103366224B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的***和搜索乘客信息的***及其方法 |
CN102436603A (zh) * | 2011-08-29 | 2012-05-02 | 北京航空航天大学 | 基于概率树d预测的轨道交通全路网客流预测方法 |
CN103310287A (zh) * | 2013-07-02 | 2013-09-18 | 北京航空航天大学 | 基于svm预测乘客出行概率的轨道交通客流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103366224A (zh) | 2013-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366224B (zh) | 一种基于公交网络的乘客需求预测***和方法 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
CN110428117B (zh) | 城市轨道交通多场景下客流精准诱导方法及*** | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
Moreira-Matias et al. | On predicting the taxi-passenger demand: A real-time approach | |
CN110675629A (zh) | 一种基于大数据的高速公路拥堵预测与主动防控方法 | |
Li et al. | Public bus arrival time prediction based on traffic information management system | |
Zhou et al. | The passenger demand prediction model on bus networks | |
CN110458456B (zh) | 基于人工智能的需求响应式公交***的调度方法及*** | |
CN106816009B (zh) | 高速公路实时交通拥堵路况检测方法及其*** | |
CN109344991B (zh) | 一种公交线路最高断面客流预测方法 | |
CN102044149A (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
CN109300326B (zh) | 一种基于实时gps的公交短时动态调度方法 | |
CN112309122A (zh) | 一种基于多***协同的智慧公交分级决策*** | |
CN113222387A (zh) | 面向氢燃料车辆的多目标调度与协同优化方法 | |
CN113506013B (zh) | 基于多源数据的中运量公共交通***综合效益评价方法 | |
Hörl | Implementation of an autonomous taxi service in a multi-modal traffic simulation using MATSim | |
Oh et al. | Evaluating automated demand responsive transit using microsimulation | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
Pan et al. | A self-learning algorithm for predicting bus arrival time based on historical data model | |
CN109740823B (zh) | 一种面向实时场景计算的出租车打车决策方法及*** | |
Miao et al. | Robust taxi dispatch under model uncertainties | |
CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |