CN103606272A - 一种基于客流量的快速公交到站时刻预测***与方法 - Google Patents
一种基于客流量的快速公交到站时刻预测***与方法 Download PDFInfo
- Publication number
- CN103606272A CN103606272A CN201310618153.8A CN201310618153A CN103606272A CN 103606272 A CN103606272 A CN 103606272A CN 201310618153 A CN201310618153 A CN 201310618153A CN 103606272 A CN103606272 A CN 103606272A
- Authority
- CN
- China
- Prior art keywords
- information
- website
- numbered
- vehicle
- public transport
- 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
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客流量的快速公交到站时刻预测***与方法。预测***由站点RFID采集单元、客流信息视频采集单元、交通信息存储单元、信息处理单元和信息发布单元组成。利用RFID采集单元采集车辆到站时刻信息,以及视频采集***采集站点客流信息,由信息处理单元计算快速公交车辆停站时间,并结合车辆历次到站信息预测快速公交车辆到达交叉口时刻,根据交叉路口的红绿灯信息判断快速公交车辆是否能够一次通过交叉口,从而计算到达下一个站点时刻,并通过信息发布***发布。本发明考虑了客流量对快速公交到站时刻的影响,剔除了拥堵等显著影响常规公交而不存在于快速公交的影响因素,提高了预测的精度。
Description
技术领域
本发明属于公共交通领域,涉及一种基于乘客流量的快速公交到站时刻预测***与方法。
背景技术
公交车辆到站时间预测是公交***信息化的关键技术。目前在预测方法方面,国内外主要从两个角度进行研究:一是通过仿真模拟驾驶员的行为特性,分析公交车辆到站时间;二是利用历史和实时数据进行分析和预测。大部分学者都从第二个角度出发进行研究,提出了多个预测模型,例如基于历史数据的预测模型、回归预测模型、时间序列模型、卡尔曼滤波器模型、人工神经网络模型等。以上模型都存在着许多限制条件,例如:历史数据预测模型和时间序列预测模型等传统模型基于大量历史数据,通过历史数据进行经验推断,无法实现与实时数据的结合;而遗传算法、神经网络、卡尔曼滤波预测模型比较难求解,在实用性上较为欠缺。以上模型较难实时反映乘客流量对快速公交到站时间的影响。
常规公交到站时间受到道路和交通拥堵等多种因素的影响,具有一定的随机性和突变性,可以采用以上的到站时间预测方法。另外,由于公交车辆受到站点上、下客的影响,特别是路段交通状况等因素的干扰,到达站点时间预测往往精度不高,误差可达到1分钟以上。快速公交设置全时段、全封闭的公交专用道,快速公交车辆到站时刻主要受到上游公交站点到站时刻、交叉口信号和公交站点停靠的影响,影响因素比较少。因此,可以采用更适合于快速公交的到站时间预测方法。
目前常用的公交车辆检测和定位技术主要分为GPS、感应线圈、红外线检测、声波检测等。通过将检测数据利用数学模型和算法进行分析,或者利用经验数据库进行分析预测公交车辆到站时刻。公交车辆到站时刻数据采集与定位中最常用的是GPS定位***,然而GPS定位精度一般在10米左右,难以满足快速公交车辆定位的需求。另外,高架桥或者其它建筑物对GPS干扰比较大,GPS受到遮挡往往不能收到信号。而感应线圈方法受到道路等制约因素的影响,不能识别单个快速公交ID信息,因此不适合于快速公交车辆的预测。各种主要检测仪器的优缺点比较如表1所示。
表1主要检测仪器的优缺点
发明内容
针对现有技术中存在的上述问题,本发明提供了一种基于客流量的快速公交到站时刻预测***与方法,利用RFID(Radio Frequency Identification,射频识别)技术采集车辆的到站时刻数据,充分考虑了公交站点停靠时间受到的站点上下车乘客数、车内乘客密度的影响,能够快速、准确地预测快速公交到站时刻。
本发明采用的技术方案如下:
本发明利用站点RFID采集单元采集快速公交车辆到站时刻信息,利用客流信息视频采集***采集站点客流信息,由信息处理单元计算快速公交车辆停站时间,并结合车辆历次到站信息预测快速公交车辆到达交叉口时刻,根据交叉路口的红绿灯信息判断快速公交车辆是否能够一次通过交叉口。综合以上数据计算到达下一个站点时刻,并通过信息发布单元发布。
一种基于客流量的快速公交到站时刻预测***,其特征在于包括:站点RFID采集单元,客流信息视频采集单元,交通信息存储单元,信息处理单元和信息发布单元。其中,
RFID采集单元,主要由安装在快速公交车辆上的电子标签和安装在站点上的读写器两部分组成。电子标签安装在快速公交车辆左前方玻璃处,发射车辆ID信息;读写器安装在站点上电子标签对应位置,当快速公交车辆停稳后站点上的读写器正对车辆电子标签位置,接收车辆ID信息。站点RFID采集单元与信息处理单元相连,当站点RFID采集单元自动识别到快速公交车辆信息时,将车辆到达时刻数据传输到信息处理单元。
客流信息视频采集单元,与信息处理单元相连,为其提供站点和车内的客流信息。客流信息视频采集单元由站点视频信息采集单元和车内视频采集单元组成,站点视频采集单元安装在站点上方,采集候车乘客数量;车内视频采集单元安装在快速公交车辆内部上方,采集车内乘客密度。
交通信息存储单元,属于信息处理计算机硬盘存储器的一部分,为信息处理单元提供交叉路口的红绿灯信息、客流信息及车辆到站信息。交叉路口的红绿灯信息包括绿灯的起始和结束时刻;客流信息包括历次车辆在每个站点的上、下车乘客数;车辆到站信息保存快速公交车辆历次到站时刻信息,为信息处理单元提供站点间行程时间信息。
信息处理单元,由安装在快速公交总站的信息处理计算机组成,根据车辆的ID信息、站点和车内的客流信息以及交叉路口红绿灯信息和车辆到站信息,预测车辆的到站时刻。
信息发布单元,一块安装在公交站点上方的可变信息板,一般由电子显示屏组成,与信息处理单元相连,显示车辆即将到站的时刻。
基于客流量的快速公交到站时刻预测方法,包括以下步骤:
步骤一,由RFID采集单元获得快速公交车辆到站时刻信息,并将数据送到信息处理单元。
步骤二,由客流信息视频采集单元获得快速公交车辆客流信息,并将数据送到信息处理单元。
步骤三,由交通信息存储单元获得绿灯每个周期的起止时刻信息、快速公交车辆历次到站时刻信息和客流信息。
步骤四,预测快速公交车辆到站时刻,方法如下:
(1)计算快速公交车辆进出刚刚到达站点所用的时间;
(2)计算快速公交车辆到达下一站点前最后一个交叉口的时刻;
(3)计算快速公交车辆到达下一站点的时刻;
(4)重复(1)~(3),计算快速公交车辆到达需要预测的各站点的时刻;
(5)计算快速公交车辆到达需要预测的各站点的时间。
步骤五,将车辆到站信息发布在可变信息板上。
本发明的有益效果是:本发明提出的快速公交到站时刻预测方法,考虑了客流量对快速公交到站时刻的影响,剔除了拥堵等显著影响常规公交而不存在于快速公交的影响因素,计算方法更符合快速公交的实际情况,提高了预测的精度;在数据采集方面采用RFID技术和视频采集技术,不仅有利于提高预测精度,而且更符合快速公交实际情况。
附图说明
图1为本发明所述快速公交到站时刻预测***组成框图;
图2为本发明所述快速公交到站时刻预测方法流程图;
图3为本发明实施例可变信息板信息发布形式示意图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
快速公交到站时刻预测***组成框图如图1所示,包括:站点RFID采集单元,客流信息视频采集单元,交通信息存储单元,信息处理单元,和信息发布单元。
快速公交到站时刻预测方法的流程图如图2所示,具体包括以下步骤:
步骤一,由站点RFID采集单元获得快速公交车辆到站时刻信息,并将数据送到信息处理单元。
到站信息用符号Tk(i)表示,即编号为k的快速公交车辆到达第i个站点的时刻,i=1,2,……,I,I为站点总数;k=1,2,……,K,K为快速公交车辆当天发车总数,当天发出的第1辆车编号为1,第2辆车编号为2,第k辆车编号为k。
步骤二,由客流信息视频采集单元获得快速公交车辆客流信息,并将数据送到信息处理单元。
客流数据信息包括车外候车乘客数量Nk(i)和车内乘客密度Kk(i)。其中:
Nk(i)表示编号为k的快速公交车辆到达第i个站点时该站点的上车乘客数量;
Kk(i)表示编号为k的快速公交车辆到达第i个站点时车内乘客密度,等于车内乘客数量Nk(i)与车内面积的比值。
步骤三,由交通信息存储单元获得绿灯每个周期的起止时刻信息、快速公交车辆历次到站时刻信息和客流信息。
交通信息存储单元提供交叉口一天里所有的绿灯起始时刻和绿灯结束时刻。
快速公交车辆历次到站时刻信息可用于计算站点间行程时间。
客流信息包括历次车辆在每个站点的上下车乘客数。
步骤四,预测快速公交车辆到站时刻。
为便于表述做如下假设:假设编号为k的快速公交车辆刚刚通过编号为i的站点,编号为k-1的快速公交车辆已通过编号为i+1的站点,编号为k和k-1的快速公交车辆之间的站点数为Nk,k-1,Nk,k-1等于RFID采集单元获得的编号为k和k-1的快速公交车刚刚经过的站点数的差;假设编号为i和i+1的站点之间交叉口的编号为依次为j,j+1,……,J,J为最后一个交叉口的编号。
编号为k的快速公交车辆达到编号为i+n(n=1,2,……,Nk,k-1)的站点所需时间的预测方法如下:
(1)计算快速公交车辆进出编号为i的站点所用时间。
车辆进出站点所用的时间主要由上车乘客数、下车乘客数、车内乘客数等决定,可以近似看作是上车乘客数、车内乘客密度、下车乘客率的一个非线性函数,经非线性拟合得到编号为k的快速公交车辆进出编号为i的站点用时ΔTk(i)的表达式为:
式中,为乘客在第i站点下车乘客率;N为车内核定乘客数;为从减速到停稳车辆平均用时,为从加速到正常行驶车辆平均用时;ρb为上车用时系数,ρl为下车用时系数,ρk为车内乘客密度对下车时间延迟的影响系数;L为由于少数乘客上下车时长较长导致的损失时间。
ρb、ρl、ρk、L利用交通信息存储单元中停靠时间与上车乘客数、下车乘客数、车内乘客数的关系进行数据非线性拟合得到。
式中,Pk(i)为编号为k的快速公交车辆在i站点的下车乘客数与车内核定乘客数N的比值,下车乘客数由交通信息存储单元提供;M1为存储单元中数据样本量。
(2)计算快速公交车辆到达编号为J的交叉口的时刻。
编号为k的快速公交车辆进入编号为j的交叉口的时刻Tck(j)为:
式中,M2为样本数量,ΔTk(i,j)为样本数据中编号为k的快速公交车辆从i站点到j交叉口的用时,由交通信息存储单元提供数据。
计算到达编号为j+1的交叉口的时刻Tck(j+1):
式中,Tbj(t)和Tej(t)分别为当时的绿灯起始和终止时刻,由交通信息存储单元提供数据;为绿灯信号情况下快速公交车辆到达编号为j的交叉口进口时刻与进入第j+1交叉口时刻的时间差的算术平均值。
式中,M3为样本数量,ΔTk,j,j+1为绿灯信号情况下快速公交车辆到达编号为j的交叉口进口时刻与进入编号为j+1的交叉口时刻的时间差,由交通信息存储单元提供数据。
按照上面的求解方法,依次求出Tck(j+1),Tck(j+2),……,Tck(J)。
(3)计算快速公交车辆到达编号为i+1的站点的时刻。
编号为k的快速公交车辆进入第i+1站点的时刻Tk(i+1)为:
式中,TbJ(t)和TeJ(t)分别为当时的绿灯起始和终止时刻,由交通信息存储单元提供数据;为绿灯信号情况下快速公交车辆到达编号为J的交叉口进口时刻与即将开始减速进入第i+1站点时刻的时间差的算术平均值;
式中,M4为样本数量,ΔTk,J,i+1为绿灯信号情况下快速公交车辆到达编号为J的交叉口进口时刻与即将开始减速进入第i+1站点时刻的时间差,由交通信息存储单元提供数据。
(4)重复步骤四的(1)~(3),计算编号为k的快速公交车辆到达第i+2,i+3,……,i+Nk,k-1站点的时刻。
(5)计算快速公交车辆到达第i+n站点预计需要的时间和所需站点数。
编号为k的公交车辆到达第i+n站点预计需要的时间为:
ΔT=Tk(i+n)-t
式中,ΔT为编号为k的公交车辆到达第i+n站点预计需要的时间,n=1,2,……,Nk,k-1,t为现在时刻。
编号为k的快速公交车辆到达i+n站点的所需站数为n-1。
步骤五,将车辆到站信息发布在i+n站点的可变信息板上。
可变信息板上发布的信息示意图如图3所示。
Claims (2)
1.一种基于客流量的快速公交到站时刻预测***,其特征在于包括:站点RFID采集单元,客流信息视频采集单元,交通信息存储单元,信息处理单元,和信息发布单元;其中,
RFID采集单元,主要由安装在快速公交车辆上的电子标签和安装在站点上的读写器两部分组成;电子标签安装在快速公交车辆左前方玻璃处,发射车辆ID信息;读写器安装在站点上电子标签对应位置,当快速公交车辆停稳后,站点上的读写器正对车辆电子标签位置,接收车辆ID信息;站点RFID采集单元与信息处理单元相连,当站点RFID采集单元自动识别到快速公交车辆信息时,将车辆到达时刻数据传输到信息处理单元;
客流信息视频采集单元,与信息处理单元相连,为信息处理单元提供站点和车内的客流信息;客流信息视频采集单元由站点视频信息采集单元和车内视频采集单元组成,站点视频采集单元安装在站点上方,采集候车乘客数量;车内视频采集单元安装在快速公交车辆内部上方,采集车内乘客密度;
交通信息存储单元,属于信息处理计算机硬盘存储器的一部分,为信息处理单元提供交叉路口的红绿灯信息、客流信息及车辆到站信息;交叉路口的红绿灯信息包括绿灯的起始和结束时刻;客流信息包括历次车辆在每个停靠站的上、下车乘客数;车辆到站信息保存快速公交车辆历次到站时刻信息,为信息处理单元提供站点间行程时间信息;
信息处理单元,由安装在快速公交总站的信息处理计算机组成,根据车辆的ID信息、站点和车内的客流信息以及交叉路口红绿灯信息和车辆到站信息,预测车辆的到站时刻;
信息发布单元,一块安装在公交站点上方的可变信息板,一般由电子显示屏组成,与信息处理单元相连,显示车辆即将到站的时刻。
2.一种基于客流量的快速公交到站时刻预测方法,其特征在于考虑了公交站点停靠时间受到的站点上下客人数、车内乘客密度的影响,包括以下步骤:
步骤一,由站点RFID采集单元获得快速公交车辆到站时刻信息,并将数据送到信息处理单元;
到站信息用符号Tk(i)表示,表示编号为k的快速公交车辆到达第i个站点的时刻,i=1,2,……,I,I为站点总数;k=1,2,……,K,K为快速公交车辆当天发车总数,当天发出的第1辆车编号为1,第2辆车编号为2,第k辆车编号为k;
步骤二,由客流信息视频采集单元获得快速公交车辆客流信息,并将数据送到信息处理单元;
Nk(i)表示编号为k的快速公交车辆到达第i个站点时该站点的上车乘客数量;
Kk(i)表示编号为k的快速公交车辆到达第i个站点时车内乘客密度,等于车内乘客数量Nk(i)与车内面积的比值;
步骤三,由交通信息存储单元获得绿灯每个周期的起、止时刻信息和快速公交车辆历次到站时刻信息;
交通信息存储单元提供交叉口一天里所有的绿灯起始时刻和绿灯结束时刻;
快速公交车辆历次到站时刻信息用于计算站点间行程时间;
客流信息包括历次车辆在每个停靠站的上下车乘客数;
步骤四,预测快速公交车辆到站时刻;
假设编号为k的快速公交车辆刚刚通过编号为i的站点,编号为k-1的快速公交车辆已通过编号为i+1的站点,编号为k和k-1的快速公交车辆之间的站点数为Nk,k-1,Nk,k-1等于RFID采集单元获得的编号为k和k-1的快速公交车刚刚经过的站点数的差;假设编号为i和i+1的站点之间交叉口的编号为依次为j,j+1,……,J,J为最后一个交叉口的编号;
(1)计算快速公交车辆进出编号为i的站点所用时间;
车辆进出站点所用的时间主要由上车乘客数、下车乘客数、车内乘客数等决定,可以近似看作是上车乘客数、车内乘客密度、下车乘客率的一个非线性函数,经非线性拟合得到编号为k的快速公交车辆进出编号为i的站点用时ΔTk(i)的表达式为:
式中,为乘客在第i站点下车乘客率;N为车内核定乘客数;为从减速到停稳车辆平均用时,为从加速到正常行驶车辆平均用时;ρb为上车用时系数,ρl为下车用时系数,ρk为车内乘客密度对下车时间延迟的影响系数;L为由于少数乘客上下车时长较长导致的损失时间;
ρb、ρl、ρk、L利用交通信息存储单元中停靠时间与上车乘客数、下车乘客数、车内乘客数的关系进行数据非线性拟合得到;
式中,Pk(i)为编号为k的快速公交车辆在i站点的下车乘客数与车内核定乘客数N的比值,下车乘客数由交通信息存储单元提供;M1为存储单元中数据样本量;
(2)计算快速公交车辆到达编号为J的交叉口的时刻Tck(J);
编号为k的快速公交车辆进入编号为j的交叉口的时刻Tck(j)为:
式中,M2为样本数量,ΔTk(i,j)为样本数据中编号为k的快速公交车辆从i站点到j交叉口的用时,由交通信息存储单元提供数据;
计算到达编号为j+1的交叉口的时刻Tck(j+1):
式中,Tbj(t)和Tej(t)分别为当时的绿灯起始和终止时刻,由交通信息存储单元提供数据;为绿灯信号情况下快速公交车辆到达编号为j的交叉口进口时刻与进入第j+1交叉口时刻的时间差的算术平均值;
式中,M3为样本数量,ΔTk,j,j+1为绿灯信号情况下快速公交车辆到达编号为j的交叉口进口时刻与进入编号为j+1的交叉口时刻的时间差,由交通信息存储单元提供数据;
按照上面的求解方法,依次求出Tck(j+1),Tck(j+2),……,Tck(J);
(3)计算快速公交车辆到达编号为i+1的站点的时刻;
编号为k的快速公交车辆进入第i+1站点的时刻Tk(i+1)为:
式中,TbJ(t)和TeJ(t)分别为当时的绿灯起始和终止时刻,由交通信息存储单元提供数据;为绿灯信号情况下快速公交车辆到达编号为J的交叉口进口时刻与即将开始减速进入第i+1站点时刻的时间差的算术平均值;
式中,M4为样本数量,ΔTk,J,i+1为绿灯信号情况下快速公交车辆到达编号为J的交叉口进口时刻与即将开始减速进入第i+1站点时刻的时间差,由交通信息存储单元提供数据;
(4)重复(1)~(3),计算编号为k的快速公交车辆到达第i+2,i+3,……,i+Nk,k-1站点的时刻;
(5)计算快速公交车辆到达第i+n站点预计需要的时间和所需站点数;
编号为k的公交车辆到达第i+n站点预计需要的时间为:
ΔT=Tk(i+n)-t
式中,ΔT为编号为k的公交车辆到达第i+n站点预计需要的时间,n=1,2,……,Nk,k-1,t为现在时刻;
编号为k的快速公交车辆到达i+n站点的所需站数为n-1;
步骤五,将车辆到站信息发布在可变信息板上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310618153.8A CN103606272B (zh) | 2013-11-27 | 2013-11-27 | 一种基于客流量的快速公交到站时刻预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310618153.8A CN103606272B (zh) | 2013-11-27 | 2013-11-27 | 一种基于客流量的快速公交到站时刻预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103606272A true CN103606272A (zh) | 2014-02-26 |
CN103606272B CN103606272B (zh) | 2015-12-09 |
Family
ID=50124491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310618153.8A Expired - Fee Related CN103606272B (zh) | 2013-11-27 | 2013-11-27 | 一种基于客流量的快速公交到站时刻预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103606272B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903429A (zh) * | 2014-03-26 | 2014-07-02 | 东南大学 | 一种快速公交停靠站的延误时间组合预测方法 |
CN104240502A (zh) * | 2014-08-28 | 2014-12-24 | 浙江工业大学 | 基于rfid的公交车动态到站时间预测方法 |
CN108122424A (zh) * | 2016-11-28 | 2018-06-05 | 高德信息技术有限公司 | 车辆在站点停靠时间的确定方法和装置 |
CN109523784A (zh) * | 2018-11-27 | 2019-03-26 | 上海炬宏信息技术有限公司 | 一种智能公交位置共享方法 |
CN112163653A (zh) * | 2020-10-28 | 2021-01-01 | 成都中科大旗软件股份有限公司 | 基于gis地图和多种定位的景区车船监控*** |
CN113066302A (zh) * | 2021-03-24 | 2021-07-02 | 北京百度网讯科技有限公司 | 车辆信息预测方法、装置及电子设备 |
CN115063978A (zh) * | 2022-07-27 | 2022-09-16 | 武汉微晶石科技股份有限公司 | 一种基于数字孪生的公交到站时间预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006215671A (ja) * | 2005-02-02 | 2006-08-17 | Hitachi Systems & Services Ltd | 路線バスの時刻表示システム |
CN102129467A (zh) * | 2011-03-18 | 2011-07-20 | 南京邮电大学 | 基于射频识别的公交车位置告知和监控***及实现方法 |
CN103366552A (zh) * | 2012-12-10 | 2013-10-23 | 上海上科信息技术研究所 | 一种智能公交***及其实现方法 |
-
2013
- 2013-11-27 CN CN201310618153.8A patent/CN103606272B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006215671A (ja) * | 2005-02-02 | 2006-08-17 | Hitachi Systems & Services Ltd | 路線バスの時刻表示システム |
CN102129467A (zh) * | 2011-03-18 | 2011-07-20 | 南京邮电大学 | 基于射频识别的公交车位置告知和监控***及实现方法 |
CN103366552A (zh) * | 2012-12-10 | 2013-10-23 | 上海上科信息技术研究所 | 一种智能公交***及其实现方法 |
Non-Patent Citations (2)
Title |
---|
周雪梅等: "基于前车数据的动态公交车辆到站时间预测模型研究", 《交通与运输》 * |
徐志等: "公交停靠站延误分析及估算方法", 《武汉理工大学学报(交通科学与工程版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903429A (zh) * | 2014-03-26 | 2014-07-02 | 东南大学 | 一种快速公交停靠站的延误时间组合预测方法 |
CN103903429B (zh) * | 2014-03-26 | 2016-03-02 | 东南大学 | 一种快速公交停靠站的延误时间组合预测方法 |
CN104240502A (zh) * | 2014-08-28 | 2014-12-24 | 浙江工业大学 | 基于rfid的公交车动态到站时间预测方法 |
CN108122424A (zh) * | 2016-11-28 | 2018-06-05 | 高德信息技术有限公司 | 车辆在站点停靠时间的确定方法和装置 |
CN109523784A (zh) * | 2018-11-27 | 2019-03-26 | 上海炬宏信息技术有限公司 | 一种智能公交位置共享方法 |
CN112163653A (zh) * | 2020-10-28 | 2021-01-01 | 成都中科大旗软件股份有限公司 | 基于gis地图和多种定位的景区车船监控*** |
CN112163653B (zh) * | 2020-10-28 | 2022-09-02 | 成都中科大旗软件股份有限公司 | 基于gis地图和多种定位的景区车船监控*** |
CN113066302A (zh) * | 2021-03-24 | 2021-07-02 | 北京百度网讯科技有限公司 | 车辆信息预测方法、装置及电子设备 |
CN113066302B (zh) * | 2021-03-24 | 2022-05-20 | 北京百度网讯科技有限公司 | 车辆信息预测方法、装置及电子设备 |
CN115063978A (zh) * | 2022-07-27 | 2022-09-16 | 武汉微晶石科技股份有限公司 | 一种基于数字孪生的公交到站时间预测方法 |
CN115063978B (zh) * | 2022-07-27 | 2022-11-18 | 武汉微晶石科技股份有限公司 | 一种基于数字孪生的公交到站时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103606272B (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103606272B (zh) | 一种基于客流量的快速公交到站时刻预测方法 | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理***及方法 | |
Lin et al. | A review of travel-time prediction in transport and logistics | |
CN102436751B (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
CN103164962B (zh) | 一种山区公路急弯路段实时车速预警方法 | |
CN103927866B (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
CN101615340A (zh) | 公交动态调度中的实时信息处理方法 | |
CN104408924B (zh) | 一种基于耦合隐马尔可夫模型的城市道路异常交通流检测方法 | |
WO2017190595A1 (zh) | 一种交通工具数据处理方法、装置和终端设备 | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
CN106682812B (zh) | 综合运输体系客运方式分担率-距离转移曲线确定方法 | |
CN102915637B (zh) | 一种信号控制交叉口的交通状态评价方法及*** | |
CN109272745B (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN104064028A (zh) | 基于多元信息数据的公交到站时间预测方法及*** | |
CN103440768A (zh) | 一种基于动态修正的公交车到达时间实时预测方法 | |
CN102855760A (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN106530749A (zh) | 基于单截面低频检测数据的信控交叉口排队长度估计方法 | |
CN103552560A (zh) | 基于司机驾驶状态识别的车道偏离报警方法 | |
CN105678036A (zh) | 公交车辆在公交站点停靠时间的测算方法及*** | |
CN106651728A (zh) | 一种综合运输体系客运方式优势运距的确定方法 | |
Salamati et al. | Simplified method for comparing emissions in roundabouts and at signalized intersections | |
CN103903468A (zh) | 道路拥堵时间预警方法及装置 | |
CN104700630A (zh) | 一种高速公路车流量的监测方法及*** | |
CN106251628B (zh) | 一种确定机动车的交通出行量的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20151209 Termination date: 20191127 |