CN105224992A - 对等待乘客数进行预测的方法和***以及评价方法和*** - Google Patents
对等待乘客数进行预测的方法和***以及评价方法和*** Download PDFInfo
- Publication number
- CN105224992A CN105224992A CN201410229206.1A CN201410229206A CN105224992A CN 105224992 A CN105224992 A CN 105224992A CN 201410229206 A CN201410229206 A CN 201410229206A CN 105224992 A CN105224992 A CN 105224992A
- Authority
- CN
- China
- Prior art keywords
- motorbus
- ridership
- station
- prediction
- history
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及对等待乘客数进行预测的方法和***以及评价方法和***。提供了一种用于对等待乘客数进行预测的方法,包括:基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;以及基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
Description
技术领域
本发明涉及公交车调度,更具体地,涉及一种用于对等待乘客数进行预测的方法和***以及评价方法和***,以及一种用于公共汽车的调度方案的评价方法和评价***。
背景技术
在线调度在公共汽车运营***中起着重要的作用,因为基于预定义的需求的离线调度(静态调度)无法与各种动态的变化相适应。在线调度包括例如公共汽车出发时刻表调度、车速控制、跃站指示等等。通常,调度仅仅基于公共汽车的状态或者预测的公共汽车的状态,在调度公共汽车时并没有考虑到乘客流信息。因为不知道乘降时间,所以无法准确地预测公共汽车状态
例如,当因为前一站的乘客数比通常多很多从而造成登车时间长时,该公共汽车到达下一站的实际到站时间可能会比预测的到站时间要晚。在另一个例子中,讨论公交串车(Busbunching)问题。图2是示出了解释公交串车问题的说明图。在图2中,三角形代表公共汽车,它们被调度为本应基本等间距地行驶,同一公交线路的至少两辆公共汽车一起行驶被称为公交串车。公交串车使服务不可靠,例如,一些乘客的等待时间会更长,一些公共汽车会很拥挤。图3是示出了发生公交串车时的乘客流情况的说明图。在图3中,矩形条的长度对应于公共汽车的停靠时间。图3右下侧的曲线图示出了正常情况下第一个车站的乘客流情况,图3右上侧的曲线图示出了发生公交串车的情况下第三个车站的乘客流情况。公交串车的一个关键原因是异常的乘客负载,因为登车乘客数量大将增加公共汽车的停靠时间从而引起延迟。有时候,公交串车并不是有害的。例如,当某大型展览或体育比赛散场时在附近的车站会出现异常的乘客数量提升,此时为了满足突发的乘客流,反而期望公交串车的出现。
因此,不仅应该基于公共汽车状态,还应该基于乘客流信息来调度为乘客服务的公交***。这就涉及到乘客流的预测。
在执行乘客流预测的现有技术中,存在非参量统计方法、参量方法以及实时仿真方法。
非参量统计方法包括例如神经网络、SVM(支持向量机)等等。非参量统计方法要求诸如日期、时间和天气的环境变量作为输入变量,并且求得乘客流和环境条件之间的关系。但是,等待乘客数公共汽车的位置强相关,所以难以被建模为环境条件。
参量方法例如包括线性回归、时序模型、卡尔曼滤波等等。这些技术中的一些预测一年或N天的时间间隔中的乘客流,这种预测对于公共汽车调度员进行及时决策而言过于粗糙。在卡尔曼滤波中,WPC(t+1)=WPC(t)+w(t),其中WPC()表示等待乘客数,w()表示高斯噪声,可见在这种乘客流预测中没有考虑到乘客需求和公共汽车的位置。
实时仿真方法基于实时OD(起点-目的地)估计。实时仿真方法要求大量数据(例如,历史OD矩阵)以及高效的计算机来支持仿真,这对于公共汽车调度而言成本过高。
发明内容
考虑到以上问题,本发明旨在提供一种使公共汽车位置预测与乘客流预测互相结合的方法和***,以及一种用于公共汽车的调度方案的评价方法和评价***。
根据本发明的一个方面,提供了一种用于对等待乘客数进行预测的方法,包括:基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;以及基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
根据本发明的另一个方面,提供了一种用于公共汽车的调度方案的评价方法,包括:基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测;把预测的等待乘客数与他们的等待时间的积分作为关键绩效指标KPI;以及对公共汽车的调度方案进行评价,以确定所述关键绩效指标KPI是否小于预定值。
根据本发明的另一个方面,提供了一种用于对等待乘客数进行预测的***,包括:到站时间预测器,被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;以及等待乘客数预测器,被配置为基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
根据本发明的另一个方面,提供了一种用于公共汽车的调度方案的评价***,包括:到站时间预测器,被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;等待乘客数预测器,被配置基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测;关键绩效指标KPI设置器,被配置为把预测的等待乘客数与他们的等待时间的积分作为KPI;以及评价器,被配置为对公共汽车的调度方案进行评价,以确定所述关键绩效指标KPI是否小于预定值。
根据本发明的方法和***预测的等待乘客数与实际等待乘客数更加接近并且基本吻合。另外,采用根据本发明的方法和***预测的等待乘客数来设置面向乘客的KPI,能够更真实地反映乘客对公交***的服务的总体感受。此外,利用所述KPI对公共汽车的调度方案进行评价,并基于该评价来找出满足该KPI的调度方案,能够提高乘客对公交***的服务的满意度。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算机***/服务器12的框图。
图2是示出了解释公交串车问题的说明图。
图3是示出了发生公交串车时的乘客流情况的说明图。
图4是示出根据本发明的实施例的用于对等待乘客数进行预测的方法的流程图。
图5示出了预测的一段路程的行驶时间的例子。
图6是示出了根据本发明的一个实施例的等待乘客数预测步骤中的处理的流程图。
图7是示出根据本发明的一个实施例的从历史乘客流数据中的登车乘客数获得到达乘客数APC的示图。
图8是示出利用季节性ARIMA模型来预测APC的例子的示图。
图9是示出了根据本发明的一个实施例的预测登车乘客数DPC的步骤中的处理的流程图。
图10示出了利用根据本发明的实施例预测的等待乘客数而设置的关键绩效指标KPI。
图11是示出根据本发明的实施例的用于公共汽车的调度方案的评价方法的流程图。
图12示出了根据本发明的等待乘客数的预测的效果。
图13是示出根据本发明的实施例的用于对等待乘客数进行预测的***的方框图。
图14是示出根据本发明的实施例的用于公共汽车的调度方案的评价***的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了适于用来实现本发明实施方式的示例性计算机***/服务器12的框图。图1显示的计算机***/服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示,计算机***/服务器12以通用计算设备的形式表现。计算机***/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机***/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图1未显示,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机***/服务器12交互的设备通信,和/或与使得该计算机***/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机***/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机***/服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机***/服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
现在参看图4,图4是示出根据本发明的实施例的用于对等待乘客数进行预测的方法400的流程图。该方法400包括到站时间预测步骤410和等待乘客数预测步骤420。
在到站时间预测步骤410中,基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测。在这里,历史行驶数据包括历史上对应于一天中的不同时间的公共汽车的速度、位置中的至少一个,当前车辆运行数据包括公共汽车当前的速度、位置中的至少一个。此外,所述公共汽车指的是同一公交线路的公共汽车。当前车辆运行数据例如可以通过GPS获得,或者通过安装在公共汽车上的其他传感器(诸如陀螺仪或RFID等)获得。
在本发明的一个实施例中,在步骤410中,首先,基于公共汽车的历史行驶数据(例如车速),通过统计或数据挖掘等方法使用历史行驶数据来训练车速模型,然后基于当前车辆运行数据通过滤波方法(例如,卡尔曼滤波(KalmanFilter)来减小预测的车速的误差。
然后,基于预测的未来时段(例如15分钟、半小时等)的车速,得到一段路程的预测行驶时间。图5示出了预测的一段路程的行驶时间的例子。在图5中,图5的左侧示出了在周末一天中的不同时间开始完成该段路程要花费的时间,图5的右侧示出了在平日一天中的不同时间开始完成该段路程要花费的时间。在图5中,把实心点连接起来的线表示观测的行驶时间,把空心点连接起来的线表示预测的行驶时间。从图5中可见,平日的早高峰时段的预测行驶时间最长。
然后,通过使用预测的行驶时间以及公共汽车的当前位置,可以预测公共汽车的到站时间。例如,已知公共汽车的当前位置以及从当前位置行驶到下一个车站的预测行驶时间,可以容易地得出预测的到站时间。
在于滨、杨忠振、曾庆成的“基于SVM和Kalman滤波的公交车到站时间预测模型”(《中国公路学报》2008年第2期第89-92页)中详细记载了一种公交车到站时间预测模型。
然后,处理进行到等待乘客数预测步骤420,在步骤420中,基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
图6是示出了根据本发明的一个实施例的等待乘客数预测步骤中的处理600的流程图。在该实施例中,等待乘客数预测步骤包括:针对一车站,基于历史乘客流数据,进行到达乘客数APC(ArrivalPassengerCount)的预测(步骤610);基于历史乘客流数据,进行公共汽车的空座数ESC(EmptySeatCount)的预测(步骤620);基于所述到站时间的预测结果、所述到达乘客数APC的预测结果和所述空座数ESC的预测结果,进行登车乘客数DPC(DeparturePassengerCount)的预测(步骤630);以及基于所述到达乘客数APC、所述登车乘客数DPC以及当前等待乘客数,预测所述车站下一时段的等待乘客数WPC(WaitingPassengerCount)(步骤640)。
在这里,历史乘客流数据包括各车站的历史上对应于一天中的不同时间的登车乘客数以及公共汽车的空座数中的至少一个,并且当前等待乘客数是通过所述车站的摄像机拍摄并识别的。在本发明的一个实施例中,利用安装在站台的照相机或摄像机,通过模式识别技术,对站台或站台的划定区域内的所有人类对象进行计数,可以得到该车站的当前等待乘客数。在本发明的一个实施例中,对于不允许乘客在公共汽车上站立的国家,所述空座数是车上的实际空座位的数目。在另一个实施例中,对于允许乘客在公共汽车上站立的国家,所述空座数可以是根据拍摄的车内情况估计的公共汽车上还能容纳的乘客的数目。在本发明的一个实施例中,历史乘客流数据中包括的登车乘客数可由安装在公共汽车上的自动乘客计数器获得,或者通过安装在公共汽车上的摄像机的拍摄和识别而获得。
尽管图6中的步骤610和620被示出为先后执行,但是本领域技术人员应该理解,步骤610和620的执行顺序可以颠倒或者并行执行。下面具体描述图6的流程图中的各步骤的处理。
在步骤610中,针对一车站(例如,车站X),针对每个时段(例如但不限于5-15分钟),从历史乘客流数据中的登车乘客数获得到达乘客数APC。在本发明的一个实施例中,在到达乘客数的预测中,在同一车站登上同一辆公共汽车的乘客被假定是按照特定分布到达该车站且每辆公共汽车的到站对应于一个分布,并且一个时段内的到达乘客数等于各个所述分布在该时段内的积分之和。
图7是示出根据本发明的一个实施例的从历史乘客流数据中的登车乘客数获得到达乘客数APC的示图。在图7中示出了公共汽车分别于时刻τ1、τ2、τ3到达车站X,从而发生公共汽车到达事件BAE1、BAE2和BAE3。在事件BAE1、BAE2和BAE3中的登车乘客数分别对应于横轴下方的矩形的长度。在事件BAE1中登车的乘客被假定是按照特定分布(例如,泊松分布)到达车站X的,该分布对应于横轴上方与BAE1事件的登车乘客数矩形具有同样图案(点状图案)的形状。类似地,BAE2事件中登车的乘客的到达对应于具有格子图案的分布形状,BAE3事件中登车的乘客的到达对应于具有斜纹图案的分布形状。
对于图7中的关注时段(t-1,t),在该时段内的到达乘客数APC等于具有格子图案的分布(对应于BAE2)与具有斜纹图案的分布(对应于BAE3)落在该时段内的部分的面积之和。可以使用下面的式子计算到达乘客数APC:
其中,APC(t)表示(t-1,t)时段到达车站的乘客数,Bhis(τi)表示第i辆公交车的登车乘客数,τi表示第i辆公交车的到站时刻,f(x)表示到站乘客数的概率密度函数,表示在第i辆公交车登车且在(t-1,t)时段到达车站的乘客数。根据上述实施例的方式来计算APC,能够使APC更接近真实的APC。
在另一个实施例中,可以采用另一种方法从Bhis(τi)得出APC(t)。例如,对于每两辆相邻到站的公共汽车i-1和i,假设公交车i-1的到站时间为τi-1,公交车i的到站时间为τi并且登车乘客数为Bhis(τi),那么可以计算出时段(τi-1,τi)中单位时间的到达乘客数为
在此情况下,如果要计算长度为T的时段的到达乘客数,则先查看该时段落在哪两辆公交车的到站时间之间。假设该时段落在前后两辆公共汽车的到站时间ui-1和ui之间,则该时段的到站人数为APC(t)=T·A(ui-1,ui)。除了以上实施例,本领域技术人员还可以想到其它的从Bhis(τi)得出APC(t)的方法。
在得到到达乘客数APC之后,使用季节性时间序列(ARIMA)模型对历史APC进行建模以预测当日的APC。季节性ARIMA模型是针对有季节性变动的时间序列提出的建模方法。它对每一季节周期中相同时间点的序列值进行分析,提取季节趋势,并且针对每个季节周期内部序列值的变化提取非季节性成分,确立最优模型。在由GeogeE.P.Box著,顾岚主译的“时间序列分析预测与控制”(中国统计出版社,1997,第101–135页)中介绍了季节性ARIMA模型。在季节性ARIMA模型在本发明的应用中,通过分析历史数据(即,如上得出的APC),将历史上多天的同一时段的客流数据组成时间序列点,提取季节趋势,利用季节性ARIMA模型完成APC数据模式的分析,并预测未来某一天同一时段的APC。
图8是示出利用季节性ARIMA模型来预测APC的例子的示图。图8的上部示出了车站X在[8:30,8:35]的5分钟时段内的到达乘客数APC在两个月的时间跨度上的历史数据。图8的下部示出了利用季节性ARIMA模型预测的当天的APC,其中[8:30,8:35]的数据是基于图8的上部的历史数据预测出的。由此完成了到达乘客数APC的预测。
在步骤620中,针对一车站(例如,车站X),基于历史乘客流数据,进行公共汽车的空座数ESC的预测。由于历史乘客流数据直接包括各车站的历史上对应于一天中的不同时间的公共汽车的空座数ESC(该数据可以是通过安装在公共汽车上的摄像机采集的),所以不必像到达乘客数APC那样需要从历史乘客流数据中进行推算。与到达乘客数APC类似,可以使用季节性ARIMA模型对历史ESC进行建模以预测当日的ESC。通过公共汽车的空座数的预测,可以得到类似于同8中的下部所示的利用季节性ARIMA模型预测的当天的ESC(未示出)。由此完成了公共汽车的空座数ESC的预测。
在上面的例子中,尽管到达乘客数APC的预测以及公共汽车的空座数ESC的预测是利用季节性时间序列模型执行的,但是本领域技术人员可以想到利用其它统计方法或数据挖掘方法来建立数学模型,从而进行所述预测。
在步骤630中,基于所述到站时间的预测结果、所述到达乘客数APC的预测结果和所述空座数ESC的预测结果,进行登车乘客数DPC的预测。图9是示出了根据本发明的一个实施例的预测登车乘客数DPC的步骤中的处理900的流程图。下面参考图9来描述步骤630中的处理的一个例子,在该例子中,例如预测在时间段(t-1,t)期间车站X的DPC。
首先,在步骤910中,基于在上述的步骤410中预测的到站时间,产生公共汽车到达事件(BAE)列表,在BAE列表中每个BAE是一个(b,s)对,其中b表示公共汽车的ID,s表示此辆公共汽车的预测到站时间。BAE列表中的每个BAE满足:时刻(t-1)<时刻s<时刻t。
在步骤920中,从BAE列表中依次提取一个BAE,并且针对提取的BAE执行步骤930至步骤970的处理。假定在该步骤中提出的BAE为(BUS3,s)。
在步骤930中,计算在时段(t-1,t)内并且在BUS3的到站时间s之前到达车站X的乘客数A=(时刻s-时刻(t-1))/(时刻t-时刻(t-1))×APC(t)。这里,(时刻s-时刻(t-1))表示从时刻t-1到时刻s的时长,(时刻t-时刻(t-1))表示时段(t-1,t)的长度,并且APC(t)表示在步骤610中预测的在整个时段(t-1,t)期间车站X的到站乘客数。
在步骤940中,计算公共汽车BUS3上客前的等待乘客数W=W+A。这里,W是一个变量,“=”表示赋值。在本发明的一个实施例中,在与A相加之前变量W的值可以是0,对应于(t-1,t)时段是起始时段的情况;或者可以是预测的上一个时段(t-2,t-1)结束时的等待乘客数,对应于(t-1,t)时段不是起始时段的情况。在另一个实施例中,在与A相加之前变量W的值可以是通过站台的摄像机拍摄的车站X在t-1时刻的等待乘客数。
在步骤950中,计算登上公共汽车BUS3的登车乘客数B=min(W,ESC(t))。这里,min()表示取两者中的较小值,ESC(t)表示在步骤620中预测的在时段(t-1,t)期间对应于车站X的公共汽车空座数。也就是说,在当前等待乘客数大于空座数(W>ESC(t))时,仅有部分等待乘客能够登车。
在步骤960中,更新等待乘客数W=W-B。更新后的变量W的值表示公共汽车BUS3离开后车站X的剩余等待乘客数。这里,“=”表示赋值。被更新后的变量W可用于针对下一个BAE计算步骤940中的登车前等待乘客数。
在步骤970中,判断当前的BAE是否是BAE列表中的最后一个BAE。如果不是最后一个BAE,则处理返回到步骤920,提取下一个BAE并且针对该BAE执行步骤930至步骤970的操作。如果是最后一个BAE,则处理前进到步骤980。
在步骤980中,将在每次循环(针对每个BAE有一次循环)中在步骤950中计算出的登车乘客数B相加,从而得到预测的登车乘客数DPC(t)。也就是说,DPC(t)等于在时段(t-1,t)期间在车站X登上每辆公共汽车的乘客的人数总和。
由此,完成了登车乘客数DPC的预测。
本领域技术人员可见,DPC的预测基于公共汽车到达事件BAE。也就是说,在本发明中,在乘客流预测中考虑了到站时间的预测,即,结合了公共汽车位置预测。
在根据本发明的另一个实施例中,可以从图6所示的等待乘客数预测处理中省略步骤620,即,不进行公共汽车的空座数ESC的预测。相应地,在步骤630中,仅仅基于所述到站时间的预测结果、所述到达乘客数APC的预测结果,进行登车乘客数DPC的预测。在这样的登车乘客数DPC的预测中,同样可以采用图9所示的处理。区别在于,在步骤950中,计算登上公共汽车的登车乘客数B=W(即,不考虑公共汽车的空座数ESC)。并且,在步骤960中,更新等待乘客数W=W-B=0。其它步骤与图9中所示的步骤相同。由此,同样可以完成登车乘客数DPC的预测。也就是说,这个实施例提供了一种图6所示的等待乘客数预测的简化处理。
在本发明的一个实施例中,根据本发明的如图6所示的处理600还可以包括:基于预测的登车乘客数计算登车时间,并根据登车时间修正公共汽车到达下一个车站的到站时间。由于例如在图9的步骤950中可以预测出公交车BUS3的登车乘客数,可以容易地得到登车时间(即,停靠时间)DTime=B×a,其中a表示一个乘客的登车时间,并且a是常量。通过提供BUS3在车站X的停靠时间DTime,可以修正在图4的步骤410中预测的BUS3到达下一站的到站时间。例如,如果由于车站X的登车乘客多造成DTime的值大于通常值,则预测的BUS3到达车站X+1的时间被修正为延迟与DTime对应的量。因此,在本发明中,在本发明的一个实施例中,在公共汽车位置预测中也同样结合了乘客流预测,从而使预测值更接近实际值。
下面返回参照图6。在步骤640中,基于所述到达乘客数APC、所述登车乘客数DPC以及当前等待乘客数,预测所述车站下一时段的等待乘客数WPC。
在根据本发明的一个实施例中,利用卡尔曼滤波来预测所述车站下一时段的等待乘客数WPC。在Kalman,R.E的“ANewApproachtoLinearFilteringandPredictionProblems”(TransactionsoftheASME-JournalofBasicEngineeringVol.82:pp.35-45(1960))中具体介绍了卡尔曼滤波的细节。卡尔曼滤波是一种高效率的递归滤波器(自回归滤波器),它能够从一系列的不完全及包含噪声的测量中,估计动态***的状态。卡尔曼滤波器的操作包括两个阶段:预测阶段和更新阶段。在预测阶段,滤波器使用上一状态的估计,作出对当前状态的估计。在更新阶段,滤波器利用对当前状态的观测值优化在预测阶段获得的预测值,以获得一个更精确的新估计值,同时也更新***内的误差增益项。
在步骤640中,把卡尔曼滤波中的演变方程设置为:
WPC(t)=WPC(t-1)+u(t)+ω(t-1)
其中,u(t)=APC(t)-DPC(t)是WPC的状态改变方程,ω(t-1)是状态改变方程的***误差,并且标号t-1和t分别表示对应于上一时段和当前时段的项。
然后,把卡尔曼滤波中的观测方程设置为:
y(t)=WPC(t)+υ(t-1)
其中,y(t)是WPC的观测值,并且υ(t-1)是观测的WPC的误差。
具体地,在预测阶段,使用上一时段的WPC(即,WPC(t-1))以及状态改变方程u(t)=APC(t)-DPC(t),估计当前时段的WPC(即,WPC(t))。在更新阶段,使用当前时段的WPC观测值(通过车站的摄像头拍摄并识别,即y(t))优化在预测阶段获得的WPC估计值,得到一个更精确的估计值,并更新误差增益。这里,对所述车站下一时段的等待乘客数进行预测是迭代执行的,反复地预测未来一时段的等待乘客数。
由此,得到了一个车站下一时段的等待乘客数。
在上面的例子中,利用了卡尔曼滤波来预测所述车站下一时段的等待乘客数WPC。在根据本发明的另一个实施例中,也可以利用贝叶斯滤波来进行所述预测。贝叶斯滤波是一种基于概率密度的递归滤波器,它用所有已知信息来构造***状态变量的后验概率密度。除上述滤波方法以外,本领域技术人员还可以想到利用其它类似的算法来进行这种预测。
图10示出了利用根据本发明的实施例预测的等待乘客数而设置的关键绩效指标KPI。在现有技术中,通常把乘客等待时间作为KPI,并且乘客等待时间被简单地等同于1/2公交车时间间隔。这种传统的KPI仅仅考虑公共汽车的运行,却并没有考虑乘客。例如,100位乘客等待10分钟与5位乘客等待10分钟的情况是不同的,应该尽量减少多数乘客的等待时间,从而提高服务的总体感受。在本发明中提出了设置一种面向乘客的KPI,即,加权的乘客等待时间。具体地,例如可以把在图4的方法中预测的等待乘客数与他们的等待时间的积分作为关键绩效指标KPI(参见图10中的砖块图案部分)。这是因为正是通过本发明的方法,才能够得到预测的每个时段的等待乘客数,从而能够实现所述积分。
图11是示出根据本发明的实施例的用于公共汽车的调度方案的评价方法1100的流程图。评价方法1100包括步骤1110至步骤1140。图11中的步骤1110和1120与图4中的步骤410和420的处理相同。
在步骤1130中,把预测的等待乘客数与他们的等待时间的积分作为关键绩效指标KPI。
在步骤1140中,对公共汽车的调度方案进行评价,以确定是否满足所述关键绩效指标KPI小于预定值。例如,调度方案可以包括但不限于以下手段:通知公共汽车的司机加速或减速、通知公共汽车的司机跃站、增大或减小发车间隔、或者在站台上发布乘客引导信息等。在设置了KPI后进行的公共汽车调度可以采用各种公知的方法,在此不再进行详细描述,仅通过一个例子给出简单的说明。在一个例子中,假定KPI=“加权的乘客等待时间小于45”。此时,基于当前调度方案进行预测以及根据预测值进行评价。基于该评价,如果得出的KPI≥45,则可以修改当前调度方案以产生新调度方案,并基于新调度方案再次进行预测和评估,直到找出满足KPI<45的调度方案。
图12示出了根据本发明的等待乘客数的预测的效果。图12的左侧示出了车站X的某天上午的实际WPC,图12的右侧示出了根据本发明的方法与现有技术的方法(未考虑公共汽车的位置)的效果对比。从图中可见,根据本发明的方法预测的等待乘客数与实际等待乘客数更加接近并且基本吻合。
图13是示出根据本发明的实施例的用于对等待乘客数进行预测的***1300的方框图。该***1300包括到站时间预测器1310和等待乘客数预测器1320。到站时间预测器1310被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测。等待乘客数预测器1320被配置为基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
图14是示出根据本发明的实施例的用于公共汽车的调度方案的评价***1400的方框图。评价***1400包括到站时间预测器1410、等待乘客数预测器1420、关键绩效指标KPI设置器1430以及评价器1440。到站时间预测器1410被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测。等待乘客数预测器1420被配置为基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。关键绩效指标KPI设置器1430被配置为把预测的等待乘客数与他们的等待时间的积分作为KPI。评价器1440被配置为对公共汽车的调度方案进行评价,以确定是否满足所述关键绩效指标KPI小于预定值。
本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种用于对等待乘客数进行预测的方法,包括:
基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;以及
基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
2.根据权利要求1所述的方法,其中,历史行驶数据包括历史上对应于一天中的不同时间的所述公共汽车的速度、位置中的至少一个。
3.根据权利要求1所述的方法,其中,当前车辆运行数据包括所述公共汽车当前的速度、位置中的至少一个。
4.根据权利要求1所述的方法,其中,对所述车站下一时段的等待乘客数进行预测包括,针对所述车站:
基于历史乘客流数据,进行到达乘客数的预测;
基于历史乘客流数据,进行所述公共汽车的空座数的预测;
基于所述到站时间的预测结果、所述到达乘客数的预测结果和所述空座数的预测结果,进行登车乘客数的预测;以及
基于所述到达乘客数、所述登车乘客数以及当前等待乘客数,预测所述车站下一时段的等待乘客数。
5.根据权利要求4所述的方法,其中,到达乘客数的预测以及所述公共汽车的空座数的预测是利用季节性时间序列模型执行的。
6.根据权利要求4所述的方法,其中,在到达乘客数的预测中,在同一车站登上同一辆公共汽车的乘客被假定按照特定分布到达该车站且每辆公共汽车的到站对应于一个分布,并且一个时段内的到达乘客数等于各个所述分布在该时段内的积分之和。
7.根据权利要求1所述的方法,其中,历史乘客流数据包括所述车站的历史上对应于一天中的不同时间的登车乘客数以及所述公共汽车的空座数中的至少一个。
8.根据权利要求1所述的方法,其中,当前等待乘客数是通过所述车站的摄像机拍摄并识别的。
9.根据权利要求4所述的方法,还包括基于预测的登车乘客数计算登车时间,并根据登车时间修正公共汽车到达下一个车站的到站时间。
10.一种用于公共汽车的调度方案的评价方法,包括:
基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;
基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测;
把预测的等待乘客数与他们的等待时间的积分作为关键绩效指标KPI;以及
对公共汽车的调度方案进行评价,以确定所述关键绩效指标KPI是否小于预定值。
11.一种用于对等待乘客数进行预测的***,包括:
到站时间预测器,被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;以及
等待乘客数预测器,被配置为基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测。
12.根据权利要求11所述的***,其中,历史行驶数据包括历史上对应于一天中的不同时间的所述公共汽车的速度、位置中的至少一个。
13.根据权利要求11所述的***,其中,当前车辆运行数据包括所述公共汽车当前的速度、位置中的至少一个。
14.根据权利要求11所述的***,其中,等待乘客数预测器还被配置为针对所述车站:
基于历史乘客流数据,进行到达乘客数的预测;
基于历史乘客流数据,进行所述公共汽车的空座数的预测;
基于所述到站时间的预测结果、所述到达乘客数的预测结果和所述空座数的预测结果,进行登车乘客数的预测;以及
基于所述到达乘客数、所述登车乘客数以及当前等待乘客数,预测所述车站下一时段的等待乘客数。
15.根据权利要求14所述的***,其中,到达乘客数的预测以及所述公共汽车的空座数的预测是利用季节性时间序列模型执行的。
16.根据权利要求14所述的***,其中,在到达乘客数的预测中,在同一车站登上同一辆公共汽车的乘客被假定按照特定分布到达该车站且每辆公共汽车的到站对应于一个分布,并且一个时段内的到达乘客数等于各个所述分布在该时段内的积分之和。
17.根据权利要求11所述的***,其中,历史乘客流数据包括所述车站的历史上对应于一天中的不同时间的登车乘客数以及所述公共汽车的空座数中的至少一个。
18.根据权利要求11所述的***,其中,当前等待乘客数是通过所述车站的摄像机拍摄并识别的。
19.根据权利要求14所述的***,其中,等待乘客数预测器还被配置为基于预测的登车乘客数计算登车时间,并根据登车时间修正公共汽车到达下一个车站的到站时间。
20.一种用于公共汽车的调度方案的评价***,包括:
到站时间预测器,被配置为基于公共汽车的历史行驶数据以及当前车辆运行数据对公共汽车到达一个车站的到站时间进行预测;
等待乘客数预测器,被配置基于历史乘客流数据以及当前等待乘客数,并且在考虑所述到站时间的预测结果的情况下,对所述车站下一时段的等待乘客数进行预测;
关键绩效指标KPI设置器,被配置为把预测的等待乘客数与他们的等待时间的积分作为KPI;以及
评价器,被配置为对公共汽车的调度方案进行评价,以确定所述关键绩效指标KPI是否小于预定值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410229206.1A CN105224992A (zh) | 2014-05-28 | 2014-05-28 | 对等待乘客数进行预测的方法和***以及评价方法和*** |
US14/722,879 US20150348068A1 (en) | 2014-05-28 | 2015-05-27 | Predicting waiting passenger count and evaluation |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410229206.1A CN105224992A (zh) | 2014-05-28 | 2014-05-28 | 对等待乘客数进行预测的方法和***以及评价方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105224992A true CN105224992A (zh) | 2016-01-06 |
Family
ID=54702284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410229206.1A Pending CN105224992A (zh) | 2014-05-28 | 2014-05-28 | 对等待乘客数进行预测的方法和***以及评价方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20150348068A1 (zh) |
CN (1) | CN105224992A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971246A (zh) * | 2017-04-12 | 2017-07-21 | 青岛海信网络科技股份有限公司 | 一种出租车上客区乘客候车时间预测方法和装置 |
CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创(北京)技术有限公司 | 巴士运力资源规划方法及*** |
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN107545724A (zh) * | 2017-07-05 | 2018-01-05 | 邹晓虎 | 一种公交车的动态调度方法、装置与*** |
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 |
CN108885718A (zh) * | 2016-01-14 | 2018-11-23 | 摄取技术有限公司 | 本地化时间模型预测 |
CN108877276A (zh) * | 2018-08-31 | 2018-11-23 | 深圳市东部公共交通有限公司 | 快速预测公交行驶时间方法、装置及计算机终端 |
CN109154507A (zh) * | 2016-05-25 | 2019-01-04 | 福特全球技术公司 | 预测对于估计到达时间的兴趣点等待时间 |
CN110211379A (zh) * | 2019-05-27 | 2019-09-06 | 南京航空航天大学 | 一种基于机器学习的公共交通调度优化方法 |
CN110946080A (zh) * | 2018-09-27 | 2020-04-03 | 智能宠物家庭办公室公司 | 用于联接小动物栖舍的各半部分的***和方法 |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN112001548A (zh) * | 2020-08-25 | 2020-11-27 | 北京交通大学 | 一种基于深度学习的od客流预测方法 |
CN113516263A (zh) * | 2021-04-21 | 2021-10-19 | 广州通巴达电气科技有限公司 | 基于站点图像识别的车辆调度方法及装置 |
CN114202955A (zh) * | 2021-12-30 | 2022-03-18 | 昆山市交通场站管理有限公司 | 公交车站台停车预测方法及停车提示*** |
CN114299745A (zh) * | 2021-12-30 | 2022-04-08 | 昆山市交通场站管理有限公司 | 用于公交车与候车亭的泊位交互***及方法 |
CN116704778A (zh) * | 2023-08-04 | 2023-09-05 | 创意(成都)数字科技有限公司 | 智慧交通数据处理方法、装置、设备及存储介质 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017020940A1 (en) * | 2015-07-31 | 2017-02-09 | Nec Europe Ltd. | Method for providing a typical load profile of a vehicle for a public transport system |
CN107180270A (zh) * | 2016-03-12 | 2017-09-19 | 上海宏理信息科技有限公司 | 客流预测方法及*** |
CN106056289B (zh) * | 2016-06-06 | 2019-11-29 | 合肥天地软件科技有限公司 | 一种基于云平台的公交服务评价*** |
US20180032964A1 (en) * | 2016-08-01 | 2018-02-01 | Nec Europe Ltd. | Transportation system and method for allocating frequencies of transit services therein |
CN107798865B (zh) * | 2016-09-07 | 2020-11-03 | 阿里巴巴(中国)有限公司 | 一种公交线路行驶时间预估方法及装置 |
CN106897815B (zh) * | 2017-01-17 | 2021-03-12 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN107609608A (zh) * | 2017-07-14 | 2018-01-19 | 上海丽界智能科技有限公司 | 基于rfid标签的服装监控装置 |
CN109308539A (zh) * | 2017-07-27 | 2019-02-05 | 上海宝信软件股份有限公司 | 实时估算轨道交通线网中换乘站的乘客滞留状态的方法 |
CN108622142A (zh) * | 2018-03-30 | 2018-10-09 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整***及方法 |
CN108417038B (zh) * | 2018-05-09 | 2021-02-09 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及*** |
CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及*** |
CN109409563B (zh) * | 2018-09-07 | 2021-11-09 | 北明软件有限公司 | 一种公交运营车辆实时人数的分析方法、***和存储介质 |
CN109558985A (zh) * | 2018-12-10 | 2019-04-02 | 南通科技职业学院 | 一种基于bp神经网络的公交客流量预测方法 |
CN110837944A (zh) * | 2019-08-27 | 2020-02-25 | 北京轨道交通路网管理有限公司 | 调度方法、装置及*** |
CN110533480A (zh) * | 2019-09-04 | 2019-12-03 | 上海丙晟科技有限公司 | 一种基于大数据的商场客流预测方法 |
CN110889092A (zh) * | 2019-11-20 | 2020-03-17 | 北京市交通运行监测调度中心 | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 |
CN111008747A (zh) * | 2019-12-18 | 2020-04-14 | 贵州智诚科技有限公司 | 一种基于交旅数据融合的景区客流量预测方法 |
CN111667083B (zh) * | 2020-06-11 | 2023-07-14 | 北京白龙马云行科技有限公司 | 网约车预估价确定方法和装置 |
CN111757272B (zh) * | 2020-06-29 | 2024-03-05 | 北京百度网讯科技有限公司 | 地铁拥堵程度的预测方法、模型训练方法和装置 |
CN112133121B (zh) * | 2020-09-23 | 2022-09-02 | 安徽蒂姆自动化科技有限公司 | 一种城市公交智能调度*** |
CN112562378B (zh) * | 2020-12-01 | 2023-04-18 | 平安科技(深圳)有限公司 | 公交车调度方法、装置、计算机设备及介质 |
CN113159377B (zh) * | 2021-03-12 | 2024-03-12 | 江苏唱游数据技术有限公司 | 一种基于多因子聚合模型的景区畅游度预测范式方法 |
CN113159385A (zh) * | 2021-03-22 | 2021-07-23 | 中铁信(北京)网络技术研究院有限公司 | 一种基于深度强化学习的自反馈客流控制方法及装置 |
CN113239198B (zh) * | 2021-05-17 | 2023-10-31 | 中南大学 | 一种地铁客流预测方法、装置及计算机存储介质 |
CN113658429B (zh) * | 2021-08-11 | 2022-06-07 | 青岛海信网络科技股份有限公司 | 一种公交廊道的协同调度方法及相关装置 |
CN114463054B (zh) * | 2022-01-21 | 2023-07-18 | 浪潮卓数大数据产业发展有限公司 | 基于一卡通的园区门店客流量预测方法及*** |
CN114693495B (zh) * | 2022-05-24 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 智慧城市公共交通管理方法、物联网***、装置及介质 |
CN115358645B (zh) * | 2022-10-21 | 2023-01-17 | 安徽中科中涣信息技术有限公司 | 一种基于公交客流量监控及调度管理终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5035302A (en) * | 1989-03-03 | 1991-07-30 | Otis Elevator Company | "Artificial Intelligence" based learning system predicting "Peak-Period" times for elevator dispatching |
GB2294114A (en) * | 1994-10-10 | 1996-04-17 | Lg Ind Systems Co Ltd | System for counting the number of people waiting for a lift |
US6374176B1 (en) * | 1996-08-13 | 2002-04-16 | Nextbus Information Systems, Inc. | Public transit vehicle arrival information system |
US20030208313A1 (en) * | 2002-05-01 | 2003-11-06 | Wells Charles Hilliary | System for computing speeds and estimated arrival times for moving vehicles |
CN102157075A (zh) * | 2011-03-15 | 2011-08-17 | 上海交通大学 | 公交到站的预测方法 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测***和方法 |
CN203376873U (zh) * | 2013-06-06 | 2014-01-01 | 开平市中铝实业有限公司 | 一种公共汽车到站预报*** |
-
2014
- 2014-05-28 CN CN201410229206.1A patent/CN105224992A/zh active Pending
-
2015
- 2015-05-27 US US14/722,879 patent/US20150348068A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5035302A (en) * | 1989-03-03 | 1991-07-30 | Otis Elevator Company | "Artificial Intelligence" based learning system predicting "Peak-Period" times for elevator dispatching |
GB2294114A (en) * | 1994-10-10 | 1996-04-17 | Lg Ind Systems Co Ltd | System for counting the number of people waiting for a lift |
US6374176B1 (en) * | 1996-08-13 | 2002-04-16 | Nextbus Information Systems, Inc. | Public transit vehicle arrival information system |
US20030208313A1 (en) * | 2002-05-01 | 2003-11-06 | Wells Charles Hilliary | System for computing speeds and estimated arrival times for moving vehicles |
CN102157075A (zh) * | 2011-03-15 | 2011-08-17 | 上海交通大学 | 公交到站的预测方法 |
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测***和方法 |
CN203376873U (zh) * | 2013-06-06 | 2014-01-01 | 开平市中铝实业有限公司 | 一种公共汽车到站预报*** |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885718A (zh) * | 2016-01-14 | 2018-11-23 | 摄取技术有限公司 | 本地化时间模型预测 |
CN109154507B (zh) * | 2016-05-25 | 2023-04-14 | 福特全球技术公司 | 预测对于估计到达时间的兴趣点等待时间 |
CN109154507A (zh) * | 2016-05-25 | 2019-01-04 | 福特全球技术公司 | 预测对于估计到达时间的兴趣点等待时间 |
CN108122424B (zh) * | 2016-11-28 | 2020-04-14 | 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 |
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 |
CN106971246A (zh) * | 2017-04-12 | 2017-07-21 | 青岛海信网络科技股份有限公司 | 一种出租车上客区乘客候车时间预测方法和装置 |
CN107545724A (zh) * | 2017-07-05 | 2018-01-05 | 邹晓虎 | 一种公交车的动态调度方法、装置与*** |
CN107274665A (zh) * | 2017-07-31 | 2017-10-20 | 多维新创(北京)技术有限公司 | 巴士运力资源规划方法及*** |
CN107507413A (zh) * | 2017-08-29 | 2017-12-22 | 广东蔚海数问大数据科技有限公司 | 车辆位置预测方法及装置 |
CN108877276A (zh) * | 2018-08-31 | 2018-11-23 | 深圳市东部公共交通有限公司 | 快速预测公交行驶时间方法、装置及计算机终端 |
CN110946080A (zh) * | 2018-09-27 | 2020-04-03 | 智能宠物家庭办公室公司 | 用于联接小动物栖舍的各半部分的***和方法 |
CN110211379A (zh) * | 2019-05-27 | 2019-09-06 | 南京航空航天大学 | 一种基于机器学习的公共交通调度优化方法 |
CN111091196B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN111091196A (zh) * | 2019-11-15 | 2020-05-01 | 佳都新太科技股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN112001548A (zh) * | 2020-08-25 | 2020-11-27 | 北京交通大学 | 一种基于深度学习的od客流预测方法 |
CN112001548B (zh) * | 2020-08-25 | 2023-10-20 | 北京交通大学 | 一种基于深度学习的od客流预测方法 |
CN113516263A (zh) * | 2021-04-21 | 2021-10-19 | 广州通巴达电气科技有限公司 | 基于站点图像识别的车辆调度方法及装置 |
CN114202955A (zh) * | 2021-12-30 | 2022-03-18 | 昆山市交通场站管理有限公司 | 公交车站台停车预测方法及停车提示*** |
CN114299745A (zh) * | 2021-12-30 | 2022-04-08 | 昆山市交通场站管理有限公司 | 用于公交车与候车亭的泊位交互***及方法 |
CN116704778A (zh) * | 2023-08-04 | 2023-09-05 | 创意(成都)数字科技有限公司 | 智慧交通数据处理方法、装置、设备及存储介质 |
CN116704778B (zh) * | 2023-08-04 | 2023-10-24 | 创意(成都)数字科技有限公司 | 智慧交通数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20150348068A1 (en) | 2015-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105224992A (zh) | 对等待乘客数进行预测的方法和***以及评价方法和*** | |
Iglesias et al. | Data-driven model predictive control of autonomous mobility-on-demand systems | |
US20220248171A1 (en) | System and Methods for Automatically Checking-In a Vehicle | |
Nourinejad et al. | A dynamic carsharing decision support system | |
US20200175635A1 (en) | System and method for determining passenger-seeking ride-sourcing vehicle navigation | |
US10019671B2 (en) | Learning mobility user choice and demand models from public transport fare collection data | |
US10430736B2 (en) | System and method for estimating a dynamic origin-destination matrix | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
US20210233196A1 (en) | System and method for ride order dispatching | |
US20150269491A1 (en) | Predicting arrival times of vehicles based upon observed schedule adherence | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
US20200364627A1 (en) | System and method for ride order dispatching | |
JP6906487B2 (ja) | 乗合車両用需要予測装置、乗合車両用需要予測方法及びプログラム | |
US20190094030A1 (en) | Goal-based travel reconstruction | |
WO2021121354A1 (en) | Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform | |
US20190279238A1 (en) | Information processing system, information processing method, and non-transitory computer-readable storage medium storing program | |
CN110458325A (zh) | 一种交通区域短时客流预测方法及装置 | |
CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
Noursalehi et al. | Predictive decision support platform and its application in crowding prediction and passenger information generation | |
CN116324838A (zh) | 用于通过叫车平台调度共享乘车的***和方法 | |
Nguyen et al. | Pareto routing and scheduling of dynamic urban rail transit services with multi-objective cross entropy method | |
CN114692419A (zh) | 一种城市轨道交通***数字孪生建模方法及其*** | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
La Rocca et al. | Heuristics for electric taxi fleet management at Teo Taxi | |
CN115170006B (zh) | 发车调度方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160106 |