CN105513362A - 一种公交站台毗邻区公交车运行状态评价验证方法 - Google Patents

一种公交站台毗邻区公交车运行状态评价验证方法 Download PDF

Info

Publication number
CN105513362A
CN105513362A CN201610077543.2A CN201610077543A CN105513362A CN 105513362 A CN105513362 A CN 105513362A CN 201610077543 A CN201610077543 A CN 201610077543A CN 105513362 A CN105513362 A CN 105513362A
Authority
CN
China
Prior art keywords
bus
platform
running state
interval
stop
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
Application number
CN201610077543.2A
Other languages
English (en)
Other versions
CN105513362B (zh
Inventor
郑元
张健
冉斌
张国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201610077543.2A priority Critical patent/CN105513362B/zh
Publication of CN105513362A publication Critical patent/CN105513362A/zh
Application granted granted Critical
Publication of CN105513362B publication Critical patent/CN105513362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种公交站台毗邻区公交车运行状态评价验证方法，将公交站台毗邻区划分为上游、站台和下游区间，通过视频检测器采集并获取三个区间的行驶时间和停靠服务时间数据，通过聚类分析分别得到公交车在上游、站台和下游区间及停靠服务运行状态与公交车在整个区间运行状态的期望聚类结果，并与采用反向传播神经网络模型得到的公交车在整个区间运行状态的输出聚类结果进行对比，能够验证聚类方法对公交车运行状态评价的准确性。本发明方法处理简单易行，便于实时鉴别公交车运行状态，从而评价公交站台毗邻区公交车的运营效率，使用本发明方法实时监测和评价公交车运行状态具有实际工程应用价值。

Description

一种公交站台毗邻区公交车运行状态评价验证方法
技术领域
本发明属于交通智能管理和控制技术领域，具体涉及一种公交站台毗邻区公交车运行状态评价验证方法，使用本发明方法能够实时验证公交车运行状态评价的准确性，从而更好实施提高公交车运营效率的应对措施。
背景技术
随着经济发展和城镇化进程加快，人们出行频率的增加和生活就业半径的扩大，对公共交通服务水平及公交站台覆盖率提出更高的要求，因此近年公交站台设施建设速度加快，是公共交通运营***的重要保障和支撑。然而，在公交站台毗邻区公交车运营效率低下已经成为制约城市公交发展的主要问题之一，由于机动车与公交车的相互作用影响、非机动车与公交车的交互作用等因素，严重影响了公交车在公交站台毗邻区内的行驶时间和相应到站停靠服务位置和时间，从而增加公交车的延误时间和行驶危险性，也对城市公共交通的正常运行和市民便捷出行产生影响，成为制约公共交通发展的一大瓶颈。
因此只有对在公交站台毗邻区公交车运行状态进行正确评价，从而能够定性和定量判别在公交站台毗邻区公交车不同的运行状态，而目前交通管理相关部门只是定性化做出相应的措施，如增加视频摄像头进行监测和公交站台引导员进行管理，但相关部门没有充分运用实际数据，难以在短时间内对公交车运行状态进行鉴别，更不能对公交车运营效率低下的形成机理进行定量和定性化的***研究，因此应将公交站台毗邻区公交车运行状态的定量化研究纳入到城市公交规划建设中，并根据公交车运行状态评价采取应对措施来提高公交车的运营效率，实际也是以人为本、公交优先的一个具体体现。
然而，目前学者们开始关注采用数学模型和统计方法解释公交站台附近公交车运营效率低下的现象。Ye在《ImpactofCurbsideParkingonTravelTimeandSpaceMeanSpeed》中以机动车行驶时间和平均速度作为研究对象，通过模型定量分析多个因素变量对其的影响。Zhao在《EvaluationofInteractionsbetweenBusesandBicyclesatStops》中运用统计方法分析公交毗邻区非机动车的行驶时间是否受到公交车运行的影响。McKnight在《ImpactofCongestiononBusOperationsandCosts》中选取公交车的行驶时间作为评价指标分析拥堵对公交车运营的影响，从而取代传统的v/c测量指标来评价其服务质量。Yang在《Survivalanalysisofcartraveltimenearabusstopindeveloping》中基于生存理论构建模型来分析公交站台附近的混合交通流对公交车行驶时间的影响。在公交站台毗邻区不同的公交车运行状态是否与其运营效率相关，它们之间关联度究竟多大，是否存在有代表性的非顺畅运行状态可作为公交车运营效率降低的一种表现，并且其公交车运行状态评价的准确性，并没有从相关研究中得到很好的解答。本发明提出一种公交站台毗邻区公交车运行状态评价验证方法，通过采集每辆公交车的3个区间的行驶时间和停靠服务时间，并将该方法应用于实时监测和评价公交站台毗邻区公交车运行状态，运用相关方法对其运行状态评价的准确性进行核对，从而使用本发明方法可以通过对公交车运行状态实时判别，在公交站台附近加强整改措施来改善公交车的运营效率。
发明内容
发明目的：为了克服对公交站台附近的公交车运营效率低下形成机理定量和定性化研究的不足，本发明基于现有智能交通控制与管理技术提出了一种能够评价公交车运行状态方法，并对其运行状态评价的准确性进行核对。
技术方案：为实现上述发明目的，本发明的技术方案为：
一种公交站台毗邻区公交车运行状态评价验证方法，包括以下步骤：
(1)将公交站台毗邻区分为上游、站台和下游三个区间，通过视频检测器采集公交站台毗邻区的视频数据，获取每辆公交车在这三个区间的行驶时间，以及在站台区间的停靠服务时间；
(2)以每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间分别作为聚类变量进行聚类，分别得到公交车在上游、站台和下游区间及停靠服务的运行状态聚类结果；
(3)以每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间共同作为聚类变量进行聚类，得到公交车在整个区间运行状态的聚类结果；
(4)将步骤(2)得到的公交车在上游、站台和下游区间及停靠服务运行状态聚类结果，作为反向传播神经网络(BPNN)模型的初始变量，并将通过网络模型训练得到公交车在整个区间运行状态的输出聚类结果，与步骤(3)得到的公交车在整体区间运行状态的聚类结果进行对比，从而验证通过聚类方法评价公交车运行状态的准确性。
进一步地，所述步骤(3)和步骤(4)之间还包括：将步骤(2)得到的公交车在上游、站台和下游区间及停靠服务运行状态聚类结果，作为BPNN模型的初始输入变量，步骤(3)得到的公交车在整个区间运行状态的聚类结果作为期望输出变量，通过敏感性分析筛选出对期望输出变量敏感度较高的输入变量；
在步骤(4)中将所得到的敏感度较高的输入变量作为BPNN模型的初始变量。
作为优选，所述步骤(1)中选取60米的公交站台毗邻区域作为研究区域，沿着车辆行驶方向确定公交站台的起点，在公交站台毗邻区范围内从该起点往上游方向扩展20米记为1点，作为被选取60米研究区域的起点，从该起点往下游方向顺延20米记为2点，并把横断面1至2的行驶区间定义为上游区间；往下游方向顺延20米记为3点，并把横断面2至3点的行驶区间定义为站台区间；再往下游方向顺延20米记为4点，并把横断面3至4点的行驶区间定义为下游区间。
作为优选，所述步骤(1)中通过一个能够覆盖所述三个区间的球型视频检测器监测横断面1、2、3和4附近交通情况，采集每辆公交车头依次经过这四个检测点横断面的行驶时间数据。
作为优选，所述步骤(1)中单独设置一个覆盖站台区间的球型视频检测器监测公交车停靠站台服务情况，采集每辆公交车停靠站台服务的开始时间和重新启动时间数据。
作为优选，所述步骤(2)或(3)中通过两步聚类方法进行聚类分析。
有益效果：本发明的公交站台毗邻区公交车运行状态评价验证方法可以从个体和整体的角度对公交站台毗邻区公交车在3个区间和停靠服务的运行状态进行聚类评价，并根据BPNN模型实时验证公交车整体运行状态评价的准确性，避免和防止了公交车运行状态评价误差的出现，能够为有关交通管理部门提供决策支持，可以通过实时监测评价结果采取改善措施来提高公交车的运营效率。
附图说明：
图1为本发明实施例中不同类型的公交站台示意图。
图2为本发明实施例中类型1公交站台检测点和划分区间具体示意图。
图3为本发明实施例综合运用聚类和BPNN模型建模的流程图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明实施例公开的一种公交站台毗邻区公交车运行状态评价验证方法，首先，将公交站台毗邻区域划分为上游、站台和下游区间(站台区间在中间位置)，通过视频检测器监测区间的横断面附近交通情况及公交车停靠站台服务情况，从而采集公交车头依次经过四个横断面的行驶时间和停靠服务时间数据；然后，通过聚类方法分别得到公交车在上游、站台和下游区间及停靠服务运行状态与公交车在整个区间运行状态的期望聚类结果，并与采用反向传播神经网络模型得到的公交车在整个区间运行状态的输出聚类结果进行对比，能够验证两步聚类方法对公交车运行状态评价的准确性。详细的实施步骤如下：
1)由于数据采集的视线范围限制，选取60米的公交站台毗邻区域作为研究区域，沿着车辆行驶方向确定公交站台的起点，在公交站台毗邻区范围内从该起点往上游方向扩展20米记为1点(0米)，作为被选取60米研究区域的起点，从该起点往下游方向顺延20米记为2点(20米)，并把横断面1至2的行驶区间定义为上游区间；往下游方向顺延20米记为3点(40米)，并把横断面2至3点的行驶区间定义为站台区间；再往下游方向顺延20米记为4点(60米)，并把横断面3至4点的行驶区间定义为下游区间；并在公交站台高空处安装能够监测横断面1、2、3和4附近交通情况的球型视频检测器，从而采集每辆公交车头依次经过这四个检测点横断面的行驶时间数据。
2)沿着车辆行驶方向确定公交站台的区域范围，如步骤1)公交站台高空处的球型视频检测器不能同时监测公交车停靠站台服务情况，则需单独设置球型视频检测器监测公交车停靠站台服务情况，从而采集每辆公交车停靠站台服务的开始时间和重新启动时间数据。
3)结合步骤1)采集的每辆公交车头经过横断面1、2、3和4的行驶时间，以及步骤2)公交车停靠服务的开始时间和重新启动时间，计算得到每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间，所有被统计的公交车4个时间参数共同组合成公交车运行状态评价验证的交通数据样本，采用两步聚类(Two-StepCluster)方法，选用公交车3个区间的行驶时间和停靠服务时间4个参数作为公交车运行状态评价验证的数据样本进行聚类分析；
4)通过采用两步聚类方法得到公交车运行状态的聚类结果用于实时评价公交车运营效率情况，首先以每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间分别作为聚类变量，以每辆公交车在上游、站台和下游区间运行状态的聚类结果作为目标变量，从而分别确定公交车在上游、站台和下游区间及停靠服务的运行状态聚类结果；
5)以公交车在上游、站台和下游区间的行驶时间及停靠服务时间为一个整体同时作为聚类变量，以每辆公交车在上游、站台和下游区间及停靠服务整体运行状态的聚类结果作为目标变量，从而确定公交车在整个区间运行状态的聚类分析结果；
6)结合步骤4)分别得到的每辆公交车在上游、站台和下游区间及停靠服务运行状态聚类结果，作为反向传播神经网络(BPNN)模型的初始输入变量，步骤5)得到公交车在整个区间运行状态的聚类结果作为期望输出变量，通过敏感性分析筛选出对期望输出变量敏感度较高的输入变量；
7)步骤6)基础得到的输入变量作为BPNN模型的初始变量，通过网络训练得到公交车在整个区间运行状态的输出聚类结果，即输出变量，与步骤5)得到的公交车在整体区间运行状态的期望输出聚类结果进行对比，即输出变量与期望输出变量之间对比，能够验证两步聚类方法评价公交车运行状态的准确性。使用本发明方法首先可以从个体和整体的角度对公交站台毗邻区公交车在3个区间和停靠服务的运行状态进行聚类评价，并根据BPNN模型实时验证公交车整体运行状态评价的准确性，避免和防止公交车运行状态评价误差的出现。
下面本实施例用在南京市选择下述4个类型标准的道路中途公交站台作为研究对象。类型1：通过道路标线来分离机动车道和自行车道，公交站台设置在人行道上。类型2：通过物理隔离设施来分离机动车道和自行车道，公交站台处物理设施变成了道路标线并设置在人行道上。类型3：通过物理隔离设施来分离机动车道和自行车道，公交站台设置在机非物理分隔带上。类型4：通过物理隔离设施来分离机动车道和自行车道，公交站台为港湾形式并设置在机非物理分隔带上，如图1所示。
以类型1的公交站台为例，说明公交站台毗邻区设置检测点的位置，并在同时能够包括横断面1、2、3和4周围交通情况和停靠站台服务情况的高空位置安装视频检测设备，例如各检测点之间相隔20米，具体距离长度可根据实际情况适当调整，如图2所示。
下面用在南京市选择符合上述类型标准4个公交站点，2013年5-7月晴朗天气下在高处建筑物放置摄像机(保证能够拍摄60米视野范围内的数据)进行拍摄获得数据。在每个公交站台记录6-7个15米in视频片段。在视频上标记横断面1、2、3和4，从而通过视频记录公交车经过横断面1、2、3和4的瞬时行驶时间(精确到0.1秒)，并且通过视频观察记录每辆公交车停靠站台服务的开始时间和重新启动时间数据。
在视频数据库中总共采集了4个公交站台的396个公交车范例，选取了公交车毗邻区范围内划分的3个区间的行驶时间和停靠服务时间数据，将4个公交站台类型所有统计的公交车3个区间的行驶时间和停靠服务时间组合成数据样本。
首先，以每辆公交车作为基准单位，通过视频采集已划分的3个区域内的公交车行驶时间和停靠服务时间，并以3个区间的行驶时间和公交车停靠服务时间分别作为聚类变量，采用聚类方法(如采用两步聚类、k-means聚类等常用聚类方法)对公交车各区间行驶时间和停靠服务时间进行聚类分析。本例中，运用两步聚类方法将公交车的3个区间和停靠服务运行状态划分为不同聚类结果，类型1公交站台的公交车在上游、站台和下游区间及停靠服务运行状态被划分为3、2、3、3类，类型2公交站台的公交车在上游、站台和下游区间及停靠服务运行状态被划分为2、2、2、2类，类型3公交站台的公交车在上游、站台和下游区间及停靠服务运行状态被划分为3、2、3、2类，类型4公交站台的公交车在上游、站台和下游区间及停靠服务运行状态被划分为2、3、4、2类，如表1所示。表中状态分别与公交车运行状态的分类相对应，即状态1代表分类1，其中数值为状态的类中心数值。
表1四种类型公交站台的公交车三个区间和停靠服务运行状态分类结果
然后，以公交车上游、站台和下游区间的行驶时间以及停靠服务时间为一个整体共同作为聚类变量，采用两步聚类方法对公交车在整个区间运行状态进行聚类分析，从而得到公交车在整个区间运行状态的期望输出变量结果。本例中，利用运用两步聚类法将公交车上游、站台和下游区间及停靠服务的整体运行状态划分为不同聚类结果，类型1公交站台的公交车整体运行状态被划分为3类，类型2公交站台的公交车整体运行状态被划分为4类，类型3公交站台的公交车整体运行状态被划分为3类，类型4公交站台的公交车整体运行状态被划分为2类。
接着，以每辆公交车在上游、站台和下游区间的行驶时间以及停靠服务时间聚类结果作为初始输入变量，上游、站台和下游区间及停靠服务的整体运行状态的聚类结果作为期望输出变量，通过敏感性分析筛选出对期望输出变量敏感度较高的输入变量；例如，对于类型1的聚类结果是3、2、3和3作为初始输入变量，3作为期望输出变量；通过敏感性分析得到的各变量的敏感度系数在0-1范围内，可以设定敏感度系数超过设定阈值(如0.5，可根据实际结果进行调整)对应的变量为敏感度较高的输入变量。
将在此基础上得到的敏感度较高的输入变量作为反向传播神经网络(BPNN)模型的初始变量，通过网络训练得到公交车在3个区间行驶和停靠服务的整体运行状态的输出聚类结果，即输出变量。与得到的公交车在整个区间运行状态的期望输出聚类结果进行对比，即输出变量与期望变量之间对比，能够验证两步聚类方法评价公交车运行状态的准确性，即通过输出变量与期望变量数据对比核对公交车运行状态评价的准确性，如表2所示。表中数值表示所研究不同类型公交站台被划分为不同的公交车数目，正确率数值为输出的整体状态结果与期望的整体状态结果对应正确比率。
表2四种类型公交站台的公交车整体运行状态的输出变量和期望输出变量结果对比
当发现某辆公交车的输出变量与期望输出变量数据差异较大，表明该公交车运行状态评价的正确性存在较大的误差，然后结合从个体和整体角度公交车上游、站台和下游区间及停靠服务运行状态的聚类评价结果，深入分析其公交车主要运行状态，此时通过对公交车运行状态实时监测，交通管理部门应评估该公交站台毗邻区范围内公交车运营效率实时情况，从而采取应对措施来改善其公交运营的效率，如可变信息显示板向驾驶员发布该点覆盖路段的公交运行状态的评价情况，提醒驾驶员谨慎驾驶车辆，安排交警和公交站台协助工作人员进行管理，对市政工程具有实践价值。

Claims (6)

1.一种公交站台毗邻区公交车运行状态评价验证方法，其特征是包括以下步骤：
（1）将公交站台毗邻区分为上游、站台和下游三个区间，通过视频检测器采集公交站台毗邻区的视频数据，获取每辆公交车在这三个区间的行驶时间，以及在站台区间的停靠服务时间；
（2）以每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间分别作为聚类变量进行聚类，分别得到公交车在上游、站台和下游区间及停靠服务的运行状态聚类结果；
（3）以每辆公交车在上游、站台和下游区间的行驶时间及停靠服务时间共同作为聚类变量进行聚类，得到公交车在整个区间运行状态的聚类结果；
（4）将步骤（2）得到的公交车在上游、站台和下游区间及停靠服务运行状态聚类结果，作为反向传播神经网络（BPNN）模型的初始变量，并将通过网络模型训练得到公交车在整个区间运行状态的输出聚类结果，与步骤（3）得到的公交车在整体区间运行状态的聚类结果进行对比，从而验证通过聚类方法评价公交车运行状态的准确性。
2.根据权利要求1所述的一种公交站台毗邻区公交车运行状态评价验证方法，其特征是，所述步骤（3）和步骤（4）之间还包括：将步骤（2）得到的公交车在上游、站台和下游区间及停靠服务运行状态聚类结果，作为BPNN模型的初始输入变量，步骤（3）得到的公交车在整个区间运行状态的聚类结果作为期望输出变量，通过敏感性分析筛选出对期望输出变量敏感度较高的输入变量；
在步骤（4）中将所得到的敏感度较高的输入变量作为BPNN模型的初始变量。
3.根据权利要求1所述的一种公交站台毗邻区公交车运行状态评价验证方法，其特征是，所述步骤（1）中选取60米的公交站台毗邻区域作为研究区域，沿着车辆行驶方向确定公交站台的起点，在公交站台毗邻区范围内从该起点往上游方向扩展20米记为1点，作为被选取60米研究区域的起点，从该起点往下游方向顺延20米记为2点，并把横断面1至2的行驶区间定义为上游区间；往下游方向顺延20米记为3点，并把横断面2至3点的行驶区间定义为站台区间；再往下游方向顺延20米记为4点，并把横断面3至4点的行驶区间定义为下游区间。
4.根据权利要求3所述的一种公交站台毗邻区公交车运行状态评价验证方法，其特征是，所述步骤（1）中通过一个能够覆盖所述三个区间的球型视频检测器监测横断面1、2、3和4附近交通情况，采集每辆公交车头依次经过这四个检测点横断面的行驶时间数据。
5.根据权利要求1所述的一种公交站台毗邻区公交车运行状态评价验证方法，其特征是，所述步骤（1）中单独设置一个覆盖站台区间的球型视频检测器监测公交车停靠站台服务情况，采集每辆公交车停靠站台服务的开始时间和重新启动时间数据。
6.根据权利要求1所述的一种公交站台毗邻区公交车运行状态评价验证方法，其特征是，所述步骤（2）或（3）中通过两步聚类方法进行聚类分析。
CN201610077543.2A 2016-02-03 2016-02-03 一种公交站台毗邻区公交车运行状态评价验证方法 Active CN105513362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610077543.2A CN105513362B (zh) 2016-02-03 2016-02-03 一种公交站台毗邻区公交车运行状态评价验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610077543.2A CN105513362B (zh) 2016-02-03 2016-02-03 一种公交站台毗邻区公交车运行状态评价验证方法

Publications (2)

Publication Number Publication Date
CN105513362A true CN105513362A (zh) 2016-04-20
CN105513362B CN105513362B (zh) 2017-11-03

Family

ID=55721303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610077543.2A Active CN105513362B (zh) 2016-02-03 2016-02-03 一种公交站台毗邻区公交车运行状态评价验证方法

Country Status (1)

Country Link
CN (1) CN105513362B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845768A (zh) * 2016-12-16 2017-06-13 东南大学 基于生存分析参数分布的公交车旅行时间模型构建方法
CN107292531A (zh) * 2017-07-11 2017-10-24 华南理工大学 一种基于bp神经网络和聚类分析法的公交车“两率”检查方法
CN109726771A (zh) * 2019-02-27 2019-05-07 深圳市赛梅斯凯科技有限公司 异常驾驶检测模型建立方法、装置及存储介质
CN111341137A (zh) * 2020-02-28 2020-06-26 河海大学 一种网联协同的交叉口上游路侧公交站服务效能分析方法
CN112927000A (zh) * 2019-12-05 2021-06-08 顺丰科技有限公司 网点的数据分析方法、装置、计算机设备及存储介质
CN114741891A (zh) * 2022-04-22 2022-07-12 大连海事大学 一种基于超细观仿真的港湾式公交站效率评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682612A (zh) * 2012-05-18 2012-09-19 东南大学 基于公交站台控制的一体式信号交叉口公交优先***
CN102842219A (zh) * 2012-08-29 2012-12-26 苏州大学 预测方法和***
US20140324748A1 (en) * 2013-04-29 2014-10-30 Here Global B.V. Method and apparatus for deriving spatial properties of bus stops and traffic controls
CN104715630A (zh) * 2014-10-06 2015-06-17 中华电信股份有限公司 一种到站时间预测***与方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682612A (zh) * 2012-05-18 2012-09-19 东南大学 基于公交站台控制的一体式信号交叉口公交优先***
CN102842219A (zh) * 2012-08-29 2012-12-26 苏州大学 预测方法和***
US20140324748A1 (en) * 2013-04-29 2014-10-30 Here Global B.V. Method and apparatus for deriving spatial properties of bus stops and traffic controls
CN104715630A (zh) * 2014-10-06 2015-06-17 中华电信股份有限公司 一种到站时间预测***与方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邱丰等: "公交运营模式选择模型及其灵敏度分析", 《武汉理工大学学报(交通科学与工程版)》 *
邱丰等: "站点设置形式对公交专用道通行能力的影响分析", 《交通运输工程与信息学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845768A (zh) * 2016-12-16 2017-06-13 东南大学 基于生存分析参数分布的公交车旅行时间模型构建方法
CN106845768B (zh) * 2016-12-16 2019-12-10 东南大学 基于生存分析参数分布的公交车旅行时间模型构建方法
CN107292531A (zh) * 2017-07-11 2017-10-24 华南理工大学 一种基于bp神经网络和聚类分析法的公交车“两率”检查方法
CN107292531B (zh) * 2017-07-11 2021-01-19 华南理工大学 一种基于bp神经网络和聚类分析法的公交车“两率”检查方法
CN109726771A (zh) * 2019-02-27 2019-05-07 深圳市赛梅斯凯科技有限公司 异常驾驶检测模型建立方法、装置及存储介质
CN112927000A (zh) * 2019-12-05 2021-06-08 顺丰科技有限公司 网点的数据分析方法、装置、计算机设备及存储介质
CN111341137A (zh) * 2020-02-28 2020-06-26 河海大学 一种网联协同的交叉口上游路侧公交站服务效能分析方法
CN111341137B (zh) * 2020-02-28 2020-10-27 河海大学 一种网联协同的交叉口上游路侧公交站服务效能分析方法
CN114741891A (zh) * 2022-04-22 2022-07-12 大连海事大学 一种基于超细观仿真的港湾式公交站效率评估方法

Also Published As

Publication number Publication date
CN105513362B (zh) 2017-11-03

Similar Documents

Publication Publication Date Title
CN105513362B (zh) 一种公交站台毗邻区公交车运行状态评价验证方法
CN103985250B (zh) 轻量级的全息道路交通状态视觉检测装置
CN104408925B (zh) 基于陈列雷达的交叉口运行状态评价方法
CN104464295B (zh) 一种基于视频的高架入口匝道智能限行方法
CN102136190B (zh) 城市公交客运事件应急响应调度管理***及方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN102881162B (zh) 大规模交通信息的数据处理及融合方法
CN103903438B (zh) 客运车辆违规停车地点识别方法及***
CN105355049B (zh) 一种基于宏观基本图的高速公路运行状态评价方法
Mousa Analysis and modeling of measured delays at isolated signalized intersections
CN101783073B (zh) 基于双截面检测器的信号交叉口延误测定方法
CN104464307B (zh) 一种基于视频的隧道交通拥堵事件自动检测方法
CN106845768A (zh) 基于生存分析参数分布的公交车旅行时间模型构建方法
CN109255955A (zh) 一种基于地基和空基协同感知的高速公路事故监测方法及***
CN107590999B (zh) 一种基于卡口数据的交通状态判别方法
CN110111563A (zh) 一种城市快速路的实时交通状态估计方法
CN114783183A (zh) 一种基于交通态势算法的监控方法与***
Yang et al. Arterial roadway energy/emissions estimation using modal-based trajectory reconstruction
CN102024323A (zh) 基于浮动车数据提取车辆排队长度的方法
CN113436432A (zh) 一种利用路侧观测数据进行路段短时交通风险预测的方法
CN104700630A (zh) 一种高速公路车流量的监测方法及***
CN101131796A (zh) 一种道路交通参数检测装置及检测方法
CN101819719A (zh) 基于行人、自行车群设置初始绿灯时间的方法
CN100481153C (zh) 基于偏最小二乘原理的高速公路交通事件自动检测方法
CN109785627A (zh) 一种十字路***通流量监控***

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