CN107092988A - 一种专用道公交车辆驻站时间预测方法 - Google Patents
一种专用道公交车辆驻站时间预测方法 Download PDFInfo
- Publication number
- CN107092988A CN107092988A CN201710265165.5A CN201710265165A CN107092988A CN 107092988 A CN107092988 A CN 107092988A CN 201710265165 A CN201710265165 A CN 201710265165A CN 107092988 A CN107092988 A CN 107092988A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- station
- msub
- time
- 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
- 238000000034 method Methods 0.000 title abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000000611 regression analysis Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000013277 forecasting method Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明是一种专用道公交车辆驻站时间预测的方法。首先,基于检测器数据经过数据预处理得到特定班次前后车到站时间间隔以及后车驻站时间的数据矩阵;其次,根据数据矩阵的数据关系分析采用多项式回归、对数函数回归、指数函数回归等回归形式,在全阶段和分阶段两种情况下对其进行回归分析,并借助于各回归形式的效果相关度的关系选用最佳相关度回归函数;然后,根据最佳回归函数对专用道公交进行驻站时间预测,并验证其预测精度;最后,根据误差阈值关系确定选定采用模型优化或参数优化方案,进而实时优化预测结果。
Description
技术领域
本发明涉及一种基于专用道公交车辆历史数据的驻站时间预测方法。
背景技术
近年来随着城市道路交通拥堵现象的愈加严重,便捷高效地出行方式成为缓解拥堵的迫切需求。《国务院关于城市优先发展公共交通的指导意见》指出发展公交优先是缓解拥堵的必然要求。2015年北京市出台《公交专用车道设置规范》,要求符合相关条件的道路全面实施公交专用道。然而公交车辆驻站时间的波动变化将直接影响到公交车辆的路段时空轨迹分布,在路阻函数、建模仿真、评价线网、公交信号优先控制等领域的研究中有重要作用,因此国内外众多学者对公交车辆驻站时间预测方面进行了大量研究。
由于公交车辆自身所区别于社会车辆的特点较为明显,因此有学者将公交驻站时间预测同影响公交车辆驻站的因素、公交车辆停靠过程等相关联进行研究。随着交通检测设备的改进,基于对公交车辆历史数据回归分析也成为可能,在传统的回归分析方法之上结合卡尔曼滤波、最小二乘法估计、基因表达程序、支持向量机等算法建立了公交驻站时间同公交车头时距、路段运行时间、准点率等因素的预测分析模型。随着人工智能在当今科学技术中的飞速发展和应用,给公交车辆的驻站时间预测提供了新的研究思路,利用K近邻、神经网络、贝叶斯深度学习等算法搭建公交车辆的位置、速度、车头时距等多因素综合影响下的驻站时间预测模型。但是这些策略仍存在以下问题:
①公交驻站时间预测方法研究中,应考虑到不同时段乘客出行及公交运行特征对公交驻站时间的影响;
②基于回归分析的公交驻站时间预测是其中重要方法之一,但由于公交驻站时间的强随机性,仅靠单一的回归模型难以描述公交驻站时间与其主要影响因素间的关系,应考虑建立回归模型库,并随着观测数据的更新使库内回归模型持续优化。
发明内容
为了获得一种能够基于专用道公交车辆同一班次前后车到站时间间隔跟后车驻站时间之间数据规律进行专用道公交车辆驻站时间预测分析的方法,进而得到精准的专用道公交车辆的驻站时间预测结果。针对现行专用道公交驻站时间预测策略存在的不足,本发明的针对专用道公交车辆和社会车辆的运行特点设置了一种新的专用道公交驻站时间预测方法,具体采用如下技术方案:该方法包括如下步骤:
(1)将班次、进出站时间信息依照时间先后关系构造数据矩阵A,其中:
anumn为第n辆车班次,aarrn和adepn分别为第n辆车的到站时间和离站时间;
(2)将前后车到站时间间隔Tb与本班次后车驻站时间Ts构成数据矩阵B,其中:
B=[TB TS];
(3)令矩阵B中数据组为n组,取其前0.8n组数据为训练矩阵Btrain=[Tb Ts],其余的数据构成验证矩阵
(4)对数据矩阵B中Tb和Ts利用多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析数据,得到全阶段回归函数簇为:
(5)从数据矩阵Btrain中寻找最大的Tb,记为Tbmax,采用聚类算法将Tb分为m组;对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析函数簇,得到分阶段回归函数簇为:
(6)将得到的全阶段回归函数簇和分阶段回归函数簇,利用皮尔逊系数进行相关度检验,具体如下:
其中:R为相关度,X为实际检测得出的驻站时间,Y为根据回归模型预测得出驻站时间,N为数组组数;
(7)选择步骤(6)中相关度高的函数做为公交驻站时间预测模型,记为f(x),将验证矩阵Bcheck中的Tby作为模型输入,输出预测驻站时间pretime=f(Tby)。
优选地,还包括如下步骤:
(8)采用平均预测精度衡量预测结果,具体如下:
其中:Preacc为平均预测精度;realtime为公交车辆真实驻站时间;pretime为公交车辆驻站预测时间。
优选地,还包括如下步骤:
(9)采用如下优化判断流程:若E<Q,返回步骤(4),利用新数据对预测模型参数微调整,并剔除超出误差阈值的点;若E>Q,返回步骤(2),利用新数据更新预测模型,并验证新模型的预测效果,剔除失效数据,其中,E为平均误差,Q为误差阈值。
附图说明
图1是本发明的方法流程图。
图2是本发明的聚类算法流程图。
具体实施方式
(1)在专用道公交站点以视频采集为主、人工采集为辅的采集专用道公交的停靠信息,主要采集的信息包括专用道公交车辆的车辆班次、到站时刻、离站时刻和驻站时间等。公交车辆到站时刻即公交车辆在站内驻站停稳时刻;公交车辆离站时刻即公交车辆在站内启动离开时刻;公交车辆驻站时间即公交车辆到站时刻与离站时刻间的时间间隔;前后车到站时间间隔即前车的到站时刻与后车的到站时刻间的时间间隔。
将班次、进出站时间信息依照时间先后关系构造数据矩阵A,其中:
anumn为第n辆车班次,aarrn和adepn分别为第n辆车的到站时间和离站时间
(2)根据专用道公交车辆的到站类型,按类进行数据筛选。将所采集到的信息按照班次区分开来,并将每一班次中前后车的到站时间间隔同后车的驻站时间做数据相关处理,并构成数据矩阵。专用道公交车辆到站情况定义为以下几类:
A、前方无车辆驻站
B、前方有车辆驻站且驻站车辆包含本班次
C、前方有车辆驻站且驻站车辆不含本班次
依照所要分析的特定班次需求,将本班次的前后车到站时间间隔TB同本班次后车驻站时间TS构成数据矩阵B,其中:
B=[TB TS];
(3)令矩阵B中数据组为n组,取其前0.8n组数据为训练矩阵Btrain=[Tb Ts],其余的数据构成验证矩阵满足length(Btrain)/length(B)=0.8。
针对现行的单一形式回归效果不好的问题,本专利采用了多形式回归分析形式。针对根据公交车辆前后车到站时间间隔同后车驻站时间的分布特点,采用全阶段回归及分阶段回归两种方法,其定义如下:
全阶段回归:将公交车辆前后车到站时间间隔同后车驻站时间的所有组合按照所选用的回归函数进行回归分析;
分阶段回归:将公交车辆前后车到站时间间隔同后车驻站时间的所有组合按照前后到站时间间隔大小设置不同的阶段,在每个阶段采用不同的回归函数进行拟合。
(4)进行全阶段回归:对数据矩阵B中Tb和Ts利用多项式回归、指数回归、对数函数回归策略进行回归分析,并生成回归分析数据,其回归形式如下:
y=a1xm+a2xm-1+…+amx+b
y=|a×ln(cx+ε)+b|,limε→0
得到全阶段回归函数簇为
(5)进行分阶段回归,从数据矩阵Btrain中寻找最大的Tb,记为Tbmax,采用聚类算法将Tb分为m组;具体步骤如图2所示。根据分组,对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析,并生成回归分析函数簇;
得到分阶段回归函数簇为:
(6)将得到的全阶段回归函数簇和分阶段回归函数簇,利用皮尔逊系数进行相关度检验,具体如下:
其中:R为相关度,X为实际检测得出的驻站时间,Y为根据回归模型预测得出驻站时,N为数组组数。
(7)依照表1相关度关系表筛选最佳预测效果函数:
表1相关度关系表
并将此函数做为公交驻站时间预测模型,记为f(x)。将验证矩阵Bcheck中的Tby作为模型输入,故其预测驻站时间为
pretime=Tsy=f(Tby)
(8)采用平均预测精度衡量预测结果,具体如下:
其中:Preacc为平均预测精度;Realtime为公交车辆真实驻站时间;Pretime为公交车辆驻站预测时间
(9)为了增加模型的预测效果的动态优化,引入了平均误差作为反馈输入量,通过对平均误差与误差均值的对比关系,确定不同的模型优化策略。通过平均误差E和误差阈值Q的关系,选用不同的优化模式。其中E和Q的获取过程如下:
设X表示前后车的到站时间间隔,g(X)表示前后车到站时间间隔为X时后车的驻站时间,f(X)为该班次的驻站时间分布密度函数,它反映该班次的驻站特性,因此该班次的驻站时间为
用概率语言来说,g是随机变量g(X)的数学期望,即
E=g=E(g(X))
对于误差阈值的判断采用的是k-means聚类算法对各时间段的驻站时间进行聚类,通过寻找聚类边界M,因此各阶段的误差阈值为:
Q=|M-g(X)|
其优化判断流程如下:
1、E<Q,返回Step3,利用新数据对预测模型参数微调整,并剔除超出误差阈值的点;
2、E>Q,返回Step2,利用新数据更新预测模型,并验证新模型的预测效果。剔除失效数据。
Claims (3)
1.一种专用道公交车辆驻站时间预测方法,其特征在于,包括如下步骤:
(1)将班次、进出站时间信息依照时间先后关系构造数据矩阵A,其中:
<mrow>
<mi>A</mi>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>p</mi>
<mi>n</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
anumn为第n辆车班次,aarrn和adepn分别为第n辆车的到站时间和离站时间;
(2)将前后车到站时间间隔Tb与本班次后车驻站时间Ts构成数据矩阵B,其中:
B=[TB TS];
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>S</mi>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>d</mi>
<mi>e</mi>
<mi>p</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mn>0</mn>
<mo><</mo>
<mi>i</mi>
<mo><</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>B</mi>
<mo>=</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>r</mi>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>T</mi>
<mi>B</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
(3)令矩阵B中数据组为n组,取其前0.8n组数据为训练矩阵Btrain=[Tb Ts],其余的数据构成验证矩阵
(4)对数据矩阵B中Tb和Ts利用多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析数据,得到全阶段回归函数簇为:
(5)从数据矩阵Btrain中寻找最大的Tb,记为Tbmax,采用聚类算法将Tb分为m组;对每个分组内数据执行多项式回归、指数回归、对数函数回归策略进行回归分析并生成回归分析函数簇,得到分阶段回归函数簇为:
(6)将得到的全阶段回归函数簇和分阶段回归函数簇,利用皮尔逊系数进行相关度检验,具体如下:
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>X</mi>
<mi>Y</mi>
<mo>-</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mi>X</mi>
<mi>&Sigma;</mi>
<mi>Y</mi>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
<msqrt>
<mrow>
<mo>(</mo>
<msup>
<mi>&Sigma;X</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>N</mi>
</mfrac>
<mo>)</mo>
<mo>(</mo>
<msup>
<mi>&Sigma;Y</mi>
<mn>2</mn>
</msup>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&Sigma;</mi>
<mi>Y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
</msqrt>
</mfrac>
</mrow>
其中:R为相关度,X为实际检测得出的驻站时间,Y为根据回归模型预测得出驻站时间,N为数组组数;
(7)选择步骤(6)中相关度高的函数做为公交驻站时间预测模型,记为f(x),将验证矩阵Bcheck中的Tby作为模型输入,输出预测驻站时间pretime=f(Tby)。
2.如权利要求1所述的一种专用道公交车辆驻站时间预测方法,其特征在于,还包括如下步骤:
(8)采用平均预测精度衡量预测结果,具体如下:
<mrow>
<mi>Pr</mi>
<mi>e</mi>
<mi>a</mi>
<mi>c</mi>
<mi>c</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
<mo>-</mo>
<mi>p</mi>
<mi>r</mi>
<mi>e</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
<mi>l</mi>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
</mfrac>
<mo>|</mo>
</mrow>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
<mi>N</mi>
</mfrac>
</mrow>
其中:Preacc为平均预测精度;realtime为公交车辆真实驻站时间;pretime为公交车辆驻站预测时间。
3.如权利要求3所述的一种专用道公交车辆驻站时间预测方法,其特征在于,还包括如下步骤:
(9)采用如下优化判断流程:若E<Q,返回步骤(4),利用新数据对预测模型参数微调整,并剔除超出误差阈值的点;若E>Q,返回步骤(2),利用新数据更新预测模型,并验证新模型的预测效果,剔除失效数据,其中,E为平均误差,Q为误差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710265165.5A CN107092988B (zh) | 2017-04-21 | 2017-04-21 | 一种专用道公交车辆驻站时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710265165.5A CN107092988B (zh) | 2017-04-21 | 2017-04-21 | 一种专用道公交车辆驻站时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107092988A true CN107092988A (zh) | 2017-08-25 |
CN107092988B CN107092988B (zh) | 2020-04-10 |
Family
ID=59636991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710265165.5A Active CN107092988B (zh) | 2017-04-21 | 2017-04-21 | 一种专用道公交车辆驻站时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092988B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111126835A (zh) * | 2019-12-23 | 2020-05-08 | 航天科技控股集团股份有限公司 | 一种北斗卫星定位的公用汽车管理方法 |
TWI703517B (zh) * | 2019-07-18 | 2020-09-01 | 中華電信股份有限公司 | 車輛到站時間預測之系統與其方法 |
CN112035856A (zh) * | 2020-08-20 | 2020-12-04 | 北方工业大学 | 一种基于区块链技术的v2g充放电信息处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074124A (zh) * | 2011-01-27 | 2011-05-25 | 山东大学 | 一种基于svm及h∞滤波的动态公交到站时间预测方法 |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
-
2017
- 2017-04-21 CN CN201710265165.5A patent/CN107092988B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074124A (zh) * | 2011-01-27 | 2011-05-25 | 山东大学 | 一种基于svm及h∞滤波的动态公交到站时间预测方法 |
CN104637334A (zh) * | 2015-02-10 | 2015-05-20 | 中山大学 | 一种公交车到站时间实时预测方法 |
Non-Patent Citations (3)
Title |
---|
ANDRZEJ ADAMSKI: "Probabilistic models of passengers service processes at bus stops", 《TRANSPORTATION RESEARCH》 * |
张骁 等: "专用道公交优先干线协调控制研究现状及展望", 《自动化博览》 * |
武勇: "基于时间分布的公交行程时间预测模型的研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI703517B (zh) * | 2019-07-18 | 2020-09-01 | 中華電信股份有限公司 | 車輛到站時間預測之系統與其方法 |
CN111091231A (zh) * | 2019-11-25 | 2020-05-01 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111091231B (zh) * | 2019-11-25 | 2022-04-15 | 珠海格力电器股份有限公司 | 预测模型训练方法、时间预测方法、训练装置及终端 |
CN111126835A (zh) * | 2019-12-23 | 2020-05-08 | 航天科技控股集团股份有限公司 | 一种北斗卫星定位的公用汽车管理方法 |
CN111126835B (zh) * | 2019-12-23 | 2023-04-18 | 航天科技控股集团股份有限公司 | 一种北斗卫星定位的公用汽车管理方法 |
CN112035856A (zh) * | 2020-08-20 | 2020-12-04 | 北方工业大学 | 一种基于区块链技术的v2g充放电信息处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107092988B (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102592447B (zh) | 一种基于fcm的区域路网的道路交通状态判别方法 | |
CN108364467B (zh) | 一种基于改进型决策树算法的路况信息预测方法 | |
CN104658252B (zh) | 基于多源数据融合的高速公路交通运行状态的评估方法 | |
CN107092988A (zh) | 一种专用道公交车辆驻站时间预测方法 | |
CN108492555A (zh) | 一种城市路网交通状态评价方法及装置 | |
CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
Lingras et al. | Traffic volume time‐series analysis according to the type of road use | |
CN106652441A (zh) | 一种基于时空数据的城市道路交通状态预测方法 | |
CN104298540B (zh) | 一种微观交通仿真软件的底层模型参数校正方法 | |
CN103473469A (zh) | 一种基于客观指标的扇区交通态势多层次模糊评价方法 | |
CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN102610092A (zh) | 基于rbf神经网络城市道路速度预测方法 | |
CN104361460A (zh) | 采用模糊综合评价方法的道路服务水平评价方法 | |
CN103456163A (zh) | 城市快速路互通立交通行能力和运行状态判别方法与*** | |
Zhang et al. | Optimal signal timing method of intersections based on bus priority | |
CN106504535A (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
CN106297296B (zh) | 一种基于稀疏轨迹点数据的细粒度旅行时间分配方法 | |
CN106021902A (zh) | 一种用于城市轨道交通客流拥挤指数的分级方法 | |
Xin et al. | Minnesota's new ramp control strategy: Design overview and preliminary assessment | |
CN101777260A (zh) | 预约集港模式下的港区交通流预测方法 | |
Alomari et al. | Regional evaluation of bus rapid transit with and without transit signal priority | |
CN107316503A (zh) | 一种基于多级物元熵权的拥堵热点空域扇区识别方法 | |
CN111008736A (zh) | 用于新航线的开通决策方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |