CN107358319A - 城市轨道交通客流预测方法、装置、存储介质和计算机设备 - Google Patents
城市轨道交通客流预测方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN107358319A CN107358319A CN201710517984.4A CN201710517984A CN107358319A CN 107358319 A CN107358319 A CN 107358319A CN 201710517984 A CN201710517984 A CN 201710517984A CN 107358319 A CN107358319 A CN 107358319A
- Authority
- CN
- China
- Prior art keywords
- passenger
- data
- station
- enter
- outbound
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012546 transfer Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 37
- 230000001788 irregular Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013179 statistical model 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
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)
Abstract
本发明涉及一种城市轨道交通客流预测方法、装置、存储介质和计算机设备。实时获取乘客的进站数据和出站数据。根据进站数据及历史出行行为预测乘客的出站点。根据乘客的进站数据和出站数据利用OD反推算法,计算乘客的出行路径,对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径。再将计算出的乘客的出行路径结合乘客的进站点、出站点及列车实时位置信息,计算得到乘客实时位置。再根据实时获取的乘客的出站数据,对乘客实时位置进行修正。根据修正后的乘客的实时位置输出预测的线网客流分布信息。本发明中出行路径预测可以精准到单个乘客,突破以往基于概率对全体乘客进行统计计算的模式。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种城市轨道交通客流预测方法、装置、存储介质和计算机设备。
背景技术
城市轨道交通由于其运量大、能耗低、污染少和乘坐方便等特点,吸引了越来越多的乘客,俨然已成为人们出行首选的公共交通工具。随着越来越多的行人选择乘坐地铁出行,地铁站内经常会出现客流过度饱和的状态,尤其是在早晚出行高峰时段或节假日等。如果过度饱和的客流得不到及时有效的疏导,很容易导致拥堵,降低行人的流通率,甚至可能导致***故的发生。所以如何对实时客流进行预测,就显得尤为重要。目前的城市轨道交通客流分布预测多是基于群体的概率统计进行计算,这种预测方法精确度较低,难以做到对城市轨道交通客流进行精确的预测,以至于不能为地铁运营管理人员协调轨道交通运营管理和编制行车计划提供准确的数据支撑。
发明内容
基于此,有必要针对上述技术问题,提供一种城市轨道交通客流预测方法、装置、存储介质和计算机设备。
一种城市轨道交通客流预测方法,所述方法包括:
实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
根据乘客的进站数据及历史出行行为预测乘客的出站点;
根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
在其中一个实施例中,所述OD反推算法,包括:
获取乘客相邻的历史进站数据和历史出站数据,所述历史进站数据包括进站点和进站时刻,所述历史出站数据包括出站点和出站时刻;
根据所述历史进站数据获取距离进站时刻最近的发车班次,根据所述历史出站数据获取距离出站时刻最近的发车班次;
判断所述进站点与出站点之间是否只有一条有效出行路径,若是,则输出所述有效出行路径作为乘客的实际出行路径;
若不是,则判断所述进站点与所述出站点是否共线,若是则判断所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次是否相同,若相同则输出所述出行路径作为乘客的实际出行路径,若不相同,则将根据所述进站时刻和所述出站时刻计算的实际出行时间与所述进站点和所述出站点间所有路径的出行时间进行比较,获取与所述实际出行时间最接近的路径作为乘客的实际出行路径。
在其中一个实施例中,在所述判断所述进站点与所述出站点是否共线之后,还包括:
若所述进站点与所述出站点不共线,则判断所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次所在的线路是否存在换乘站,若存在则在所述换乘站处判断所述距离进站时刻最近的发车班次的到站时刻与所述距离出站时刻最近的发车班次的离站时刻是否满足预设条件,若满足则输出所述包含所述换乘站的出行路径作为乘客的实际出行路径;
若所述进站点与所述出站点不共线且所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次所在的线路无直接换乘站,则判断所述线路是否存在换乘线路,并判断所述换乘线路上是否存在满足预设条件的接续列车,若存在则输出包含所述换乘路线的出行路径作为乘客的实际出行路径。
在其中一个实施例中,在所述实时获取乘客的进站数据和出站数据之前,还包括:
获取预设时间段内的乘客历史出行交易数据,所述出行交易数据包括进站数据和出站数据,根据所述出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
在其中一个实施例中,所述根据乘客的进站数据及历史出行行为预测乘客的出站点,包括:
对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点;
对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。
在其中一个实施例中,所述方法运行在分布式***中。
一种城市轨道交通客流预测装置,所述装置包括:
乘客的进站数据和出站数据获取模块,用于实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
乘客出站点预测模块,用于根据乘客的进站数据及历史出行行为预测乘客的出站点;
乘客出行路径计算模块,用于根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
乘客实时位置计算模块,用于获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
乘客实时位置修正模块,用于根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
线网客流分布预测模块,用于根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
在其中一个实施例中,所述装置还包括:乘客分类模块,用于获取预设时间段内的乘客历史出行交易数据,所述出行交易数据包括进站数据和出站数据,根据所述出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
根据乘客的进站数据及历史出行行为预测乘客的出站点;
根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
一种计算机设备,所述计算机设备包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
根据乘客的进站数据及历史出行行为预测乘客的出站点;
根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
上述城市轨道交通客流预测方法、装置、存储介质和计算机设备,实时获取乘客的进站数据和出站数据。根据乘客的进站数据及历史出行行为预测乘客的出站点。根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径。再将计算出的乘客的出行路径结合乘客的进站数据、出站数据及列车实时位置信息,计算得到乘客实时位置。再根据实时获取的乘客的出站数据,对乘客实时位置进行修正。根据修正后的乘客的实时位置输出预测的线网客流分布信息。本发明中的出行路径预测可以精准到单个乘客,突破以往基于概率对全体乘客进行统计计算的模式。利用基于出行时间的OD反推算法结合实时列车位置信息,实现了乘客出行路径选择行为的精准预测。
附图说明
图1为一个实施例中城市轨道交通客流预测方法的流程图;
图2为图1中OD反推算法的流程图;
图3为图1中OD反推算法的另一流程图;
图4为一个实施例中城市轨道交通客流预测方法所运行的分布式***的框架图;
图5为一个实施例中城市轨道交通客流预测装置的结构示意图;
图6为一个实施例中城市轨道交通客流预测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
在一个实施例中,如图1所示,提供了一种城市轨道交通客流预测方法,方法运行在分布式***中。包括:
步骤110,实时获取乘客的进站数据和出站数据,进站数据包括进站点和进站时刻,出站数据包括出站点和出站时刻。
实时从城市轨道交通AFC(Auto Fare Collection,自动售检票)***中,获取乘客所持票卡ID的刷卡记录。从实时获取的刷卡记录中获取乘客的进站数据和出站数据,进站数据包括进站点和进站时刻,出站数据包括出站点和出站时刻。例如,乘客小明在星期二的早晨8点在A站(深圳北站)刷卡进站,从AFC***中就实时获取到乘客的进站数据,进站点为A站,进站时间为8:00am。在此之前,预先获取预设时间段内的乘客历史出行交易数据,出行交易数据包括进站数据和出站数据,根据出行交易数据将乘客分为出行规律乘客和出行无规律乘客。出行规律乘客的特征是会有较大的概率在固定时间段内以固定的出行路线出行。相反,出行无规律乘客的特征是出行比较无规律可循。
步骤120,根据乘客的进站数据及历史出行行为预测乘客的出站点。
历史出行行为指的是从AFC***获取一段时间例如近一个月乘客的出行行为。例如,通过这一个月内获取到的小明的进站数据和出站数据,得出在工作日(7:00-9:00)乘客小明都会从A站出发,到达B站(大学城),晚上(17:00-18:00)再从B站出发回到A站。在周末小明的出行行为不太规律,但是起点站都是A站,出站点待定。若此时是工作日的星期二,且8点时小明在A站点刷卡进站,那么结合小明的历史出行行为可以预测小明的出站点很大概率上都是B站。
步骤130,根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD(Origin-Destination,起讫点)反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径。
根据实时获取的所有乘客的进站数据和预测所得的该乘客的出站点,计算乘客此次出行的出行路径。具体的,根据该乘客的进站点、进站时间以及预测的出站点使用OD反推算法计算得到出行路径。OD反推算法是在知道了此次出行的进站点和出站点,利用历史出行行为去反推此次出行的出行路径。
对于利用OD(Origin-Destination,起讫点)反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,进行概率性预估,预估出这部分乘客的出行路径。很好的弥补了这部分利用OD反推算法未计算出合适出行路径的乘客数据缺失,从而能够保证所有乘客都预测出了出行路径,确保数据的完整。
步骤140,获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置。
利用历史出行行为的数据,经过上述模型的计算,预测出了本次所有乘客的出行路径。再从ATS***(Automatic Train Supervision自动列车监控***)中获取列车的实时位置信息,结合乘客的进站点、进站时间、预测的出站点及出行路径,在分布式***Storm流处理框架下进行实时计算,得出某个时间点乘客的实时位置。
例如,以深圳地铁为例,预测小明此次的出站点是B站(大学城),再使用OD反推算法计算小明的出行路径。得出小明需要从A站先乘坐开往前海湾方向的4号线,再从B站(大学城)下车刷卡出站。从ATS***中获取小明在8点刷卡进站能够搭乘的列车的实时位置信息,来计算小明的实时位置。如计算在8点20分的时候,小明还未出站,小明大概抵达哪个站点或者在哪两个站点之间的位置。
步骤150,根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置。
不断的从AFC***中获取乘客的进站数据和出站数据,若在获取了乘客的进站数据之后,一直未获取到该乘客的出站数据,则说明乘客还未出地铁,继续使用上述方法预测该乘客的出行路径。若在某一个时间点获取到了该乘客的出站数据,则判断乘客的出站数据与预测的出站点是否一致,若一致,则上述预测的出行路径即为实际出行路径。若不一致,则根据乘客的出站数据修正乘客的实时位置。例如,本来小明一般情况下是从B站(大学城)下车刷卡出站,但这次小明在8点20时提前从前一站下车出站了,那么当从AFC***中获取小明的出站数据时,立即对小明的实时位置进行修正。
步骤160,根据修正后的乘客的实时位置输出预测的线网客流分布信息。
根据上述修正后的对所有乘客此时的实时位置,在城市轨道交通的线网中输出线网断面客流指标。断面客流量是指在单位时间内通过交通线路某个地点的客流量。对每个乘客的出行路径和实时位置都进行了精确地预测,从而实现了对断面客流量进行精确地预测,能够为交通管理人员及早做出一些应对措施提供有力的支持。
本实施例中,实时获取乘客的进站数据和出站数据。根据进站数据及历史出行行为预测乘客的出站点。根据乘客的进站数据及历史出行行为预测乘客的出站点。根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径。再将计算出的乘客的出行路径结合乘客的进站点、出站点及列车实时位置信息,计算得到乘客实时位置。再根据实时获取的乘客的出站数据,对乘客实时位置进行修正。根据修正后的乘客的实时位置输出预测的线网客流分布信息。本发明中的出行路径预测可以精准到单个乘客,突破以往基于概率对全体乘客进行统计计算的模式。利用基于出行时间的OD反推算法结合实时列车位置信息,实现了乘客出行路径选择行为的精准预测。
在一个实施例中,如图2所示,OD反推算法,包括:
步骤210,获取乘客相邻的历史进站数据和历史出站数据,历史进站数据包括进站点和进站时刻,历史出站数据包括出站点和出站时刻。
从AFC***中读取乘客所持的票卡相邻的历史进站数据和历史出站数据,当进站和出站时间间隔小于4小时,则获取该OD即进站点和出站点。若进站和出站时间间隔大于4小时,则舍弃该数据。
步骤220,根据历史进站数据获取距离进站时刻最近的发车班次,根据历史出站数据获取距离出站时刻最近的发车班次。
根据OD的进出站时间判断离进站时刻最近的发车班次Tro,满足min((Tup+twalkin)-Tin),其中Tup为上车时间,Tin为刷卡进站时间,twalkin为刷卡进站到站台候车时间,和离出站时刻最近的发车班次Trd,满足min(Toff-(Tout+twalkout)),其中Toff为下车时间,Tout为刷卡出站时间,twalkout为刷卡下车到刷卡出站时间。
步骤230,判断进站点与出站点之间是否只有一条有效出行路径,若是,则输出有效出行路径作为乘客的实际出行路径。
如果OD间仅一条有效路径,其中有效路径是指出行时间满足阈值条件的连通路径,则输出该路径。
步骤240,若不是,则判断进站点与出站点是否共线,若是则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次是否相同,若相同则输出出行路径作为乘客的实际出行路径,若不相同,则将根据进站时刻和出站时刻计算的实际出行时间与进站点和出站点间所有路径的出行时间进行比较,获取与实际出行时间最接近的路径作为乘客的实际出行路径。
如果OD间不止存在一条有效路径,判断此OD进站点和出站点是否共线,进一步判断距离进站时刻最近的发车班次Tro和距离出站时刻最近的发车班次Trd是否相同。如果Tro和Trd相同则此出行无换乘,输出直达且无换乘的出行路径。
如果判断出Tro和Trd不同,对比OD间实际出行时间Tt=Tout-Tin和OD间各路径的出行时间Tc=Trun+Tstop+Ttrans(包含运行时间Trun、停站时间Tstop和必要的走行时间Ttrans),从TC中选出与Tt最为接近的那个TC。即TC满足min|Tt-TC|且满足一个阈值条件|Tt-TC|<ΔT,将TC对应的出行路径作为该OD间的实际路径输出。
在本实施例中,对进站点与出站点共线的情况进行了分析。OD反推算法根据进出站OD数据,判断乘客在地铁中的出行轨迹,实现基于个人的出行路径预测。目前的城市轨道交通出行数据只在进站和出站时刷卡,是没有在换乘站做任何标记的,一般情况下一个OD之间可能存在多条可选路径,比如以深圳地铁为例,从大学城到会展中心,可以先搭乘5号线通过深圳北站换乘搭乘4号线抵达会展中心,也可以先搭乘5号线通过西丽换乘7号线,再到车公庙换乘1号线抵达会展中心。目前国内地铁客流预测都是基于大的群体的统计模型来实现预测的,并未对单独的个人的出行路径进行预测。所以将预测落实到每一个乘客的出行路径的方法相比较于传统的对大的群体进行概率统计的方法更加准确,大大地减小了误差。
在一个实施例中,如图3所示,在判断进站点与出站点是否共线之后,还包括:
步骤310,若进站点与出站点不共线,则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路是否存在换乘站,若存在则在换乘站处判断距离进站时刻最近的发车班次的到站时刻与距离出站时刻最近的发车班次的离站时刻是否满足预设条件,若满足则输出包含换乘站的出行路径作为乘客的实际出行路径。
对于进站点和出站点不共线的情况,判断Tro和Trd所在线路是否有换乘站。如果有换乘站则在换乘站点判断Tro的到站时刻是否早于Trd的离站时刻,且两个时刻的间隔满足(Tup2-Toff1)-Ttrans>0,其中Ttrans为最短换乘走行时间,则输出包含换乘站的出行路径。对于存在两个路径满足以上条件的OD,选择|(Tup2-Toff1)-Ttrans|最小的路径输出。
步骤320,若进站点与出站点不共线且距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路无直接换乘站,则判断线路是否存在换乘线路,并判断换乘线路上是否存在满足预设条件的接续列车,若存在则输出包含换乘路线的出行路径作为乘客的实际出行路径。
对于进站和出站不共线的情况,且无直接换乘站的情况下,进一步判断与Tro和Trd所在线路存在换乘站的换乘线路Lt,并判断Lt上是否存在满足(Tup(i+1)-Toff(i)-Ttrans(i)>0的接续列车Trt(i),如果存在,则输出包含该换乘线路的出行路径。
在本实施例中,对于进站点和出站点不共线的情况,即不能通过直达必须要换乘才能抵达出站点,进一步判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路是否存在换乘站,如果有则可以通过一次换乘即可抵达出站点,则将符合条件的包含换乘站的出行路径输出。若距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路不存在换乘站,但是存在换乘线路时,则将符合条件的包含换乘线路的出行路径输出。
在一个实施例中,在实时获取乘客的进站数据和出站数据之前,还包括:获取预设时间段内的乘客历史出行交易数据,出行交易数据包括进站数据和出站数据,根据出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
预设时间段可以是一个月,当然也可以是其他时间段。例如,从AFC***获取近一个月的乘客的历史出行交易数据,出行交易数据包括进站数据和出站数据。对每个乘客近一个月的进站数据和出站数据进行统计分析,从统计分析的结果将乘客分为出行规律乘客和出行无规律乘客。出行规律乘客的特征是会有较大的概率在固定时间段内以固定的出行路线出行。相反,出行无规律乘客的特征是出行比较无规律可循。例如,若小明近一个月的统计分析结果,从A站到B站的概率为80%,则小明就属于出行规律乘客。若小花近一个月的统计分析结果,所有的出行路径的概率都不超过20%,则小花就属于出行无规律乘客。
在本实施例中,预先对乘客的历史出行数据进行分析,将出行有规律可循的乘客划归出行规律乘客,把出行无规律可循的划归为出行无规律乘客。然后,在后续根据乘客的进站数据及历史出行行为预测乘客的出站点时候,分别使用不同的模型分别对两种乘客的出站点进行预测,这样就提高了预测的准确率。
在一个实施例中,根据乘客的进站数据及历史出行行为预测乘客的出站点,包括:对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点;对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。
对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点。具体的,根据AFC***实时记录的进站时间和进站点,判断当前时间为节假日或者工作日,选择对应的出行路径集合I。根据实时记录的交易时间判断当前为早/晚高峰或者平峰时段,选择对应的出行路径集合J。根据交易产生时的天气情况,选择对应的出行集合M,则乘客的出行行为集合N为以上集合的交集,即N=M∩J∩I。这样就预测出乘客的出站点。
对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。具体的,根据AFC***实时记录的进站时间和进站点,对历史数据进行概率统计,对在该进站时间和进站点情况下,所有乘客的出站点情况进行统计分析。获取最大概率的出站点,则就输出该站点作为出行无规律乘客的出站点。
在本实施例中,对出行规律乘客采用随机森林模型对乘客的出站点进行预测,对出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。对乘客分为两种类型,分别针对这两种类型的乘客分别采用不同的模型进行出站点分析,这样预测出的出站点的精确度更高。
在一个实施例中,如图4所示,为本发明实施例所运行的分布式***的框架图,为一种城市轨道交通客流预测方法运行在分布式***中。
本发明实施例的方法运行在分布式***中。其中包括分布式***Storm流处理框架。Hadoop是一个开源的可运行于大规模集群上的分布式并行编程框架,既实现了Google的MapReduce编程模型,还包含了一个分布式文件***HDFS(Hadoop Distributed FileSystem),实现分布式计算和海量数据处理。分布式文件***的数据量达到海量级别,需要服务器端有很强的负载和对并发请求的处理能力,且服务***的可用性、可扩展性和稳定性都较高。其优势在于对海量数据的存储、计算等处理,并且具有高交互性。
传统城市轨道交通客流分布计算,大多是基于概率分布模型进行的历史统计计算,难以做到实时预测。在分布式***中,因为分布式文件***优势在于对海量数据的存储、计算等处理,并且具有高交互性,所以就可以实现对每一个乘客的出行路径进行预测,从而大大的提高了城市轨道交通客流预测的精度和效率。
在一个实施例中,如图5所示,提供了一种城市轨道交通客流预测装置500,该装置包括:乘客的进站数据和出站数据获取模块510、乘客出站点预测模块520、乘客出行路径计算模块530、乘客实时位置计算模块540、乘客实时位置修正模块550及线网客流分布预测模块560。
乘客的进站数据和出站数据获取模块510,用于实时获取乘客的进站数据和出站数据,进站数据包括进站点和进站时刻,出站数据包括出站点和出站时刻。
乘客出站点预测模块520,用于根据乘客的进站数据及历史出行行为预测乘客的出站点。
乘客出行路径计算模块530,用于根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径。
乘客实时位置计算模块540,用于获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置。
乘客实时位置修正模块550,用于根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置。
线网客流分布预测模块560,用于根据修正后的乘客的实时位置输出预测的线网客流分布信息。
在一个实施例中,一种城市轨道交通客流预测装置500,如图6所示,该装置还包括:乘客分类模块570,用于获取预设时间段内的乘客历史出行交易数据,出行交易数据包括进站数据和出站数据,根据出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
实时获取乘客的进站数据和出站数据,进站数据包括进站点和进站时刻,出站数据包括出站点和出站时刻;根据乘客的进站数据及历史出行行为预测乘客的出站点;根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径;获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;根据修正后的乘客的实时位置输出预测的线网客流分布信息。
在其中一个实施例中,上述程序被处理器执行时还实现以下步骤:
获取乘客相邻的历史进站数据和历史出站数据,历史进站数据包括进站点和进站时刻,历史出站数据包括出站点和出站时刻;根据历史进站数据获取距离进站时刻最近的发车班次,根据历史出站数据获取距离出站时刻最近的发车班次;判断进站点与出站点之间是否只有一条有效出行路径,若是,则输出有效出行路径作为乘客的实际出行路径;若不是,则判断进站点与出站点是否共线,若是则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次是否相同,若相同则输出出行路径作为乘客的实际出行路径,若不相同,则将根据进站时刻和出站时刻计算的实际出行时间与进站点和出站点间所有路径的出行时间进行比较,获取与实际出行时间最接近的路径作为乘客的实际出行路径。
在其中一个实施例中,上述程序被处理器执行时还实现以下步骤:若进站点与出站点不共线,则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路是否存在换乘站,若存在则在换乘站处判断距离进站时刻最近的发车班次的到站时刻与距离出站时刻最近的发车班次的离站时刻是否满足预设条件,若满足则输出包含换乘站的出行路径作为乘客的实际出行路径;若进站点与出站点不共线且距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路无直接换乘站,则判断线路是否存在换乘线路,并判断换乘线路上是否存在满足预设条件的接续列车,若存在则输出包含换乘路线的出行路径作为乘客的实际出行路径。
在其中一个实施例中,上述程序被处理器执行时还实现以下步骤:获取预设时间段内的乘客历史出行交易数据,出行交易数据包括进站数据和出站数据,根据出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
在其中一个实施例中,上述程序被处理器执行时还实现以下步骤:对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点;
对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。
在其中一个实施例中,上述程序被处理器执行时还实现以下步骤:城市轨道交通客流预测方法运行在分布式***中。
在一个实施例中,还提供了一种计算机设备,该计算机设备包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行计算机程序时实现以下步骤:
实时获取乘客的进站数据和出站数据,进站数据包括进站点和进站时刻,出站数据包括出站点和出站时刻;根据乘客的进站数据及历史出行行为预测乘客的出站点;根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对乘客的进站数据和出站数据利用多概率模型,计算出行路径;获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;根据修正后的乘客的实时位置输出预测的线网客流分布信息。
在其中一个实施例中,上述处理器执行计算机程序时还实现以下步骤:
获取乘客相邻的历史进站数据和历史出站数据,历史进站数据包括进站点和进站时刻,历史出站数据包括出站点和出站时刻;根据历史进站数据获取距离进站时刻最近的发车班次,根据历史出站数据获取距离出站时刻最近的发车班次;判断进站点与出站点之间是否只有一条有效出行路径,若是,则输出有效出行路径作为乘客的实际出行路径;若不是,则判断进站点与出站点是否共线,若是则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次是否相同,若相同则输出出行路径作为乘客的实际出行路径,若不相同,则将根据进站时刻和出站时刻计算的实际出行时间与进站点和出站点间所有路径的出行时间进行比较,获取与实际出行时间最接近的路径作为乘客的实际出行路径。
在其中一个实施例中,上述处理器执行计算机程序时还实现以下步骤:若进站点与出站点不共线,则判断距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路是否存在换乘站,若存在则在换乘站处判断距离进站时刻最近的发车班次的到站时刻与距离出站时刻最近的发车班次的离站时刻是否满足预设条件,若满足则输出包含换乘站的出行路径作为乘客的实际出行路径;若进站点与出站点不共线且距离进站时刻最近的发车班次与距离出站时刻最近的发车班次所在的线路无直接换乘站,则判断线路是否存在换乘线路,并判断换乘线路上是否存在满足预设条件的接续列车,若存在则输出包含换乘路线的出行路径作为乘客的实际出行路径。
在其中一个实施例中,上述处理器执行计算机程序时还实现以下步骤:获取预设时间段内的乘客历史出行交易数据,出行交易数据包括进站数据和出站数据,根据出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
在其中一个实施例中,上述处理器执行计算机程序时还实现以下步骤:对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点;对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。
在其中一个实施例中,上述处理器执行计算机程序时还实现以下步骤:城市轨道交通客流预测方法运行在分布式***中。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市轨道交通客流预测方法,所述方法包括:
实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
根据乘客的进站数据及历史出行行为预测乘客的出站点;
根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
2.根据权利要求1所述的方法,其特征在于,所述OD反推算法,包括:
获取乘客相邻的历史进站数据和历史出站数据,所述历史进站数据包括进站点和进站时刻,所述历史出站数据包括出站点和出站时刻;
根据所述历史进站数据获取距离进站时刻最近的发车班次,根据所述历史出站数据获取距离出站时刻最近的发车班次;
判断所述进站点与出站点之间是否只有一条有效出行路径,若是,则输出所述有效出行路径作为乘客的实际出行路径;
若不是,则判断所述进站点与所述出站点是否共线,若是则判断所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次是否相同,若相同则输出所述出行路径作为乘客的实际出行路径,若不相同,则将根据所述进站时刻和所述出站时刻计算的实际出行时间与所述进站点和所述出站点间所有路径的出行时间进行比较,获取与所述实际出行时间最接近的路径作为乘客的实际出行路径。
3.根据权利要求2所述的方法,其特征在于,在所述判断所述进站点与所述出站点是否共线之后,还包括:
若所述进站点与所述出站点不共线,则判断所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次所在的线路是否存在换乘站,若存在则在所述换乘站处判断所述距离进站时刻最近的发车班次的到站时刻与所述距离出站时刻最近的发车班次的离站时刻是否满足预设条件,若满足则输出所述包含所述换乘站的出行路径作为乘客的实际出行路径;
若所述进站点与所述出站点不共线且所述距离进站时刻最近的发车班次与所述距离出站时刻最近的发车班次所在的线路无直接换乘站,则判断所述线路是否存在换乘线路,并判断所述换乘线路上是否存在满足预设条件的接续列车,若存在则输出包含所述换乘路线的出行路径作为乘客的实际出行路径。
4.根据权利要求1所述的方法,其特征在于,在所述实时获取乘客的进站数据和出站数据之前,还包括:
获取预设时间段内的乘客历史出行交易数据,所述出行交易数据包括进站数据和出站数据,根据所述出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
5.根据权利要求4所述的方法,其特征在于,所述根据乘客的进站数据及历史出行行为预测乘客的出站点,包括:
对于出行规律乘客,根据出行规律乘客的进站数据及历史出行行为利用决策树算法进行预测乘客的出站点;
对于出行无规律乘客,根据出行无规律乘客的进站数据及历史出行行为利用概率预测乘客的出站点。
6.根据权利要求1所述的方法,其特征在于,所述方法运行在分布式***中。
7.一种城市轨道交通客流预测装置,其特征在于,所述装置包括:
乘客的进站数据和出站数据获取模块,用于实时获取乘客的进站数据和出站数据,所述进站数据包括进站点和进站时刻,所述出站数据包括出站点和出站时刻;
乘客出站点预测模块,用于根据乘客的进站数据及历史出行行为预测乘客的出站点;
乘客出行路径计算模块,用于根据乘客的进站数据和出站数据计算乘客的出行路径,包括:根据乘客的进站数据和出站数据利用起讫点OD反推算法,计算乘客的出行路径;对于利用OD反推算法未计算出出行路径的乘客,则对所述乘客的进站数据和出站数据利用多概率模型,计算出行路径;
乘客实时位置计算模块,用于获取列车实时位置信息,结合乘客的进站数据、出站数据及出行路径,计算得到乘客实时位置;
乘客实时位置修正模块,用于根据实时获取的乘客的出站数据,对乘客实时位置进行修正,得到修正后的乘客的实时位置;
线网客流分布预测模块,用于根据所述修正后的乘客的实时位置输出预测的线网客流分布信息。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:乘客分类模块,用于获取预设时间段内的乘客历史出行交易数据,所述出行交易数据包括进站数据和出站数据,根据所述出行交易数据将乘客分为出行规律乘客和出行无规律乘客。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权1至6中任一项所述的城市轨道交通客流预测方法。
10.一种计算机设备,所述计算机设备包括存储器,处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权1至6中任一项所述的城市轨道交通客流预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517984.4A CN107358319A (zh) | 2017-06-29 | 2017-06-29 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517984.4A CN107358319A (zh) | 2017-06-29 | 2017-06-29 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358319A true CN107358319A (zh) | 2017-11-17 |
Family
ID=60273649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517984.4A Pending CN107358319A (zh) | 2017-06-29 | 2017-06-29 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358319A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132913A (zh) * | 2017-12-11 | 2018-06-08 | 深圳先进技术研究院 | 一种轨道交通客流移动估计方法、***及电子设备 |
CN108647879A (zh) * | 2018-05-08 | 2018-10-12 | 深圳市公安局公交分局 | 轨道交通线网的实时拥堵指数计算方法、装置及介质 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN110097233A (zh) * | 2019-05-10 | 2019-08-06 | 佛山市木记信息技术有限公司 | 一种班车运作体系 |
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110992037A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的风险防控方法、装置和*** |
CN111626497A (zh) * | 2020-05-25 | 2020-09-04 | 日立楼宇技术(广州)有限公司 | 人流量预测方法、装置、设备和存储介质 |
CN111741051A (zh) * | 2020-04-14 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 交通工具满载率确定方法、装置、存储介质及电子装置 |
CN111861841A (zh) * | 2020-06-30 | 2020-10-30 | 南昌轨道交通集团有限公司 | 交通路网客流分布的确定方法、装置、设备和存储介质 |
CN111967135A (zh) * | 2020-07-13 | 2020-11-20 | 昆明理工大学 | 一种用于轨道交通***的离线式车站以及轨道交通*** |
CN112101640A (zh) * | 2020-08-28 | 2020-12-18 | 通号城市轨道交通技术有限公司 | 乘客路径确定方法、装置及可读存储介质 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN112966218A (zh) * | 2021-02-26 | 2021-06-15 | 佳都新太科技股份有限公司 | 一种车厢载客人数实时计算方法及装置 |
CN113766428A (zh) * | 2020-06-01 | 2021-12-07 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、***、终端以及存储介质 |
CN113781693A (zh) * | 2020-06-28 | 2021-12-10 | 朱俊达 | 基于大数据的区块链身份信息认证*** |
CN114090704A (zh) * | 2020-08-04 | 2022-02-25 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
CN114446039A (zh) * | 2021-12-31 | 2022-05-06 | 深圳云天励飞技术股份有限公司 | 客流分析方法及相关设备 |
CN114912683A (zh) * | 2022-05-13 | 2022-08-16 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN115564151A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种基于形态识别的突发大客流形态识别方法及*** |
CN115952173A (zh) * | 2023-03-13 | 2023-04-11 | 北京全路通信信号研究设计院集团有限公司 | 一种客流数据处理方法、装置、大数据平台及存储介质 |
CN117079379A (zh) * | 2023-10-16 | 2023-11-17 | 八维通科技有限公司 | 轨道交通高容差人脸过闸方法和***、计算机程序介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004021305A2 (en) * | 2002-08-29 | 2004-03-11 | Itis Holdings Plc | Apparatus and method for providing traffic information |
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 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及*** |
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
-
2017
- 2017-06-29 CN CN201710517984.4A patent/CN107358319A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004021305A2 (en) * | 2002-08-29 | 2004-03-11 | Itis Holdings Plc | Apparatus and method for providing traffic information |
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 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及*** |
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108132913A (zh) * | 2017-12-11 | 2018-06-08 | 深圳先进技术研究院 | 一种轨道交通客流移动估计方法、***及电子设备 |
CN108132913B (zh) * | 2017-12-11 | 2021-10-29 | 深圳先进技术研究院 | 一种轨道交通客流移动估计方法、***及电子设备 |
CN109961164B (zh) * | 2017-12-25 | 2022-01-07 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN109961164A (zh) * | 2017-12-25 | 2019-07-02 | 比亚迪股份有限公司 | 客流量预测方法及装置 |
CN108647879A (zh) * | 2018-05-08 | 2018-10-12 | 深圳市公安局公交分局 | 轨道交通线网的实时拥堵指数计算方法、装置及介质 |
CN110097233A (zh) * | 2019-05-10 | 2019-08-06 | 佛山市木记信息技术有限公司 | 一种班车运作体系 |
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110647929B (zh) * | 2019-09-19 | 2021-05-04 | 北京京东智能城市大数据研究院 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN110992037A (zh) * | 2020-03-03 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于多方安全计算的风险防控方法、装置和*** |
CN111741051A (zh) * | 2020-04-14 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 交通工具满载率确定方法、装置、存储介质及电子装置 |
CN111626497A (zh) * | 2020-05-25 | 2020-09-04 | 日立楼宇技术(广州)有限公司 | 人流量预测方法、装置、设备和存储介质 |
CN113766428A (zh) * | 2020-06-01 | 2021-12-07 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、***、终端以及存储介质 |
CN113781693A (zh) * | 2020-06-28 | 2021-12-10 | 朱俊达 | 基于大数据的区块链身份信息认证*** |
CN113781693B (zh) * | 2020-06-28 | 2023-05-23 | 江苏人加信息科技有限公司 | 基于大数据的区块链身份信息认证*** |
CN111861841A (zh) * | 2020-06-30 | 2020-10-30 | 南昌轨道交通集团有限公司 | 交通路网客流分布的确定方法、装置、设备和存储介质 |
CN111967135A (zh) * | 2020-07-13 | 2020-11-20 | 昆明理工大学 | 一种用于轨道交通***的离线式车站以及轨道交通*** |
CN114090704A (zh) * | 2020-08-04 | 2022-02-25 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
CN114090704B (zh) * | 2020-08-04 | 2024-06-07 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
CN112101640A (zh) * | 2020-08-28 | 2020-12-18 | 通号城市轨道交通技术有限公司 | 乘客路径确定方法、装置及可读存储介质 |
CN112183815B (zh) * | 2020-08-28 | 2023-04-07 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112183815A (zh) * | 2020-08-28 | 2021-01-05 | 浙江众合科技股份有限公司 | 基于规则推荐算法的精准短时客流预测模型 |
CN112488388B (zh) * | 2020-11-30 | 2022-08-02 | 佳都科技集团股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
CN112488388A (zh) * | 2020-11-30 | 2021-03-12 | 佳都新太科技股份有限公司 | 基于概率分布的出站客流预测方法及装置 |
CN112488419A (zh) * | 2020-12-15 | 2021-03-12 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN112966218A (zh) * | 2021-02-26 | 2021-06-15 | 佳都新太科技股份有限公司 | 一种车厢载客人数实时计算方法及装置 |
CN114446039A (zh) * | 2021-12-31 | 2022-05-06 | 深圳云天励飞技术股份有限公司 | 客流分析方法及相关设备 |
CN114912683A (zh) * | 2022-05-13 | 2022-08-16 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN114912683B (zh) * | 2022-05-13 | 2024-05-10 | 中铁第六勘察设计院集团有限公司 | 一种智慧城市轨道交通异常大客流预测***及方法 |
CN115564151A (zh) * | 2022-12-06 | 2023-01-03 | 成都智元汇信息技术股份有限公司 | 一种基于形态识别的突发大客流形态识别方法及*** |
CN115952173A (zh) * | 2023-03-13 | 2023-04-11 | 北京全路通信信号研究设计院集团有限公司 | 一种客流数据处理方法、装置、大数据平台及存储介质 |
CN117079379A (zh) * | 2023-10-16 | 2023-11-17 | 八维通科技有限公司 | 轨道交通高容差人脸过闸方法和***、计算机程序介质 |
CN117079379B (zh) * | 2023-10-16 | 2024-01-09 | 八维通科技有限公司 | 轨道交通高容差人脸过闸方法和***、计算机程序介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358319A (zh) | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 | |
Kuo et al. | Public transport for smart cities: Recent innovations and future challenges | |
Taniguchi et al. | Intelligent transportation system based dynamic vehicle routing and scheduling with variable travel times | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN111079875A (zh) | 基于多源数据的公共交通客流监测方法、装置和存储介质 | |
CN108846514B (zh) | 一种突发事件下轨道交通客流疏散需求预测方法 | |
Li et al. | A dynamic simulation model of passenger flow distribution on schedule-based rail transit networks with train delays | |
CN109034566A (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划***及方法 | |
Li et al. | Public bus arrival time prediction based on traffic information management system | |
Sayarshad et al. | Optimizing dynamic switching between fixed and flexible transit services with an idle-vehicle relocation strategy and reductions in emissions | |
CN103366224A (zh) | 一种基于公交网络的乘客需求预测***和方法 | |
Dai et al. | A balanced assignment mechanism for online taxi recommendation | |
Zhang et al. | Coupling analysis of passenger and train flows for a large-scale urban rail transit system | |
Liu et al. | Shared Autonomous Taxi System and Utilization of Collected Travel‐Time Information | |
CN114707709A (zh) | 铁路综合客运枢纽安全预警方法及*** | |
Li et al. | A platoon‐based adaptive signal control method with connected vehicle technology | |
Noda et al. | Evaluation of usability of dial-a-ride systems by social simulation | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN113935595B (zh) | 一种城市轨道交通路网高峰大客流疏导*** | |
Zhang et al. | Analysis of Spatial‐Temporal Characteristics of Operations in Public Transport Networks Based on Multisource Data | |
Li et al. | Coordination of last train transfers using potential passenger demand from public transport modes | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测*** | |
CN113592272A (zh) | 一种公交及巡游小巴的调度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |
|
RJ01 | Rejection of invention patent application after publication |