CN108133291A - 一种社会事件与客运交通需求之间的相关性分析方法 - Google Patents

一种社会事件与客运交通需求之间的相关性分析方法 Download PDF

Info

Publication number
CN108133291A
CN108133291A CN201711403609.3A CN201711403609A CN108133291A CN 108133291 A CN108133291 A CN 108133291A CN 201711403609 A CN201711403609 A CN 201711403609A CN 108133291 A CN108133291 A CN 108133291A
Authority
CN
China
Prior art keywords
event
influence
attribute
social
demand
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
CN201711403609.3A
Other languages
English (en)
Other versions
CN108133291B (zh
Inventor
万怀宇
林友芳
王晶
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201711403609.3A priority Critical patent/CN108133291B/zh
Publication of CN108133291A publication Critical patent/CN108133291A/zh
Application granted granted Critical
Publication of CN108133291B publication Critical patent/CN108133291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • 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

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

Abstract

本发明涉及社会事件与客运交通需求相关性领域，尤其是对复杂的各类社会事件的建模，并分析其与客运交通需求之间的相关性的方法。本发明可以将交通需求与社会事件紧密联系起来，充分考虑社会事件对交通需求的影响，更为准确地预测各种交通方式在社会事件影响下的需求。本发明利用机器学习算法，针对不同类型事件在设计的属性上分别构造融合模型，预测出由事件引起的交通需求的变化量。

Description

一种社会事件与客运交通需求之间的相关性分析方法
技术领域：
本发明涉及社会事件与客运交通需求相关性领域，尤其是对复杂的各类社会事件的建模，并分析其与客运交通需求之间的相关性的方法。
背景技术：
近年来，随着航空、铁路、公路等交通领域的快速发展，旅客出行需求越来越受到交通领域的管理者和市场从业者的关注。对旅客出行需求的及时了解，有助于交通领域相关企业更好地掌握市场动态、提供优质的出行服务。由于交通领域全市场旅客数量十分庞大，因此我们无法直接获取旅客的出行需求。交通领域查询数据记录了旅客搜索出发地、目的地和出发日期等信息，能够较为直观地反应某条交通线上旅客的近期出行需求。另一方面旅客出行需求在很大程度上受社会事件的正面或负面影响，如果能通过建立社会事件与客运交通需求之间的相关性，及时准确地发现各交通产品(飞机航班、高铁车次等)的需求情况，将有助于交通领域相关企业及时采取相应的对策，从而提升其收益管理水平、提高服务质量、改善旅客出行体验。
发明内容：
本发明提出了一种对社会事件进行建模，并分析社会事件模型与客运交通需求之间相关性的方法。本发明可以将交通需求与社会事件紧密联系起来，充分考虑社会事件对交通需求的影响，更为准确地预测各种交通方式在社会事件影响下的需求。本发明利用机器学习算法，针对不同类型事件在设计的属性上分别构造融合模型，预测出由事件引起的交通需求的变化量。
本发明提供了如下方案：
S1.对社会事件进行分类建模，进而针对不同类型的社会事件进行相应的特征属性设计；
S1.1从多个维度设计多种属性对社会事件进行建模，从而全面、具体地描述每个社会事件的特点与特征。具体来说，将社会事件分为三类：演唱会、体育赛事、展会。针对这三类社会事件，构造相应的公共属性包括：时间属性、出发地及目的地各自的城市属性、交通方式固有属性、事件参与方属性。
事件的公共属性如表1所示。
表1.社会事件公共特征属性设计
其中“城市属性”描述了城市自身特有的属性，包含了出发地和目的地两个方面，目的地是指事件发生城市，出发地是指能够去往目的城市的其他城市。
“交通线”是指由出发城市和目的城市组成的交通线路组合，可以是航空业的航线，铁路***中的火车线路等。
S1.2针对不同类型社会事件的独有特点设计构造出其特有属性。
不同事件类型所关注的侧重点有所不同。对于演唱会类型事件，其特有属性包括：明星近期影响力、年度举办频率等；对体育赛事而言，包含比赛等级、体育明星影响力、比赛项目大众参与度、赛事影响范围等；对展会而言，包含行业热度、展会时长、主办方等级、历史悠久程度、参展规模等。
独有属性具体设计如表2所示。
表2.社会事件独有特征属性设计
S2.在历史数据的基础上构建已发生事件的属性特征，并计算相应事件对交通线的影响力，从而建立线性回归模型；
S2.1利用搜集到的各个交通线上已经发生的事件的信息按照S1中设计的属性构造其属性，作为线性回归模型的训练集的输入。其中“交通线上已发生的事件”即交通线中包括的目的城市发生的事件。
S2.2解析历史数据库中的查询日志数据，分别得到历史数据中没有事件影响和有事件影响情况下的客运交通需求，计算事件影响力：
influence＝demandAll/demandSD
其中，影响力(influence)，即社会事件对交通线路需求影响的能力，计算方式为某交通线路真实需求量(demandAll)与该交通线路标准需求量(demandSD)的比值；真实需求量，是针对某条发生社会事件的交通线，基于近期一定时间(例如，一个月)内查询数据的求日平均值得到；标准需求量基于较长时间(例如，一年)的历史数据，对该时间内查询量求日平均得到。用两者的比值作为社会事件产生的影响力，以刻画社会事件对相应交通线路产生的影响。
S2.3利用S2.1和S2.2中生成的特征属性和影响力构造线性回归模型；
具体来说，基于历史数据采用多元线性回归在各个交通线上分别建立相应的模型，以便后续步骤中利用所得模型和未来社会事件的特征属性对未来事件的影响力进行预测，即得到相应交通线路需求量增加或减少的情况。多元线性回归模型如下：
y＝b0+b1x1+b2x2+…+bkxk+e
其中y是影响力的预测结果，x1、x2、…、xk是S1中所设计的各个社会事件的属性，k为属性的个数，b0、b1、…、bk是利用机器学习算法基于历史数据训练出的各个事件属性对应的系数，e为算法训练出的常数项。
S3.结合未来事件的信息，利用S2中建立的回归模型，预测相应事件的影响力，进而计算出由事件引起的交通需求的变化量。
具体来说，得到未来某事件的信息后，生成S1中所述的特征属性信息，利用S2中生成的线性回归模型y=b0+b1x1+b2x2+…bkxk+e对该未来事件的影响力进行预测；
得到影响力预测值之后，利用如下公式计算预测的需求的变化量：
demandChange＝demandAllSum*(influence-1)
其中demandAllSum为未来一段时间(如一个月)标准需求和，influence为预测的事件影响力，demandChange为计算得到的需求变化量。当influence>1则事件为正影响，需求变化量demandChange为正值，即需求增加；当influence<1则事件为负影响，需求变化量demandChange为负值，即需求减少，从而得到社会事件对相应交通线路需求产生的总增加或减少量。
本发明具有以下技术效果：本发明实施提出的社会事件与客运交通需求之间的相关性分析方法，充分利用了社会事件对交通需求的影响，从而能够更为准确的预测未来交通线的需求量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的整体解决方案；
图2为社会事件对需求影响统计结果。
具体实施方式
本发明提出了一种对社会事件进行建模，并分析社会事件模型与客运交通需求相关性的方法。整体方案，包括：
对不同类型社会事件的相关属性进行个性化特征设计；解析历史数据库中的查询日志数据，分别得到历史数据中没有事件影响和有事件情况下的客运交通需求，从而计算事件影响力；利用机器学习算法，在设计的属性上构造融合模型，预测出由事件引起的交通需求的变化量。图1所示为本发明实施流程图。
本发明的实施可以将交通需求与社会事件紧密联系起来，充分考虑社会事件对交通需求的影响，更为准确地预测未来各种交通方式的需求，如图2所示事件对需求影响的统计。该图展示了事件对交通线需求的影响，横轴为从当前日期开始未来若干天，纵轴为每天对应的需求。从图中可以看到随着未来据当前日期越来越远，需求会逐渐减小，但会有一些突起的峰值，这就是有事件引起的需求的增加。
举例说明本发明提供的实施方式：
以事件“周杰伦2016‘地表最强’世界巡回演唱会—合肥站”为例介绍。事件发生地，即目的地为合肥；事件发生时间，2016年10月22日；出发地，为全国与合肥有交通线路连接的城市；交通线，“出发地-目的地”组合，如北京-合肥、上海-合肥等。
步骤S1、对社会事件进行分类建模，进而针对不同类型的社会事件进行相应的特征属性设计；
S1.1从多个维度设计多种属性对社会事件进行建模，从而全面、具体地描述每个社会事件的特点与特征，具体来说，该事件类型为“演唱会”，针对该演唱会设计公共属性如下表。
S1.2针对演唱会类型事件的独有特点设计构造出其特有属性，其特有属性包括：明星近期影响力、年度举办频率等，具体属性如下表所示。
S2.在历史数据的基础上构建已发生事件的属性特征，并计算相应事件对交通线的影响力，从而建立线性回归模型；
S2.1利用搜集到的各个交通线上已经发生的事件的信息构造相应属性，作为线性回归模型的训练集的输入。其中“交通线上已发生的事件”即交通线中目的城市合肥市发生过的事件。
S2.2利用一年内“北京-合肥”交通线的需求数据求平均，得到标准需求demandSD；针对各个事件对该线路近一个月需求数据求平均，得到实际需求demandAll。标准需求demandSD体现了正常情况下该线路的需求水平，实际需求demandAll体现了近期社会事件影响下该线路的需求水平，从而得到相应事件的近期影响力influence＝demandAll/demandSD。
S2.3利用S2.1和S2.2中生成的特征属性和影响力构造线性回归模型；
利用机器学习算法预测需求变化量
以步骤S2.1中设计的属性作为x,S2.2中计算的影响力influence作为y,使用多个事件、多个交通线的历史数据做训练集，利用机器学习算法得到回归模型：
y＝b0+b1x1+b2x2+…+bkxk+e
S3.结合未来事件的信息，利用S2中建立的回归模型，预测相应事件的影响力，进而计算出由事件引起的交通需求的变化量。
利用S1设计的事件属性，结合S2中线性回归模型即可以预测出事件影响力influence,得到影响力预测值之后，利用如下公式计算预测的需求的变化量：
demandChange＝demandAllSum*(influence-1)
demandChange为预测得到的需求变化量。当influence>1则事件为正影响，增加量demandChange为正值；当influence<1则事件为负影响，增加量demandChange为负值。从而得到社会事件对相应交通线路需求产生的总增加或减少量。
本发明从社会事件入手，对事件类型进行了细分，分为演唱会、体育赛事、展会等几类，针对每种事件设计特征属性并集合历史数据训练出相应模型，利用模型对未来事件的影响力进行预测，从而计算出该事件导致交通线需求的变化量。

Claims (1)

1.一种社会事件与客运交通需求之间的相关性分析方法，其特征在于，该方法包括以下步骤：
S1.对社会事件进行分类建模，进而针对不同类型的社会事件进行相应的特征属性设计；
S1.1从多个维度设计多种属性对社会事件进行建模，从而全面、具体地描述每个社会事件的特点与特征；具体来说，将社会事件分为三类：演唱会、体育赛事、展会；针对这三类社会事件，构造相应的公共属性包括：时间属性、出发地及目的地各自的城市属性、交通方式固有属性、事件参与方属性；
事件的公共属性如表1所示；
表1.社会事件公共特征属性设计
其中“城市属性”描述了城市自身特有的属性，包含了出发地和目的地两个方面，目的地是指事件发生城市，出发地是指能够去往目的城市的其他城市；
“交通线”是指由出发城市和目的城市组成的交通线路组合，可以是航空业的航线，铁路***中的火车线路等；
S1.2针对不同类型社会事件的独有特点设计构造出其特有属性；
不同事件类型所关注的侧重点有所不同；对于演唱会类型事件，其特有属性包括：明星近期影响力、年度举办频率等；对体育赛事而言，包含比赛等级、体育明星影响力、比赛项目大众参与度、赛事影响范围等；对展会而言，包含行业热度、展会时长、主办方等级、历史悠久程度、参展规模；
独有属性具体设计如表2所示；
表2.社会事件独有特征属性设计
S2.在历史数据的基础上构建已发生事件的属性特征，并计算相应事件对交通线的影响力，从而建立线性回归模型；
S2.1利用搜集到的各个交通线上已经发生的事件的信息按照S1中设计的属性构造其属性，作为线性回归模型的训练集的输入；其中“交通线上已发生的事件”即交通线中包括的目的城市发生的事件；
S2.2解析历史数据库中的查询日志数据，分别得到历史数据中没有事件影响和有事件影响情况下的客运交通需求，计算事件影响力：
influence＝demandAll/demandSD
其中，影响力(influence)，即社会事件对交通线路需求影响的能力，计算方式为某交通线路真实需求量(demandAll)与该交通线路标准需求量(demandSD)的比值；真实需求量，是针对某条发生社会事件的交通线，基于近期一定时间内查询数据的求日平均值得到；标准需求量基于较长时间的历史数据，对该时间内查询量求日平均得到；用两者的比值作为社会事件产生的影响力，以刻画社会事件对相应交通线路产生的影响；
S2.3利用S2.1和S2.2中生成的特征属性和影响力构造线性回归模型；
具体来说，基于历史数据采用多元线性回归在各个交通线上分别建立相应的模型，以便后续步骤中利用所得模型和未来社会事件的特征属性对未来事件的影响力进行预测，即得到相应交通线路需求量增加或减少的情况；多元线性回归模型如下：
y=b0+b1x1+b2x2+…+bkxk+e
其中y是影响力的预测结果，x1、x2、…、xk是S1中所设计的各个社会事件的属性，k为属性的个数，b0、b1、…、bk是利用机器学习算法基于历史数据训练出的各个事件属性对应的系数，e为算法训练出的常数项；
S3.结合未来事件的信息，利用S2中建立的回归模型，预测相应事件的影响力，进而计算出由事件引起的交通需求的变化量；
具体来说，得到未来某事件的信息后，生成S1中所述的特征属性信息，利用S2中生成的线性回归模型y=b0+b1x1+b2x2+…bkxk+e对该未来事件的影响力进行预测；
得到影响力预测值之后，利用如下公式计算预测的需求的变化量：
demandChange＝demandAllSum*(influence-1)
其中demandAllSum为未来一段时间(如一个月)标准需求和，influence为预测的事件影响力，demandChange为计算得到的需求变化量；当influence>1则事件为正影响，需求变化量demandChange为正值，即需求增加；当influence<1则事件为负影响，需求变化量demandChange为负值，即需求减少，从而得到社会事件对相应交通线路需求产生的总增加或减少量。
CN201711403609.3A 2017-12-22 2017-12-22 一种社会事件与客运交通需求之间的相关性分析方法 Active CN108133291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711403609.3A CN108133291B (zh) 2017-12-22 2017-12-22 一种社会事件与客运交通需求之间的相关性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711403609.3A CN108133291B (zh) 2017-12-22 2017-12-22 一种社会事件与客运交通需求之间的相关性分析方法

Publications (2)

Publication Number Publication Date
CN108133291A true CN108133291A (zh) 2018-06-08
CN108133291B CN108133291B (zh) 2021-05-11

Family

ID=62391548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711403609.3A Active CN108133291B (zh) 2017-12-22 2017-12-22 一种社会事件与客运交通需求之间的相关性分析方法

Country Status (1)

Country Link
CN (1) CN108133291B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580565A (zh) * 2019-05-27 2019-12-17 特斯联（北京）科技有限公司 一种基于ai热度预测的公共人口疏导调度方法和***
CN111178622A (zh) * 2019-12-25 2020-05-19 北京三快在线科技有限公司 信息预测方法、装置、电子设备和计算机可读介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249621A1 (en) * 2003-04-30 2004-12-09 Alicherry Mansoor Ali Khan Network design utilizing integrated planning and configuration
CN102136190A (zh) * 2011-05-03 2011-07-27 上海理工大学 城市公交客运事件应急响应调度管理***及方法
CN102169606A (zh) * 2010-02-26 2011-08-31 同济大学 一种城市轨道交通网络大客流影响的预测方法
CN104239726A (zh) * 2014-09-22 2014-12-24 北京交通大学 一种城轨路网突发事件条件下客流估算***
CN104331787A (zh) * 2014-12-02 2015-02-04 北方工业大学 紧急事件应急方法和应急***
US9706431B1 (en) * 2017-01-29 2017-07-11 Virtual Network Communications, Inc. Contained radio network system and method for dynamically responding to communications traffic
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术
CN107134141A (zh) * 2017-06-30 2017-09-05 北京航空航天大学 考虑空间结构特征的大规模路网时空交通状态表达与分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040249621A1 (en) * 2003-04-30 2004-12-09 Alicherry Mansoor Ali Khan Network design utilizing integrated planning and configuration
CN102169606A (zh) * 2010-02-26 2011-08-31 同济大学 一种城市轨道交通网络大客流影响的预测方法
CN102136190A (zh) * 2011-05-03 2011-07-27 上海理工大学 城市公交客运事件应急响应调度管理***及方法
CN104239726A (zh) * 2014-09-22 2014-12-24 北京交通大学 一种城轨路网突发事件条件下客流估算***
CN104331787A (zh) * 2014-12-02 2015-02-04 北方工业大学 紧急事件应急方法和应急***
US9706431B1 (en) * 2017-01-29 2017-07-11 Virtual Network Communications, Inc. Contained radio network system and method for dynamically responding to communications traffic
CN107134141A (zh) * 2017-06-30 2017-09-05 北京航空航天大学 考虑空间结构特征的大规模路网时空交通状态表达与分析方法
CN107103142A (zh) * 2017-07-11 2017-08-29 交通运输部公路科学研究所 面向公路和铁路网的综合交通网络运行态势推演仿真技术

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈琨，于雷，赵慧: "大型活动下路网可靠性动态交通仿真平台及实例分析", 《***仿真学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580565A (zh) * 2019-05-27 2019-12-17 特斯联（北京）科技有限公司 一种基于ai热度预测的公共人口疏导调度方法和***
CN111178622A (zh) * 2019-12-25 2020-05-19 北京三快在线科技有限公司 信息预测方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN108133291B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Sun et al. Air Transport versus High‐Speed Rail: An Overview and Research Agenda
Susilawati et al. Distributions of travel time variability on urban roads
Parthasarathi et al. Post-construction evaluation of traffic forecast accuracy
CN103218517B (zh) 基于gis的区域网格化人口密度空间化计算方法
CN112990648B (zh) 一种轨道交通网络运营稳定性评估方法
CN104376494B (zh) 基于云***的交通信息管理与服务***
CN102169606A (zh) 一种城市轨道交通网络大客流影响的预测方法
CN103927369B (zh) 公交信息展现方法和装置
CN111275965A (zh) 一种基于互联网大数据的实时交通仿真分析***与方法
Nuzzolo et al. Individual behavioural models for personal transit pre-trip planners
Yang et al. A GIS‐based method to identify cost‐effective routes for rural deviated fixed route transit
CN103793763A (zh) 基于大数据与云计算的最优公交乘车路径挖掘***
CN106651027A (zh) 一种基于社交网络的互联网班车线路优化方法
Yang et al. A novel approach for estimation of dynamic from static origin–destination matrices
Deflorio Simulation of requests in demand responsive transport systems
Zhu et al. Estimating train choices of rail transit passengers with real timetable and automatic fare collection data
CN108133291A (zh) 一种社会事件与客运交通需求之间的相关性分析方法
Zhong et al. A comparative analysis of traditional four-step and activity-based travel demand modeling: a case study of Tampa, Florida
Liu et al. Data analytics approach for train timetable performance measures using automatic train supervision data
Marzuoli et al. Passenger-centric metrics for Air Transportation leveraging mobile phone and Twitter data
Zhang et al. Analysis of Spatial‐Temporal Characteristics of Operations in Public Transport Networks Based on Multisource Data
Hua et al. Network survivability and recoverability in urban rail transit systems under disruption
Wang et al. Flow-based accessibility measurement: The Place Rank approach
Ugirumurera et al. A modeling framework for designing and evaluating curbside traffic management policies at Dallas-Fort Worth International Airport
CN107844576B (zh) 一种环保巡查轨迹生成方法及***

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