CN108364464B - 一种基于概率模型的公交车辆旅行时间建模方法 - Google Patents

一种基于概率模型的公交车辆旅行时间建模方法 Download PDF

Info

Publication number
CN108364464B
CN108364464B CN201810107601.0A CN201810107601A CN108364464B CN 108364464 B CN108364464 B CN 108364464B CN 201810107601 A CN201810107601 A CN 201810107601A CN 108364464 B CN108364464 B CN 108364464B
Authority
CN
China
Prior art keywords
bus
time
station
travel time
line
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.)
Active
Application number
CN201810107601.0A
Other languages
English (en)
Other versions
CN108364464A (zh
Inventor
马晓磊
代壮
陈汐
杜博文
于滨
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN201810107601.0A priority Critical patent/CN108364464B/zh
Publication of CN108364464A publication Critical patent/CN108364464A/zh
Application granted granted Critical
Publication of CN108364464B publication Critical patent/CN108364464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

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

Abstract

本发明公开了一种基于概率模型的公交车辆旅行时间建模方法，属于智能交通信息处理技术领域。本发明方法包括：对公交车辆的运营数据进行采集和处理；利用偏移lognormal分布对站台间路段旅行时间进行拟合；考虑同站台的多线路公交车辆的交互行为，对排队进入站台建模为一个先进先出队列，基于概率模型对公交站台停靠时间建模；根据各路段旅行时间和各站台停靠时间，得到公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性。本发明方法适用于对公交车辆旅行时间预测，预测结果准确；本发明能够分析旅行时间波动的原因，以提升公共交通服务水平。

Description

一种基于概率模型的公交车辆旅行时间建模方法
技术领域
本发明属于智能交通信息处理技术领域，具体地说是一种基于概率模型的公交车辆旅行时间建模方法。
背景技术
目前，面对不断增大的城市交通需求、道路拥堵、空气污染、以及有限的土地资源，许多城市开始推行“公交都市”的出行理念，“公交都市”即通过提升城市公共交通服务水平，鼓励人们减少私家车出行，转而选择城市公共交通出行。公交车辆旅行时间可靠性是公共交通服务水平的核心要素，一方面，旅行时间可靠性是吸引出行者选择公交出行的重要因素，旅行时间预测也是智能乘客服务***的重要组成部分，如准点率预测、延误时间预测和到达时间预测等；另一方面，旅行时间预测是公交运营的重要指标，准确的旅行时间预测可以帮助公交公司提前制定应对措施，提升公交***运营效率，减少运营成本。
在旅行时间预测方面，现有技术主要专注于私家车旅行时间可靠性和波动的预测，如动态路径规划、预计到达时间估计等，分析基础为道路路段或路径。然而，公交车辆旅行时间与私家车旅行时间显著不同，除路段旅行时间外，公交车辆旅行时间还受到乘客上车行为(即站台停靠时间)的影响，当站台停靠时，公交车辆需要排队进入站台、等待乘客上下车以及从站台驶入主干道，这些过程都是公交旅行时间的重要组成部分，且涉及到同站台多线路公交车的交互行为。
此外，现有技术主要通过OLS(普通最小二乘法)、SVR(支持向量回归)、神经网络和深度学习等模型预测私家车旅行时间，得到结果为预测值；对公交车辆旅行时间分析而言，这些预测技术不能分析公交旅行时间波动的大小和原因，不能分析乘客的上车行为，不能考虑同站台间多线路公交车的交互行为。
发明内容
本发明的目的为克服上述现有技术的不足，提供一种基于概率模型的公交车辆旅行时间建模方法，以分析在不同交通状态和乘客需求状态下公交旅行时间的可靠性。
本发明提供的一种基于概率模型的公交车辆旅行时间建模方法，具体步骤如下：
步骤1，采集待研究线路所有公交车辆的运营数据，包括：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间以及各站台上车人数；
步骤2，利用偏移lognormal分布对站台间路段旅行时间进行拟合；
步骤3，对公交车辆进入站台的过程进行建模，该过程为：排队进入站台、等待乘客上下车、从站台驶入主干道；对排队进入站台建模为一个先进先出(FIFO)队列，考虑了同站台的多线路公交车辆的交互行为；根据乘客上下车人数计算乘客上下车耗时；用正态分布拟合公交车辆从站台驶入主干道的时间。获取公交车辆站台停靠时间，公交车辆站台停靠时间为排队时间
Figure BDA0001568224190000021
乘客上下车时间tb和驶入主干道时间β之和。
步骤4，根据步骤2和步骤3得到的路段旅行时间和站台停靠时间，计算公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性。
公交车辆的路线旅行时间T为所有的路段旅行时间和所有的站台停靠时间之和，表示为：
Figure BDA0001568224190000022
其中，IR为待研究线路的所有路段，SR为待研究线路的所有公交站台，ti为公交车辆在路段i上的旅行时间，ts为公交车辆在站台s的停靠时间。
相对于现有技术，本发明的优点和积极效果在于：
(1)与私家车旅行时间预测方法不同，本发明方法不仅考虑了路段旅行时间，还考虑了公交车辆站台停靠时间，这使对公交车辆旅行时间预测更加适用。
(2)本发明通过概率模型对公交旅行时间建模，采用概率建模方法分析了路段旅行时间和乘客上车行为对旅行时间的影响，同站台间多线路公交车辆交互行为，并得到旅行时间的概率分析，除预测功能外，还能够分析旅行时间波动的原因，分析旅行时间可靠性，这对提升公共交通服务水平和运营效率至关重要。
(3)本发明对公交车停靠站台过程进行建模，分析了同站台多线路公交车的交互作用，这是其他预测方法没能考虑的。
附图说明
图1为本发明的公交车辆旅行时间建模方法的流程示意图；
图2为本发明方法为公交车辆站台停靠建模的示意图；
图3为实施例中公交线路示意图；
图4为实施例中模型拟合结果示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于概率模型的公交车辆旅行时间建模方法，流程如图1所示，包括如下步骤：
步骤1)数据采集及处理。所用数据包含公交IC卡刷卡数据和公交车GPS数据，对所要研究线路所有运营公交车辆提取以下信息：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间、各站台上车人数。为研究同站台多线路公交车的交互情形，还需要经过所有中间站台的不同线路公交车辆运营状态，所需提取信息同上。
步骤2)计算站台间路段旅行时间。首先，用偏移lognormal分布对站台间的路段旅行时间进行拟合，lognormal分布能够拟合路段旅行时间分布峰值前移的情形，且增加的偏移量能够刻画公交车辆路段平均旅行时间。
假定站台间路段旅行时间服从偏移lognormal分布，站台间路段旅行时间可计算为：
ti＝λi+exp(μi+σizi) (1)
其中，ti表示公交车辆在路段i上的旅行时间，i为正整数；λi表示该路段的畅通行驶时间，为分布偏移量；exp(μi+σizi)表示超出畅通行驶时间的部分，服从lognormal分布，其中μi、σi分别为超出行驶时间的均值和方差，zi为标准正态分布。根据上式，可得路段i旅行时间期望E(ti)和方差Var(ti)分别为：
Figure BDA0001568224190000031
步骤3)排队进入站台时间建模。如图2所示，当公交车辆驶入站台时，可能存在其他线路公交车辆正在站台中上客或下客，此时需要等待其他线路公交车辆上下客完成并驶出站台时，该公交车辆才能进入站台，该过程可描述为一个先进先出队列。
设站台序号为s∈SR，SR为待研究线路的公交站台集合，s为正整数；设除待研究线路外其他所有驶过该站台s的公交线路的集合为Ls，当待研究线路的公交车辆驶入站台s时来自线路l的公交车辆也在队列中的概率pls服从如下所示的贝努利分布：
Figure BDA0001568224190000032
其中，
Figure BDA0001568224190000033
为根据运营经验得到的两线路公交车辆相遇概率，Ms为待研究线路与线路l的公交车在站台s的相遇次数，Ns为待研究线路的公交车辆驶过站台s的次数，
Figure BDA0001568224190000034
为参数为1,
Figure BDA0001568224190000035
的贝努利分布。则公交车辆排队等候的时间
Figure BDA0001568224190000036
为：
Figure BDA0001568224190000037
其中tls为线路l公交车辆在站台s的上下客时间和驶出站台时间之和。
步骤4)乘客上下车耗时计算。假定每个人上下公交车辆花费时间α，则公交车辆上下客时间取决于上客和下客的最大人数，因此上下客时间tb可计算为
Figure BDA0001568224190000038
其中
Figure BDA0001568224190000039
分别为下车和上车的人数。
步骤5)公交车辆驶入主干道时间拟合。根据以往的研究结论，本发明用正态分布拟合公交车驶入主干道的时间β，如下：
Figure BDA00015682241900000310
其中μm是公交车辆驶入主干道的平均时间，σm为该时间的方差。
步骤6)公交车辆站台停靠时间汇总。如图2所示，公交车辆站台停靠时间为排队时间、乘客上下车时间和驶入主干道时间之和，在排队时间计算过程中考虑了同站台多线路公交车辆的交互行为，乘客上下车时间考虑了乘客上车行为，在驶入主干道部分考虑了公交车辆与主干道车辆的交互行为，公交车辆总停靠时间ts可计算如下：
Figure BDA0001568224190000041
站台停靠时间的期望和方差分别为
Figure BDA0001568224190000042
步骤7)公交车辆路线旅行时间拟合。路线旅行时间T为路段旅行时间TL和站台停靠时间TS之和，传统私家车旅行时间预测方法主要考虑了路段旅行时间，因此不能分析公交车辆的站台停靠行为。
Figure BDA0001568224190000043
其中，IR为所研究线路的所有路段，SR为所研究线路的所有公交站台。
路线旅行时间期望和方差分别为
Figure BDA0001568224190000044
其中，ρij表示路段i和路段j的旅行时间相关系数，设路段i和路段j的速度向量分别为Xi和Xj，则ρij可表示为：
Figure BDA0001568224190000045
实施例
下面结合一个如图3所示的实例来说明本发明基于概率模型的公交车辆旅行时间建模方法，具体如下：
1)、数据采集。如图3所示，选择2017.05.01到2017.05.31杭州68路上行公交线路作为研究对象，68路共计11站台，全长11.73公里。提取68路的所有IC卡刷卡记录和GPS记录，IC卡刷卡记录包含字段：***、刷卡时间、线路ID、车载机ID，GPS数据包含以下字段：车载机ID、时间、经度、纬度、驶出站台标识、到达站台标识。同时提取所有经过68路中间站台的公交线路数据，数据格式如上。
2)、提取到离站时间和上车人数。到站时间计算为第一次出现到达站台标识的时间；离站时间为第一次出现离站标识的时间；上车人数为两个连续站台到达标识时间段内的刷卡记录数。其他经过中间站台的线路提取方法同上。
3)、站台间路段旅行时间拟合。11个公交站台将68路划分为10个路段，用偏移lognormal分布拟合结果如下表1所示：
表1路段旅行时间
Figure BDA0001568224190000051
通过Kolmogorov–Smirnov(KS)检验，所有拟合在0.05水平显著，说明了本发明方法的可行性。
4)、进站排队时间拟合。以第10个站台“文惠路口”为例，线路135,187,535,2,105,84和90都经过该站台；当68路到达该站台时，其他线路正在该站台等待乘客上下车的概率，以及各线路的平均上车人数可统计如下表2所示：
表2站台“文惠路口”进站排队时间
Figure BDA0001568224190000052
Figure BDA0001568224190000061
假定上下车每人耗时3.23秒，68路在该站台的排队时间可计算为：3.23*(4.3％*3.49+9.2％*3.58+2.0％*2.96+5.4％*2.67+4.2％*1.6+3.6％*1.7+4.4％*2.77)＝6.24s。
5)、人均上车时间拟合。本发明用最小二乘回归OLS拟合上下客时间和上车人数之间的关系。所得关系式为y＝3.23x+7.21，R2＝0.346，回归系数在0.05水平显著。
6)、驶入主干道耗时拟合。用正态分布拟合驶入主干道耗时，得到如下关系式
β～N(9.74,1.552) (12)
7)、站台停靠时间计算。站台停靠时间为排队时间、乘客上下车时间和驶入主干道时间之和。计算结果如下表3所示：
表3 68路车辆的站台停靠时间
Figure BDA0001568224190000062
8)、路线旅行时间估计。路线旅行时间为路段旅行时间和站台停靠时间之和。
因此68路车的路线旅行时间的期望为1333.61+216.72＝1550.33s，68路车的路线旅行时间的方差为264.39+79.99＝344.38s。通过bootstrap抽样，可以得到路线旅行时间的分布，图4显示了拟合的路线旅行时间和真实的路线旅行时间。从图中可以看出，利用本发明方法拟合的路线旅行时间和真实的路线旅行时间相差较小，因此，可以利用本发明方法比较准确地分析不同交通状态和乘客需求状态下公交旅行时间的可靠性，以用于提升公共交通服务水平和运营效率。

Claims (6)

1.一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，包括如下步骤：
步骤1，采集待研究线路所有公交车辆的运营数据，包括：从起点站驶出时间、到达各中间站台时间、驶出各中间站台时间、到达终点站时间以及各站台上车人数；
步骤2，利用偏移lognormal分布对站台间路段旅行时间进行拟合；
公交车辆在路段i上的旅行时间ti计算如下：
ti＝λi+exp(μi+σizi)；
其中，λi表示该路段的畅通行驶时间，为分布偏移量；exp(μi+σizi)表示超出畅通行驶时间的部分，服从对数正态分布lognormal分布，其中μi、σi分别为超出行驶时间的均值和方差，zi为标准正态分布；
得到路段i旅行时间的期望E(ti)和方差Var(ti)分别为：
Figure FDA0002581691240000011
步骤3，对公交车辆进入站台的过程进行建模，该过程为：排队进入站台、等待乘客上下车、从站台驶入主干道；对排队进入站台建模为一个先进先出队列计算公交车排队时间，根据乘客上下车人数计算乘客上下车时间，用正态分布拟合公交车辆从站台驶入主干道的时间；获取公交车辆站台停靠时间，公交车辆站台停靠时间为排队时间
Figure FDA0002581691240000012
乘客上下车时间tb和驶入主干道时间β之和；
计算公交车辆排队时间，方法如下：
设对待研究线路的公交站台s，除待研究线路外其他进入该站台的公交线路集合为Ls，当待研究线路的公交车辆驶入站台s时来自线路l的公交车辆也在队列中的概率pls为：
Figure FDA0002581691240000013
其中，
Figure FDA0002581691240000014
为根据运营经验得到的待研究线路与线路l的公交车辆相遇概率，Ms为待研究线路与线路l的公交车在站台s的相遇次数，Ns为待研究线路的公交车辆驶过站台s的次数，
Figure FDA0002581691240000015
为参数为1,
Figure FDA0002581691240000016
的贝努利分布；
则公交车辆排队的时间
Figure FDA0002581691240000017
表示为：
Figure FDA0002581691240000018
其中，tls为线路l的公交车辆在站台s的上下客时间和驶出站台时间之和；
步骤4，获得公交车辆的路线旅行时间，并分析旅行时间的分布、期望、方差和可靠性；
其中，公交车辆的路线旅行时间T为所有的路段旅行时间和所有的站台停靠时间之和，表示为：
Figure FDA0002581691240000019
IR为待研究线路的所有路段，SR为待研究线路的所有公交站台，ti为公交车辆在路段i上的旅行时间，ts为公交车辆在站台s的停靠时间。
2.根据权利要求1所述的一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，所述的步骤1中，还采集经过所有中间站台的不同线路的公交车辆的运营数据。
3.根据权利要求1所述的一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，所述的步骤3中，计算乘客上下车时间的方法如下：
设置每个人上下公交车辆花费时间为α，则公交车辆上下客时间取决于上客和下客的最大人数，将乘客上下车耗时tb为：
Figure FDA0002581691240000021
其中，
Figure FDA0002581691240000022
分别为在站台s的下车和上车的人数。
4.根据权利要求1所述的一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，所述的步骤3中，公交车辆从站台驶入主干道的时间β，用正态分布拟合，表示如下：
Figure FDA0002581691240000023
其中，μm、σm分别是公交车辆驶入主干道的平均时间和时间方差。
5.根据权利要求1所述的一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，所述的步骤3中，公交车辆站台停靠时间ts如下：
Figure FDA0002581691240000024
站台停靠时间的期望和方差分别如下：
Figure FDA0002581691240000025
Figure FDA0002581691240000026
6.根据权利要求1所述的一种基于概率模型的公交车辆旅行时间建模方法，其特征在于，所述的步骤4中，
路线旅行时间期望E(T)为：
Figure FDA0002581691240000027
路线旅行时间方差Var(T)为：
Figure FDA0002581691240000028
其中，ρij表示路段i和路段j的相关系数，设路段i和路段j的速度向量分别为Xi和Xj，则ρij可表示为：
Figure FDA0002581691240000031
CN201810107601.0A 2018-02-02 2018-02-02 一种基于概率模型的公交车辆旅行时间建模方法 Active CN108364464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810107601.0A CN108364464B (zh) 2018-02-02 2018-02-02 一种基于概率模型的公交车辆旅行时间建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810107601.0A CN108364464B (zh) 2018-02-02 2018-02-02 一种基于概率模型的公交车辆旅行时间建模方法

Publications (2)

Publication Number Publication Date
CN108364464A CN108364464A (zh) 2018-08-03
CN108364464B true CN108364464B (zh) 2020-10-16

Family

ID=63004400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810107601.0A Active CN108364464B (zh) 2018-02-02 2018-02-02 一种基于概率模型的公交车辆旅行时间建模方法

Country Status (1)

Country Link
CN (1) CN108364464B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637143B (zh) * 2019-01-22 2021-06-11 江苏智通交通科技有限公司 改进的行程时间可靠性分析方法
CN112990694A (zh) * 2021-03-11 2021-06-18 平安科技（深圳）有限公司 公交站台的通行能力分析方法、装置、设备及存储介质
CN113053095A (zh) * 2021-03-27 2021-06-29 李文祥 一种低空座率的网约车***与方法
CN113470366B (zh) * 2021-09-01 2021-11-16 南通华豪巨电子科技有限公司 基于大数据的智慧公交停靠时间预测方法及***
CN115798211B (zh) * 2022-11-21 2023-09-22 长安大学 一种防止网联公交脱组和混组的控制方法、***、设备及介质
CN116704763B (zh) * 2023-06-13 2023-12-05 大连海事大学 一种考虑公交运营方案的智能公交车队动态编队方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578267A (zh) * 2012-07-18 2014-02-12 北京掌城科技有限公司 基于公交gps数据的公交到站预测方法及***
CN104200648A (zh) * 2014-08-21 2014-12-10 四川大学 一种基于电子车牌的路段平均旅行时间计算方法
CN105390013A (zh) * 2015-11-18 2016-03-09 北京工业大学 一种利用公交ic卡预测公交到站时间的方法
CN106504516A (zh) * 2016-10-24 2017-03-15 东南大学 一种基于公交站点信息化的多形式公交动态调度方法
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578267A (zh) * 2012-07-18 2014-02-12 北京掌城科技有限公司 基于公交gps数据的公交到站预测方法及***
CN104200648A (zh) * 2014-08-21 2014-12-10 四川大学 一种基于电子车牌的路段平均旅行时间计算方法
CN105390013A (zh) * 2015-11-18 2016-03-09 北京工业大学 一种利用公交ic卡预测公交到站时间的方法
CN106504516A (zh) * 2016-10-24 2017-03-15 东南大学 一种基于公交站点信息化的多形式公交动态调度方法
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
CN106781506A (zh) * 2017-02-21 2017-05-31 济南全通信息科技有限公司 基于公交车gps数据的大范围城市公交线网实时运行水平评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
公交车到站时间预测模型与实证研究;计晓昕;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20151015(第10期);正文21-43页 *

Also Published As

Publication number Publication date
CN108364464A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
CN108364464B (zh) 一种基于概率模型的公交车辆旅行时间建模方法
WO2021159865A1 (zh) 一种基于数据校准的公交路线预测方法及***
CN107886723B (zh) 一种交通出行调查数据处理方法
Li et al. Dwell time estimation models for bus rapid transit stations
CN110084397B (zh) 一种地铁直达线路规划方法
Wang et al. Modeling bus dwell time and time lost serving stop in China
Li et al. Public bus arrival time prediction based on traffic information management system
Marczuk et al. Simulation framework for rebalancing of autonomous mobility on demand systems
CN111311467A (zh) 一种基于人脸识别的公交路线预测方法及***
CN109903555B (zh) 一种基于大数据的公交乘客下车数据预测方法及***
CN111932925A (zh) 一种公共交通站点的出行客流的确定方法、装置及***
CN110766940A (zh) 道路信号交叉口运行状况评估方法
CN112562377A (zh) 一种基于随机机会约束的客运车辆实时调度方法
CN107808235B (zh) 基于afc大数据的城市轨道大客流模型构建方法
Khoo Statistical modeling of bus dwell time at stops
CN114118766A (zh) 一种基于公交乘客出行多重匹配的客流od算法
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测***
CN116090785B (zh) 针对大型活动散场场景两阶段的定制公交规划方法
Kostakos Using Bluetooth to capture passenger trips on public transport buses
CN113676918B (zh) 基于5g网络的交通枢纽人群迁徙分析方法及装置
CN111339159B (zh) 一种一票制公交数据的分析挖掘方法
JP7425680B2 (ja) ナビゲーション装置、及びナビゲーション方法
Fernández et al. Platform height, door width and fare collection on public transport dwell time: A laboratory study
Shi et al. Generating synthetic passenger data through joint traffic-passenger modeling and simulation
Askerud et al. Evaluation of bus terminals using microscopic traffic simulation

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