CN109635859B - 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 - Google Patents
数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 Download PDFInfo
- Publication number
- CN109635859B CN109635859B CN201811474742.2A CN201811474742A CN109635859B CN 109635859 B CN109635859 B CN 109635859B CN 201811474742 A CN201811474742 A CN 201811474742A CN 109635859 B CN109635859 B CN 109635859B
- Authority
- CN
- China
- Prior art keywords
- predicted
- data
- trend
- similarity
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 5
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,该方法如下:实时获取区域驻留情况数据;根据待预测天的日期特性确定样本空间;根据欧氏距离选择数值相似的k邻近样本,计算得到基于数值相似性的区域驻留人数预测结果曲线;根据增量比标准差选择趋势相似的k邻近样本,计算得到基于趋势相似性的区域驻留人数预测结果曲线;根据时变权重系数,计算得到待预测天区域驻留人数组合预测曲线。本发明综合数值预测与趋势预测的特点,可以保证较长时段的区域驻留人数预测精度,为客运枢纽的资源分配、车辆调度、预警通知、客流控制和安全保障提供可靠依据,能够协助客运枢纽进行实时有效管理,提高服务质量。本发明适用于智能交通领域。
Description
技术领域
本发明涉及智能交通领域,更具体的,涉及一种基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法。
背景技术
城市客运枢纽是城市交通运输体系的重要组成部分,是城市客流集散的中心点,承担着城市日常客流的换乘功能和直通功能,是满足城市客流方向多样性、复杂性需求的换乘中心。客运枢纽内的驻留乘客数量直接反映了枢纽内的人群密度和拥挤程度,是客流组织方案和疏运管理方案的最重要参考指标之一,精准的驻留乘客数量预测可以为客运枢纽的运营管理提供时间保障,对于提高疏运方案运行效率和实施分级预案与安保管理具有重要意义。
在一定时期内,客运枢纽的班次安排相对固定,乘客的出行习惯也相对稳定,从而使得枢纽区域内驻留乘客的数量与变化趋势在时间上具有一定的规律性,根据驻留乘客人数的时间规律特点,利用时间序列、神经网络等预测方法可以对区域驻留人数进行短时预测。然而在某些实际需求下,例如春运期间,短时预测已不能完全满足客运枢纽对车辆调度计划制定、高峰预警通知发布以及客流控制措施实施等工作的实际要求,而现有的预测算法难以保证较长时间内的区域驻留人数预测精度。因此,研究一种准确性较高且适用于一段较长时间的客运枢纽区域驻留人数预测方法,是目前本领域技术人员亟待解决的问题。
发明内容
本发明为了解决短时预测无法满足客运枢纽车辆调度计划制定、高峰预警、客流控制等工作需求的问题,提供了一种基于数值和趋势k近邻的客运区域驻留人数组合预测方法,其准确高且适用于一段较长时间的客运枢纽区域驻留人数预测。
为实现上述本发明目的,采用的技术方案如下:一种基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,该方法步骤如下:
S1:通过检测***实时获取区域驻留情况数据;
S2:根据待预测日的日期特性确定样本空间;
S3:为预测某天一段时间的区域驻留人数X=(x1,x2,...,xl),选取这段时间之前的n个已知连续驻留人数数据Y=(y1,y2,...,yn)作为特征向量;再选取与待预测日的日期特性相同的m个样本,样本i对应特征向量Y同时间段的n个数据时间点的驻留人数Qi=(q1,q2,...,qn)i,计算Qi与Y的欧氏距离选取欧氏距离最小的k个样本作为数值相似的k近邻样本,得到数值相似的k近邻样本对应待预测数据X同时间段的数据向量并计算其算术平均作为基于数值相似性的区域驻留人数预测结果曲线;
其中:i=1,2,...,m;j=1,2,...,n;t=1,2,...,k;xr表示待预测日待预测时段内时间点r的区域驻留人数,r=1,2,...,l;yj表示待预测日待预测时段之前的n个时间点中,时间点j的区域驻留人数,j=1,2,...,n;qj(i)表示样本i对应特征向量Y 同时间段中时间点j的驻留人数,i=1,2,...,m,j=1,2,...,n;pVr(t)表示基于数值相似性的k近邻样本t与待预测数据X中xr的时间点对应的驻留人数,r=1,2,...,l, t=1,2,...,k;ar表示k个k近邻样本与待预测数据X中xr的时间点对应的驻留人数的算术平均值,r=1,2,...,l;
S4:根据步骤S3,计算特征向量Y=(y1,y2,...,yn)中相邻数据的差值向量以表示驻留人数的变化趋势,同时计算Qi中相邻数据的差值向量将与在向量方向上的差别量化为标准差以表征样本i与待预测日在特征空间数据变化趋势上的相近程度;选取标准差最小的k个样本作为趋势相似的k近邻样本;
根据所选趋势相似的k邻近样本,其相应的增量比系数为所选趋势相似的k邻近样本与待预测数据X=(x1,x2,...,xl)同时间段的数据向量的相邻数据差值向量为 X的基于趋势相似性预测结果B=(b1,b2,...,bl)的相邻数据差值向量为由于待预测时间段的前一个时间点区域驻留人数值已知为yn,根据相邻数据差值关系得B=(b1,b2,...,bl)为基于趋势相似性的区域驻留人数预测结果曲线;其中:t=1,2,...,k;pTr(t)表示基于趋势相似性的k近邻样本t 与待预测数据X中xr的时间点对应的驻留人数;qTn(t)表示基于趋势相似性的k 近邻样本t与对应特征向量Y同时间段中时间点n的驻留人数;
S5:结合基于数值相似性预测结果曲线A=(a1,a2,...,al)和基于趋势相似性预测结果曲线B=(b1,b2,...,bl),引入时变权重系数λr=f(r),设其中 r=1,2,...,l,并使xr=λr·br+(1-λr)·ar;当r=1时,λ1=1,x1=b1,预测值完全由趋势相似性预测结果决定;当r=l时,λl=0,xl=al,预测值完全由数值相似性预测结果决定;当1<r<l时,0<λr<1,xr=λr·br+(1-λr)·ar,预测值由数值和趋势相似性预测结果综合决定。
优选地,步骤S1,所述检测***包括客流检测器、手机信令,所述检测***用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
优选地,步骤S2,所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
本发明的有益效果如下:本发明通过对历史样本与待预测日的特征向量数据进行相似性匹配,利用历史样本数据和待预测日已知驻留人数数据,计算得到基于数值相似性的区域驻留人数预测结果与基于趋势相似性的区域驻留人数预测结果;通过引入时变权重系数,综合客运枢纽区域驻留人数变化的数值相似性与趋势相似性特点,预测得到的客运枢纽区域驻留人数预测结果具有较高的预测精度,为客运枢纽的资源调配、客流管控、预警发布和安全保障提供了可靠依据。
附图说明
图1是本发明的工作流程图。
图2是采用本发明对某火车站广场2018年10月1日9:00-23:55的区域驻留人数预测结果的分析图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示,一种基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,该方法步骤如下:
S1:通过检测***实时获取区域驻留情况数据;
所述检测***包括客流检测器、手机信令,所述检测***用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
本实施例以5分钟作为数据采集间隔时间,通过检测手机信令获取到2017 年1月1日至2018年9月30日某火车站广场的区域驻留情况历史数据。为预测某火车站广场2018年10月1日9:00-23:55每5分钟的驻留人数,首先获取自 2018年10月1日0:00起某火车站广场每5分钟的驻留情况数据。
S2:根据待预测日的日期特性确定样本空间;所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
由此因为2018年10月1日为节假日,所以选取2017年1月1日至2018年 9月30日所有的节假日作为本次预测的历史样本,具体包括2017年的元旦假日 (1月1日-1月2日)、春节假日(1月27日-2月2日)、清明节假日(4月2 日-4月4日)、劳动节假日(4月29日-5月1日)、端午节假日(5月28日-5 月30日)和国庆中秋假日(10月1日-10月8日)以及2018年的元旦假日(2017 年12月30日-2018年1月1日)、春节假日(2月15日-2月21日)、清明节假日(4月5日-4月7日)、劳动节假日(4月29日-5月1日)、端午节假日 (5月16日-5月18日)和中秋节假日(9月22日-9月24日),共48天。
S3:为了预测2018年10月1日9:00-23:55共180个数据时间点的驻留人数,记为X=(x1,x2,...,x180),选取当天7:00-8:55共两小时24条驻留情况数据 Y=(y1,y2,...,y24)作为特征向量,选取所述的48个历史样本对应特征向量 Y=(y1,y2,...,y24)的24个数据时间点的驻留人数的数据Q1=(q1,q2,...,q24)1、 Q2=(q1,q2,...,q24)2、......、Q48=(q1,q2,...,q24)48,分别计算向量Q1、Q2、......、Q48与Y的欧氏距离选取欧氏距离最小的3(k=3)个样本作为数值相似的k近邻样本。
S4:根据步骤S3,待预测数据为X=(x1,x2,...,x180),其特征向量为 Y=(y1,y2,...,y24),选取所述的48个历史样本对应特征向量时间点的驻留人数数据Q1=(q1,q2,...,q24)1、Q2=(q1,q2,...,q24)2、......、Q48=(q1,q2,...,q24)48,计算特征向量Y中相邻数据的差值向量以表示驻留人数的变化趋势。同时计算Q1、Q2、......、Q48的相邻数据差值向量其计算公式为将 与在向量方向上的差别量化为标准差 (i=1,2,...,48),以表征样本i与待预测日在特征空间数据变化趋势上的相近程度,选取标准差最小的3(k=3)个样本作为趋势相似的k近邻样本,其中:表示待预测日与历史样本i在特征空间内数据增量比的均值,规定为增量比系数,反映待预测日的特征空间数据变化量与样本i的特征空间数据变化量的比例关系;
根据所选趋势相似的k邻近样本,得到相应的增量比系数为再取趋势相似的k近邻样本对应待预测数据X=(x1,x2,...,x180)同时间段 (9:00-23:55)的数据向量 计算的相邻数据差值向量其计算公式为同时记X的基于趋势相似性预测结果B=(b1,b2,...,b180)的相邻数据差值向量为
由于待预测时间段的前一个时间点8:55的区域驻留人数值已知为y24,k近邻样本对应8:55的驻留人数值分别为qT24(1)、qT24(2)、qT24(3),对应9:00的驻留人数值分别为pT1(1)、pT1(2)、pT1(3),因此B的第一个值b1需基于8:55的当前值进行计算,即根据相邻数据的差值关系可以计算因此B=(b1,b2,...,b180)为基于趋势相似性的区域驻留人数预测结果曲线。
S5:为计算最终预测结果X=(x1,x2,...,x180),结合基于数值相似性预测结果曲线A=(a1,a2,...,a180)和基于趋势相似性预测结果曲线B=(b1,b2,...,b180),并引入时变权重系数λr=f(r),由于趋势相似性预测结果是基于前后差值进行预测的,具有较好的短时预测效果,因此在短时预测中趋势相似性预测应当占据较大权重;而数值相似性预测结果则是基于历史数值进行预测的,可以避免长时预测中的趋势误判,因此在短时预测之后,数值相似性预测应当占据较大权重。设定时变权重系数其中r=1,2,...,180,并使xr=λr·br+(1-λr)·ar;当r=1时,即为计算9:00预测值,λ1=1,x1=b1,预测值完全由趋势相似性预测结果决定;当r=180 时,即为计算23:55预测值,λ180=0,x180=a180,预测值完全由数值相似性预测结果决定;当1<r<180时,即为计算9:05-23:50预测值,0<λr<1,xr=λr·br+(1-λr)·ar,预测值由数值和趋势相似性预测结果综合决定。
至此,得到某火车站广场2018年10月1日8:55预测的当天9:00-23:55的驻留人数预测曲线,预测效果如附图2所示。从图中可以看出真实曲线与预测曲线变化趋势一致,且误差很小,说明本发明预测精确度高、可适用一段长时间预测,为客运枢纽的资源分配、车辆调度、预警通知、客流控制和安全保障提供可靠依据,能够协助客运枢纽进行实时有效管理,提高服务质量。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,其特征在于:该方法步骤如下:
S1:通过检测***实时获取区域驻留情况数据;
S2:根据待预测日的日期特性确定样本空间;
S3:为预测某天一段时间的区域驻留人数X=(x1,x2,…,xl),选取这段时间之前的n个已知连续驻留人数数据Y=(y1,y2,…,yn)作为特征向量;再选取与待预测日的日期特性相同的m个样本,样本i对应特征向量Y同时间段的n个数据时间点的驻留人数为Qi=(q1,q2,…,qn)i,计算Qi与Y的欧氏距离选取欧氏距离最小的k个样本作为数值相似的k近邻样本,获取数值相似的k近邻样本对应待预测数据X同时间段的数据向量并计算其算术平均作为基于数值相似性的区域驻留人数预测结果曲线;
其中:i=1,2,…,m;j=1,2,…,n;t=1,2,…,k;xr表示待预测日待预测时段内时间点r的区域驻留人数,r=1,2,…,l;yj表示待预测日待预测时段之前的n个时间点中,时间点j的区域驻留人数,j=1,2,…,n;qj(i)表示样本i对应特征向量Y同时间段中时间点j的驻留人数,i=1,2,…,m,j=1,2,…,n;pVr(t)表示基于数值相似性的k近邻样本t与待预测数据X中xr的时间点对应的驻留人数,r=1,2,…,l,t=1,2,…,k;ar表示k个k近邻样本与待预测数据X中xr的时间点对应的驻留人数的算术平均值,r=1,2,…,l;
S4:根据步骤S3,计算特征向量Y=(y1,y2,…,yn)中相邻数据的差值向量以表示驻留人数的变化趋势,同时计算Qi中相邻数据的差值向量将与在向量方向上的差别量化为标准差以表征样本i与待预测日在特征空间数据变化趋势上的相近程度;选取标准差最小的k个样本作为趋势相似的k近邻样本;
根据所选趋势相似的k邻近样本,其相应的增量比系数为所选趋势相似的k邻近样本与待预测数据X=(x1,x2,…,xl)同时间段的数据向量的相邻数据差值向量为X的基于趋势相似性预测结果B=(b1,b2,…,bl)的相邻数据差值向量为由于待预测时间段的前一个时间点区域驻留人数值已知为yn,根据相邻数据差值关系得B=(b1,b2,…,bl)为基于趋势相似性的区域驻留人数预测结果曲线;其中:t=1,2,…,k;pTr(t)表示基于趋势相似性的k近邻样本t与待预测数据X中xr的时间点对应的驻留人数;qTn(t)表示基于趋势相似性的k近邻样本t与对应特征向量Y同时间段中时间点n的驻留人数;
2.根据权利要求1所述的基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,其特征在于:步骤S1,所述检测***包括客流检测器、手机信令,所述检测***用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
3.根据权利要求1所述的基于数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法,其特征在于:步骤S2,所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474742.2A CN109635859B (zh) | 2018-12-04 | 2018-12-04 | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474742.2A CN109635859B (zh) | 2018-12-04 | 2018-12-04 | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635859A CN109635859A (zh) | 2019-04-16 |
CN109635859B true CN109635859B (zh) | 2021-11-30 |
Family
ID=66071087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811474742.2A Active CN109635859B (zh) | 2018-12-04 | 2018-12-04 | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635859B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110439513B (zh) * | 2019-07-30 | 2021-08-31 | 北京雅丹石油技术开发有限公司 | 一种柱塞气举排液采气生产制度的优化方法 |
CN111914793A (zh) * | 2020-08-14 | 2020-11-10 | 中国工商银行股份有限公司 | 一种基于区域人数的预警方法、装置及设备 |
CN113155614B (zh) * | 2021-04-25 | 2023-07-28 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及*** |
CN116990465B (zh) * | 2023-09-25 | 2023-12-19 | 北京金水永利科技有限公司 | 一种空气质量数据异常预警方法及其*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
CN104240504A (zh) * | 2014-09-10 | 2014-12-24 | 华南理工大学 | 一种brt站台和走廊的客流状态分析预警方法 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105336163A (zh) * | 2015-10-26 | 2016-02-17 | 山东易构软件技术股份有限公司 | 一种基于三层k近邻的短时交通流预测方法 |
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
-
2018
- 2018-12-04 CN CN201811474742.2A patent/CN109635859B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693633A (zh) * | 2012-06-07 | 2012-09-26 | 浙江大学 | 一种短时交通流加权组合预测方法 |
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
CN104240504A (zh) * | 2014-09-10 | 2014-12-24 | 华南理工大学 | 一种brt站台和走廊的客流状态分析预警方法 |
CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
CN105336163A (zh) * | 2015-10-26 | 2016-02-17 | 山东易构软件技术股份有限公司 | 一种基于三层k近邻的短时交通流预测方法 |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN107895283A (zh) * | 2017-11-07 | 2018-04-10 | 重庆邮电大学 | 一种基于时间序列分解的商家客流量大数据预测方法 |
Non-Patent Citations (2)
Title |
---|
"城市路网交通流分析预测及事故预警方法研究";杨艳芳;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180115(第1期);C034-61 * |
"多维时间序列的组合预测模型";赵亚伟等;《中国科学院大学学报》;20161130;第33卷(第6期);第825-833页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109635859A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635859B (zh) | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 | |
CN109670540B (zh) | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警*** | |
Aslam et al. | City-scale traffic estimation from a roving sensor network | |
Thomas et al. | Predictions of urban volumes in single time series | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及*** | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN110599767A (zh) | 一种基于网约车出行需求的长短期预测方法 | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测***和方法 | |
CN109344991B (zh) | 一种公交线路最高断面客流预测方法 | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN110517485A (zh) | 一种基于时段划分的短时交通流预测方法 | |
Liang et al. | Short-term passenger flow prediction in urban public transport: Kalman filtering combined k-nearest neighbor approach | |
KR20160063892A (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
Wu et al. | Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model | |
CN106846891B (zh) | 一种基于序列分解的公共停车场泊位多步预测方法 | |
Pozo et al. | Prediction of on-street parking level of service based on random undersampling decision trees | |
Duan et al. | A unified STARIMA based model for short-term traffic flow prediction | |
Xu et al. | A real‐time traffic index model for expressways | |
Sheu | A fuzzy clustering approach to real-time demand-responsive bus dispatching control | |
Kwigizile et al. | Integrating crowdsourced data with traditionally collected data to enhance estimation of bicycle exposure measure | |
Hasani et al. | Developing models for matching of short-term and long-term data collection sites to improve the estimation of average annual daily bicyclists | |
CN110120154B (zh) | 大规模路网下利用检测器数据的交通路况预测方法 | |
Hwang et al. | Travel time prediction by weighted fusion of probing vehicles and vehicle detectors data sources |
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 |