CN110570656B - 定制公共交通线路方法及装置 - Google Patents
定制公共交通线路方法及装置 Download PDFInfo
- Publication number
- CN110570656B CN110570656B CN201910894869.8A CN201910894869A CN110570656B CN 110570656 B CN110570656 B CN 110570656B CN 201910894869 A CN201910894869 A CN 201910894869A CN 110570656 B CN110570656 B CN 110570656B
- Authority
- CN
- China
- Prior art keywords
- station
- passenger flow
- predicted
- line
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了定制公共交通线路方法及装置。涉及路线规划领域,其中,方法通过获取预测线路需求信息,根据需求信息生成对应的影响参数,将影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量,然后获取预设起始站点、预设结束站点及相关的预测客流量,从预设起始站点开始,选择符合预测客流量的站点作为下一个站点,直到到达预设结束站点,根据优化条件形成预测线路。通过历史客流数据预测未开通线路出勤率,从而为定制公共交通新线路提供强有力的依据,同时能够准确预测出未开通定制公共交通线路的客流需求,为城市公共交通管理者进行整体公共交通线网布局规划以及掌握定制公共交通发展方向提供重要依据。
Description
技术领域
本发明涉及路线规划领域,尤其是一种定制公共交通线路方法及装置。
背景技术
公共交通客流预测公共交通管理规划领域有相当重要的作用,例如很多公共交通路线规划过程中均会用到预测客流量,目前关于客流量的预测方法也比较多,常用的预测模型有时间序列方法、人工神经网络、支持向量机、决策树等,其算法和模型相对成熟。但是目前的研究多是基于长时间序列的客流分析,对于短期公共交通客流预测的研究数量较少,随着我国公共交通的智能化发展,对短时公共交通客流预测的需求越来越大,但是由于现有模型算法应对短期特殊情况的应变能力较差,特殊情况出现的随机性较高,导致预测模型的精准度和时效性难以得到保障。目前国内外对于设计线路的客流预测常常采用对原公交OD线客流进行线性加权预测,但是客流的产生是一个比较复杂的过程,影响客流的因素有很多,仅仅依赖原始总线OD流是不够的。因此需要提出一种能够准确高效预测短时公共交通客流的方法,并进一步根据预测客流量定制公共交通线路的方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的目的是提供一种能够准确高效预测短时公共交通客流的方法,并进一步根据预测客流量定制公共交通线路的方法。
本发明所采用的技术方案是:
第一方面,本发明提供一种短时公共交通客流预测方法,包括:
获取预测线路需求信息,所述需求信息包括:起始站点、结束站点、公共交通线路、出行时段、票价,所述公共交通线路包含至少两个站点;
根据所述需求信息生成对应的影响参数;
将所述影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量。
进一步地,所述客流预测神经网络模型为3层的前馈神经网络模型,包括:输入层、隐藏层和输出层,所述隐藏层的节点数为4~13个。
进一步地,所述影响参数包括以下至少一种:乘客OD参数、站点距离参数、票价参数、站点到达时间参数、每个站点车内乘客密度参数、相邻乘客时间位置参数、站点最短距离参数、统一票价参数、当前时段运行时间参数、车内乘客密度参数。
第二方面,本发明还提供一种定制公共交通线路方法,包括:
获取预设起始站点、预设结束站点及根据第一方面任一项所述的一种短时公共交通客流预测方法获得的与所述预设起始站点、所述预设结束站点相关的预测客流量;
从所述预设起始站点开始,选择符合所述预测客流量限制的站点作为下一个站点,直到到达所述预设结束站点,根据优化条件形成预测线路。
进一步地,还包括:将所述预测线路进行实际运营得到实际客流量,将所述实际客流量作为所述需求信息中所述公共交通线路,输入到所述客流预测神经网络模型得到修正的预测客流量,并结合所述修正预测客流量重新规划形成新的预测线路,多次循环,直到达到优化条件。
进一步地,所述优化条件为:所述预测线路经过的所有站点的总耗时最短。
进一步地,所述预设起始站点和所述预设结束站点位于不同的规划区域。
第三方面,本发明还提供一种定制公共交通线路装置,包括:
获取模块:用于获取预设起始站点、预设结束站点;
预测客流模块:用于根据第一方面任一项所述的一种短时公共交通客流预测方法获得的与所述预设起始站点、所述预设结束站点相关的预测客流量;
线路生成模块:用于从所述预设起始站点开始,选择符合所述预测客流量限制的站点作为下一个站点,直到到达所述预设结束站点,根据优化条件形成预测线路。
第四方面,本发明提供一种定制公共交通线路设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第五方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明的有益效果是:
本发明通过获取预测线路需求信息,根据需求信息生成对应的影响参数,将影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量,然后获取预设起始站点、预设结束站点及相关的预测客流量,从预设起始站点开始,选择符合预测客流量的站点作为下一个站点,直到到达预设结束站点,形成预测线路。通过常规公共交通车的客票数据和第三方运营数据,预测定制的公共交通未开通线路出勤率,从而为定制公共交通新线路提供强有力的依据,同时能够准确预测出未开通定制公共交通线路的客流需求,为城市公共交通管理者进行整体公共交通线网布局规划以及掌握定制公共交通发展方向提供重要依据。可广泛应用于公共交通路线规划领域。
附图说明
图1是本发明中短时公共交通客流预测方法的一具体实施例的实现流程图;
图2是本发明中短时公共交通客流预测方法的一具体实施例的神经元网络示意图;
图3是本发明中短时公共交通客流预测方法的一具体实施例的神经元结构示意图;
图4是本发明中短时公共交通客流预测方法的一具体实施例的前馈神经网络模型示意图;
图5是本发明中定制公共交通线路方法的一具体实施例的实现流程图;
图6是本发明中定制公共交通线路方法的一具体实施例的生成路线过程描述示意图;
图7是本发明中定制公共交通线路方法的一具体实施例的过程示意图;
图8是本发明中定制公共交通线路装置的一具体实施例的结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
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。
实施例一:
本实施例提供一种短时公共交通客流预测方法,公共交通包括公交和地铁。为了确定需求信息,获取公共交通服务指数网站上大量乘客调查的数据,根据数据分析结果得知乘客对价格、拥挤程度、出行时间和站点间换乘次数这四个因素最为敏感,总选择率高达61.7%。因此本实施例选择了价格、拥挤程度、出行时间和站点间换乘次数作为需求信息。
本发明实施例一提供一种短时公共交通客流预测方法,图1为本发明实施例提供的一种短时公共交通客流预测方法的实现流程图,如图1所示,该方法包括以下步骤:
S11:获取预测线路需求信息,其中需求信息包括:起始站点、结束站点、公共交通线路、出行时段、票价,进一步地,公共交通线路包含至少两个站点(即公共交通线路最短为起始站点-结束站点)。
S12:根据需求信息生成对应的影响参数;
S13:将影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量。
具体的,步骤S12中,影响参数为需求信息的量化参数,包括:乘客OD参数、站点距离参数、票价参数、站点到达时间参数、每个站点车内乘客密度参数、相邻乘客时间位置参数、站点最短距离参数、统一票价参数、当前时段运行时间参数、车内乘客密度参数,分别表示为:
1)FR(SO,SD,L,P1):该参数基于乘客OD数据计算,即通过给出公共交通线路、出行时段、乘客始发站和乘客到达站后,通过查询起始站点和结束站点的时空范围内的乘客数量来确定客流,其中,SO表示乘客始发站,SD表示乘客到达站,L表示公共交通线路,P1表示出行时段。
2)DisR(SO,SD,L):表示乘客始发站与乘客到达站之间乘坐线路L的路网距离,该参数由公共交通线路上两个站点之间GPS点的距离得出。
3)CR(SO,SD,L):根据预设的公共交通票价规则进行计算得出,为政府***息。
4)TR(SO,SD,L,P1):表示公共交通车辆到达站当前站点的时间。
5)DR(SO,SD,L,P1):本实施例中,车辆乘客密度定义为线路L车辆内人数与车辆装载人数的比值,该参数基于乘客OD数据得到每个站点的上下车人数,进而得到当前站点车内乘客人数。
6)NL:该参数表示换乘次数。
7)DisU(SO,SD);该参数表示与OD有关的距离参数,假设有6个站点,O是1站点,D是3站点,那么需要计算1-2站点路网距离和2-3站点路网距离进行相加得到1-3路网距离。
8)CU(SO,SD):该参数可用来表示一些公共交通线路的统一票价,例如2元。
9)TU(SO,SD,P1):该参数表示当前时段当前线路车辆到达结束站点的时间。
10)DU(SO,SD,P1):该参数表示预设的车内乘客密度,例如可设置为1,表示假如当前车辆的装载量为60人,实际装载人数为60人时,车内乘客密度为1。
输出预测客流量表示为Fu(SO,SD,P1)。
其中,乘客OD数据可通过以下几种数据集得到。下面分别给出一些实施方式,可以理解的是,下述表格仅做解释示意,不做限定。
表1公共交通车辆GPS数据
表2乘客智能卡数据
表3应用程序票据数据
结合上表1~表3,其中乘客智能卡数据集和公共交通车辆GPS数据集是所有公交线路的记录集合,本实施例中,假设乘客与智能卡ID一一对应,而收费设备ID和公共交通车载单元ID与公共交通车辆ID一一对应,通过使用乘客刷卡定位信息、GPS定位信息和公共交通车辆ID进行匹配,能够获取乘客的出发点和目的地的乘客OD数据,即乘客始发站SO和乘客到达站SD。
步骤S13中,客流预测神经网络模型为3层的前馈神经网络模型,包括:输入层、隐藏层和输出层,输入为上述10个影响参数,输出为预测客流数,具体的,如图2所示,为本实施例中神经元网络示意图,结合图2可知,输入为10个神经元,输出为1个神经元,隐藏层神经元个数由下式(1)确定,表示为:
其中,l表示隐藏层神经元个数,i表示输入层神经元个数,o表示输出层神经元个数,a表示[1,10]之间的常数。计算得出隐藏层神经元个数为4~13个之间,可选的是13个。
如图3所示,为本实施例中神经元结构示意图,其中,x1~xn是输入信号;wij表示从神经元j到神经元i的连接权值;θ表示阈值,或称为偏置,因此神经元i的输出与输入的关系表示为:
yi=f(neti)
(3)
其中,yi表示神经元i的输出,函数f称为激活函数或转移函数,net称为净激活,若将阈值看成是神经元i的一个输入x0的权重wi0,则上面的式子(2)可以简化为:
若用X表示输入向量,用W表示权重向量,即:
X=[x0,x1,x2,......,xn]
(5)
则神经元的输出可以表示为向量相乘的形式:
neti=XW
(7)
yi=f(neti)=f(XW)
(8)
若神经元的净激活net为正,称该神经元处于激活状态或兴奋状态,若净激活net为负,则称神经元处于抑制状态。
如图4所示,为本实施例前馈神经网络模型示意图:
具体的,是一个3层的前馈神经网络,其中第一层是输入单元,第二层称为隐藏层,第三层称为输出层,前馈网络也称前向网络,这种网络只在训练过程会有反馈信号,而在分类过程中数据只能向前传送,直到到达输出层,层间没有向后的反馈信号因此被称为前馈网络。
若用X表示前馈神经网络的输入向量,W1~W3表示网络各层的连接权向量,F1~F3表示神经网络3层的激活函数,则第一层神经元的输出为:
O1=F1(XW1)
(9)
第二层神经元的输出为:
O2=F2(F1(XW1)W2)
(10)
输出层神经元的输出为:
O3=F3(F2(F1(XW1)W2)W3)
(11)
若激活函数F2~F3都选用线性函数,那么神经网络的输出O3将是输入X的线性函数,因此,本实施例中,由于需要做高次函数的逼近,选用非线性函数作为激活函数。
本实施例利用常规公共交通客票数据和运营数据预测未开通线路的客流量,能够准确高效预测短时公共交通客流。
实施例二:
本实施例提供一种定制公共交通线路方法,由于一个城市的公共车站数量众多,因此需要规定路线的设计规则。本实施例的一个具体应用场景中,根据城市规划对城市中站点进行分区域,需要根据预测客流量和站点信息连接站点形成一条线路,首先主要考虑以下几个规则:
(1)每条线路连接两个相距10公里以上的两个区域,同时这两个区域分布4-12个车站,数量仅做示意,不做限定。
(2)设置线路的运行时间和运行次数。
(3)设置车内核载人数,例如设置为60人,当购票超过60张时,售票将停止。
(4)假设:每辆车都配备了一个固定的收费设备和公共交通车载单元;使用硬币支付交通费用的通勤乘客比使用智能卡的乘客少得多;使用智能卡的乘客只持有一张唯一的卡。
可以理解的是,实际使用中可以根据实际需求增加或修改上述规则,以便得到更精确的规划结果。
如图5所示,为本实施例的定制公共交通线路方法实现流程图,包括以下步骤:
S21:获取预设起始站点、预设结束站点及根据实施例一任一项所述的方法获得的与预设起始站点、预设结束站点相关的预测客流量。可选的是,预设起始站点和预设结束站点位于不同的规划区域,本实施例中,相关的预测客流量,即预测大量可能对预设起始站点和预设结束站点之间线路产生影响的站点客流量。
S22:从预设起始站点开始,选择符合预测客流量的站点作为下一个站点,直到到达预设结束站点,形成预测线路。例如,A站点到下一个B站点之间预测客流量为70人,而车辆核载人数最高为60人,则需要选择预测客流量小于60人的C站点作为A站点的下一个站点。
S23:将预测线路进行实际运营得到实际客流量,将实际客流量作为需求信息中公共交通线路,输入到客流预测神经网络模型得到修正的预测客流量,并结合修正预测客流量重新规划形成新的预测线路,多次循环,直到达到优化条件。本实施例中,优化条件为:预测线路经过的所有站点的总耗时最短。通过反馈修正客流预测神经网络模型的参数得到更精确的预测客流量,对生成的预测线路进行修正得到更符合实际运营需求的公共交通线路。
如图6所示,为本实施例生成路线过程描述示意图,可以看出,从区域划分之后,根据预设起始站点和预设结束站点选择不同的规划区域,然后根据预测客流量进行公共交通线路站点选择,从而生成预测线路。
如图7所示,为本实施例定制公共交通线路过程示意图,结合图7可见包括预测客流量部分和定制公共交通线路部分,其中预测客流量部分具体为:结合传统公交运行现状和传统公交客流现状得到大量的短时客流数据训练客流预测神经网络模型,得到预测客流量,从预测客流量中形成乘客需求,例如车内乘客密度等,利用乘客需求选择符合条件的车站作为定制的公共交通线路中站点,形成站点集,产生经过的所有站点的总耗时最短的定制公共交通线路,同时进行实际运营,根据运营成果得到实际客流量,反馈并修正客流预测神经网络模型,优化定制的公共交通线路。
本实施例利用常规公共交通车的客票数据和第三方运营数据,预测定制的公共交通未开通线路出勤率,从而为定制公共交通新线路提供强有力的依据,同时能够准确预测出未开通定制公共交通线路的客流需求,为城市公共交通管理者进行整体公共交通线网布局规划以及掌握定制公共交通发展方向提供重要依据。
实施例三:
本实施例提供一种定制公共交通线路装置,如图8所示,为本实施例的定制公共交通线路装置结构框图,包括:
获取模块100:用于获取预设起始站点、预设结束站点;
预测客流模块200:用于根据上述实施例的一种短时公共交通客流预测方法获得的与预设起始站点、预设结束站点相关的预测客流量;
线路生成模块300:用于从预设起始站点开始,选择符合预测客流量限制的站点作为下一个站点,直到到达预设结束站点,根据优化条件形成预测线路。
另外,本发明还提供定制公共交通线路设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。
另外,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
本发明通过获取预测线路需求信息,根据需求信息生成对应的影响参数,将影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量,然后获取预设起始站点、预设结束站点及相关的预测客流量,从预设起始站点开始,选择符合预测客流量的站点作为下一个站点,直到到达预设结束站点,形成预测线路。可广泛应用于公共交通路线规划领域。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种定制公共交通线路方法,其特征在于,包括:
获取预测线路需求信息,所述需求信息包括:起始站点、结束站点、公共交通线路、出行时段、票价,所述公共交通线路包含至少两个站点;
根据所述需求信息生成对应的影响参数;
将所述影响参数输入到训练好的客流预测神经网络模型中,得到预测客流量;
获取预设起始站点、预设结束站点及与所述预设起始站点、所述预设结束站点相关的预测客流量;
从所述预设起始站点开始,选择符合所述预测客流量限制的站点作为下一个站点,直到到达所述预设结束站点,根据优化条件形成预测线路;
将所述预测线路进行实际运营得到实际客流量,将所述实际客流量作为所述需求信息中所述公共交通线路,输入到所述客流预测神经网络模型得到修正的预测客流量,并结合所述修正预测客流量重新规划形成新的预测线路,多次循环,直到达到优化条件。
2.根据权利要求1所述的一种定制公共交通线路方法,其特征在于,所述客流预测神经网络模型为3层的前馈神经网络模型,包括:输入层、隐藏层和输出层,所述隐藏层的节点数为4~13个。
3.根据权利要求1所述的一种定制公共交通线路方法,其特征在于,所述影响参数包括以下至少一种:乘客OD参数、站点距离参数、票价参数、站点到达时间参数、每个站点车内乘客密度参数、相邻乘客时间位置参数、站点最短距离参数、统一票价参数、当前时段运行时间参数、车内乘客密度参数。
4.根据权利要求1所述的一种定制公共交通线路方法,其特征在于,所述优化条件为:所述预测线路经过的所有站点的总耗时最短。
5.根据权利要求1至4任一项所述的一种定制公共交通线路方法,其特征在于,所述预设起始站点和所述预设结束站点位于不同的规划区域。
6.一种定制公共交通线路装置,其特征在于,包括:
获取模块:用于获取预设起始站点、预设结束站点;
预测客流模块:用于根据权利要求1至3任一项所述的一种定制公共交通线路方法获得的与所述预设起始站点、所述预设结束站点相关的预测客流量;
线路生成模块:用于从所述预设起始站点开始,选择符合所述预测客流量限制的站点作为下一个站点,直到到达所述预设结束站点,根据优化条件形成预测线路。
7.一种定制公共交通线路设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894869.8A CN110570656B (zh) | 2019-09-20 | 2019-09-20 | 定制公共交通线路方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894869.8A CN110570656B (zh) | 2019-09-20 | 2019-09-20 | 定制公共交通线路方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570656A CN110570656A (zh) | 2019-12-13 |
CN110570656B true CN110570656B (zh) | 2022-03-25 |
Family
ID=68781597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894869.8A Active CN110570656B (zh) | 2019-09-20 | 2019-09-20 | 定制公共交通线路方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570656B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460598B (zh) * | 2020-04-13 | 2023-02-10 | 同济大学 | 一种基于机器学习的公交干线网生成方法 |
CN111915064B (zh) * | 2020-07-14 | 2024-05-03 | 青岛海信网络科技股份有限公司 | 一种公交线网调整仿真的方法及装置 |
CN112466122B (zh) * | 2021-01-28 | 2021-06-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种公交线网的备选线路集生成、线路规划方法及装置 |
CN113053118A (zh) * | 2021-03-18 | 2021-06-29 | 重庆交通开投科技发展有限公司 | 一种集中调度跨线运行圈次时间的预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202067328U (zh) * | 2011-05-14 | 2011-12-07 | 刘宇 | 可生成乘车方案并能预测客流量的智能乘车*** |
CN105976038A (zh) * | 2016-05-03 | 2016-09-28 | 易通创新科技(大连)有限公司 | 一种基于用户需求的定制班车*** |
CN106127357A (zh) * | 2016-07-29 | 2016-11-16 | 华南理工大学 | 一种基于预约数据的定制公交自动布线***及方法 |
CN106228275A (zh) * | 2016-08-01 | 2016-12-14 | 广州星唯信息科技有限公司 | 基于蚁群算法定制公交线路的方法 |
CN109165787A (zh) * | 2018-09-04 | 2019-01-08 | 深圳市东部公共交通有限公司 | 公交路线定制方法、装置以及设备 |
CN109447340A (zh) * | 2018-10-24 | 2019-03-08 | 天津市市政工程设计研究院 | 一种可靠性最短路的定制公交线路优化方法 |
CN109558985A (zh) * | 2018-12-10 | 2019-04-02 | 南通科技职业学院 | 一种基于bp神经网络的公交客流量预测方法 |
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 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185486A1 (en) * | 2009-01-21 | 2010-07-22 | Disney Enterprises, Inc. | Determining demand associated with origin-destination pairs for bus ridership forecasting |
CN105184409A (zh) * | 2015-09-15 | 2015-12-23 | 广州地理研究所 | 定制公交规划线路出行需求热力图构建方法 |
-
2019
- 2019-09-20 CN CN201910894869.8A patent/CN110570656B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202067328U (zh) * | 2011-05-14 | 2011-12-07 | 刘宇 | 可生成乘车方案并能预测客流量的智能乘车*** |
CN105976038A (zh) * | 2016-05-03 | 2016-09-28 | 易通创新科技(大连)有限公司 | 一种基于用户需求的定制班车*** |
CN106127357A (zh) * | 2016-07-29 | 2016-11-16 | 华南理工大学 | 一种基于预约数据的定制公交自动布线***及方法 |
CN106228275A (zh) * | 2016-08-01 | 2016-12-14 | 广州星唯信息科技有限公司 | 基于蚁群算法定制公交线路的方法 |
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 |
CN109165787A (zh) * | 2018-09-04 | 2019-01-08 | 深圳市东部公共交通有限公司 | 公交路线定制方法、装置以及设备 |
CN109447340A (zh) * | 2018-10-24 | 2019-03-08 | 天津市市政工程设计研究院 | 一种可靠性最短路的定制公交线路优化方法 |
CN109558985A (zh) * | 2018-12-10 | 2019-04-02 | 南通科技职业学院 | 一种基于bp神经网络的公交客流量预测方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于改进卷积神经网络的短时公交客流预测;陈深进 等;《计算机科学》;20190531;第46卷(第5期);第175-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110570656A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570656B (zh) | 定制公共交通线路方法及装置 | |
Wu et al. | Simulation-based robust optimization of limited-stop bus service with vehicle overtaking and dynamics: A response surface methodology | |
JP6568240B2 (ja) | 運輸サービスの料金を求める方法及びシステム | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
Liu et al. | Bus stop-skipping scheme with random travel time | |
CN103177575B (zh) | 城区出租车动态在线调度优化***及其方法 | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
Liu et al. | Optimizing fleet size and scheduling of feeder transit services considering the influence of bike-sharing systems | |
CN110400015B (zh) | 一种时间估计方法及其装置、设备 | |
Huang et al. | A novel bus-dispatching model based on passenger flow and arrival time prediction | |
TWI522974B (zh) | 到站時間預測系統與方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN110458456B (zh) | 基于人工智能的需求响应式公交***的调度方法及*** | |
CN105095994B (zh) | 一种基于线性规划的城轨线路客流峰值预测方法 | |
US11429987B2 (en) | Data-driven method and system to forecast demand for mobility units in a predetermined area based on user group preferences | |
CN106485912A (zh) | 一种基于公交站点信息化的普通公交动态调度方法 | |
CN104884900A (zh) | 行程时间信息提供设备和行程时间信息提供方法 | |
CN105894847A (zh) | 一种云平台环境下无监督学习的实时公交动态调度***及方法 | |
WO2019003672A1 (ja) | 交通需要予測装置、及び交通需要予測方法 | |
CN107392389A (zh) | 基于arima模型的出租车调度处理方法 | |
CN113327424B (zh) | 交通需求的预测方法、预测装置及电子设备 | |
CN116324838A (zh) | 用于通过叫车平台调度共享乘车的***和方法 | |
Zheng et al. | Route design model of multiple feeder bus service based on existing bus lines | |
CN110222892B (zh) | 乘客的下车站点预测方法及装置 | |
Hu et al. | An artificial-neural-network-based model for real-time dispatching of electric autonomous taxis |
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 |