CN110941748A - 一种基于地铁线网客流拥挤度的可视化分析方法及*** - Google Patents
一种基于地铁线网客流拥挤度的可视化分析方法及*** Download PDFInfo
- Publication number
- CN110941748A CN110941748A CN201911172827.XA CN201911172827A CN110941748A CN 110941748 A CN110941748 A CN 110941748A CN 201911172827 A CN201911172827 A CN 201911172827A CN 110941748 A CN110941748 A CN 110941748A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- time
- congestion degree
- line
- line segment
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000013486 operation strategy Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及城市轨道交通运营技术领域,公开了一种基于地铁线网客流拥挤度的可视化分析方法及***,包括步骤:S1)设置时间区间,利用数据接入模块获取地铁运营***中所述时间区间内的刷卡数据;S2)对所述时间区间内的刷卡数据进行数据分析处理;S3)设置时间参数,按照时间参数统计各线网段的客流量;S4)根据各线网段的客流量计算客流拥挤度数值;S5)根据拥挤度数值进行可视化展示。本发明通过快速分析刷卡数据,分析出不同时段以及不同线路的拥挤度数值,并且通过可视化方式在线网图上呈现,协助制定更加科学合理的线路运行策略,增强地铁运力。
Description
技术领域
本发明涉及城市轨道交通运营技术领域,尤其涉及一种基于地铁线网客流拥挤度的可视化分析方法及***。
背景技术
随着信息技术的飞速发展,以及近年各个城市地铁规模的激增,对地铁运营数据分析、监控、调度的要求也越来越高。例如日常乘坐地铁最常见遇到有些线路非常拥挤,甚至上班时间经常几趟都挤不上去,而有些线路乘客又很少。地铁运营会产生大量的乘客信息数据。
比如,国家专利公开了一个申请公布号为“CN 109323785 A”,专利名为“地铁车厢拥挤度提前预报装置及其预报方法”的发明专利,该发明公开了地铁车厢拥挤度提前预报装置及其预报方法,包括设置在车厢地面和站台地面底部的多个监测机构,所述的监测机构包括底座,底座上设有四对支撑台,四对支撑台上分别固定有一个待测梁,四个待测梁各连接有一个压阻式压力传感器,所述的压阻式压力传感器包括设置在待测梁上的应力片,压阻式压力传感器连接有信号处理器,信号处理器连接有无线信号发射器;四个待测梁上设有支撑面,支撑面下部设有四个支点,四个支点分别设在四个待测梁的中部位置上;无线信号发射器连接有控制主机,控制主机与通道内的指示屏相连。该发明只能通过实时地预报各站台以及车厢的拥挤程度,无法提供更加科学合理的线路运行策略,不能增强地铁运力。
发明内容
本发明的目的在于为了现有技术无法提供更加科学合理的线路运行策略的问题,提供一种基于地铁线网客流拥挤度的可视化分析方法及***,本发明通过快速分析刷卡数据,分析出不同时段以及不同线路的拥挤度数值,并且通过可视化方式在线网图上呈现,协助制定更加科学合理的线路运行策略,增强地铁运力。
为了实现上述目的,本发明采用的技术方案如下:
一种基于地铁线网客流拥挤度的可视化分析方法,包括以下步骤:
S1)设置时间区间,利用数据接入模块获取地铁运营***中所述时间区间内的刷卡数据;
S2)对所述时间区间内的刷卡数据进行数据分析处理;
S3)设置时间参数,按照时间参数统计各线网段的客流量;
S4)根据各线网段的客流量计算客流拥挤度数值;
S5)根据拥挤度数值进行可视化展示。
首先由数据接入模块接入地铁运营***中的刷卡数据,一般都是接入历史数据,如最近2个月的刷卡数据,也就是将时间区间设置为近两个月,对近两个月的刷卡数据进行分析。以某城市地铁为例,每天刷卡数据500W以上,近三个月的刷卡数据超过30000W,这些刷卡数据都是由大数据中心来进行存储管理,通过大数据中心提供的数据接口方法接入地铁运营***中的刷卡数据。对接入的刷卡数据进行拥挤度分析,包含多个步骤,如数据清洗配对、数据拆分统计以及拥挤度计算,然后统计时间参数内各线网段的客流量,根据各线网段的客流量计算不同时段的客流拥挤度数值,最后再对客流拥挤度数值进行可视化。
进一步的,步骤S2)中对所述时间区间内的刷卡数据进行数据分析处理,包括步骤:
S21)获取每次乘客记录,所述每次乘客记录包括进站口、进站时间T1、出站口和出站时间T2,对刷卡数据进行配对,判断配对是否成功,若是,则进入步骤S22);若否,则将没有配对成功的刷卡数据删除;
S22)获取每次乘客记录的具体线路,所述具体线路包括乘客经过的每个站点、经过的线网段和线网段总数n,根据所述具体线路进行线网段客流拆分匹配;
S23)计算每个线网段的平均乘坐时长,根据每个线网段的平均乘坐时长获得每次乘客乘坐的线网段记录,所述线网段记录包括乘客经过的线网段、经过每个线网段的开始时间Ts和结束时间Te;
S24)重复步骤S21)至步骤S23),获得所述时间区间内所有乘客的线网段记录。
地铁运营***的原始数据记录中,乘客进站以及出站刷卡会产生时间顺序上的两条记录,比如,某一次乘客记录:入站=站A,入站时间=08:44,出站C,出站时间08:48。首先对刷卡数据进行配对,根据每次乘客记录对每次出行的刷卡数据进行配对,判断每次乘客记录的进站口与出站口是否一致,若是,则配对不成功,若否,则配对成功,同时判断进站时间T1是否与出站时间T2发生在同一天,若是,则配对成功,若否,则配对不成功,已配对成功则标识一次完整的客户乘坐记录,该客户乘坐记录的进站口与出站口不一致,并且进站时间T1与出站时间T2发生在同一天。对于没有配对成功的刷卡数据,将其作为废弃数据遗弃掉。步骤S22)中根据具体线路进行线网段客流拆分匹配,先获得每次乘客记录的具体线路,地铁***内是有一个线路表的,比如上述例子中通过在线路表中查找获得该乘客用A进C出的具体线路为ABC,就是乘客经过了两个线网段AB 和BC,计算每个线网段的平均乘坐时长然后获得每次乘客乘坐的各个线网段记录。
步骤S3)中设置时间参数,按照时间参数统计各线网段的客流量,包括步骤:
S31)设置时间参数[T3,T4],T3表示拥挤度分析的起始时刻,T4表示拥挤度分析的终止时刻;
S32)获取每一个线网段在时间参数[T3,T4]区间内的线网段记录,若线网段记录的开始时间Ts和结束时间Te中只有一个值落在时间参数[T3,T4]区间内,将该线网段记录计入该线网段的客流量中;
S33)判断拥挤度分析的起始时刻T3与拥挤度分析的终止时刻T4是否发生在同一天,若是,则根据乘客乘坐的线网段记录统计出各线网段的总人流量,获得各线网段的客流量;若否,则进入步骤S34);
进一步的,步骤S4)中根据各线网段的客流量计算客流拥挤度数值,包括步骤:
S41)将各线网段的客流量记为{C1、C2、...Ci、...、Cn},.Ci表示第i个线网段的客流量;
S42)获取各个线网段的总载荷,将各个线网段的总载荷记为 {P1、P2、...Pi、...、Pn},Pi表示第i个线网段的总载荷;
S43)获得各个线网段的客流拥挤度数值{Y1、Y2、...Yi、...、Yn},Yi表示第i个线网段的客流拥挤度数值。
地铁每条线路都是有一个基本的总载荷标准,根据各线网段的客流量和各个线网段的总载荷计算客流拥挤度数值。
计算每一个线网段的客流拥挤度数值,客流拥挤度数值为该线网段客流量与该线网段的总载荷的比值。
进一步的,步骤S5)中,采用数值转颜色算法将各个线网段的客流拥挤度数值转化为颜色值,利用颜色值对线网地图进行着色,进行可视化展示,所述线网地图为地铁运营的线网图。
线网地图就是来自地铁运营的线网图,把分析的客流拥挤度数值转化为颜色值,将颜色值对应线网图上的站点以及线路,进行线网着色。
进一步的,步骤S5)中,将各个线网段的客流拥挤度数值转化为线路的线宽度,利用线路的线宽度进行可视化展示。
不仅通过颜色来标识拥挤度指标,也可以利用线路的线宽度来呈现拥挤度指标,也可以将两者结合起来标识拥挤度指标。
进一步的,步骤S5)中,采用数值转颜色算法把各个线网段的客流拥挤度数值按照由低到高的顺序转化为绿色到红色之间的颜色值。
用颜色段来对应客流拥挤度数值,设定颜色段为绿色到红色,对应拥挤度数值为由低到高。
进一步的,一种基于地铁线网客流拥挤度的可视化分析***,包括数据接入模块、拥挤度分析模块和可视化模块;
数据接入模块,用于接入地铁运营***中的刷卡数据;
拥挤度分析模块,用于对接入的刷卡数据进行拥挤分析,包括数据清洗配对、数据拆分统计和拥挤度计算,获得各个线网段不同时段的拥挤度数值;
可视化模块,用于结合线网以及站点将拥挤度分析模块获得的拥挤度数值在可视化的线网图中进行可视化展示。
本发明的有益效果是:本发明能够快速分析历史刷卡数据,并且分析出不同时段以及不同线路的拥挤度数值,以可视化方式将拥挤度数值在线网图上呈现,协助制定更加科学合理的线路运行策略,增强地铁运力。
附图说明
图1是本发明实施例一的整体流程图。
图2是本发明的地铁线网图拥挤度可视化示意图。
图3是本发明实施例一计算客流拥挤度数值的流程图。
图4是本发明实施例一的***模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例一,一种基于地铁线网客流拥挤度的可视化分析方法,其特征在于,包括以下步骤:
S1)设置时间区间为近两个月,利用数据接入模块获取地铁运营***中近两个月内的刷卡数据;
S2)对近两个月内的刷卡数据进行数据分析处理,包括步骤:
S21)获取每次乘客记录,所述每次乘客记录包括进站口、进站时间T1、出站口和出站时间T2,对刷卡数据进行配对,判断配对是否成功,若是,则进入步骤S22);若否,则将没有配对成功的刷卡数据删除;
地铁运营***的原始数据记录中,乘客进站以及出站刷卡会产生时间顺序上的两条记录,比如,近两个月内某一次乘客Q的数据记录:入站=站A,入站时间=08:44,出站C,出站时间08:48。
S22)获取每次乘客记录的具体线路,具体线路包括乘客经过的每个站点、经过的线网段和线网段总数n,根据具体线路进行线网段客流拆分匹配;
如图2所示,地铁线路一般都是双向的,分上行和下行。比如图2中的ABC 方向为上行方向,CBA为下行方向。根据具体线路进行线网段客流拆分匹配,就是按照站点分割为多个线网段,比如乘客Q在A站入站,C站出站,那么将线网段拆分为AB段和BC段,经过的线网段总数n为2。
S23)通过计算获得每个线网段的平均乘坐时长T,T2-T1表示出站时间与入站时间之间的时长,根据每个线网段的平均乘坐时长获得每次乘客乘坐的线网段记录,线网段记录包括乘客经过的线网段、经过每个线网段的开始时间Ts和结束时间Te。
乘客Q每个线网段的平均乘坐时长T为08:44到出站时间08:48帐之间的时长除以线网段总数2,即每个线网段的平均乘坐时长T为2分钟,乘客Q经过AB和BC 这两个网线段均花了2分钟,经过AB线网段的开始时间为08:44,结束时间为08:46;经过BC线网段的开始时间为08:46,结束时间为08:48。
S24)重复步骤S21)至步骤S23),获得时间区间内所有乘客的线网段记录。
S3)设置时间参数,按照时间参数统计各线网段的客流量,包括步骤:
S31)设置时间参数[T3,T4],T3表示拥挤度分析的起始时刻,T4表示拥挤度分析的终止时刻;
S32)获取每一个线网段在时间参数[T3,T4]区间内的线网段记录,若线网段记录的开始时间Ts和结束时间Te中只有一个值落在时间参数[T3,T4]区间内,将该线网段记录计入该线网段的客流量中;
S33)判断拥挤度分析的起始时刻T3与拥挤度分析的终止时刻T4是否发生在同一天,若是,则根据乘客乘坐的线网段记录统计出各线网段的总人流量,将各线网段的总人流量作为各线网段的客流量;若否,则进入步骤S34);
将时间参数[T3,T4]设为乘客Q乘坐地铁当天的[08:30,9:00],则乘客Q的乘坐的线网段记录分别落在了AB和BC这两个线网段,若乘客Q的乘坐数据记录为入站=站A,入站时间=08:28,出站C,出站时间08:32,或者乘坐数据记录为入站=站A,入站时间=08:58,出站C,出站时间09:02,这两种情况均将乘客Q的线网段记录分别计入AB和BC这两个线网段的客流量中。
S4)根据各线网段的客流量计算客流拥挤度数值,如图3所示,包括步骤:
S41)将各线网段的总客流量记为{C1、C2、...Ci、...、Cn},.Ci表示第i个线网段的客流量;
S42)获取各个线网段的总载荷,将各个线网段的总载荷记为 {P1、P2、...Pi、...、Pn},Pi表示第i个线网段的总载荷;
S5)根据拥挤度数值进行可视化展示。
采用数值转颜色算法把各个线网段的客流拥挤度数值按照由低到高的顺序转化为绿色到红色之间的颜色值,利用颜色值对线网地图进行着色,进行可视化展示,线网地图为地铁运营的线网图。
如图2所示,使用颜色段来标识拥挤度数值的高低,如颜色段为绿色至红色,对应的拥挤度数值由低到高。图2中很明显的看出上行方向ABC人流稀少, CBA方向人流拥挤,且BA线段更加拥挤,可以判断出B站有大量上车的乘客。
如图4所示,一种基于地铁线网客流拥挤度的可视化分析***,包括数据接入模块、拥挤度分析模块和可视化模块;
数据接入模块,用于接入地铁运营***中的刷卡数据;
拥挤度分析模块,用于对接入的刷卡数据进行拥挤分析,包括数据清洗配对、数据拆分统计和拥挤度计算,获得各个线网段不同时段的拥挤度数值;
可视化模块,用于结合线网以及站点将拥挤度分析模块获得的拥挤度数值在可视化的线网图中进行可视化展示。
实施例二,一种基于地铁线网客流拥挤度的可视化分析方法,在步骤S5) 中,将各个线网段的客流拥挤度数值转化为线路的线宽度,利用线路的线宽度进行可视化展示。如图2的BA线路段,拥挤度较高线宽为20像素;AB段拥挤度较低则线宽10像素,其余步骤与实施例一相同。
实施例三,一种基于地铁线网客流拥挤度的可视化分析方法,在步骤S5) 中,采用数值转颜色算法把各个线网段的客流拥挤度数值按照由低到高的顺序转化为绿色到红色之间的颜色值,利用颜色值对线网地图进行着色,进行可视化展示,线网地图为地铁运营的线网图。同时,将各个线网段的客流拥挤度数值转化为线路的线宽度,利用线路的线宽度进行可视化展示。如图2的BA线路段,拥挤度较高线宽为20像素;AB段拥挤度较低则线宽10像素,其余步骤与实施例一相同。
如图2中,假如站点A为商业区写字楼,站点C为住宅区。早上上班时段, CBA方向有大量上班的客户,线路拥挤度很高。而ABC方向人流稀少,拥挤度明显很低。通过可视化的线网拥挤度可视化图形,可以很直观的提供调度决策依据。针对当前情况,这里就可以增加CBA线路的车次,同时减少ABC线路的车次,从而来缓解上班高峰期的运营压力,提高列车的运行效率。
通过分析最近2个月的地铁网线拥挤度数据,在地铁线网图的可视化地图上一目了然的展示出来各个线网段的拥挤度状态。为地铁运营调度优化提供决策依据,优化后再继续分析优化前后的拥挤度数值,进行优化前后的拥挤度数值对比,如此便能达到最优的调度方案,提高地铁运力,并且减少非必要的损耗。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
本发明通过快速构建一个地铁网线拥挤度可视化分析方法及***,方便地查看不同时段线路的拥挤度状况,以便调整列车运行调度。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (10)
1.一种基于地铁线网客流拥挤度的可视化分析方法,其特征在于,包括以下步骤:
S1)设置时间区间,利用数据接入模块获取地铁运营***中所述时间区间内的刷卡数据;
S2)对所述时间区间内的刷卡数据进行数据分析处理;
S3)设置时间参数,按照时间参数统计各线网段的客流量;
S4)根据各线网段的客流量计算客流拥挤度数值;
S5)根据拥挤度数值进行可视化展示。
2.根据权利要求1所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S2)中对所述时间区间内的刷卡数据进行数据分析处理,包括步骤:
S21)获取每次乘客记录,所述每次乘客记录包括进站口、进站时间T1、出站口和出站时间T2,对刷卡数据进行配对,判断配对是否成功,若是,则进入步骤S22);若否,则将没有配对成功的刷卡数据删除;
S22)获取每次乘客记录的具体线路,所述具体线路包括乘客经过的每个站点、经过的线网段和线网段总数n,根据所述具体线路进行线网段客流拆分匹配;
S23)计算每个线网段的平均乘坐时长,根据每个线网段的平均乘坐时长获得每次乘客乘坐的线网段记录,所述线网段记录包括乘客经过的线网段、经过每个线网段的开始时间Ts和结束时间Te;
S24)重复步骤S21)至步骤S23),获得所述时间区间内所有乘客的线网段记录。
4.根据权利要求3所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S3)中设置时间参数,按照时间参数统计各线网段的客流量,包括步骤:
S31)设置时间参数[T3,T4],T3表示拥挤度分析的起始时刻,T4表示拥挤度分析的终止时刻;
S32)获取每一个线网段在时间参数[T3,T4]区间内的线网段记录,若线网段记录的开始时间Ts和结束时间Te中只有一个值落在时间参数[T3,T4]区间内,将该线网段记录计入该线网段的客流量中;
S33)判断拥挤度分析的起始时刻T3与拥挤度分析的终止时刻T4是否发生在同一天,若是,则根据乘客乘坐的线网段记录统计出各线网段的总人流量,获得各线网段的客流量;若否,则进入步骤S34);
5.根据权利要求4所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S4)中根据各线网段的客流量计算客流拥挤度数值,包括步骤:
S41)将各线网段的客流量记为{C1、C2、...Ci、...、Cn},.Ci表示第i个线网段的客流量;
S42)获取各个线网段的总载荷,将各个线网段的总载荷记为{P1、P2、...Pi、...、Pn},Pi表示第i个线网段的总载荷;
S43)获得各个线网段的客流拥挤度数值{Y1、Y2、...Yi、...、Yn},Yi表示第i个线网段的客流拥挤度数值。
7.根据权利要求6所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S5)中,采用数值转颜色算法将各个线网段的客流拥挤度数值转化为颜色值,利用颜色值对线网地图进行着色,进行可视化展示,所述线网地图为地铁运营的线网图。
8.根据权利要求6或7所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S5)中,将各个线网段的客流拥挤度数值转化为线路的线宽度,利用线路的线宽度进行可视化展示。
9.根据权利要求8所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,步骤S5)中,采用数值转颜色算法把各个线网段的客流拥挤度数值按照由低到高的顺序转化为绿色到红色之间的颜色值。
10.一种基于地铁线网客流拥挤度的可视化分析***,适用于如权利要求1至9任意一项所述的基于地铁线网客流拥挤度的可视化分析方法,其特征在于,包括数据接入模块、拥挤度分析模块和可视化模块;
所述数据接入模块,用于接入地铁运营***中的刷卡数据;
所述拥挤度分析模块,用于对接入的刷卡数据进行拥挤分析,包括数据清洗配对、数据拆分统计和拥挤度计算,获得各个线网段不同时段的拥挤度数值;
所述可视化模块,用于结合线网以及站点将拥挤度分析模块获得的拥挤度数值在可视化的线网图中进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172827.XA CN110941748A (zh) | 2019-11-26 | 2019-11-26 | 一种基于地铁线网客流拥挤度的可视化分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911172827.XA CN110941748A (zh) | 2019-11-26 | 2019-11-26 | 一种基于地铁线网客流拥挤度的可视化分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110941748A true CN110941748A (zh) | 2020-03-31 |
Family
ID=69908263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911172827.XA Pending CN110941748A (zh) | 2019-11-26 | 2019-11-26 | 一种基于地铁线网客流拥挤度的可视化分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110941748A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365050A (zh) * | 2020-11-10 | 2021-02-12 | 郑州天迈科技股份有限公司 | 基于部分客流比例评价指标的线网撤销、截短及拆分方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
JP2016076272A (ja) * | 2016-01-13 | 2016-05-12 | 株式会社日立製作所 | 混雑度特定方法及び装置 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN108388542A (zh) * | 2018-01-18 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种轨道交通拥挤度计算方法及*** |
-
2019
- 2019-11-26 CN CN201911172827.XA patent/CN110941748A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376624A (zh) * | 2014-07-22 | 2015-02-25 | 西南交通大学 | 一种基于afc客票数据的城市轨道交通客流分析方法 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
JP2016076272A (ja) * | 2016-01-13 | 2016-05-12 | 株式会社日立製作所 | 混雑度特定方法及び装置 |
CN108090668A (zh) * | 2017-12-14 | 2018-05-29 | 兰州交通大学 | 时变客流驱动的城市轨道交通客流匹配与时刻表调整方法 |
CN108388542A (zh) * | 2018-01-18 | 2018-08-10 | 中国科学院遥感与数字地球研究所 | 一种轨道交通拥挤度计算方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365050A (zh) * | 2020-11-10 | 2021-02-12 | 郑州天迈科技股份有限公司 | 基于部分客流比例评价指标的线网撤销、截短及拆分方法 |
CN112365050B (zh) * | 2020-11-10 | 2023-04-07 | 郑州天迈科技股份有限公司 | 基于部分客流比例评价指标的线网撤销、截短及拆分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598182B (zh) | 一种轨道交通智能调度方法及*** | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
CN110493816B (zh) | 一种用于轨交地铁车站客流量的实时预测方法 | |
CN109255955B (zh) | 一种基于地基和空基协同感知的高速公路事故监测方法及*** | |
WO2019091108A1 (zh) | 一种交通出行调查数据处理方法 | |
CN105427594B (zh) | 一种基于双向上车客流的公交断面客流量获取方法及*** | |
CN107729938B (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN110516866B (zh) | 一种用于城市轨交列车拥挤度的实时估计方法 | |
CN110298516B (zh) | 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器 | |
CN113807026A (zh) | 地铁站内客流流线优化及动态引导指示牌***及设计方法 | |
CN110288829B (zh) | 一种港湾式公交停靠站停车泊位数量设置判别方法 | |
CN112990648A (zh) | 一种轨道交通网络运营稳定性评估方法 | |
CN114399099A (zh) | 一种城市轨道交通断面客流的预测方法及装置 | |
CN107886189B (zh) | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 | |
CN114819418B (zh) | 一种车站客流控制方法、装置、设备及可读存储介质 | |
CN112686417B (zh) | 一种地铁大客流预测方法、***及电子设备 | |
CN110941748A (zh) | 一种基于地铁线网客流拥挤度的可视化分析方法及*** | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、***和存储介质 | |
CN112700360A (zh) | 用于地铁车站的智能乘车诱导装置及方法 | |
CN116415756B (zh) | 一种基于vr技术的城市虚拟场景体验管理*** | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测*** | |
CN113935595A (zh) | 一种城市轨道交通路网高峰大客流疏导*** | |
CN115374579A (zh) | 基于瓶颈识别的轨道交通差异化安检通道布局方法 | |
CN112766950A (zh) | 一种动态路径费用确定方法、装置、设备及介质 | |
CN112488568A (zh) | 一种地铁车站大客流运营风险评价方法及其应用 |
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: 20200331 |
|
RJ01 | Rejection of invention patent application after publication |