CN111340058A - 一种基于多源数据融合的交通分布模型参数快速校核方法 - Google Patents
一种基于多源数据融合的交通分布模型参数快速校核方法 Download PDFInfo
- Publication number
- CN111340058A CN111340058A CN201811556720.0A CN201811556720A CN111340058A CN 111340058 A CN111340058 A CN 111340058A CN 201811556720 A CN201811556720 A CN 201811556720A CN 111340058 A CN111340058 A CN 111340058A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- parameters
- model
- cell
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据融合的交通分布模型参数快速校核方法，分别采用自下而上的参数校验方法和自上而下的参数校验方法，参数校验标定分两阶段进行，第一阶段得到的参数为a1，b1，c1，第二阶段得到的参数为a3，b3，c3，最后得到的模型参数采用两种方法的平均数a4，b4，c4；实现了多源数据与调查数据的结合利用；应用启发式算法，可以实现参数自动迭代与标定；极大的提高了模型精度，使参数取值更加符合实际，能够更好的模拟现实。
Description
技术领域
本发明属于轨道交通领域，具体涉及一种基于多源数据融合的交通分布模型参数快速校核方法。
背景技术
客流预测是轨道交通线网规划中的关键环节，直接影响到轨道交通线网规划的必要性和布局的形态，而其中交通分布模型直接影响到客流预测结果的准确性。作为经典的交通分布模型，重力模型已经被广泛应用于高速铁路、城际铁路、市域铁路、城市轨道交通、道路等多种交通方式。考虑到重力模型中3个参数受到城市异质性、功能区分布、职住平衡等多维因素的影响，必须就具体的研究对象进行模型参数标定。
目前重力模型采用的校核标准流程基本为：利用基础年P-A矩阵和阻抗矩阵生成出行距离分布(Observed Trip Length Distribution，OTLD)。将该数据作为参考标准，通过调整模型参数，使模型计算的P-A矩阵和阻抗矩阵生成的TLD与OTLD尽可能相似。
如果出现局部交通大区的od数据与调查数据不匹配，则利用K－因子系数予以调整。K－因子是描述区与区之间关系的一组参数，它的计算是取观测值和根据摩擦因数或阻力参数产生的评估值之间的比值，这样做的结果是校准后的引力模型会准确复制基年的P-A矩阵。这样可以从某个程度提高模型精度，但是K－因子的取值方法是值得商榷的。
这类现有技术存在如下问题：
(1)目前居民出行调查抽样率依据城市规模不同而不同，一般情况下，100万人口以上城市的最小抽样率不低于1％，50～100万人口城市不低于2％，20～50万人口城市不低于3％，20万人口以下城市不低于5％。从我们院完成的20余座城市调查数据来看，如此低的抽样率导致很多小区数据缺失，扩样更是将这种误差放大，但我们依然用此数据进行模型预测。
(2)TLD与OTLD数据实际比较中，距离段取值比较大，数据通常拟合度较高，但一旦距离短取值较小时，数据拟合误差增大，这主要也是部分交通小区数据缺失导致的。
(3)目前，大数据发展如火如荼，特别是手机信令数据，很多城市通过手机数据可以得到交通中区层面的od，抽样率通常可以达到60％或者更高，但是因为基站的密度和手机切换的乒乓效应，导致交通小区数据的精度完全不够，对于这块儿数据如何应用到模型中值得研究。
(4)现有的重力模型参数标定方法多基于数据调查，没有融合居民交通出行中国产生的手机、公交刷卡等大数据；此外多局限于理论的层面，较少考虑模型参数的标定速度。
发明内容
针对现有技术以上缺陷或改进需求中的至少一种，本发明提供了一种基于多源数据融合的交通分布模型参数快速校核方法，实现了多源数据与调查数据的结合利用；应用启发式算法，可以实现参数自动迭代与标定；极大的提高了模型精度，使参数取值更加符合实际，能够更好的模拟现实。
为实现上述目的，按照本发明的一个方面，提供了一种基于多源数据融合的交通分布模型参数快速校核方法，参数的校核标定分为两个阶段进行，第一阶段的步骤为：
S1、数据清洗，降噪除噪；
把包括重复数据、错误数据、不完整数据的数据筛选出来，予以剔除，得到相对准确的数据；
S2、循环扩样，多次校核；
按照行政区划，依据每个行政区各手机运营商的手机占有率进行数据扩样，扩样后的数据与该行政区的人口总数、年龄结构、性别比例进行校核；如所有指标的误差比例大于预定值，则再一次按照占有率、人口总数、年龄结构、性别比例进行循环扩样；当所有指标的误差比例低于预定值时，停止迭代；
S3、集计数据；
将包括上述扩样后的手机数据、机动车出行GPS数据、公交刷卡数据的数据按照交通中区层面分别进行集计，并与其他人口普查数据、经济普查数据进行横向对比，查找是否存在误差超过预定值的数据；如有误差超过预定值的数据，返回S1；
S4、模型运算；
结合最短路算法，得到现状年各交通小区之间的时间矩阵matrix1；利用现状调查得到的交通小区od数据matrix2和前面扩样得到的交通中区od数据matrix3作为模型初始输入，运用重力模型中的三维平衡模型，得到新一轮的交通小区模拟数据 matrix4；
S5、参数标定；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a，b，c后，得到新一轮的交通分布矩阵matrix5；
S6、再次调参；
将S4得到的matrix1分别乘以matrix4和S5得到的matrix5，分别得到OTLD和 TLD，然后以距离为横坐标、周转量为纵坐标，进行OTLD和TLD比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S4和S5，直至回归到预定范围以内，从而得到最新的参数a1，b1，c1；
第二阶段的步骤为：
S7、次级交通中区划分；
依托城市行政区域划分，将交通小区进行集合，得到次级交通中区；
S8、交通小区综合效用值计算；
统计分析每个交通小区的人口、岗位数据，按照如下公式进行综合效用值计算：
Pitotal＝Pi×α+Gi×β (1)
其中，Pitotal为交通小区综合效用值，Pi为交通小区人口，Gi为交通小区岗位，α、β为权重系数；
S9、平滑矩阵计算；
将每一个次级交通中区中的所有交通小区的综合效用值进行求和，按照每个交通小区的综合效用值占次级交通中区总效用值的比例，进行出行量的平滑，得到平滑后的交通小区出行量矩阵matrix6；
S10、模型运算；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a2，b2，c2后，得到新一轮的交通分布矩阵matrix7；
S11、再次调参；
将S4得到的matrix1分别乘以S9得到的matrix6和S10得到的matrix7，分别得到OTLD1和TLD1，以距离为横坐标、周转量为纵坐标，进行OTLD1和TLD1比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S9和S10，直至回归到预定范围以内，从而得到最新的参数a3，b3，c3；
分别完成上述第一阶段和第二阶段之后，还包括如下步骤：
S12、最终参数确定；
将第一阶段计算得到的模型参数a1，b1，c1和第二阶段得到的模型参数a3，b3，c3，分别相对应地平均取值后得到模型参数a4，b4，c4。
优选地，在步骤S1中，筛选和剔除的处理方法包括一致性检验，估算，整例删除和变量删除中的任意一种或任意组合。
优选地，在步骤S7中，次级交通中区的数目大于交通中区数目，且每个次级交通中区都有集计出行量。
优选地，在步骤S8中，α取0.4，β取0.6。
上述优选技术特征只要彼此之间未构成冲突就可以相互组合；
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1、本发明的基于多源数据融合的交通分布模型参数快速校核方法，分别采用自下而上的参数校验方法和自上而下的参数校验方法，因此参数标定也分两阶段进行，第一阶段得到的参数为a1，b1，c1，第二阶段得到的参数为a3，b3，c3，最后得到的模型参数采用两种方法的平均数a4，b4，c4。
2、自下而上的模型参数校验中，在数据清洗、降噪除噪后，对不同手机运营商的数据进行扩样获取每个交通小区的出行数据，其与机动车GPS数据、公交刷卡数据集计后构成交通中区的出行数据，据此可以计算重力模型参数。自上而下的模型参数校验中，根据城市行政区域划分交通中区，根据交通中区中各交通小区的综合效用来计算每个交通小区的出行量，从而计算重力模型参数。
3、引入了手机运营商、机动车GPS、公交GPS等多源数据，增加了数据样本量，减轻了客流调查的工作量；变“前向调查数据”为“后向记录数据”，增加了数据的真实性和可靠性。
4.实现了多源数据与调查数据的综合利用，解决了模型预测中的偏倚性分布和波动性问题。
5.融合了“自上而下”和“自下而上”两种模型参数标定方法，弥补了单向参数标定带来的“集计”和“解聚”的缺陷，提高了模型预测的精度。
6.针对重力模型中的3个参数采用了启发式求解算法(遗传算法)，加快了参数的收敛速度，实现了参数的快速标定。
附图说明
图1是本发明的基于多源数据融合的交通分布模型参数快速校核方法的流程示意图。
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，以下结合附图及实施例，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例仅仅用以解释本发明，并不用于限定本发明；此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合；下面结合具体实施方式对本发明进一步详细说明；
作为本发明的一种较佳实施方式，如图1所示，本发明提供一种基于多源数据融合的交通分布模型参数快速校核方法，参数的校核标定过程主要采用两种方法，因此参数的校核标定也分两阶段进行。第一阶段得到的参数为a1，b1，c1，第二阶段得到的参数为a3，b3，c3，最后得到的模型参数采用两种方法的平均数a4，b4，c4。
第一阶段的步骤为：
S1、数据清洗，降噪除噪；
把包括重复数据、错误数据、不完整数据的数据筛选出来，予以剔除，得到相对准确的数据。常用的处理方法有：一致性检验，估算，整例删除和变量删除。
(1)一致性检查(consistency check)是根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据；
(2)估算是用某个变量的样本均值、中位数或众数代替无效值和缺失值；
(3)整例删除(casewise deletion)是剔除含有缺失值的样本。
(4)变量删除(variable deletion)。如果某一变量的无效值和缺失值很多，而且该变量对于所研究的问题不是特别重要，则可以考虑将该变量删除。
S2、循环扩样，多次校核；
按照行政区划，依据每个行政区各手机运营商(如移动、联通、电信等)的手机占有率进行数据扩样，扩样后的数据与该行政区的人口总数、年龄结构、性别比例进行校核；如所有指标的误差比例大于5％的预定值，则再一次按照占有率、人口总数、年龄结构、性别比例进行循环扩样；当所有指标的误差比例低于5％的预定值时，停止迭代。
S3、集计数据；
将上述扩样后的手机数据、机动车出行GPS数据、公交刷卡数据等按照交通中区层面分别进行集计，并与其他人口普查数据、经济普查数据进行横向对比，查找是否存在误差超过预定值的数据；如有误差超过预定值的数据，返回S1。
S4、模型运算；
结合最短路算法，得到现状年各交通小区之间的时间矩阵matrix1；利用现状调查得到的交通小区od数据matrix2和前面扩样得到的交通中区od数据matrix3作为模型初始输入，运用重力模型中的三维平衡模型，得到新一轮的交通小区模拟数据 matrix4。
S5、参数标定；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a，b，c后，得到新一轮的交通分布矩阵matrix5。
S6、再次调参；
将S4得到的matrix1分别乘以matrix4和S5得到的matrix5，分别得到OTLD(Observed Trip Length Distribution)和TLD(Trip Length Distribution)，然后以距离为横坐标、周转量为纵坐标，进行OTLD和TLD比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S4和S5，直至回归到预定范围以内，从而得到最新的参数a1，b1，c1。
参数标定过程第一阶段到此为止，自下而上的模型参数校验中，在数据清洗、降噪除噪后，对不同手机运营商的数据进行扩样获取每个交通小区的出行数据，其与机动车GPS数据、公交刷卡数据集计后构成交通中区的出行数据，据此可以计算重力模型参数。
下面用第二种方法进行第二阶段参数调整，第二阶段的步骤为：
S7、次级交通中区划分；
依托城市行政区域划分，将交通小区进行集合，得到次级交通中区。该阶段应尽量保证次级交通中区的数目大于交通中区数目，且应保证每个次级交通中区都有集计出行量。
S8、交通小区综合效用值计算；
统计分析每个交通小区的人口、岗位数据，按照如下公式进行综合效用值计算：
Pitotal＝Pi×α+Gi×β (1)
其中，Pitotal为交通小区综合效用值，Pi为交通小区人口，Gi为交通小区岗位，α、β为权重系数。优选地，在步骤S8中，α取0.4，β取0.6。
S9、平滑矩阵计算；
将每一个次级交通中区中的所有交通小区的综合效用值进行求和，按照每个交通小区的综合效用值占次级交通中区总效用值的比例，进行出行量的平滑，得到平滑后的交通小区出行量矩阵matrix6。
S10、模型运算；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a2，b2，c2后，得到新一轮的交通分布矩阵matrix7。
S11、再次调参；
将S4得到的matrix1分别乘以S9得到的matrix6和S10得到的matrix7，分别得到OTLD1和TLD1，以距离为横坐标、周转量为纵坐标，进行OTLD1和TLD1比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S9和S10，直至回归到预定范围以内，从而得到最新的参数a3，b3，c3。
参数标定过程第二阶段到此为止，自上而下的模型参数校验中，根据城市行政区域划分交通中区，根据交通中区中各交通小区的综合效用来计算每个交通小区的出行量，从而计算重力模型参数。
分别完成上述第一阶段和第二阶段之后，进行最后的加权求和：
S12、最终参数确定；
将第一阶段计算得到的模型参数a1，b1，c1和第二阶段得到的模型参数a3，b3，c3，分别相对应地平均取值后得到模型参数a4，b4，c4。
本发明的基于多源数据融合的交通分布模型参数快速校核方法，引入了手机运营商、机动车GPS、公交GPS等多源数据，增加了数据样本量，减轻了客流调查的工作量；变“前向调查数据”为“后向记录数据”，增加了数据的真实性和可靠性；实现了多源数据与调查数据的综合利用，解决了模型预测中的偏倚性分布和波动性问题；融合了“自上而下”和“自下而上”两种模型参数标定方法，弥补了单向参数标定带来的“集计”和“解聚”的缺陷，提高了模型预测的精度；针对重力模型中的3个参数采用了启发式求解算法(遗传算法)，加快了参数的收敛速度，实现了参数的快速标定。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多源数据融合的交通分布模型参数快速校核方法，其特征在于：
参数的校核标定分为两个阶段进行，第一阶段的步骤为：
S1、数据清洗，降噪除噪；
把包括重复数据、错误数据、不完整数据的数据筛选出来，予以剔除，得到相对准确的数据；
S2、循环扩样，多次校核；
按照行政区划，依据每个行政区各手机运营商的手机占有率进行数据扩样，扩样后的数据与该行政区的人口总数、年龄结构、性别比例进行校核；如所有指标的误差比例大于预定值，则再一次按照占有率、人口总数、年龄结构、性别比例进行循环扩样；当所有指标的误差比例低于预定值时，停止迭代；
S3、集计数据；
将包括上述扩样后的手机数据、机动车出行GPS数据、公交刷卡数据的数据按照交通中区层面分别进行集计，并与其他人口普查数据、经济普查数据进行横向对比，查找是否存在误差超过预定值的数据；如有误差超过预定值的数据，返回S1；
S4、模型运算；
结合最短路算法，得到现状年各交通小区之间的时间矩阵matrix1；利用现状调查得到的交通小区od数据matrix2和前面扩样得到的交通中区od数据matrix3作为模型初始输入，运用重力模型中的三维平衡模型，得到新一轮的交通小区模拟数据matrix4；
S5、参数标定；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a，b，c后，得到新一轮的交通分布矩阵matrix5；
S6、再次调参；
将S4得到的matrix1分别乘以matrix4和S5得到的matrix5，分别得到OTLD和TLD，然后以距离为横坐标、周转量为纵坐标，进行OTLD和TLD比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S4和S5，直至回归到预定范围以内，从而得到最新的参数a1，b1，c1；
第二阶段的步骤为：
S7、次级交通中区划分；
依托城市行政区域划分，将交通小区进行集合，得到次级交通中区；
S8、交通小区综合效用值计算；
统计分析每个交通小区的人口、岗位数据，按照如下公式进行综合效用值计算：
Pitotal＝Pi×α+Gi×β (1)
其中，Pitotal为交通小区综合效用值，Pi为交通小区人口，Gi为交通小区岗位，α、β为权重系数；
S9、平滑矩阵计算；
将每一个次级交通中区中的所有交通小区的综合效用值进行求和，按照每个交通小区的综合效用值占次级交通中区总效用值的比例，进行出行量的平滑，得到平滑后的交通小区出行量矩阵matrix6；
S10、模型运算；
将交通生成模型计算得到每个交通小区的发生量即P量和吸引量即A量作为模型输入，引用S4中的matrix1继续作为阻抗，运用重力模型，输入参数a2，b2，c2后，得到新一轮的交通分布矩阵matrix7；
S11、再次调参；
将S4得到的matrix1分别乘以S9得到的matrix6和S10得到的matrix7，分别得到OTLD1和TLD1，以距离为横坐标、周转量为纵坐标，进行OTLD1和TLD1比较，如超过预定范围，则利用遗传算法进行参数调整，多次反复S9和S10，直至回归到预定范围以内，从而得到最新的参数a3，b3，c3；
分别完成上述第一阶段和第二阶段之后，还包括如下步骤：
S12、最终参数确定；
将第一阶段计算得到的模型参数a1，b1，c1和第二阶段得到的模型参数a3，b3，c3，分别相对应地平均取值后得到模型参数a4，b4，c4。
2.如权利要求1所述的基于多源数据融合的交通分布模型参数快速校核方法，其特征在于：
在步骤S1中，筛选和剔除的处理方法包括一致性检验，估算，整例删除和变量删除中的任意一种或任意组合。
3.如权利要求1所述的基于多源数据融合的交通分布模型参数快速校核方法，其特征在于：
在步骤S7中，次级交通中区的数目大于交通中区数目，且每个次级交通中区都有集计出行量。
4.如权利要求1所述的基于多源数据融合的交通分布模型参数快速校核方法，其特征在于：
在步骤S8中，α取0.4，β取0.6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556720.0A CN111340058B (zh) | 2018-12-19 | 2018-12-19 | 一种基于多源数据融合的交通分布模型参数快速校核方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556720.0A CN111340058B (zh) | 2018-12-19 | 2018-12-19 | 一种基于多源数据融合的交通分布模型参数快速校核方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111340058A true CN111340058A (zh) | 2020-06-26 |
| CN111340058B CN111340058B (zh) | 2022-03-29 |
Family
ID=71183225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811556720.0A Active CN111340058B (zh) | 2018-12-19 | 2018-12-19 | 一种基于多源数据融合的交通分布模型参数快速校核方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340058B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022000803A1 (zh) * | 2020-07-02 | 2022-01-06 | 航天物联网技术有限公司 | 一种基于多源数据融合模型的军事训练水平综合评估方法 |
| CN114694378A (zh) * | 2022-03-21 | 2022-07-01 | 东南大学 | 一种两阶段的交通分布预测方法 |
| CN114999162A (zh) * | 2022-08-02 | 2022-09-02 | 北京交研智慧科技有限公司 | 一种道路交通流量获取方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110149786A1 (en) * | 2002-09-25 | 2011-06-23 | AT&T Intellectual Property I, L.P. (formerly known as AT&T Knowledge Ventures L.P.) | Traffic modeling for packet data communications system dimensioning |
| US20150006071A1 (en) * | 2013-06-27 | 2015-01-01 | Sap Ag | Mobile trip planner and live route update system |
| CN105160878A (zh) * | 2015-09-02 | 2015-12-16 | 深圳市城市交通规划设计研究中心有限公司 | 交通影响评估***及方法 |
| US20170279832A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Sanity check of potential learned anomalies |
| CN108009972A (zh) * | 2017-10-24 | 2018-05-08 | 北京交通大学 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
| CN108389011A (zh) * | 2018-05-07 | 2018-08-10 | 广州市交通规划研究院 | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 |
| CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
-
2018
- 2018-12-19 CN CN201811556720.0A patent/CN111340058B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110149786A1 (en) * | 2002-09-25 | 2011-06-23 | AT&T Intellectual Property I, L.P. (formerly known as AT&T Knowledge Ventures L.P.) | Traffic modeling for packet data communications system dimensioning |
| US20150006071A1 (en) * | 2013-06-27 | 2015-01-01 | Sap Ag | Mobile trip planner and live route update system |
| CN105160878A (zh) * | 2015-09-02 | 2015-12-16 | 深圳市城市交通规划设计研究中心有限公司 | 交通影响评估***及方法 |
| US20170279832A1 (en) * | 2016-03-24 | 2017-09-28 | Cisco Technology, Inc. | Sanity check of potential learned anomalies |
| CN108009972A (zh) * | 2017-10-24 | 2018-05-08 | 北京交通大学 | 一种基于多源数据校核的多方式出行o-d需求估计方法 |
| CN108389011A (zh) * | 2018-05-07 | 2018-08-10 | 广州市交通规划研究院 | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 |
| CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022000803A1 (zh) * | 2020-07-02 | 2022-01-06 | 航天物联网技术有限公司 | 一种基于多源数据融合模型的军事训练水平综合评估方法 |
| GB2606061A (en) * | 2020-07-02 | 2022-10-26 | Aerospace Internet Of Things Tech Co Ltd | Military training performance comprehensive evaluation method based on multi-source data fusion model |
| CN114694378A (zh) * | 2022-03-21 | 2022-07-01 | 东南大学 | 一种两阶段的交通分布预测方法 |
| CN114694378B (zh) * | 2022-03-21 | 2023-02-14 | 东南大学 | 一种两阶段的交通分布预测方法 |
| CN114999162A (zh) * | 2022-08-02 | 2022-09-02 | 北京交研智慧科技有限公司 | 一种道路交通流量获取方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111340058B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340058B (zh) | 一种基于多源数据融合的交通分布模型参数快速校核方法 | |
| CN108269399B (zh) | 一种基于公路网客流od反推技术的高铁客流需求预测方法 | |
| CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及*** | |
| Lai et al. | Development of city-specific driving cycles for transit buses based on VSP distributions: Case of Beijing | |
| CN109686091B (zh) | 一种基于多源数据融合的交通流量填补算法 | |
| CN108009972B (zh) | 一种基于多源数据校核的多方式出行o-d需求估计方法 | |
| CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
| CN111008510B (zh) | 一种台区内电表识别方法及判断电表所属台区的方法 | |
| CN103440764A (zh) | 一种基于车辆自动识别数据的城市路网车辆出行路径重构方法 | |
| CN104166895A (zh) | 公共自行车调度区域划分方法 | |
| CN110070718A (zh) | 高速公路服务区服务质量动态评估方法、***及设备 | |
| CN116611586B (zh) | 一种基于双层异构网络的新建路网流量预测方法及*** | |
| CN112348344A (zh) | 一种公共交通可达指数计算方法 | |
| CN110824514A (zh) | 指纹定位方法和装置、计算机可读存储介质 | |
| CN107958353A (zh) | 一种etc联网运营质量评价方法及计算机存储介质 | |
| CN106571032A (zh) | 一种利用手机信令大数据和动态交通分配的od标定方法 | |
| CN117858040A (zh) | 一种基于手机信令数据的城镇空间单元社群划分方法 | |
| CN116502960B (zh) | 一种车站区域tod发展潜力评估方法、***和电子设备 | |
| CN108171367A (zh) | 一种公交车服务水平可靠性预测方法 | |
| CN111310340A (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| CN105824941A (zh) | 一种基于waqm的网站无障碍检测最佳抽样方法 | |
| CN106203887A (zh) | 一种基于交叉分类法的公路网特性分析方法及装置 | |
| CN113849976B (zh) | 规划用地的开发强度评估方法、装置及设备 | |
| CN115129769A (zh) | 一种居民出行调查扩样方法、装置及存储介质 | |
| Zheng et al. | A generalized comfort function of subway systems based on a nested logit model |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Hong Inventor after: Wu Jinhui Inventor after: Li Hengxin Inventor after: Chen Xu Inventor after: Zhou Jiazhong Inventor after: Guang Zhenxiong Inventor after: Ji Xiaohui Inventor after: Lei Zhonglin Inventor after: Tao Zhixiang Inventor after: Chen Zejian Inventor after: Yan Xiangli Inventor after: Zhong Shaolin Inventor after: Zhou Houwen Inventor before: Ji Xiaohui Inventor before: Chen Zejian Inventor before: Yan Xiangli Inventor before: Zhong Shaolin Inventor before: Zhou Houwen Inventor before: Wu Jinhui Inventor before: Li Hengxin Inventor before: Chen Xu Inventor before: Zhou Jiazhong |
|
| CB03 | Change of inventor or designer information |