CN112418492A - 一种基于人工智能的客流数据采集分析*** - Google Patents
一种基于人工智能的客流数据采集分析*** Download PDFInfo
- Publication number
- CN112418492A CN112418492A CN202011233144.3A CN202011233144A CN112418492A CN 112418492 A CN112418492 A CN 112418492A CN 202011233144 A CN202011233144 A CN 202011233144A CN 112418492 A CN112418492 A CN 112418492A
- Authority
- CN
- China
- Prior art keywords
- station
- coefficient
- weather
- data
- processor
- 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.)
- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 73
- 238000013500 data storage Methods 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000029305 taxis Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 101000617534 Xenopus laevis Presenilin-1 Proteins 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003702 image correction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于人工智能的客流数据采集分析***，包括处理器、数据存储模块、客流预测模块和显示调度模块；本发明设置了客流预测模块，该设置用于对站点的客流量进行预测，客流预测模块将天气评估系数、假期系数、出租车评估系数与智能算法模型相结合，以获取站点的客流量，有助于提高客流量预测的准确度，便于缓解站点的客流量高峰；本发明设置了显示调度模块，该设置用于站点进行调度，显示调度模块能够实时显示站点的客流量数据，使得工作人员能够及时地根据客流量做出应对措施，避免意外情况的发生。
Description
技术领域
本发明属于客流分析技术领域，具体是一种基于人工智能的客流数据采集分析***。
背景技术
随着经济的快速发展，城镇化的进程不断加速，城市的面貌发生了翻天覆地的变化，城市公共交通配套设施也有了较大的发展。但是城市人口的急速增加，原有的交通配套设施越显不足，交通压力日渐显现，严重制约了城市的发展和影响了人民生活质量的提高，目前城市管理者面临很大的挑战。
公开号为CN104835323A的发明专利提供了一种结合电子围栏的多目标公交客流检测方法，公交客流分析***主要通过对各条线路、各个站点、各个时间段以及道路区间内的客流分布和均衡性分布，为智能调度提供最直观的决策数据信息，提高了公交企业运营管理水平；通过公交客流视频检测装置以视频检测技术为主要手段，通过引入开关门信号和电子围栏作为视频检测的驱动，解决了实时视频检测问题漏计数和重复计数等问题，极大地提高了客流检测的精度。
上述方案都是以视频检测技术和图像识别技术为基础；但是，目前的视频检测技术和图像识别技术仅仅能够识别图像中的人物，而没法做到通过外界因素判断人物的乘车意图；因此，上述方案人方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于人工智能的客流数据采集分析***。
本发明的目的可以通过以下技术方案实现：一种基于人工智能的客流数据采集分析***，包括处理器、数据存储模块、客流预测模块和显示调度模块；
所述客流预测模块用于对站点的客流量进行预测，所述站点包括火车站、汽车站和飞机场，具体预测步骤为：
Z1：通过票务网站获取站点的票务数据，并将票务数据标记为PS；所述票务数据为该站点的订票总数之和；
Z2：获取天气评估系数TPX；当天气评估系数0＜TPX≤L1时，则判定特定范围的天气表现良好，通过处理器发送天气良好信号至显示调度模块；当天气评估系数L1＜TPX≤L2时，则判定特定范围的天气不佳，通过处理器发送天气不良信号至显示调度模块；当天气评估系数L2＜TPX时，则判定特定范围的天气异常，通过处理器发送天气异常信号至显示调度模块；其中L1和L2为预设比例系数，且L1+L2≤100；
Z3：获取假期系数JX和出租车评估系数CPX；
Z4：对天气评估系数、假期系数和出租车评估系数归一化，通过数据存储模块获取训练完成的智能算法模型，将归一化之后的天气评估系数、假期系数和出租车评估系数作为所述智能算法模型的输入，获取站点运载数据，并将站点运载数据标记为YZ；
Z5：当运载数据YZ满足PS-α4≤YZ≤PS+α4时，判定运载数据YZ合理；其中α4为预设比例系数，且α4＞0；
Z6：当0＜YZ≤J1时，则判定站点承载力良好，通过处理器发送站点承载力良好信号至显示调度模块；当J1＜YZ≤J2时，则判定站点承载力处于满负荷状态，通过处理器发送站点承载力满负荷信号至显示调度模块；当J2＜YZ时，则判定站点承载力超负荷，通过处理器发送站点承载力超负荷信号至显示调度模块；
Z7：通过处理器将站点承载力良好信号发送记录、站点承载力满负荷信号发送记录和站点承载力超负荷信号发送记录发送至数据存储模块进行存储。
优选的，所述出租车评估系数CPX的获取步骤为：
Z31：以站点圆心，以R2千米为半径的圆形区域内的俯瞰图像；所述R2为预设比例系数；
Z32：对俯瞰图像进行图像预处理，通过图像预处理之后的俯瞰图像提取出租车总数，并将出租车总数标记为CZ；所述图像预处理包括高斯滤波、图像校正、图像增强和灰度变换；
Z33：通过公式CPX＝α1×eα2×CZ+α3获取出租车评估系数CPX；其中α1、α2和α3为预设比例系数，且α1、α2和α3均大于0，e为自然常数。
优选的，所述智能算法模型的具体训练步骤为：
Z41：获取站点的历史数据和历史运载数据；所述历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数；所述历史天气评估系数、历史假期系数和出租车评估系数为站点T2天内的数据；所述历史运载数据为站点T2天内的运载数据；所述运载数据包括始发地和目的地为该站点的乘客总数；其中T2为预设比例系数；
Z42：将历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数归一化之后作为智能算法模型的输入数据，将历史运载数据归一化之后作为智能算法模型的输出数据，获取训练完成的智能算法模型；
Z43：通过处理器将训练完成的智能算法模型发送至数据存储模块进行存储。
优选的，所述天气评估系数TPX的具体获取步骤为：
Z21：获取特定范围的温度平均值、湿度平均值和风力平均值，并将温度平均值、湿度平均值和风力平均值标记为WPZ、SPZ和FPZ；所述特定区域为以站点圆心，以R1米为半径的圆形区域；其中R1为预设半径阈值；
Z22：通过公式
获取天气评估系数TPX；其中β1、β2和β3为预设比例系数，且0＜β1＜β2＜β3；
Z23：通过处理器将温度平均值、湿度平均值和风力平均值发送至显示调度模块和数据存储模块。
优选的，所述假期系数JX的具体获取步骤为：
Z31：通过处理器获取数据存储模块中的法定节假日规划表；
Z32：获取当前日期，并将当前日期与法定节假日规划表进行对比分析获取日期系数RX；当当前日期在法定节假日范围内时，将日期系数RX记为0；当当前日期在法定节假日开始时刻前S1分钟时，将日期系数RX记为-1；当当前日期在法定节假日结束时刻前S1分钟时，将日期系数RX标记为1；
Z33：通过公式JX＝β4×|RX|×(RX+β5)获取假期系数JX；其中β4和β5为预设比例系数，且1＜β5；
Z34：通过处理器将日期系数发送至数据存储模块进行存储。
优选的，所述显示调度模块用于站点进行调度；当显示调度模块接收到站点承载力满负荷信号时，通过处理器调度工作人员至站点维持秩序；当显示调度模块接收到站点承载力超负荷信号时，通过处理器调度工作人员至站点维持秩序，同时对站点的运行速度和运行列次进行调整。
与现有技术相比，本发明的有益效果是：
1、本发明设置了客流预测模块，该设置用于对站点的客流量进行预测；通过票务网站获取站点的票务数据PS；获取天气评估系数TPX；当天气评估系数0＜TPX≤L1时，则判定特定范围的天气表现良好，通过处理器发送天气良好信号至显示调度模块；当天气评估系数L1＜TPX≤L2时，则判定特定范围的天气不佳，通过处理器发送天气不良信号至显示调度模块；当天气评估系数L2＜TPX时，则判定特定范围的天气异常，通过处理器发送天气异常信号至显示调度模块；获取假期系数JX和出租车评估系数CPX；对天气评估系数、假期系数和出租车评估系数归一化，通过数据存储模块获取训练完成的智能算法模型，将归一化之后的天气评估系数、假期系数和出租车评估系数作为所述智能算法模型的输入，获取站点运载数据，并将站点运载数据标记为YZ；当运载数据YZ满足PS-α4≤YZ≤PS+α4时，判定运载数据YZ合理；当0＜YZ≤J1时，则判定站点承载力良好，通过处理器发送站点承载力良好信号至显示调度模块；当J1＜YZ≤J2时，则判定站点承载力处于满负荷状态，通过处理器发送站点承载力满负荷信号至显示调度模块；当J2＜YZ时，则判定站点承载力超负荷，通过处理器发送站点承载力超负荷信号至显示调度模块；客流预测模块将天气评估系数、假期系数、出租车评估系数与智能算法模型相结合，以获取站点的客流量，有助于提高客流量预测的准确度，便于缓解站点的客流量高峰；
2、本发明设置了显示调度模块，该设置用于站点进行调度；当显示调度模块接收到站点承载力满负荷信号时，通过处理器调度工作人员至站点维持秩序；当显示调度模块接收到站点承载力超负荷信号时，通过处理器调度工作人员至站点维持秩序，同时对站点的运行速度和运行列次进行调整；显示调度模块能够实时显示站点的客流量数据，使得工作人员能够及时地根据客流量做出应对措施，避免意外情况的发生。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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。
图1为本发明的原理示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，一种基于人工智能的客流数据采集分析***，包括处理器、数据存储模块、客流预测模块和显示调度模块；
客流预测模块用于对站点的客流量进行预测，站点包括火车站、汽车站和飞机场，具体预测步骤为：
Z1：通过票务网站获取站点的票务数据，并将票务数据标记为PS；票务数据为该站点的订票总数之和；
Z2：获取天气评估系数TPX；当天气评估系数0＜TPX≤L1时，则判定特定范围的天气表现良好，通过处理器发送天气良好信号至显示调度模块；当天气评估系数L1＜TPX≤L2时，则判定特定范围的天气不佳，通过处理器发送天气不良信号至显示调度模块；当天气评估系数L2＜TPX时，则判定特定范围的天气异常，通过处理器发送天气异常信号至显示调度模块；其中L1和L2为预设比例系数，且L1+L2≤100；
Z3：获取假期系数JX和出租车评估系数CPX；
Z4：对天气评估系数、假期系数和出租车评估系数归一化，通过数据存储模块获取训练完成的智能算法模型，将归一化之后的天气评估系数、假期系数和出租车评估系数作为智能算法模型的输入，获取站点运载数据，并将站点运载数据标记为YZ；
Z5：当运载数据YZ满足PS-α4≤YZ≤PS+α4时，判定运载数据YZ合理；其中α4为预设比例系数，且α4＞0；
Z6：当0＜YZ≤J1时，则判定站点承载力良好，通过处理器发送站点承载力良好信号至显示调度模块；当J1＜YZ≤J2时，则判定站点承载力处于满负荷状态，通过处理器发送站点承载力满负荷信号至显示调度模块；当J2＜YZ时，则判定站点承载力超负荷，通过处理器发送站点承载力超负荷信号至显示调度模块；
Z7：通过处理器将站点承载力良好信号发送记录、站点承载力满负荷信号发送记录和站点承载力超负荷信号发送记录发送至数据存储模块进行存储。
进一步地，出租车评估系数CPX的获取步骤为：
Z31：以站点圆心，以R2千米为半径的圆形区域内的俯瞰图像；R2为预设比例系数；
Z32：对俯瞰图像进行图像预处理，通过图像预处理之后的俯瞰图像提取出租车总数，并将出租车总数标记为CZ；图像预处理包括高斯滤波、图像校正、图像增强和灰度变换；
Z33：通过公式CPX＝α1×eα2×CZ+α3获取出租车评估系数CPX；其中α1、α2和α3为预设比例系数，且α1、α2和α3均大于0，e为自然常数。
进一步地，智能算法模型的具体训练步骤为：
Z41：获取站点的历史数据和历史运载数据；历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数；历史天气评估系数、历史假期系数和出租车评估系数为站点T2天内的数据；历史运载数据为站点T2天内的运载数据；运载数据包括始发地和目的地为该站点的乘客总数；其中T2为预设比例系数；
Z42：将历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数归一化之后作为智能算法模型的输入数据，将历史运载数据归一化之后作为智能算法模型的输出数据，获取训练完成的智能算法模型；
Z43：通过处理器将训练完成的智能算法模型发送至数据存储模块进行存储。
进一步地，天气评估系数TPX的具体获取步骤为：
Z21：获取特定范围的温度平均值、湿度平均值和风力平均值，并将温度平均值、湿度平均值和风力平均值标记为WPZ、SPZ和FPZ；特定区域为以站点圆心，以R1米为半径的圆形区域；其中R1为预设半径阈值；
Z22：通过公式
获取天气评估系数TPX；其中β1、β2和β3为预设比例系数，且0＜β1＜β2＜β3；
Z23：通过处理器将温度平均值、湿度平均值和风力平均值发送至显示调度模块和数据存储模块。
进一步地，假期系数JX的具体获取步骤为：
Z31：通过处理器获取数据存储模块中的法定节假日规划表；
Z32：获取当前日期，并将当前日期与法定节假日规划表进行对比分析获取日期系数RX；当当前日期在法定节假日范围内时，将日期系数RX记为0；当当前日期在法定节假日开始时刻前S1分钟时，将日期系数RX记为-1；当当前日期在法定节假日结束时刻前S1分钟时，将日期系数RX标记为1；
Z33：通过公式JX＝β4×|RX|×(RX+β5)获取假期系数JX；其中β4和β5为预设比例系数，且1＜β5；
Z34：通过处理器将日期系数发送至数据存储模块进行存储。
进一步地，显示调度模块用于站点进行调度；当显示调度模块接收到站点承载力满负荷信号时，通过处理器调度工作人员至站点维持秩序；当显示调度模块接收到站点承载力超负荷信号时，通过处理器调度工作人员至站点维持秩序，同时对站点的运行速度和运行列次进行调整。
进一步地，俯瞰图像为遥感图像和无人机拍摄的图像。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。
本发明的工作原理：
通过票务网站获取站点的票务数据，并将票务数据标记为PS；获取天气评估系数TPX；当天气评估系数0＜TPX≤L1时，则判定特定范围的天气表现良好，通过处理器发送天气良好信号至显示调度模块；当天气评估系数L1＜TPX≤L2时，则判定特定范围的天气不佳，通过处理器发送天气不良信号至显示调度模块；当天气评估系数L2＜TPX时，则判定特定范围的天气异常，通过处理器发送天气异常信号至显示调度模块；获取假期系数JX和出租车评估系数CPX；对天气评估系数、假期系数和出租车评估系数归一化，通过数据存储模块获取训练完成的智能算法模型，将归一化之后的天气评估系数、假期系数和出租车评估系数作为所述智能算法模型的输入，获取站点运载数据，并将站点运载数据标记为YZ；当运载数据YZ满足PS-α4≤YZ≤PS+α4时，判定运载数据YZ合理；当0＜YZ≤J1时，则判定站点承载力良好，通过处理器发送站点承载力良好信号至显示调度模块；当J1＜YZ≤J2时，则判定站点承载力处于满负荷状态，通过处理器发送站点承载力满负荷信号至显示调度模块；当J2＜YZ时，则判定站点承载力超负荷，通过处理器发送站点承载力超负荷信号至显示调度模块。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (6)
1.一种基于人工智能的客流数据采集分析***，其特征在于，包括处理器、数据存储模块、客流预测模块和显示调度模块；
所述客流预测模块用于对站点的客流量进行预测，所述站点包括火车站、汽车站和飞机场，具体预测步骤为：
Z1：通过票务网站获取站点的票务数据，并将票务数据标记为PS；所述票务数据为该站点的订票总数之和；
Z2：获取天气评估系数TPX；当天气评估系数0＜TPX≤L1时，则判定特定范围的天气表现良好，通过处理器发送天气良好信号至显示调度模块；当天气评估系数L1＜TPX≤L2时，则判定特定范围的天气不佳，通过处理器发送天气不良信号至显示调度模块；当天气评估系数L2＜TPX时，则判定特定范围的天气异常，通过处理器发送天气异常信号至显示调度模块；其中L1和L2为预设比例系数，且L1+L2≤100；
Z3：获取假期系数JX和出租车评估系数CPX；
Z4：对天气评估系数、假期系数和出租车评估系数归一化，通过数据存储模块获取训练完成的智能算法模型，将归一化之后的天气评估系数、假期系数和出租车评估系数作为所述智能算法模型的输入，获取站点运载数据，并将站点运载数据标记为YZ；
Z5：当运载数据YZ满足PS-α4≤YZ≤PS+α4时，判定运载数据YZ合理；其中α4为预设比例系数，且α4＞0；
Z6：当0＜YZ≤J1时，则判定站点承载力良好，通过处理器发送站点承载力良好信号至显示调度模块；当J1＜YZ≤J2时，则判定站点承载力处于满负荷状态，通过处理器发送站点承载力满负荷信号至显示调度模块；当J2＜YZ时，则判定站点承载力超负荷，通过处理器发送站点承载力超负荷信号至显示调度模块；
Z7：通过处理器将站点承载力良好信号发送记录、站点承载力满负荷信号发送记录和站点承载力超负荷信号发送记录发送至数据存储模块进行存储。
2.根据权利要求1所述的一种基于人工智能的客流数据采集分析***，其特征在于，所述出租车评估系数CPX的获取步骤为：
Z31：以站点圆心，以R2千米为半径的圆形区域内的俯瞰图像；所述R2为预设比例系数；
Z32：对俯瞰图像进行图像预处理，通过图像预处理之后的俯瞰图像提取出租车总数，并将出租车总数标记为CZ；所述图像预处理包括高斯滤波、图像校正、图像增强和灰度变换；
Z33：通过公式CPX＝α1×eα2×CZ+α3获取出租车评估系数CPX；其中α1、α2和α3为预设比例系数，且α1、α2和α3均大于0，e为自然常数。
3.根据权利要求1所述的一种基于人工智能的客流数据采集分析***，其特征在于，所述智能算法模型的具体训练步骤为：
Z41：获取站点的历史数据和历史运载数据；所述历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数；所述历史天气评估系数、历史假期系数和出租车评估系数为站点T2天内的数据；所述历史运载数据为站点T2天内的运载数据；所述运载数据包括始发地和目的地为该站点的乘客总数；其中T2为预设比例系数；
Z42：将历史数据包括站点的历史天气评估系数、历史假期系数和出租车评估系数归一化之后作为智能算法模型的输入数据，将历史运载数据归一化之后作为智能算法模型的输出数据，获取训练完成的智能算法模型；
Z43：通过处理器将训练完成的智能算法模型发送至数据存储模块进行存储。
4.根据权利要求1所述的一种基于人工智能的客流数据采集分析***，其特征在于，所述天气评估系数TPX的具体获取步骤为：
Z21：获取特定范围的温度平均值、湿度平均值和风力平均值，并将温度平均值、湿度平均值和风力平均值标记为WPZ、SPZ和FPZ；所述特定区域为以站点圆心，以R1米为半径的圆形区域；其中R1为预设半径阈值；
Z22：通过公式
获取天气评估系数TPX；其中β1、β2和β3为预设比例系数，且0＜β1＜β2＜β3；
Z23：通过处理器将温度平均值、湿度平均值和风力平均值发送至显示调度模块和数据存储模块。
5.根据权利要求1所述的一种基于人工智能的客流数据采集分析***，其特征在于，所述假期系数JX的具体获取步骤为：
Z31：通过处理器获取数据存储模块中的法定节假日规划表；
Z32：获取当前日期，并将当前日期与法定节假日规划表进行对比分析获取日期系数RX；当当前日期在法定节假日范围内时，将日期系数RX记为0；当当前日期在法定节假日开始时刻前S1分钟时，将日期系数RX记为-1；当当前日期在法定节假日结束时刻前S1分钟时，将日期系数RX标记为1；
Z33：通过公式JX＝β4×|RX|×(RX+β5)获取假期系数JX；其中β4和β5为预设比例系数，且1＜β5；
Z34：通过处理器将日期系数发送至数据存储模块进行存储。
6.根据权利要求1所述的一种基于人工智能的客流数据采集分析***，其特征在于，所述显示调度模块用于站点进行调度；当显示调度模块接收到站点承载力满负荷信号时，通过处理器调度工作人员至站点维持秩序；当显示调度模块接收到站点承载力超负荷信号时，通过处理器调度工作人员至站点维持秩序，同时对站点的运行速度和运行列次进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011233144.3A CN112418492A (zh) | 2020-11-06 | 2020-11-06 | 一种基于人工智能的客流数据采集分析*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011233144.3A CN112418492A (zh) | 2020-11-06 | 2020-11-06 | 一种基于人工智能的客流数据采集分析*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418492A true CN112418492A (zh) | 2021-02-26 |
Family
ID=74780516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011233144.3A Withdrawn CN112418492A (zh) | 2020-11-06 | 2020-11-06 | 一种基于人工智能的客流数据采集分析*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418492A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
-
2020
- 2020-11-06 CN CN202011233144.3A patent/CN112418492A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
| CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598182B (zh) | 一种轨道交通智能调度方法及*** | |
| CN108877227B (zh) | 一种基于多源交通数据的全局动态出行需求估计方法 | |
| CN110705747A (zh) | 一种基于大数据的智慧公共交通云脑体系 | |
| CN107845039A (zh) | 一种无尺度自适应的车联网车险评分模型 | |
| CN116704771B (zh) | 基于拥堵路段交通信息实时定位指挥处理*** | |
| CN112561304A (zh) | 城市常规公交线网的评价方法 | |
| CN112966941B (zh) | 一种基于交通事故大数据的事故黑点识别方法及*** | |
| CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其*** | |
| CN113361825A (zh) | 一种***故早期预警方法及*** | |
| CN113643539A (zh) | 一种基于大数据的智慧交通管控*** | |
| CN115358576B (zh) | 一种基于gps定位的车辆调派智能服务平台 | |
| CN115762169A (zh) | 一种环卫车无人驾驶的智能控制***及方法 | |
| CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测***与方法 | |
| CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网*** | |
| CN112418492A (zh) | 一种基于人工智能的客流数据采集分析*** | |
| CN116523093A (zh) | 基于随机源荷预测的能源***的网格需求感知***及方法 | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、***和存储介质 | |
| CN117495059B (zh) | 一种轨道交通运行数据分析方法及储存介质 | |
| CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
| CN116089498A (zh) | 一种田园休闲旅游区域大数据监测与分析平台 | |
| Asadamraji | Novel index of budget allocation to practical projects of intelligent transportation systems in a transit corridor | |
| CN116993131B (zh) | 一种基于公共交通线路管理的优化方法及*** | |
| CN112396835B (zh) | 一种基于大数据的地铁和公交客流分析*** | |
| CN117557122B (zh) | 基于数据关系图谱技术的公路养护决策分析方法及*** | |
| CN113688687B (zh) | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210226 |
|
| WW01 | Invention patent application withdrawn after publication |