CN113420908B - 一种基于意愿性概率的大型场站旅客等候时长预测方法 - Google Patents
一种基于意愿性概率的大型场站旅客等候时长预测方法 Download PDFInfo
- Publication number
- CN113420908B CN113420908B CN202110581217.6A CN202110581217A CN113420908B CN 113420908 B CN113420908 B CN 113420908B CN 202110581217 A CN202110581217 A CN 202110581217A CN 113420908 B CN113420908 B CN 113420908B
- Authority
- CN
- China
- Prior art keywords
- station
- taxi
- time
- passenger
- vehicles
- 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 21
- 230000029305 taxis Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 6
- 230000008676 import Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000007792 addition Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Primary Health Care (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意愿性概率的大型场站旅客等候时长预测方法,基于场站内出租车调度场车辆与旅客的排队情况,以排队旅客离场是否因排队出租车数量过少而中断为理论基础,将一天按等长时段划分,基于历史数据计算每个时段内场站周边不同空间位置不同营运状态的出租车前往场站的意愿性概率及对应的行驶时长。在预测旅客排队等候时长时,结合场站周边不同空间位置及不同营运状态的实时出租车数量及历史意愿性概率,推算旅客预估的额外等候时长。队尾排队旅客等候时长预测值为所有旅客以疏散速率连续离场所需的时长,加上因中断而预估的额外等候时长。不仅关注单变量自身的变化规律,同时考虑存在供需关系的其他变量,符合实际车辆调控情况。
Description
技术领域
本发明涉及一种特别适用于商业领域的方法,尤其涉及一种基于意愿性概率的大型场站旅客等候时长预测方法。
背景技术
旅客运输需求的持续增长,以及人们对出行中安全性、便捷性和舒适性的要求不断提高,对我国客运业尤其是大型客运枢纽场站的旅客运输提出了新的挑战。在大型客运枢纽场站旅客运输难以满足日益增长的运输需求的现状下,改善客运站工作组织方式、优化客运站流线布局、提高客运设备的服务能力,是全面提高旅客运输效率和运输能力的重要手段。与此同时,在场站内各重要点位安装显示各个交通方式出口的实时状态及未来状态的信息大屏,已成为提高场站服务水平的重要措施。
现阶段,很多大型客运枢纽场站基本都可提供各交通方式出口的实时状态,例如当前场内车辆数、当前排队区排队人数等,但是当旅客或车辆进入排队区,需要等待多长时间才能离开场站,现有技术中尚未见提出有效的解决方案。
例如,一种在中国专利文献上公开的“出租车排队调度方法、装置及计算机可读存储介质”,其公告号CN109102160A,包括:接收出租车关联移动终端发送的出租车排队信息获取请求;根据所述出租车排队信息获取请求,获取所述出租车当前对应的出租车排队信息;将所述出租车排队信息反馈至所述移动终端,以供所述移动终端显示所述出租车排队信息。但是上述方案只提出了出租车调度方法,存在对在场内等候的旅客进入排队区后,无法获知还需等待多少时间才能离场的问题。
发明内容
本发明是为了克服现有技术的客运枢纽场站交通出口,旅客和车辆进入排队区后无法获知等待时长的问题,提供一种基于意愿性概率的大型场站旅客等候时长预测方法。
为实现上述目的,本发明采用以下技术方案:
一种基于意愿性概率的大型场站旅客等候时长预测方法,其特征是,包括如下步骤:
步骤S1、获取历史一段时间内的城市出租车GPS数据与客运场站的中心点位信息,根据车辆所在位置及所处载客状态,判断车辆驾驶趋向,结合场站内出租车蓄车场的车牌识别记录,计算场站周边不同位置范围不同载客状态的车辆驶向场站的平均意愿性概率及平均行驶时长;
步骤S2、根据旅客排队区进出口设备的人数检测信息,计算旅客的实时疏散速率;
步骤S3、根据当前旅客排队区的排队人数与当前出租车排队区的排队车辆数,分析人车供需平衡情况;
步骤S4、基于步骤S3中的结论,结合旅客的实时疏散速率、场站周边不同位置范围不同载客状态的车辆驶向场站的平均意愿性概率及平均行驶时长,计算旅客排队区内队尾旅客的预计等候时长。
作为优选,步骤S1包括如下步骤:
步骤S11:计算所有出租车的GPS点与场站的距离,以经纬度坐标表示,保留距离场站小于距离阈值e的出租车,根据距离确定不同出租车的空间位置,添加出租车不同空间位置的标签flag;
步骤S12:根据距离变化、载客状态变化分组,确定驶向场站蓄车场的出租车及其对应的GPS数据;包括如下步骤:
步骤S121、将所有场站周边的出租车GPS数据按照车牌号、GPS时间排序,比较同辆车相邻两GPS点的距离标签、时间差与载客状态值,若后者的距离标签不超过前者的距离标签、两者时间差<diff_t_1且两者的载客状态值一致,则为后者添加标记sign=0,否则添加标记sign=1;分别对每辆车所有GPS点的标记进行累计加和,得到每辆车驾驶趋向的分组标记;
步骤S122、根据sign值分组确定疑似驶向场站蓄车场的车辆及其对应的GPS数据,即组内最小的距离标签为0,组内最大的距离标签大于0;
步骤S13、基于步骤S12中的结果,分组确定驶向场站蓄车场的出租车及其对应的GPS数据;包括如下步骤:
步骤S131、确定每组车辆刚进入场站的时间,即flag=0的GPS数据中对应的最小时间min_t;
步骤S132、从出租车蓄车场车辆识别的记录中查找同车牌、时间大于等于min_t且最接近min_t的车辆识别记录,若时间差<diff_t_2,则视该车辆进入蓄车场,并为该车辆对应的GPS数据组添加蓄车场识别标记recognize_sign=1;
步骤S15、基于S14中的计算结果,计算不同时段不同位置不同载客状态车辆驶向场站的平均意愿性概率值及平均行驶时长。即历史一周不同时段不同位置不同载客状态车辆驶向场站的所有意愿性概率值与行驶时长的平均值。
作为优选,所述步骤S11所述根据距离确定不同空间位置,添加出租车不同空间位置的标签flag,满足如下公式:
其中,b<c<d<e<f,dist为出租车GPS点与场站的距离,单位为米。f取5000米,b取600米,c取1000米,d取2000米,e取3000米,f取5000米。
作为优选,所述步骤S2包括如下步骤:
步骤S21:根据旅客排队区进出口设备检测的人数,计算当前旅客排队区的排队人数pass_n,并记录当前旅客排队区出口的检测人数out_n和当前时间current_t;然后实时监测旅客排队区出口检测的人数,当旅客排队区出口检测到pass_n+out_n个人时,记录对应的时间,记为t2,t2-current_t即为pass_n名排队旅客的等候时长,记为wait_t;pass_n为总进人数减去总出人数,其中旅客排队区进出口设备检测的人数为当天累计通过人数。
步骤S22、将S21中各个实时记录值进行存储,得到各个时间点统计的完整历史记录;数据表1历史记录数据表:
表1:历史记录数据表:
开始时间 | 结束时间 | 排队人数 | 等候时长 |
current_t | t2 | pass_n | wait_t |
步骤S23、基于S22中历史记录数据表中最近一条完整记录,计算当前排队旅客的实时疏散速率v,计算公式如下所示:
v=wait_t/pass_n
其中,v的单位为秒/人。
作为优选,所述步骤S3包括如下步骤:
步骤S31、计算当前旅客排队区的排队人数,记为pass_n,统计方式参照S21;
步骤S32、计算当前车辆排队区内的排队车辆数,记为taxi_n;将车辆排队区进出口识别的车牌记录,按设备识别时间进行排序,成对车牌记录即为已驶离场站的车辆,而单独存在的车牌记录即为仍处于排队中的车辆,该些车辆即为当前车辆排队区内的排队车辆;
步骤S33、设置人车比例系数a,即一辆车平均载客a人,分析人车供需平衡情况,定义如下:当pass_n>a×taxi_n时,视当前状态为旅客过剩;旅客排队区内旅客只有一部分可以通过当前排队区的车辆进行疏散,其他旅客需等候车辆排队区有更多的车辆进入才可疏散;
当pass_n≤a×taxi_n时,视当前状态为旅客不足。,所有的旅客均可由当前排队区内的车辆进行疏散;
作为优选,所述步骤S4包括如下步骤:
步骤S41、计算所有旅客以正常疏散速率离场的疏散时长evacuate_t,计算公式如下:
evacuate_t=pass_n×v
其中,pass_n表示当前旅客排队区内的排队人数,v表示当前旅客的疏散速率;
步骤S42、计算旅客额外等待场站周边车辆到达场站蓄车场所需的等待时长extra_t:当前状态为旅客不足时:extra_t=0;当当前状态为旅客不足时,旅客均可通过当前场内车辆进行疏散,无需额外等待其他车辆进入。
当前状态为旅客过剩时:计算旅客等候时长包括如下步骤:
步骤S421、获取当前时刻城市所有出租车的GPS数据,与场站中心点位进行距离计算,确定场站周边不同空间位置的出租车GPS数据,然后根据载客状态值,计算不同空间位置内空载的车辆数pi与重载的车辆数qi,i=1,2,3,4;
步骤S422、根据步骤S1中统计的场站周边不同位置范围不同载客状态的车辆驶向场站的平均意愿性概率值,分别计算场站周边处于不同载客状态的车辆在不同位置范围内有意向驶向场站的车辆数,即不同空间位置内不同载客状态的车辆数与对应平均意愿性概率值的乘积,然后分别对不同空间位置内有意向驶向场站的空载车辆与重载车辆进行加和,即得到不同空间位置内有意向驶向场站的车辆数,记为sni,i=1,2,3,4;
步骤S423、计算旅客额外等待场站周边车辆到达场站蓄车场所需的等待时长extra_t,比较旅客排队区内排队旅客对车的需求量与场站周边有意向前往场站的车辆及当前车辆排队区内车辆的总数,根据不同条件进行等候时长计算,并假设处于同一空间位置内的车辆不分前后,即只要是同一空间位置内的车辆,不管是1辆还是10辆,到达场站蓄车场所消耗的总时长是一样的,具体步骤如下:
步骤a1、若1公里范围内有意向前往场站的车辆与当前排队区车辆的总数超过旅客对车的需求量,则仅考虑1公里范围内有意向前往场站的车辆,等候时长计算公式如下,否则进入步骤a2;即flag=0,
则extra_t=max{dt1-taxi_n×a×v,0};
其中,dt1表示1公里范围内有意向前往场站的车辆的平均行程时长,由于空载与重载车辆的行程时长较为相似,因此为了方便计算,取两者的平均值作为车辆的平均行程时长,下文中不同空间范围内的车辆同理考虑,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的疏散速率;
步骤a2、若2公里范围内有意向前往场站的车辆与当前排队区车辆的总数超过旅客对车的需求量,则仅考虑2公里范围内有意向前往场站的车辆,等候时长计算公式如下,否则进入步骤a3;即flag=1,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}
其中,dt1,dt2分别表示1公里范围及1~2公里范围内有意向前往场站的车辆的平均行程时长,sn1表示1公里范围内有意向前往场站的车辆数,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的疏散速率;
步骤a3、若3公里范围内有意向前往场站的车辆与当前排队区车辆的总数超过旅客对车的需求量,则仅考虑3公里范围内有意向前往场站的车辆,等候时长计算公式如下,否则进入步骤a4;即flag=2,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}
其中,dt1,dt2,dt3分别表示1公里范围、1~2公里范围及2~3公里范围内有意向前往场站的车辆的平均行程时长,sn1,sn2分别表示1公里范围及1~2公里范围内有意向前往场站的车辆数,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的疏散速率;
步骤a4、若5公里范围内有意向前往场站的车辆与当前排队区车辆的总数超过旅客对车的需求量,则考虑5公里范围内有意向前往场站的车辆,等候时长计算公式如下,否则进入步骤a5;
即flag=3,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}+max{dt4-(taxi_n+sn1+sn2+sn3)×a×v,0}
其中,dt1,dt2,dt3,dt4分别表示1公里范围、1~2公里范围、2~3公里范围及3~5公里范围内有意向前往场站的车辆的平均行程时长,sn1,sn2,sn3分别表示1公里范围、1~2公里范围及2~3公里范围内有意向前往场站的车辆数,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的疏散速率;
步骤a5、若5公里范围内有意向前往场站的车辆与当前排队区车辆的总数仍无法满足旅客对车的需求量,则除考虑5公里范围内有意向前往场站的车辆外还需考虑另外的预估时长,等候时长计算公式如下,否则进入步骤a5;
即flag=4,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}+max{dt4-(taxi_n+sn1+sn2+sn3)×a×v,0}+(pass_n/a-taxi_n-sn1-sn2-sn3-sn4)×v′
其中,dt1,dt2,dt3,dt4分别表示c公里范围、c~d公里范围、d~e公里范围及e~f公里范围内有意向前往场站的车辆的平均行程时长,sn1,sn2,sn3,sn4分别表示c公里范围、c~d公里范围、d~e公里范围及e~f公里范围内有意向前往场站的车辆数,pass_n表示当前旅客排队人数,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的疏散速率,v′为不确定性预估速率。
其中,表示一天中第i个时段第i个空间位置第s个载客状态的车辆驶向场站的意愿性概率值,表示一天中第i个时段第j个空间位置第s个载客状态的车辆驶向场站的行驶时长,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆中第k辆车的行驶时长,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆数,表示一天中第i个时段第j个空间位置第s个载客状态的车辆总数,n为一天的时段数;
作为优选,步骤S4所述的计算旅客排队区内队尾旅客的预计等候时长pre_wait_time,计算公式如下:pre_wait_time=evacuate_t+extra_t。其中,evacuate_t表示所有旅客以正常疏散速率离场的疏散时长,eatra_t表示旅客额外等待场站周边车辆到达场站蓄车场所需的等待时长。
作为优选,所述步骤S11中的计算所有出租车GPS点与场站的距离计算公式如下:
其中,gi=(loi,lai),c=(loc,lac)分别为出租车GPS点与场站中心点的经纬度坐标,loi,lai,loc,lac均为弧度单位,6378137为赤道半径。
作为优选,步骤S11所述的出租车GPS数据字段包括:车牌号、GPS经度、GPS纬度、GPS时间、车辆载客状态,其中车辆载客状态取值为空载或重载,所述场站中心点位信息字段包括:场站名称、中心点位经度、中心点位纬度。
因此,本发明具有如下有益效果:(1)本发明通过分析历史出租车驾驶行为,得到场站周边不同空间位置及不同载客状态下有意向前往场站的车辆意愿概率值,是一种较为新颖的想法,且更接近实际情况;(2)本发明在一定程度上可代替场站发起临时调度信息,避免带来管理上各部门授权等问题;(3)本发明不仅仅关注单变量自身的变化规律,同时考虑存在供需关系的其他变量,更贴合实际情况。
附图说明
图1是本发明一实施例的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例:
如图1所示的一种基于意愿性概率的大型场站旅客等候时长预测方法,具体步骤如下:
步骤S1、获取近一周城市出租车的GPS数据及场站的中心点位信息,计算所有出租车GPS点与场站的距离,保留距离场站小于5000米的出租车GPS数据,并根据距离确定不同空间位置,同时添加不同空间位置的标签flag,即
其中,dist为出租车GPS点与场站的距离值,单位为米;
步骤S2、比较同辆车相邻两GPS点的距离标签、时间差与载客状态值,若后者的距离标签不超过前者的距离标签、两者时间差<5分钟且两者的载客状态值一样,则为后者添加标记sign=0,否则添加标记sign=1;分别对每辆车所有GPS点的标记进行累计加和,得到每辆车驾驶趋向的分组标记;
步骤S3、对比最小距离标签为0,最大距离标签大于0的车辆GPS数据组中flag=0的GPS数据对应的最小时间与场站蓄车场车辆识别记录的时间,若同一辆车存在时间差<2分钟的情况,则为该车辆的GPS数据添加蓄车场识别标记recognize_sign=1;
其中,表示一天中第i个时段第j个空间位置第s个载客状态的车辆驶向场站的意愿性概率值,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆数,表示一天中第i个时段第j个空间位置第s个载客状态的车辆总数;
其中,表示一天中第i个时段第j个空间位置第s个载客状态的车辆驶向场站的行驶时长,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆中第k辆车的行驶时长,即行程距离与行程时间的比值,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆数;
步骤S5、分别计算不同时段不同位置不同载客状态车辆驶向场站的平均意愿性概率值及平均行驶时长,部分结果展示如下表2:车辆载客状态表:
表2:车辆载客状态表:
步骤S6、以15秒为更新频率,实时统计旅客排队区的排队人数及该些旅客对应的等候时长,其中旅客排队人数为统计时刻排队区进出口设备检测的人数差值,该些旅客对应的等候时长为该些旅客全部离开排队区的持续时长,实时记录表部分结果如下:表3:实时记录表;
表3:实时记录表:
步骤S7、假设当前时刻为202I/03/26 08:11:15,从S6中的历史记录数据表中可以看出,由于有些记录的结束时间比当前时刻大,该些记录在当前时刻是不完整的,即等候时长为空,处于待更新状态,因此取统计时刻为2021/03/26 08:10:00对应的记录作为计算当前旅客实时疏散速率的基准,从而得到当前时刻排队旅客的实时疏散速率为7秒/人;
步骤S8、计算当前旅客排队区的排队人数,统计方式参考S6,得到当前旅客排队区内的排队人数为20人;
步骤S9、获取蓄车场进出口识别的车牌记录,进出口车牌配对,确定仅含单条车牌记录的车辆,得到当前车辆排队区的排队车辆数为10辆;
步骤S10、设置人车比例系数为1.5,即一辆车平均载客1.5人,分析人车供需平衡情况:已知当前车辆排队区的排队车辆数为10辆,当前旅客排队区内的排队人数为20人,根据人车供需关系20>1.5×10,视当前状态为旅客过剩,即排队区内只有15名旅客可通过当前排队区的车辆进行疏散,其余5名旅客需等候车辆排队区有更多的车辆进入才可疏散;
步骤S11、获取当前时刻城市所有出租车的GPS数据,与场站中心点位进行距离计算,确定场站周边不同空间位置的出租车GPS数据,然后根据载客状态值,得到不同空间位置内空载的车辆数为与重载的车辆数,具体如下所示:
空间位置标签 | 空载车辆数 | 重载车辆数 |
1 | 30 | 25 |
2 | 68 | 60 |
3 | 75 | 70 |
4 | 98 | 88 |
步骤S12、根据场站周边不同空间位置的车辆数及平均意愿性概率值,计算场站周边处于不同位置范围内有意向驶向场站的车辆数,得到1公里范围内有意向驶向场站蓄车场的车辆数为int(30×0.26+25×0.21)=13,其中0.26、0.21分别为对应时段对应空间范围空载与重载车辆的平均意愿性概率值;1~2公里范围内有意向驶向场站蓄车场的车辆数为int(68×0.24+60×0.19)=27,其中0.24、0.19分别为对应时段对应空间范围空载与重载车辆的平均意愿性概率值;2~3公里范围内有意向驶向场站蓄车场的车辆数为int(75×0.15+70×0.11)=18,其中0.15、0.11分别为对应时段对应空间范围空载与重载车辆的平均意愿性概率值;3~5公里范围内有意向驶向场站蓄车场的车辆数为int(98×0.07+88×0.07)=13,其中0.07、0.07分别为对应时段对应空间范围空载与重载车辆的平均意愿性概率值,int()表示数值取整;
步骤S13、通过S12中不同空间位置有意向驶向场站蓄车场的车辆数可以看出,1公里范围内有意向驶向场站蓄车场的车辆数已满足排队区其余5名旅客对出租车的需求,因此只需考虑1公里范围内有意向前往场站的车辆,旅客额外等待场站周边车辆到达场站蓄车场所需的等待时长为max{140-10×1.5×7,0}=35秒,其中140为1公里范围内有意向驶向场站蓄车场的车辆的平均行程时长;
步骤S14、计算20名旅客以正常疏散速率离场的疏散时长,即旅客数与疏散速率的乘积,为20×7=140秒;
步骤S15、计算旅客排队区内队尾旅客的预计等候时长,预计等候时长为20名旅客以正常疏散速率离场的疏散时长与额外等待场站周边车辆到达场站蓄车场所需的等待时长的加和,即140+35=175秒。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以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,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了意愿性、距离标签、疏散时长、等待时长等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (3)
1.一种基于意愿性概率的大型场站旅客等候时长预测方法,其特征是,包括如下步骤:
步骤S1、获取历史一段时间内的城市出租车GPS数据与客运场站的中心点位信息,根据车辆所在位置及所处载客状态,判断车辆驾驶趋向,结合场站内出租车蓄车场的车牌识别记录,计算场站周边不同位置范围不同载客状态的车辆驶向场站的平均意愿性概率及平均行驶时长;
步骤S2、根据旅客排队区进出口设备的人数检测信息,计算旅客的实时疏散速率;
步骤S3、根据当前旅客排队区的排队人数与当前出租车排队区的排队车辆数,分析人车供需平衡情况;
步骤S4、基于步骤S3中的结论,结合旅客的实时疏散速率、当前时间段场站周边不同位置范围不同载客状态的车辆驶向场站的平均意愿性概率及平均行驶时长,计算旅客排队区内队尾旅客的预计等候时长;计算旅客排队区内队尾旅客的预计等候时长还需要结合场站周边不同空间位置内空载车辆数,当前车辆排队区内车辆总数和人车比例系数;
步骤S1包括如下步骤:
步骤S11:计算所有出租车的GPS点与场站的距离,以经纬度坐标表示,保留距离场站小于距离阈值e的出租车,根据距离确定不同出租车的空间位置,添加出租车不同空间位置的标签flag;
步骤S12:根据距离变化、载客状态变化分组,确定驶向场站蓄车场的出租车及其对应的GPS数据;
步骤S13、基于S12中的结果,分组确定驶向场站蓄车场的出租车及其对应的GPS数据;
步骤S15、基于S14中的计算结果,计算不同时段不同位置不同载客状态车辆驶向场站的平均意愿性概率值及平均行驶时长;
其中,表示一天中第i个时段第j个空间位置第s个载客状态的车辆驶向场站的意愿性概率值,表示一天中第i个时段第j个空间位置第s个载客状态的车辆驶向场站的行驶时长,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆中第k辆车的行驶时长,表示一天中第i个时段第j个空间位置第s个载客状态驶向场站的车辆数,表示一天中第i个时段第j个空间位置第s个载客状态的车辆总数,n为一天的时段数;
所述步骤S11所述根据距离确定不同空间位置,添加出租车不同空间位置的标签flag,满足如下公式:
其中,b<c<d<e<f,dist为出租车GPS点与场站的距离,单位为米;
所述步骤S2包括如下步骤:
步骤S21:根据旅客排队区进出口设备检测的人数,计算当前旅客排队区的排队人数pass_n,并记录当前旅客排队区出口的检测人数out_n和当前时间current_t;然后实时监测旅客排队区出口检测的人数,当旅客排队区出口检测到pass_n+out_n个人时,记录对应的时间,记为t2,t2-current_t即为pass_n名排队旅客的等候时长,记为wait_t;
步骤S22、将S21中各个实时记录值进行存储,得到各个时间点统计的完整历史记录;
步骤S23、基于S22中历史记录数据表中最近一条完整记录,计算当前排队旅客的实时疏散速率v,计算公式如下所示:
v=wait_t/pass_n
其中,v的单位为秒/人;
所述步骤S3包括如下步骤:
步骤S31、计算当前旅客排队区的排队人数,记为pass_n,统计方式参照S21;
步骤S32、计算当前车辆排队区内的排队车辆数,记为taxi_n;
步骤S33、设置人车比例系数a,即一辆车平均载客a人,分析人车供需平衡情况,定义如下:
当pass_n>a×taxi_n时,视当前状态为旅客过剩;
当pass_n≤a×taxi_n时,视当前状态为旅客不足;
所述步骤S4包括如下步骤:
步骤S41、计算所有旅客以实时疏散速率离场的疏散时长evacuate_t,计算公式如下:
evacuate_t=pass_n×v
其中,pass_n表示当前旅客排队区内的排队人数,v表示当前旅客的实时疏散速率;
S42、计算旅客额外等待场站周边车辆到达场站蓄车场所需的等待时长extra_t:当前状态为旅客不足时:extra_t=0;
当前状态为旅客过剩时:
若flag=0,则extra_t=max{dt1-taxi_n×a×v,0};
若flag=1,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}
若flag=2,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}
若flag=3,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}+max{dt4-(taxi_n+sn1+sn2+sn3)×a×v,0}
若flag=4,则:
extra_t=max{dt1-taxi_n×a×v,0}+max{dt2-(taxi_n+sn1)×a×v,0}+max{dt3-(taxi_n+sn1+sn2)×a×v,0}+max{dt4-(taxi_n+sn1+sn2+sn3)×a×v,0}+(pass_n/a-taxi_n-sn1-sn2-sn3-sn4)×v'
其中,dt1,dt2,dt3,dt4分别表示b公里范围、b~c公里范围、c~d公里范围及d~f公里范围内有意向前往场站的车辆的平均行程时长,sn1,sn2,sn3,sn4分别表示b公里范围、b~c公里范围、c~d公里范围及d~f公里范围内有意向前往场站的车辆数,pass_n表示当前旅客排队人数,taxi_n表示场站内排队车辆数,a表示人车比例系数,v表示旅客的实时疏散速率,v'为不确定性预估速率;
步骤S4所述的计算旅客排队区内队尾旅客的预计等候时长pre_wait_time,计算公式如下:pre_wait_time=evacuate_t+extra_t。
3.根据权利要求2所述的一种基于意愿性概率的大型场站旅客等候时长预测方法,其特征是,步骤S11所述的出租车GPS数据字段包括:车牌号、GPS经度、GPS纬度、GPS时间、车辆载客状态,其中车辆载客状态取值为空载或重载,所述场站的中心点位信息字段包括:场站名称、中心点位经度、中心点位纬度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581217.6A CN113420908B (zh) | 2021-05-26 | 2021-05-26 | 一种基于意愿性概率的大型场站旅客等候时长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581217.6A CN113420908B (zh) | 2021-05-26 | 2021-05-26 | 一种基于意愿性概率的大型场站旅客等候时长预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420908A CN113420908A (zh) | 2021-09-21 |
CN113420908B true CN113420908B (zh) | 2022-11-29 |
Family
ID=77713088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110581217.6A Active CN113420908B (zh) | 2021-05-26 | 2021-05-26 | 一种基于意愿性概率的大型场站旅客等候时长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420908B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11543824B2 (en) * | 2018-10-09 | 2023-01-03 | Waymo Llc | Queueing into pickup and drop-off locations |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202053A (zh) * | 2011-04-26 | 2011-09-28 | 西安交通大学 | 一种基于lbs和sns的出租车拼车***及方法 |
CN108475466A (zh) * | 2016-01-27 | 2018-08-31 | 北京嘀嘀无限科技发展有限公司 | 用于匹配和显示服务请求和可用车辆的***和方法 |
CN108520352A (zh) * | 2018-04-08 | 2018-09-11 | 深圳市多森软件开发有限公司 | 出租车订单分配方法和出租车订单分配*** |
CN109887268A (zh) * | 2019-03-27 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 车辆调度方法、装置及存储介质 |
CN110832284A (zh) * | 2017-08-24 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于目的地预测的***和方法 |
CN111354212A (zh) * | 2020-03-11 | 2020-06-30 | 青岛海信网络科技股份有限公司 | 应用于车站机场的出租车调度方法、服务器以及调度设备 |
JP2021064250A (ja) * | 2019-10-16 | 2021-04-22 | トヨタ自動車株式会社 | 情報処理装置、非一時的記憶媒体、及び、システム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616816B (zh) * | 2018-05-07 | 2020-07-03 | 重庆邮电大学 | 一种基于极限学习的车辆轨迹预测和mec应用迁移方法 |
CN111507494B (zh) * | 2020-04-17 | 2024-01-09 | 北京嘀嘀无限科技发展有限公司 | 订单处理方法和***、计算机可读存储介质 |
-
2021
- 2021-05-26 CN CN202110581217.6A patent/CN113420908B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102202053A (zh) * | 2011-04-26 | 2011-09-28 | 西安交通大学 | 一种基于lbs和sns的出租车拼车***及方法 |
CN108475466A (zh) * | 2016-01-27 | 2018-08-31 | 北京嘀嘀无限科技发展有限公司 | 用于匹配和显示服务请求和可用车辆的***和方法 |
CN110832284A (zh) * | 2017-08-24 | 2020-02-21 | 北京嘀嘀无限科技发展有限公司 | 用于目的地预测的***和方法 |
CN108520352A (zh) * | 2018-04-08 | 2018-09-11 | 深圳市多森软件开发有限公司 | 出租车订单分配方法和出租车订单分配*** |
CN109887268A (zh) * | 2019-03-27 | 2019-06-14 | 腾讯科技(深圳)有限公司 | 车辆调度方法、装置及存储介质 |
JP2021064250A (ja) * | 2019-10-16 | 2021-04-22 | トヨタ自動車株式会社 | 情報処理装置、非一時的記憶媒体、及び、システム |
TW202117663A (zh) * | 2019-10-16 | 2021-05-01 | 日商豐田自動車股份有限公司 | 資訊處理設備、非暫態儲存媒體及系統 |
CN111354212A (zh) * | 2020-03-11 | 2020-06-30 | 青岛海信网络科技股份有限公司 | 应用于车站机场的出租车调度方法、服务器以及调度设备 |
Non-Patent Citations (1)
Title |
---|
基于数据分析的出租车载客预测推荐技术研究;孙博;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210515;第38-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420908A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504577B (zh) | 一种停车换乘出行路线规划方法及装置 | |
US6317720B1 (en) | Shared vehicle deployment and reallocation using predicted and current demand location and transit data | |
US6453298B2 (en) | Method of operating a vehicle redistribution system based upon predicted ride demands | |
CN110047279B (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
US10852152B2 (en) | System and method for deriving operation information of a fleet and analyzing the same | |
CN109410568B (zh) | 基于用户画像和换乘规律的下车站点推测方法及*** | |
CN102509449B (zh) | 基于模糊决策的车辆调度方法 | |
CN104809344A (zh) | 一种基于ic卡数据的公交站点区间客流估计方法 | |
CN110348614B (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
CN104240529B (zh) | 一种预测公交到站时间的方法及*** | |
CN106601005B (zh) | 一种基于rfid和微信平台的城市智能交通诱导方法 | |
CN107918826B (zh) | 一种驾驶环境感知的司机评价与调度方法 | |
CN111401622A (zh) | 一种物流路径配置方法及*** | |
CN113420908B (zh) | 一种基于意愿性概率的大型场站旅客等候时长预测方法 | |
CN111047858A (zh) | 一种融合算法的公交客流出行od确定方法及装置 | |
CN108133345B (zh) | 一种基于货车海量轨迹数据判断回程车的方法及*** | |
CN115409295B (zh) | 一种基于瓶颈分析的公交调度方法、电子设备及存储介质 | |
Žunić et al. | Improving performance of vehicle routing algorithms using GPS data | |
US20230091588A1 (en) | Artificial intelligence for responsive operation for vehicle fleet management and method thereof | |
CN108229882B (zh) | 用于物流公司的收入预估*** | |
CN116884266A (zh) | 一种基于大数据的智慧城市停车管理方法及管理*** | |
CN109615036B (zh) | 一种基于公汽ic刷卡***的细颗粒物暴露风险评估方法 | |
US20220214691A1 (en) | Energy consumption estimation device and energy consumption estimation method | |
CN108197078B (zh) | 一种基于公交ic卡数据计算公交断面客流量的方法 | |
CN111508220B (zh) | 基于公交人口分布精准进行末端接驳的方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 310051 floor 23-25, building 2, No. 352, BINKANG Road, Binjiang District, Hangzhou, Zhejiang Province Applicant after: Zhejiang zhongkong Information Industry Co.,Ltd. Address before: 310051 floor 23-25, building 2, No. 352, BINKANG Road, Binjiang District, Hangzhou, Zhejiang Province Applicant before: ZHEJIANG SUPCON INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |