CN114091757B - 基于客流分析预测的公交、地铁智能调度方法 - Google Patents
基于客流分析预测的公交、地铁智能调度方法 Download PDFInfo
- Publication number
- CN114091757B CN114091757B CN202111396978.0A CN202111396978A CN114091757B CN 114091757 B CN114091757 B CN 114091757B CN 202111396978 A CN202111396978 A CN 202111396978A CN 114091757 B CN114091757 B CN 114091757B
- Authority
- CN
- China
- Prior art keywords
- station
- bus
- passenger flow
- subway
- time period
- 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 20
- 238000005206 flow analysis Methods 0.000 title claims abstract description 15
- 241000728173 Sarima Species 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了基于客流分析预测的公交、地铁智能调度方法,具体包括以下步骤:S1、将当日T均匀划分为多个时间段,统计当日T每个时间段的公共交通历史客流数据;S2、将所述当日T每个时间段的公共交通历史客流数据输入至预测模型,获得T+1日每个时间段的公共交通预测客流数据;S3、获取站点N在时间段(t1,t2)内的公共交通预测客流总数N1,所述时间段(t1,t2)包括一个或多个所述时间段;S4、获得站点N在时间段(t1,t2)的运力N2;S5、进行运力匹配;S6、根据p值增加站点N的运力。S7、根据p值减少站点N的运力。本发明通过科学的客流预测,若当前站点N为公交站点,则寻求附近地铁站点,若当前站点N为地铁站点,通过公交调度协助地铁运营管理。
Description
技术领域
本发明涉及公共交通技术领域,具体涉及基于客流分析预测的公交、地铁智能调度方法。
背景技术
客流预测是指对未来客运交通需求量的预测,考虑经济社会发展,交通设施的建设及相关因素,预计轨道交通客运需求量规模,为客运交通运输规划提供科学的依据,并且对未来较短一段时间将发生的交通总量,包括客流量流量、流向以及在时间、空间方式上的分布所作的预估。目前对于轨道交通客流的短时预测主要用得更多的是传统时间序列模型或传统机器学习模型以及浅层神经网络,并根据预测结果协助轨道交通工作运营,考虑的因素比较单一,仅仅对历史的客流规律进行拟合,而没有考虑公交的运力、公交与地体综合的运力的因素,从而造成上下班高峰期地铁、地铁公交运力不能完全匹配客流需求,资源不足,在客流少的时候,公交地铁运力高于实际乘客数量,资源浪费。
发明内容
本发明的目的在于提供一种基于客流分析预测的公交、地铁智能调度算法,通过模型预测得到今日预测客流数据,并基于该数据进行运力匹配,获得站点当前运力是否匹配预测客流数据,若不匹配,则基于不同交通方案寻求附近站点的帮助,用以解决现有公交地铁运力与当前城市客流不匹配的问题,使公交地铁的效能最大化。
基于客流分析预测的公交、地铁智能调度方法,具体包括以下步骤:
S1、将当日T均匀划分为多个时间段,统计当日T每个时间段的公共交通历史客流数据;
S2、将所述当日T每个时间段的公共交通历史客流数据输入至预测模型,获得T+1日每个时间段的公共交通预测客流数据;
S3、根据所述T+1日每个时间段的公共交通预测客流数据,获取站点N在时间段(t1,t2)内的公共交通预测客流总数N1,所述时间段(t1,t2)包括一个或多个所述时间段;
S4、获得站点N在时间段(t1,t2)的运力N2;
S5、进行运力匹配:判断客流总数N1和运力N2的比值P:N1/N2=P与预设阈值的大小,若P值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态,转步骤S6,若P值小于所述预设阈值,则判定站点N在时间段(t1,t2)为轻负荷状态,转步骤S7;
S6、根据p值增加站点N的运力。
S7、根据p值减少站点N的运力。
进一步地,所述公共交通历史客流数据为:
公交历史客流数据:
每个公交站BUS_START在每个时间段内到目的公交站BUS_END的乘车人数;
每个公交站BUS_START在每个时间段内的乘车人数;
地铁历史客流数据:
每个地铁站点METRO_START在每个时间段内到目的地铁站METRO_END的乘车人数;
每个地铁站METRO_START在每个时间段内的乘车人数;
公交运行时长统计:
公交线路在每个时间段内从始发站到达目的公交站花费的时长road_cost。
进一步地,所述步骤S6还包括:
Sa:判断当前站点的线路是否可以增加运力,若可以,则转步骤Sb,若不可以,转在步骤Sc;
Sb:当增加站点N的运力至N1’,更新站点N的运力并再次进行运力匹配,判断客流总数N1和运力N1’的比值P’:N1/N1’=P’与预设阈值的大小,若P’值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态;
Sc:寻求附近可协助站点。
进一步地,若当前站点N为公交站点,则寻求附近地铁站点,具体包括以下步骤:
Sb01、获取站点N附近的地铁站点Mi(i=1,2,…,la);
Sb02、对每个地铁站点Mi进行运力匹配,获得轻负荷状态的地铁站点;
Sb03:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb04、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的地铁站点为起点,以目的站dest1,…,destm为终点的地铁线路,若存在,将相应轻负荷状态的地铁站点标记为di(i=1,…,k),则转步骤Sb05;
Sb05:根据地铁站点di的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至地铁站点di(i=1,…,k)。
进一步地,若当前站点N为地铁站点,则寻求附近公交站点,具体包括以下步骤:
Sb11:获取站点N附近的公交站点Ci(i=1,2,…,lb);
Sb12:对每个公交站点Ci进行运力匹配,获得轻负荷状态的公交站点;
Sb13:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb14、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的公交站点为起点,以目的站dest1,…,destm为终点的公交线路,若存在,将相应轻负荷状态的公交站点标记为gi(i=1,…,k),则转步骤Sb15;
Sb15:根据公交站点gi的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至公交站点gi(i=1,…,k)。
进一步地,所述站点N的运力为经过该站点N的一个或多个线路的运力总和。
进一步地,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的地铁站点的客流人数就越多。
进一步地,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的公交站点的客流人数就越多。
进一步地,所述步骤S2具体包括以下步骤:
根据所述公共交通历史客流数据,获取公共交通历史客流数据的自相关和偏自相关图,并获得SARIMA模型的最优参数,获得最优参数的SARIMA模型;
进一步地,判断所述训练完成的SARIMA模型的残差是否相关且零均值的正态分布,若SARIMA模型残差是相关的,且不是零均值正态分布,则进一步训练模型。
进一步地,运力应用于道路运输行业,泛指运营生产所需的对应资源。包括运营车辆、营运驾驶人员、陪护人员的统称。
现有技术多集中于研究客流预测中任一影响因素的化引起预测结果的波动,稍有针对客流预测可为轨道交通的客流诱导、安全管理与运营组织提供辅助决策分析手。
本发明通过科学的客流预测,提出基于运力匹配的智能调度算法,若当前站点N为公交站点,则寻求附近地铁站点,若当前站点N为地铁站点,通过公交调度协助地铁运营管理。
本发明具有的有益效果:
1、根据模型预测的客流数据,进行运力匹配,对运力不匹配的站点采用寻求附近站点帮助的方案,该方案基于不同交通线路的原则,从而提高地铁运营的效率。
2、发现运力不匹配的地铁站点,通过公交调度来协助地铁运营;发现运力大于实际需求的地铁站点,可以降低运力,从而减少资源的浪费,提高公共交通的运行效率,以客流预测作为参考和依据的,提高公共交通总体服务水平。
附图说明
图1为本发明的运力匹配方法示意图;
图2为本发明的运力匹配流程示意图;
图3为本发明的根据运力匹配智能调度方法示意图;
图4为本发明的线路与运力匹配示意图;
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖向”、“纵向”、“侧向”、“水平”、“内”、“外”、“前”、“后”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“开有”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例
本实施例的目的在于提供一种基于客流分析预测的公交、地铁智能调度方法,具体包括以下步骤:
S1、将当日T均匀划分为多个时间段,统计当日T每个时间段的公共交通历史客流数据;
S2、将所述当日T每个时间段的公共交通历史客流数据输入至预测模型,获得T+1日每个时间段的公共交通预测客流数据;
S3、根据所述T+1日每个时间段的公共交通预测客流数据,获取站点N在时间段(t1,t2)内的公共交通预测客流总数N1,所述时间段(t1,t2)包括一个或多个所述时间段;
S4、获得站点N在时间段(t1,t2)的运力N2;
S5、进行运力匹配:判断客流总数N1和运力N2的比值P:N1/N2=P与预设阈值的大小,若P值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态,转步骤S6,若P值小于所述预设阈值,则判定站点N在时间段(t1,t2)为轻负荷状态,转步骤S7;
S6、根据p值增加站点N的运力。
S7、根据p值减少站点N的运力。
具体地,所述公共交通历史客流数据为:
公交历史客流数据:
每个公交站BUS_START在每个时间段内到目的公交站BUS_END的乘车人数;
每个公交站BUS_START在每个时间段内的乘车人数;
地铁历史客流数据:
每个地铁站点METRO_START在每个时间段内到目的地铁站METRO_END的乘车人数;
每个地铁站METRO_START在每个时间段内的乘车人数;
公交运行时长统计:
公交线路在每个时间段内从始发站到达目的公交站花费的时长road_cost。
每个公交线路在时段T内从始发站到达目的站STATION_X花费的时长road_cost。比如,1路公交有站点0/1/2...10。其中0是始发站,10是终点站。需要统计8:00~8:05这个时间段内从始发站出发到目的站1~10的车次需要花费时长。
具体地,所述步骤S6还包括:
Sa:判断当前站点的线路是否可以增加运力,若可以,则转步骤Sb,若不可以,转在步骤Sc;
Sb:当增加站点N的运力至N1’,更新站点N的运力并再次进行运力匹配,判断客流总数N1和运力N1’的比值P’:N1/N1’=P’与预设阈值的大小,若P’值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态;
Sc:寻求附近可协助站点。
某个站一段时间[T1,T2]内客流总数为N1,这些乘客中的OD比例为(P_dest1,P_dest2.....P_destm),表示从此站到目的地dest1..destm所有的目的站的概率。此概率通过统计历史OD得到。
在[T1,T2]时间段内可以到提供的所有运力N2。N2表示从所有经过此车站的车能提供的运力的总和。如下图所示,列车总运力50,在列车到站点1时是空车,在站点1上车10人后可以提供的运力为40;在站点2的运力就是40。这是对只有1个方向车辆的站点,如果某个站点有几条线路(比如地铁换乘站),则需考虑在每个方向上的运力。
具体地,若当前站点N为公交站点,则寻求附近地铁站点,具体包括以下步骤:
Sb01、获取站点N附近的地铁站点Mi(i=1,2,…,la);
Sb02、对每个地铁站点Mi进行运力匹配,获得轻负荷状态的地铁站点;
Sb03:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb04、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的地铁站点为起点,以目的站dest1,…,destm为终点的地铁线路,若存在,将相应轻负荷状态的地铁站点标记为di(i=1,…,k),则转步骤Sb05;
Sb05:根据地铁站点di的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至地铁站点di(i=1,…,k)。
具体地,若当前站点N为地铁站点,则寻求附近公交站点,具体包括以下步骤:
Sb11:获取站点N附近的公交站点Ci(i=1,2,…,lb);
Sb12:对每个公交站点Ci进行运力匹配,获得轻负荷状态的公交站点;
Sb13:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb14、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的公交站点为起点,以目的站dest1,…,destm为终点的公交线路,若存在,将相应轻负荷状态的公交站点标记为gi(i=1,…,k),则转步骤Sb15;
Sb15:根据公交站点gi的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至公交站点gi(i=1,…,k)。
具体地,所述站点N的运力为经过该站点N的一个或多个线路的运力总和。
具体地,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的地铁站点的客流人数就越多。
具体地,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的公交站点的客流人数就越多。
具体地,所述步骤S2具体包括以下步骤:
根据所述公共交通历史客流数据,获取公共交通历史客流数据的自相关和偏自相关图,并获得SARIMA模型的最优参数,获得最优参数的SARIMA模型;
此处不应仅仅局限于SARIMA模型,其他模型仍可以得到公交、地铁的客流情况预测以及公交运行所需时长的估计。注意,每天晚上统计当天的历史数据对模型进行重新训练,以得到最新的模型。每日客流的预测根据算法不同,预测的时间不同。比如SARIMA可以在每日开始之前预测。
具体地,判断所述训练完成的SARIMA模型的残差是否相关且零均值的正态分布,若SARIMA模型残差是相关的,且不是零均值正态分布,则进一步训练模型。
具体地,运力应用于道路运输行业,泛指运营生产所需的对应资源。包括运营车辆、营运驾驶人员、陪护人员的统称。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (8)
1.基于客流分析预测的公交、地铁智能调度方法,其特征在于,具体包括以下步骤:
S1、将当日T均匀划分为多个时间段,统计当日T每个时间段的公共交通历史客流数据;
S2、将所述当日T每个时间段的公共交通历史客流数据输入至预测模型,获得T+1日每个时间段的公共交通预测客流数据;
S3、根据所述T+1日每个时间段的公共交通预测客流数据,获取站点N在时间段(t1,t2)内的公共交通预测客流总数N1,所述时间段(t1,t2)包括一个或多个所述时间段;
S4、获得站点N在时间段(t1,t2)的运力N2;
S5、进行运力匹配:判断客流总数N1和运力N2的比值P:N1/N2=P与预设阈值的大小,若P值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态,转步骤S6,若P值小于所述预设阈值,则判定站点N在时间段(t1,t2)为轻负荷状态,转步骤S7;
S6、根据p值增加站点N的运力;
S7、根据p值减少站点N的运力:
若当前站点N为公交站点,则寻求附近地铁站点,具体包括以下步骤:
Sb01、获取站点N附近的地铁站点Mi(i=1,2,…,la);
Sb02、对每个地铁站点Mi进行运力匹配,获得轻负荷状态的地铁站点;
Sb03:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb04、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的地铁站点为起点,以目的站dest1,…,destm为终点的地铁线路,若存在,将相应轻负荷状态的地铁站点标记为di(i=1,…,k),则转步骤Sb05;
Sb05:根据地铁站点di的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至地铁站点di(i=1,…,k);
若当前站点N为地铁站点,则寻求附近公交站点,具体包括以下步骤:
Sb11:获取站点N附近的公交站点Ci(i=1,2,…,lb);
Sb12:对每个公交站点Ci进行运力匹配,获得轻负荷状态的公交站点;
Sb13:获取站点N的OD比例,获取站点N到每个目的站dest1,…,destm的概率;
Sb14、根据站点N到每个目的站dest1,…,destm,判断是否存在以轻负荷状态的公交站点为起点,以目的站dest1,…,destm为终点的公交线路,若存在,将相应轻负荷状态的公交站点标记为gi(i=1,…,k),则转步骤Sb15;
Sb15:根据公交站点gi的p值与站点N到每个目的站dest1,…,destm的概率,分配站点N的客流至公交站点gi(i=1,…,k)。
2.根据权利要求1所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述公共交通历史客流数据为:
公交历史客流数据:
每个公交站BUS_START在每个时间段内到目的公交站BUS_END的乘车人数;
每个公交站BUS_START在每个时间段内的乘车人数;
地铁历史客流数据:
每个地铁站点METRO_START在每个时间段内到目的地铁站METRO_END的乘车人数;
每个地铁站METRO_START在每个时间段内的乘车人数;
公交运行时长统计:
公交线路在每个时间段内从始发站到达目的公交站花费的时长road_cost。
3.根据权利要求2所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述步骤S6还包括:
Sa:判断当前站点的线路是否可以增加运力,若可以,则转步骤Sb,若不可以,转在步骤Sc;
Sb:当增加站点N的运力至N1’,更新站点N的运力并再次进行运力匹配,判断客流总数N1和运力N1’的比值P’:N1/N1’=P’与预设阈值的大小,若P’值大于等于所述预设阈值,则判定站点N在时间段(t1,t2)为超负荷状态;
Sc:寻求附近可协助站点。
4.根据权利要求1所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述站点N的运力为经过该站点N的一个或多个线路的运力总和。
5.根据权利要求1所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的地铁站点的客流人数就越多。
6.根据权利要求1所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述站点N到每个目的站dest1,…,destm的概率,概率越大,分配至相应轻负荷状态的公交站点的客流人数就越多。
7.根据权利要求1所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,所述步骤S2具体包括以下步骤:
根据所述公共交通历史客流数据,获取公共交通历史客流数据的自相关和偏自相关图,并获得SARIMA模型的最优参数,获得最优参数的SARIMA模型。
8.根据权利要求7所述的基于客流分析预测的公交、地铁智能调度方法,其特征在于,判断训练完成的SARIMA模型的残差是否相关且零均值的正态分布,若SARIMA模型残差是相关的,且呈非零均值正态分布,则进一步训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396978.0A CN114091757B (zh) | 2021-11-23 | 2021-11-23 | 基于客流分析预测的公交、地铁智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396978.0A CN114091757B (zh) | 2021-11-23 | 2021-11-23 | 基于客流分析预测的公交、地铁智能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091757A CN114091757A (zh) | 2022-02-25 |
CN114091757B true CN114091757B (zh) | 2022-11-08 |
Family
ID=80303420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396978.0A Active CN114091757B (zh) | 2021-11-23 | 2021-11-23 | 基于客流分析预测的公交、地铁智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091757B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693495B (zh) * | 2022-05-24 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 智慧城市公共交通管理方法、物联网***、装置及介质 |
CN117575264B (zh) * | 2023-11-29 | 2024-05-07 | 北京市运输事业发展中心 | 一种基于视觉识别的车站运输调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350113A (zh) * | 2008-09-04 | 2009-01-21 | 上海交通大学 | 基于客流预测和自适应仿真的拥挤预警*** |
JP2014206829A (ja) * | 2013-04-11 | 2014-10-30 | 株式会社日立製作所 | 混雑予測システムおよび方法 |
CN108573604A (zh) * | 2018-04-27 | 2018-09-25 | 深圳市交投科技有限公司 | 基于移动终端定位的公交od数据获取方法及存储介质 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
CN110675032A (zh) * | 2019-09-02 | 2020-01-10 | 杭州博信智联科技有限公司 | 一种车辆调度方法及其装置 |
CN111898863A (zh) * | 2020-06-29 | 2020-11-06 | 中铁第一勘察设计院集团有限公司 | 轨道交通的车辆的动态调度方法和装置 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测***及预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984993B (zh) * | 2014-05-13 | 2017-01-25 | 东南大学 | 一种轨道交通客流od分布实时推测方法 |
CN103971432B (zh) * | 2014-05-21 | 2016-03-02 | 南通大学 | 一种基于rfid的公交站点客流量计数方法 |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警*** |
CN109816085A (zh) * | 2019-01-30 | 2019-05-28 | 成都智元汇信息技术股份有限公司 | 一种基于现场展示的地铁客流信息实时发布***及方法 |
CN112101685B (zh) * | 2020-11-18 | 2021-09-28 | 成都智元汇信息技术股份有限公司 | 一种全路网客流流向统计及客流管控仿真方法及*** |
-
2021
- 2021-11-23 CN CN202111396978.0A patent/CN114091757B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350113A (zh) * | 2008-09-04 | 2009-01-21 | 上海交通大学 | 基于客流预测和自适应仿真的拥挤预警*** |
JP2014206829A (ja) * | 2013-04-11 | 2014-10-30 | 株式会社日立製作所 | 混雑予測システムおよび方法 |
CN108573604A (zh) * | 2018-04-27 | 2018-09-25 | 深圳市交投科技有限公司 | 基于移动终端定位的公交od数据获取方法及存储介质 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
CN110675032A (zh) * | 2019-09-02 | 2020-01-10 | 杭州博信智联科技有限公司 | 一种车辆调度方法及其装置 |
CN111898863A (zh) * | 2020-06-29 | 2020-11-06 | 中铁第一勘察设计院集团有限公司 | 轨道交通的车辆的动态调度方法和装置 |
CN112036670A (zh) * | 2020-11-03 | 2020-12-04 | 成都智元汇信息技术股份有限公司 | 一种客流综合预测***及预测方法 |
Non-Patent Citations (1)
Title |
---|
基于SARIMA模型的铁路月度客运量预测;汤银英;《交通运输工程与信息学报》;20190331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091757A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091757B (zh) | 基于客流分析预测的公交、地铁智能调度方法 | |
Chen et al. | Multimode energy management for plug-in hybrid electric buses based on driving cycles prediction | |
CN110288849B (zh) | 一种基于混合交通模式的出行路线推荐方法 | |
CN105788260A (zh) | 一种基于智能公交***数据的公交乘客od推算方法 | |
CN103236179A (zh) | 一种计及交通信息与电网信息的电动汽车充电导航方法 | |
CN111063208A (zh) | 一种基于车联网的车道级交通诱导方法及*** | |
CN111340289A (zh) | 一种基于遗传算法的公交发车与车速调整优化方法及*** | |
CN112085641B (zh) | 一种基于列车开行方案的高速铁路客流分配方法 | |
CN110704993A (zh) | 一种疏解地铁客流压力的定制公交线路设计方法 | |
CN111046576B (zh) | 一种考虑双网信息的电动私家车充电负荷预测方法 | |
CN115409388A (zh) | 多车型定制公交运营优化方法 | |
CN106846114A (zh) | 推送共享单车的方法、用户终端及*** | |
CN112097783B (zh) | 基于深度强化学习的电动出租车充电导航路径规划方法 | |
CN106910336A (zh) | 用于获取车头时距稳定系数的方法 | |
CN111931079A (zh) | 推荐网约车上车点的方法及*** | |
CN113390430B (zh) | 面向多经停点出行的电动汽车动态路径规划及充电方法 | |
CN113379159B (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN115127569A (zh) | 一种个性化联运导航方法和*** | |
CN114742340A (zh) | 一种大规模路网中智能网联共享电动车充电站的优化布设求解方法 | |
CN111105078B (zh) | 一种定制公交网络优化方法 | |
CN111244990B (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN112990536A (zh) | 一种基于分位数卷积网络的公交到站时间预测方法 | |
CN110853374A (zh) | 一种基于无人驾驶技术的共享汽车调度方法及*** | |
CN116308970A (zh) | 基于出行链广义出行费用的轨道站点服务范围分析方法 | |
CN111931386B (zh) | 一种区域多制式轨道交通区间拥挤系数计算方法及*** |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Intelligent scheduling method for public transportation and subway based on passenger flow analysis and prediction Effective date of registration: 20231225 Granted publication date: 20221108 Pledgee: Shanghai Pudong Development Bank Co.,Ltd. Chengdu Branch Pledgor: CHENGDU ZHIYUANHUI INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2023980073782 |