CN114299746A - 基于图像识别的公交车辆调度方法、装置、设备及介质 - Google Patents
基于图像识别的公交车辆调度方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114299746A CN114299746A CN202111659493.6A CN202111659493A CN114299746A CN 114299746 A CN114299746 A CN 114299746A CN 202111659493 A CN202111659493 A CN 202111659493A CN 114299746 A CN114299746 A CN 114299746A
- Authority
- CN
- China
- Prior art keywords
- bus
- real
- time
- people
- getting
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图像识别的公交车辆调度方法、装置、设备及介质,属于AI应用领域。它包括:通过公交车内预设的摄像头获取每台公交车的实时预估人数;根据预设的车内人数对应表和实时预估人数获取每台公交车的实时修正人数;根据实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至待调度公交站点。本发明不仅能更精确的计算出每台公交车的满载率,而且能更精确的计算出公交线路上各个公交站点的拥挤度,从而提高了公交调度算法的准确性。
Description
技术领域
本发明属于AI应用领域,尤其涉及一种基于图像识别的公交车辆调度方法、装置、设备及介质。
背景技术
公共交通是城市交通的重要组成部分,公交车的调度对于完善城市交通环境,改进市民出行状况,提高公交公司的经济和社会效益,都具有重要意义,在公共交通拥堵的时段,例如早晚高峰时刻,可以通过增加区间车来缓解线路上的拥堵,为出行的人们提供便利。
在公交车进行合理调度时,需要知道线路运行每个公交站点(或公交车)的满载率,而满载率作为公交调度算法的基础数据,其在计算时跟车内人数有关;如果满载率高,则可以增加此条线路的班次,如果满载率低,则可以减少此次班车的班次。
如何更精确的计算出每台公交车的满载率以及公交线路上各个公交站点的拥挤度,决定着公交调度算法的准确性,因此,亟需一种新的公交车车辆调度策略。
发明内容
本发明实施例提供一种基于图像识别的公交车辆调度方法、装置、设备及介质,不仅能更精确的计算出每台公交车的满载率,而且能更精确的计算出公交线路上各个公交站点的拥挤度,从而提高了公交调度算法的准确性。
本发明的技术方案为:提供一种基于图像识别的公交车辆调度方法,包括:通过公交车内预设的摄像头获取每台公交车的实时预估人数;根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数;根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至所述待调度公交站点。
优选的,所述通过公交车内预设的摄像头获取每台公交车的实时预估人数,包括:通过公交车内预设的摄像头获取每台公交车在各个公交站点的图像上车人数和图像下车人数;通过公交车内预设的刷卡机和投币机确定每台公交车在各个公交站点的当前上车人数;根据所述当前上车人数对所述图像上车人数和图像下车人数进行调整,得到每台公交车在各个公交站点的校正上车人数和校正下车人数;根据所述校正上车人数和所述校正下车人数获取每台公交车的实时预估人数。
优选的,所述通过公交车内预设的摄像头获取每台公交车在各个公交站点的图像上车人数和图像下车人数,包括:在预设的后台服务器中为每台公交车建立上车文件夹和下车文件夹;通过预设在公交车入口处的摄像头获取每台公交车的上车人脸图像,将所述上车人脸图像发送至所述公交车各自对应的上车文件夹;在所述上车文件夹中将人脸信息相同的所有上车人脸图像作为一张有效上车图像,根据同一个上车文件夹中有效上车图像的数量获取每台公交车在各个公交站点的图像上车人数;通过预设在公交车出口处的摄像头获取每台公交车的下车人脸图像,将所述下车人脸图像发送至所述公交车各自对应的下车文件夹;在所述下车文件夹中将人脸信息相同的所有下车人脸图像作为一张有效下车图像,根据同一个下车文件夹中有效下车图像的数量获取每台公交车在各个公交站点的图像下车人数。
优选的,所述根据所述当前上车人数对所述图像上车人数和图像下车人数进行调整,得到每台公交车在各个公交站点的校正上车人数和校正下车人数,包括:将每台公交车在各个公交站点的当前上车人数除以所述图像上车人数,得到图像修正比值;将每台公交车在各个公交站点的当前上车人数作为每台公交车在各个公交站点的校正上车人数;将所述图像下车人数和所述图像修正比值的乘积结果作为每台公交车在各个公交站点的校正下车人数。
优选的,所述根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数,包括:通过人工获取每台公交车在各个公交站点的实际车内人数;根据预设的机器学习算法、实际车内人数和实时预估人数构建车内人数对应表,所述车内人数对应表的横坐标为实时预估人数,所述车内人数对应表的纵坐标为实际车内人数;根据所述实时预估人数和所述车内人数对应表获取每台公交车的实时修正人数。
优选的,所述根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率,包括:当所述实时修正人数小于预设的公交车最大载客量时,根据计算公式(1)获取每台公交车的实时满载率;当所述实时修正人数大于或等于预设的公交车最大载客量时,根据计算公式(2)获取每台公交车在各个公交站点的实时乘客量权重,根据所述实时乘客量权重以及计算公式(3)获取每台公交车的实时满载率;其中,所述计算公式(1)为:M=A/B;所述计算公式(2)为:w=A/B/C;所述计算公式(3)为:M=(1+w)*A/B;其中,w为所述实时乘客量权重,A为所述实时修正人数,B为公交车最大载客量,C为公交线路上公交站点的总数量。
优选的,所述根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度,包括:获取每台公交车的实时位置信息,将下一个公交站点相同的公交车作为同站点公交车;将所述同站点公交车的实时满载率的平均值作为各个公交站点的实时拥挤度。
本发明的技术方案为:提供一种基于图像识别的公交车辆调度装置,包括:预估人数采集模块,用于通过公交车内预设的摄像头获取每台公交车的实时预估人数;修正人数获取模块,用于根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数;满载率获取模块,用于根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;拥挤度获取模块,用于根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;公交调度模块,用于将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至所述待调度公交站点。
本发明的另一技术方案为:提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于图像识别的公交车辆调度方法的步骤。
本发明的另一技术方案为:提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于图像识别的公交车辆调度方法的步骤。
本发明的基于图像识别的公交车辆调度方法、装置、设备及介质,先通过摄像头获取每台公交车的实时预估人数,以减少工作人员的劳动强度和工作量,再根据预设的车内人数对应表对实时预估人数进行更新,从而得到每台公交车的实时修正人数,以让本发明在计算每台公交车的实时满载率时能够更加准确,接着再获取各个公交站点的实时拥挤度,以进一步确认哪些公交站点需要进行调度,最后再将可调度的公交车调度至待调度公交站点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例中基于图像识别的公交车辆调度方法的流程示意图;
图2为本发明第二实施例的基于图像识别的公交车辆调度的结构示意图;
图3为本发明第三实施例的电子设备的结构示意图;
图4为本发明第四实施例的存储介质的结构示意图;
图5为本发明第一实施例中的车内人数对应表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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他实施例,都属于本发明保护的范围。
本发明中的术语″第一″、″第二″、″第三″仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有″第一″、″第二″、″第三″的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中,″多个″的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后......)仅用于解释在某-特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语″包括″和″具有″以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及″实施例″意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
长时间以来,公交***的满载率是由人工采集完成,上述采集满载率的方式人力成本较高。本发明主要利用的是摄像头的人脸识别技术和相应的满载率计算公式获取每台公交车的满载率,也即主要通过摄像头(人脸识别摄像头)可以实时识别出人脸这一特性,再加上一些现有的多次迭代统计算法计算出较接近真实值的车内人数(也即修正实时人数)和满载率这些基础数据指标,让本发明不仅能更精确的计算出每台公交车的满载率,而且能更精确的计算出公交线路上各个公交站点的拥挤度,从而提高了公交调度算法的准确性,以提高公交车进行调度决策。
图1为本发明第一实施例的基于图像识别的公交车辆调度方法的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该基于图像识别的公交车辆调度方法包括步骤:
S1、通过公交车内预设的摄像头获取每台公交车的实时预估人数;
本实施例中,本发明可以对每一台在途的公交车的上车处及下车处安装摄像头,并在服务器上配置后端程序以接收摄像头(Al人脸识别摄像头,或简称Al摄像头)生成的数据。本发明中的摄像头采用武汉恩智电子科技有限公司的人脸抓拍机(或称Al摄像头),具体可采用的型号为:FD52S27CA3-A2IR/BV2和FD52S7CA1-V2A2L/B。
摄像头生成的数据包括实时识别到的人脸图片和跟人脸识别相关的文本信息,文本信息又分为告警文本信息和人脸识别文本信息。
本实施例中,获取实时预估人数的步骤为:
S11、通过公交车内预设的摄像头获取每台公交车在各个公交站点的图像上车人数和图像下车人数;
本步骤中,对于同一个摄像头,将同一个摄像头生成的数据都写入后端服务器上的同一个文件夹,并对文件夹里的数据进行处理,从而确定每个站点的图像上车人数(也即由图像确定的上车人数)和图像下车人数(也即由图像确定的下车人数),具体的,获取上述图像上车人数和图像下车人数的步骤包括:
S111、在预设的后台服务器中为每台公交车建立上车文件夹和下车文件夹;
S112、通过预设在公交车入口处的摄像头获取每台公交车的上车人脸图像,将上车人脸图像发送至公交车各自对应的上车文件夹;
S113、在上车文件夹中将人脸信息相同的所有上车人脸图像作为一张有效上车图像,根据同一个上车文件夹中有效上车图像的数量获取每台公交车在各个公交站点的图像上车人数;
本步骤中,在每台公交车各自所对应的上车文件夹中,每台公交车在各个公交站点所对应增加的有效上车图像的数量即为每台公交车在各个公交站点的图像上车人数。
S114、通过预设在公交车出口处的摄像头获取每台公交车的下车人脸图像,将下车人脸图像发送至公交车各自对应的下车文件夹;
S115、在下车文件夹中将人脸信息相同的所有下车人脸图像作为一张有效下车图像,根据同一个下车文件夹中有效下车图像的数量获取每台公交车在各个公交站点的图像下车人数。
本步骤中,在每台公交车各自所对应的下车文件夹中,每台公交车在各个公交站点所对应增加的有效下车图像的数量即为每台公交车在各个公交站点的图像下车人数。
本发明中安装的摄像头为Al摄像头(人脸识别摄像头),并通过在服务器上建立后端程序,利用http协议获取到摄像头数据,摄像头发送的数据主要有文本数据和图片数据,文本数据里含有人脸ID,通过这个信息,可以获得车内人脸总数,具体做法为:在服务器上建立后端程序,对摄像头进行http推送配置,配置信息为服务器的IP加上后端接收程序的端口,配置完成后,摄像头镜头每识别到人脸,利用http协议向服务器的后端接收程序发送数据,后端服务器上建立一个后端服务,接收摄像头发送过来的数据,并且设置一个文件夹,用来存放接收到的数据。
S12、通过公交车内预设的刷卡机和投币机确定每台公交车在各个公交站点的当前上车人数;
本步骤中,本发明可以通过刷卡机确定每台公交车在各个公交站点通过刷卡机上车的刷卡人数,以及通过投币机确定每台公交车在各个公交站点通过刷卡机上车的投币人数,将公交车在各个公交站点的上述刷卡人数和投币人数相加后所得结果即为各个公交站点的当前上车人数。
S13、根据当前上车人数对图像上车人数和图像下车人数进行调整,得到每台公交车在各个公交站点的校正上车人数和校正下车人数;
由于能让公交司机现场监督本发明的当前上车人数,故上述当前上车人数基本上就是每台公交车在各个公交站点的实际上车人数,因此,以此当前上车人数为基准所获取的校正上车人数和校正下车人数的准确性会较高,这样,本发明能更精确的计算出各个公交车的满载率,具体的,获取校正上车人数和校正下车人数的步骤包括:
S131、将每台公交车在各个公交站点的当前上车人数除以图像上车人数,得到图像修正比值;
S132、将每台公交车在各个公交站点的当前上车人数作为每台公交车在各个公交站点的校正上车人数;
S133、将图像下车人数和图像修正比值的乘积结果作为每台公交车在各个公交站点的校正下车人数。
本步骤中,在上述Al摄像头自身的运行状态保持稳定的情况下,每个摄像头的清晰度和获取人脸图像的能力是固定的,因此,本发明在当前上车人数(与实际上车人数极为接近)的基础上,再通过图像修正比值所获取的校正下车人数会很接近实际下车人数,这样,本发明中各个公交车的满载率的计算结果会更加准确。
S14、根据校正上车人数和校正下车人数获取每台公交车的实时预估人数。
本步骤中,当本发明要计算每台公交车的实时预估人数时,可以通过将该台公交车已经经过的所有站点的校正上车人数之和,再减去已经过所有站点的校正下车人数之和后,得到每台公交车的实时预估人数,也可以将该台公交车已经经过的所有公交站点的预估上车人数之和作为每台公交车的实时预估人数,其中,公交站点的预估上车人数等于该公交站点的修正上车人数减去该公交站点的修正下车人数(可以为负数)。
以上车的情况为例,对于识别图像上车人数的摄像头,所有接收到的人脸识别的文本信息都存放在一个文件夹里,公交车辆到达一个站点i后,文件夹里除了本次站点识别到的上车乘客的人脸识别相关的文本信息外,还有之前站点获得的人脸识别相关的文本信息,这时通过处理文件夹里所有的人脸识别相关的文本信息后可以获得一个人数就是本站点之前(包括本站点)所有站点图像上车人数之和。
依次计算出每一个站点对应的人数这样第i个站点实际的图像上车人数就为即当前站点的图像上车人数等于当前站点获取的所有人数减去之前站点获取的所有人数,依次计算每个站点的图像上车人数,对于下车的摄像头,利用同样的方法获得每个站点的图像下车人数
利用计算好的每个站点的图像上车人数和图像下车人数即可统计当前时刻的实时预估人数。例如第一站的图像上车人数为第一站到第二站之间车内人数为到了第二站,第二站的图像上车人数为第二站的图像下车人数为则第二站到第三站之间的车内人数为第三站的图像上车人数为第三站的图像下车人数为第三站到第四站之间的图像上车人数为:依次类推,算出所有站点的实时预估人数。
本步骤中,摄像头接收到的人脸识别文本里有人脸ID信息,摄像头每识别一次人脸,就会生成一个含有人脸ID信息的人脸识别文本,一个人的人脸从被摄像头的镜头捕获到离开摄像头的镜头,会生成数个这样的人脸识别文本,但这些人脸识别文本里的ID信息都是一样的。
统计人脸ID信息时,相同的ID对应1个人,利用后端程序(python语言)将收到的所有人脸识别文本的人脸ID信息提取出来形成一个列表,例如[1,2,2,2,2,2,3,4,4,4,4,5,5,5],再利用后端程序(python语言)对列表里的重复数据去重,上述举例列表去重得到[1,2,3,4,5],此列表的长度就是不重复的人脸个数,不重复的人脸个数即为人的个数。
但是上述通过人脸ID信息以确定实时预估人数的方法会随着公交场景的复杂多变性产生误差,比如,由于上车拥挤,当一个人脸离开摄像头镜头后,很短时间重新返回摄像头,摄像头会对这个人脸重新生成一个ID,最后统计的结果会大于实际的图像上车人数。因此,本发明还通过对30内获得的数据求平均即可获得更为精准的每个站点的图像上车人数和图像下车人数。
本步骤中,本发明通过刷卡人数和投币人数确定每台公交车的当前上车人数,并通过该当前上车人数对由摄像头确定的图像上车人数和图像下车人数进行校正(调整),从而让本发明能够更加准确的确定实时预估人数,进而让本发明能更精确的计算出每台公交车的满载率。
S2、根据预设的车内人数对应表和实时预估人数获取每台公交车的实时修正人数;
本实施例中,利用上述回归的方法来拟合摄像头获得的人数,会让摄像头的人数(如实时预估人数)更接近真实值(如实际上车人数),具体的,获取实时修正人数的步骤包括:
S21、通过人工获取每台公交车在各个公交站点的实际车内人数;
S22、根据预设的机器学习算法、实际车内人数和实时预估人数构建车内人数对应表,车内人数对应表的横坐标为实时预估人数,车内人数对应表的纵坐标为实际车内人数;
实际工作时,上述通过人工所获取的实际车内人数需要派遣工作人员坐在公交车上实时进行统计(也即派出人力在公交车上实时统计、确定实际车内人数),且在构建构建车内人数对应表时,本发明也需要通过多次重复测试才能够确定,同时,为了增加机器学习算法的准确性,本发明也需要多次重复试验,以让车内人数对应表更加准确。最后,测试完成后所得的车内人数对应表内置在数据库中以备调用。
具体的,本发明根据预设的机器学习算法、实际车内人数和实时预估人数构建车内人数对应表包括:S221、根据实际车内人数和实时预估人数构建线性回归对应表,线性回归对应表的横坐标为实时预估人数,线性回归对应表的纵坐标为实际车内人数;S222、根据预设的机器学习算法、对线性回归对应表进行更新,得到车内人数对应表,车内人数对应表的横坐标为实时预估人数,车内人数对应表的纵坐标为实际车内人数。
S23、根据实时预估人数和车内人数对应表获取每台公交车的实时修正人数。
实际工作时,如果一张人脸离开摄像头镜头,再返回到摄像头镜头时,摄像头会重复识别这个人脸,公交车场景中难免会出现以上场景,这种场景会让识别的人数越来越多,而且随着图像上车人数的增多,误差会越来越大。
针对上述问题,为了降低这种公交车场景导致的摄像头数据的敏感性,增加摄像头获取数据的鲁棒性,本发明在车辆上安排一段时间用人工确定车内人数,与此同时,也通过摄像头获取车内的人数,人工确定的人数为准确的人数,利用机器学习算法找出人脸摄像头输出的人数的误差和准确人数的关系,后续利用已知的关系和摄像头获取的数据,计算出车内的人数,让摄像头获取的数据更接近真实值,举例:假设某个时间的数据值如表1所示:
表1
实际数据 | 36 | 23 | 28 | 30 | 20 | 35 | 65 | 30 | 12 | 20 |
摄像头数据 | 65 | 57 | 48 | 69 | 40 | 50 | 200 | 110 | 25 | 40 |
针对上述机器学习算法,目前已有的机器学习工具是skleam,利用sklearn提供的算法工具计算摄像头获得的数据(也即实时预估人数)和实际真实值(也即实际车内人数)的关系,可以用线性回归和多项式回归。
如图5的车内人数对应表所示,图5中所确定的样条曲线也即实时预估人数和实际车内人数的对应关系,经过机器学习,拟合两者之间的关系为线性回归。后续利用这个线性回归的关系,将摄像头数据带入,即可获得经过线性回归拟合后的车内人数数据(也即实时修正人数)。
例如,如果下次通过摄像头的数据得到车内人数为175(预估实时人数),根据线性回归(也即车内人数对应表)的结果,拟合出车内的人数为57(修正实时人数),后续所有通过摄像头获得的数值,都可用线性回归得到的关系(也即车内人数对应表)进行处理。这样用摄像头获得的数据更为准确,摄像头数据的鲁棒性也更强。
S3、根据实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;
本实施例中,获取实时满载率的步骤包括:
S31、当实时修正人数小于预设的公交车最大载客量时,根据计算公式(1)获取每台公交车的实时满载率;
S32、当实时修正人数大于或等于预设的公交车最大载客量时,根据计算公式(2)获取每台公交车在各个公交站点的实时乘客量权重,根据实时乘客量权重以及计算公式(3)获取每台公交车的实时满载率;其中,计算公式(1)为:M=A/B;计算公式(2)为:w=A/B/C;计算公式(3)为:M=(1+w)*A/B;其中,w为实时乘客量权重,A为实时修正人数,B为公交车最大载客量,C为公交线路上公交站点的总数量。
在一趟公交车线路上安装摄像头,利用上述方法对早上7:05-7:45之间所有在途公交车测量得到图像上车人数,具体如表2所示,其中,表2的图像上车人数为同一时刻所有车辆的图像上车人数,实时预估人数为同一时刻,所有实时预估人数,本次做实验车辆的额定站位数和座位数之和为90。
表2
时间 | 7∶05 | 7∶10 | 7∶15 | 7∶20 | 7∶25 | 7∶30 | 7∶35 | 7∶40 | 7∶45 |
图像上车人数 | 76 | 46 | 65 | 110 | 89 | 113 | 144 | 164 | 166 |
实时预估人数 | 263 | 220 | 235 | 345 | 341 | 542 | 416 | 490 | 587 |
满载率(%) | 21.06 | 20.2 | 19.78 | 24.21 | 25.52 | 31.49 | 24.17 | 25.4 | 30.43 |
班次 | 14 | 12 | 13 | 15 | 14 | 17 | 17 | 20 | 20 |
通过上述表2可以看到7:45时的满载率为30.43%,满载率较高,有20个班次在运行,7:45也是接近早高峰时刻,这时,如果要降低满载率,降低到20%左右,不仅可以提高这趟公交线路的服务质量,还可以分担高峰期的客流,可以考虑从7:45开始从始发站多发班车,增加班次。
不同的站点也对应着不同的乘客数,公交车行进到城市中心时,城市中心站点的人数按照常理会比较多,而行进到比较偏僻的郊区时,相比较市中心站点,的人数按常理也会相应的变少,同样用本文提供的方法,对同一线路的一天内的不同时间段各站点的人数进行统计,如表3所示:
通过上述表3的统计可知,发现B站点在测试时间段内车上没有人数,考虑可以去除掉B站点,而F站点和G站点在7:24-7:33之间的车上人数都比较多,可以考虑在这个时间段内增加往返于F站点和G站点的区间车,改善公交车服务质量。
为了更进一步实现数据的准确性,对30天内的数据求平均,以上述测试线路为例,如果要测量7:13-7:37的各站点的车内人数,来判断是否增减站点,是否需要增加区间车,则对相同站点,相同时间的车内人数取30天的均值写入统计表格内。利用平均值来调整公交的策略,是否需要增加或者减少发车班次,是否需要增减站点,或者增减区间车。
本步骤中,同一条线路在不同的时间段,有的时间段会有比较多的乘客上车,这时就需要多发班次,有的时间段乘客不多,可以减少发班的班次,统计同一条线路在不同时间段内的图像上车人数,图像下车人数,再通过图像上车人数和图像下车人数计算出实际的实时预估人数,利用实时预估人数计算出每个时间段的满载率。
本步骤中,满载率可以理解为公共交通工具实际载客量与额定载客量(也即公交车最大载客量)之比,而额定载客量为公交车辆的座位数与站位数之和,实际载客量为公交车辆在当前的实际车内人数。满载率是用于描述公交车辆的拥挤度、舒适度及使用效率的指标,公交满载率过大,拥挤率会提升,会降低乘客的舒适度;公交满载率过小,拥挤度下降,会提升乘客的舒适度,却可能使车辆使用效率降低,当满载率过高时,需考虑多发班车班次,用多辆班次分担客流。
当摄像头采集的某一站点的车内人数比较少时,可以考虑删除此站点,减少公交资源的浪费,当摄像头采集的某一站点的车内人数较多时,可以考虑增加区间车,来分担这个时间段内的站点的客流。
S4、根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;
本实施例中,获取实时拥挤度的步骤包括:
S41、获取每台公交车的实时位置信息,将下一个公交站点相同的公交车作为同站点公交车;
S42、将同站点公交车的实时满载率的平均值作为各个公交站点的实时拥挤度。
由于在堵车时,经常会发生多辆公交车的下一个目标站点(下一个将抵达的公交站点)相同的情况,且在实际工作时,如果依据各个公交站点中等待上车的乘客数量去完成公交车的调度会比仅仅只依靠每台公交车的实时满载率去完成公交车的调度的效果要好,因此,本发明通过各个公交站点的实时拥挤度来对公交车进行调度会进一步提高公交调度算法的准确性。
同时,本步骤中,同站点公交车的实时满载率的平均值也即为下一个目标站点相同的所有公交车的实时满载率平均值,例如,有一台公交车K1由A站点驶向B站点,且公交车K1此时的满载率为30%,由三台公交车K2、K3和K4由B站点驶向C站点,K2此时的满载率为30%,K3此时的满载率为40%,K4此时的满载率为110%,则A站点的实时拥挤度在此处不能确定(此处需要知道驶向A站点的公交车的满载率),B站点的实时拥挤度为30%,C站点的拥挤度为60%。
S5、将实时拥挤度大于预设拥挤度阈值(如120%,此数值可以根据需要自行设定)的公交站点作为待调度公交站点,将可调度的公交车调度至待调度公交站点。
本实施例可以对某一线路的每台运营车辆安装上人脸识别摄像头(也即AI摄像头,参考步骤S1),安装地点为前方上车门处和后方下车门处,前门的摄像头用于统计每个班次的每个站点的图像上车人数(也即通过前门的摄像头所获取的图像上车人数),对一天之内的所有发车班次的每个站点的图像上车人数进行统计,后门的摄像头用于统计每个班次的每个站点的图像下车人数(也即通过后门的摄像头所获取的图像下车人数),通过上述图像上车人数和图像下车人数可以计算出每台公交车的实时预估人数,从而再在预设的车内人数对应表和满载率计算公式的帮助下获取每台公交车的实时满载率,以有效的指导公交调度。
实际工作时,由于利用平均数据也能更有效的指导公交调度,因此,为了获得更准确的数据以用于指导公交调度,本发明可对30天之内的这些公交数据求平均,30天求平均数这种方法能够在一定程度上抵消公交场景的随机性导致的摄像头数据采集不准,从而让本发明能更精确的计算出每台公交车的满载率。
图2为本发明第二实施例的一种基于图像识别的公交车辆调度装置的结构示意图。如图2所示,该基于图像识别的公交车辆调度装置包括:
预估人数采集模块21,用于通过公交车内预设的摄像头获取每台公交车的实时预估人数;
修正人数获取模块22,用于根据预设的车内人数对应表和实时预估人数获取每台公交车的实时修正人数;
满载率获取模块23,用于根据实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;
拥挤度获取模块24,用于根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;
公交调度模块25,用于将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至待调度公交站点。
关于基于图像识别的公交车辆调度装置的具体限定可以参见上文中对于基于图像识别的公交车辆调度方法的限定,在此不再赘述。上述基于图像识别的公交车辆调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图3是本发明第三实施例的电子设备的结构示意图。如图3所示,该电子设备30包括处理器31及和处理器31耦接的存储器32。
存储器32存储有用于实现上述任一实施例的基于图像识别的公交车辆调度方法的程序指令。
处理器31用于执行存储器32存储的程序指令以进行排污监测数据处理。
其中,处理器31还可以称为CPU(Central Processing Unit,中央处理单元)。处理器31可能是一种集成电路芯片,具有信号的处理能力。处理器31还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图4,图4为本发明第四实施例的存储介质的结构示意图。本发明第四实施例的存储介质40存储有能够实现上述所有方法的程序指令41,其中,该程序指令41可以以软件产品的形式存储在上述存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性和/或易失性的计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,B本发明仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
Claims (10)
1.一种基于图像识别的公交车辆调度方法,其特征在于,包括:
通过公交车内预设的摄像头获取每台公交车的实时预估人数;
根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数;
根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;
根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;
将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至所述待调度公交站点。
2.根据权利要求1所述的方法,其特征在于,所述通过公交车内预设的摄像头获取每台公交车的实时预估人数,包括:
通过公交车内预设的摄像头获取每台公交车在各个公交站点的图像上车人数和图像下车人数;
通过公交车内预设的刷卡机和投币机确定每台公交车在各个公交站点的当前上车人数;
根据所述当前上车人数对所述图像上车人数和图像下车人数进行调整,得到每台公交车在各个公交站点的校正上车人数和校正下车人数;
根据所述校正上车人数和所述校正下车人数获取每台公交车的实时预估人数。
3.根据权利要求2所述的方法,其特征在于,所述通过公交车内预设的摄像头获取每台公交车在各个公交站点的图像上车人数和图像下车人数,包括:
在预设的后台服务器中为每台公交车建立上车文件夹和下车文件夹;
通过预设在公交车入口处的摄像头获取每台公交车的上车人脸图像,将所述上车人脸图像发送至所述公交车各自对应的上车文件夹;
在所述上车文件夹中将人脸信息相同的所有上车人脸图像作为一张有效上车图像,根据同一个上车文件夹中有效上车图像的数量获取每台公交车在各个公交站点的图像上车人数;
通过预设在公交车出口处的摄像头获取每台公交车的下车人脸图像,将所述下车人脸图像发送至所述公交车各自对应的下车文件夹;
在所述下车文件夹中将人脸信息相同的所有下车人脸图像作为一张有效下车图像,根据同一个下车文件夹中有效下车图像的数量获取每台公交车在各个公交站点的图像下车人数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述当前上车人数对所述图像上车人数和图像下车人数进行调整,得到每台公交车在各个公交站点的校正上车人数和校正下车人数,包括:
将每台公交车在各个公交站点的当前上车人数除以所述图像上车人数,得到图像修正比值;
将每台公交车在各个公交站点的当前上车人数作为每台公交车在各个公交站点的校正上车人数;
将所述图像下车人数和所述图像修正比值的乘积结果作为每台公交车在各个公交站点的校正下车人数。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数,包括:
通过人工获取每台公交车在各个公交站点的实际车内人数;
根据预设的机器学习算法、实际车内人数和实时预估人数构建车内人数对应表,所述车内人数对应表的横坐标为实时预估人数,所述车内人数对应表的纵坐标为实际车内人数;
根据所述实时预估人数和所述车内人数对应表获取每台公交车的实时修正人数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率,包括:
当所述实时修正人数小于预设的公交车最大载客量时,根据计算公式(1)获取每台公交车的实时满载率;
当所述实时修正人数大于或等于预设的公交车最大载客量时,根据计算公式(2)获取每台公交车在各个公交站点的实时乘客量权重,根据所述实时乘客量权重以及计算公式(3)获取每台公交车的实时满载率;
其中,所述计算公式(1)为:M=A/B;所述计算公式(2)为:w=A/B/C;所述计算公式(3)为:M=(1+w)*A/B;
其中,w为所述实时乘客量权重,A为所述实时修正人数,B为公交车最大载客量,C为公交线路上公交站点的总数量。
7.根据权利要求6所述的方法,其特征在于,所述根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度,包括:
获取每台公交车的实时位置信息,将下一个公交站点相同的公交车作为同站点公交车;
将所述同站点公交车的实时满载率的平均值作为各个公交站点的实时拥挤度。
8.一种基于图像识别的公交车辆调度装置,其特征在于,包括:
预估人数采集模块,用于通过公交车内预设的摄像头获取每台公交车的实时预估人数;
修正人数获取模块,用于根据预设的车内人数对应表和所述实时预估人数获取每台公交车的实时修正人数;
满载率获取模块,用于根据所述实时修正人数和预设的满载率计算公式获取每台公交车的实时满载率;
拥挤度获取模块,用于根据每台公交车的实时位置信息和每台公交车的实时满载率获取各个公交站点的实时拥挤度;
公交调度模块,用于将实时拥挤度大于预设拥挤度阈值的公交站点作为待调度公交站点,将可调度的公交车调度至所述待调度公交站点。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于图像识别的公交车辆调度方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于图像识别的公交车辆调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659493.6A CN114299746B (zh) | 2021-12-30 | 2021-12-30 | 基于图像识别的公交车辆调度方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111659493.6A CN114299746B (zh) | 2021-12-30 | 2021-12-30 | 基于图像识别的公交车辆调度方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114299746A true CN114299746A (zh) | 2022-04-08 |
CN114299746B CN114299746B (zh) | 2023-04-14 |
Family
ID=80974078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111659493.6A Active CN114299746B (zh) | 2021-12-30 | 2021-12-30 | 基于图像识别的公交车辆调度方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114299746B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662176A (zh) * | 2022-12-13 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种基于鲁棒优化的灵活公交调度优化方法 |
CN117079447A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种基于公交车拥挤度检测的调度方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007001381A (ja) * | 2005-06-22 | 2007-01-11 | Oki Electric Ind Co Ltd | 列車混雑率情報の収集及び提供システム |
JP2008015612A (ja) * | 2006-07-03 | 2008-01-24 | Hitachi Ltd | 路線バス運行管理システム、路線バス運行管理方法、路線バス運行管理プログラム |
CN102610118A (zh) * | 2011-01-22 | 2012-07-25 | 黄祖峰 | 公交车信息采集装置、公交车定位***及方法 |
CN104899947A (zh) * | 2015-05-25 | 2015-09-09 | 郑州天迈科技股份有限公司 | 公交客流统计方法 |
US20170200082A1 (en) * | 2014-07-14 | 2017-07-13 | Gerrit Böhm | Capacity prediction for public transport vehicles |
US20170286780A1 (en) * | 2016-03-18 | 2017-10-05 | Shenzhen University | Method and system for calculating passenger crowdedness degree |
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及*** |
JP2018002037A (ja) * | 2016-07-06 | 2018-01-11 | 株式会社日立製作所 | 混雑率予想システム及び方法 |
CN108053642A (zh) * | 2017-12-19 | 2018-05-18 | 广州汇图计算机信息技术有限公司 | 一种公交站场智能交通调度方法、装置及处理终端 |
CN108346199A (zh) * | 2017-01-22 | 2018-07-31 | 株式会社日立制作所 | 人数统计方法和人数统计装置 |
WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
CN109389016A (zh) * | 2017-08-10 | 2019-02-26 | 株式会社日立制作所 | 一种人头计数的方法及*** |
CN110097249A (zh) * | 2019-03-19 | 2019-08-06 | 厦门交保通达信息科技有限公司 | 一种公交客流监测分析***及其方法 |
CN110245377A (zh) * | 2019-05-08 | 2019-09-17 | 暨南大学 | 一种出行方案推荐方法及推荐*** |
US20190325239A1 (en) * | 2018-04-23 | 2019-10-24 | Google Llc | Determining Vehicle Crowdedness Using Real-Time Location Data |
CN112700473A (zh) * | 2020-12-31 | 2021-04-23 | 华录智达科技有限公司 | 一种基于图像识别进行车厢拥挤度判断*** |
WO2021125663A1 (ko) * | 2019-12-16 | 2021-06-24 | 재단법인 전주정보문화산업진흥원 | 버스 혼잡도 및 승객 인원 수 알림 시스템 |
CN113658025A (zh) * | 2021-08-12 | 2021-11-16 | 杭州图软科技有限公司 | 一种智慧公交管理方法、***、计算机设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111659493.6A patent/CN114299746B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007001381A (ja) * | 2005-06-22 | 2007-01-11 | Oki Electric Ind Co Ltd | 列車混雑率情報の収集及び提供システム |
JP2008015612A (ja) * | 2006-07-03 | 2008-01-24 | Hitachi Ltd | 路線バス運行管理システム、路線バス運行管理方法、路線バス運行管理プログラム |
CN102610118A (zh) * | 2011-01-22 | 2012-07-25 | 黄祖峰 | 公交车信息采集装置、公交车定位***及方法 |
US20170200082A1 (en) * | 2014-07-14 | 2017-07-13 | Gerrit Böhm | Capacity prediction for public transport vehicles |
CN104899947A (zh) * | 2015-05-25 | 2015-09-09 | 郑州天迈科技股份有限公司 | 公交客流统计方法 |
US20170286780A1 (en) * | 2016-03-18 | 2017-10-05 | Shenzhen University | Method and system for calculating passenger crowdedness degree |
JP2018002037A (ja) * | 2016-07-06 | 2018-01-11 | 株式会社日立製作所 | 混雑率予想システム及び方法 |
CN108346199A (zh) * | 2017-01-22 | 2018-07-31 | 株式会社日立制作所 | 人数统计方法和人数统计装置 |
WO2018148896A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳市锐明技术股份有限公司 | 一种车辆内乘客人数统计方法及装置 |
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及*** |
CN109389016A (zh) * | 2017-08-10 | 2019-02-26 | 株式会社日立制作所 | 一种人头计数的方法及*** |
CN108053642A (zh) * | 2017-12-19 | 2018-05-18 | 广州汇图计算机信息技术有限公司 | 一种公交站场智能交通调度方法、装置及处理终端 |
US20190325239A1 (en) * | 2018-04-23 | 2019-10-24 | Google Llc | Determining Vehicle Crowdedness Using Real-Time Location Data |
CN110097249A (zh) * | 2019-03-19 | 2019-08-06 | 厦门交保通达信息科技有限公司 | 一种公交客流监测分析***及其方法 |
CN110245377A (zh) * | 2019-05-08 | 2019-09-17 | 暨南大学 | 一种出行方案推荐方法及推荐*** |
WO2021125663A1 (ko) * | 2019-12-16 | 2021-06-24 | 재단법인 전주정보문화산업진흥원 | 버스 혼잡도 및 승객 인원 수 알림 시스템 |
CN112700473A (zh) * | 2020-12-31 | 2021-04-23 | 华录智达科技有限公司 | 一种基于图像识别进行车厢拥挤度判断*** |
CN113658025A (zh) * | 2021-08-12 | 2021-11-16 | 杭州图软科技有限公司 | 一种智慧公交管理方法、***、计算机设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115662176A (zh) * | 2022-12-13 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种基于鲁棒优化的灵活公交调度优化方法 |
CN117079447A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种基于公交车拥挤度检测的调度方法及装置 |
CN117079447B (zh) * | 2023-10-13 | 2024-01-09 | 之江实验室 | 一种基于公交车拥挤度检测的调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114299746B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114299746B (zh) | 基于图像识别的公交车辆调度方法、设备及介质 | |
CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
CN111310994A (zh) | 一种基于数据校准的公交路线预测方法及*** | |
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*** | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
CN108922178B (zh) | 基于公交多源数据的公交车辆实时满载率计算方法 | |
CN112767217B (zh) | 一种基于物联网的智慧社区管理*** | |
CN112687110B (zh) | 一种基于大数据分析的车位级导航方法及其*** | |
CN114662801B (zh) | 一种公交车辆的运营精准管理方法及其*** | |
CN110348614A (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
CN112734219A (zh) | 一种车辆运输行驶行为分析方法及*** | |
CN106650976A (zh) | 出行分析预测方法及***、基于ic卡的出行分析预测方法及*** | |
CN112686435A (zh) | 排班方法、排班装置及终端设备 | |
CN109886732A (zh) | 一种公共交通的计费方法、存储介质和车载计费设备 | |
CN110046535B (zh) | 基于机器学习的智能出行时间预测***、方法及存储介质 | |
CN111680707A (zh) | 基于公交***的刷卡数据分析方法、电子终端及存储装置 | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN114913701A (zh) | 一种公交调度方法、***及相关设备 | |
CN108288382B (zh) | 一种基于信疑双基模型判别车辆可信度的方法 | |
CN114419894A (zh) | 一种路内停车泊位设置与使用监测的方法与*** | |
CN109544355A (zh) | 车险案件的查勘定损方法、装置及终端设备 | |
CN108010319B (zh) | 一种道路状态的识别方法及装置 | |
CN112488568A (zh) | 一种地铁车站大客流运营风险评价方法及其应用 | |
CN117649770B (zh) | 一种收费站出入口车道的分配方法及相关设备 |
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 |