CN115565379A - 一种替换历史客流数据中异常客流数据的方法及*** - Google Patents
一种替换历史客流数据中异常客流数据的方法及*** Download PDFInfo
- Publication number
- CN115565379A CN115565379A CN202211553355.4A CN202211553355A CN115565379A CN 115565379 A CN115565379 A CN 115565379A CN 202211553355 A CN202211553355 A CN 202211553355A CN 115565379 A CN115565379 A CN 115565379A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- outbound
- abnormal
- characteristic
- inbound
- 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
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及智能交通技术领域,公开了一种替换历史客流数据中异常客流数据的方法及***,其中,一种替换历史客流数据中异常客流数据的方法,包括调用地铁站点的历史客流数据、根据历史客流数据计算特征客流数据和将历史客流数据中的异常客流数据替换为特征客流数据;一种替换历史客流数据中异常客流数据的***,包括数据调用模块、特征客流数据计算模块和异常客流数据替换模块。本发明不仅能够对历史客流数据中的异常客流数据进行处理,而且在处理过后还能够生成在时间上连续且质量更高的客流数据。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种替换历史客流数据中异常客流数据的方法及***。
背景技术
目前,通常使用历史客流数据进行地铁站点的客流预测,由于客流预测对历史客流数据的质量要求非常高,所以需要对历史客流数据中的异常客流数据进行处理,现有的方法大多是对历史客流数据中的异常客流数据进行剔除处理,但这种方法会导致历史客流数据在时间上不连续,影响后续的客流预测效果。
发明内容
本发明的目的在于提供一种替换历史客流数据中异常客流数据的方法及***,不仅能够对历史客流数据中的异常客流数据进行处理,而且在处理过后还能够生成在时间上连续且质量更高的客流数据。
为解决上述技术问题,本发明采用了以下方案:
一方面,一种替换历史客流数据中异常客流数据的方法,包括以下步骤:
S1:调用地铁站点的历史客流数据,所述历史客流数据包括异常客流数据和正常客流数据;
S2:根据历史客流数据计算特征客流数据;
S3:将历史客流数据中的异常客流数据替换为特征客流数据。
进一步的,所述历史客流数据包括历史时间段、在历史时间段内的任意时间段的进站客流值和出站客流值,所述异常客流数据包括进站客流值中的异常进站客流值、出站客流值中的异常出站客流值、异常进站客流值对应的异常进站时间段和异常出站客流值对应的异常出站时间段,所述正常客流数据包括进站客流值中的正常进站客流值、出站客流值中的正常出站客流值、正常进站客流值对应的正常进站时间段和正常出站客流值对应的正常出站时间段。
进一步的,所述特征客流数据包括特征进站值和特征出站值,所述S2包括:
S21:根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值;
S22:根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值。
进一步的,所述S21包括:
S211:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S212:将全部历史周期时间段中与异常进站时间段对应的正常进站时间段标记为特征进站时间段,调用全部特征进站时间段的正常进站客流值;
S213:判断全部特征进站时间段的正常进站客流值是否满足正态分布;
S214:若全部特征进站时间段的正常进站客流值满足正态分布,则计算全部特征进站时间段的正常进站客流值满足的正态分布的第一极大似然值,并将第一极大似然值赋值给特征进站值;若全部特征进站时间段的正常进站客流值不满足正态分布,则将全部特征进站时间段的正常进站客流值的中位数赋值给特征进站值。
进一步的,所述S22包括:
S221:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S222:将全部历史周期时间段中与异常出站时间段对应的正常出站时间段标记为特征出站时间段,调用全部特征出站时间段的正常出站客流值;
S223:判断全部特征出站时间段的正常出站客流值是否满足正态分布;
S224:若全部特征出站时间段的正常出站客流值满足正态分布,则计算全部特征出站时间段的正常出站客流值满足的正态分布的第二极大似然值,并将第二极大似然值赋值给特征出站值;若全部特征出站时间段的正常出站客流值不满足正态分布,则将全部特征出站时间段的正常出站客流值的中位数赋值给特征出站值。
进一步的,所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
进一步的,所述S3包括:
S31:将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值;
S32:将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值。
另一方面,一种替换历史客流数据中异常客流数据的***,包括:
存储器;
一个或若干个处理器;
一个或若干个模块,存储在存储器中并被配置成由所述一个或若干个处理器执行,所述一个或若干个模块包括:
调用地铁站点的历史客流数据的数据调用模块;
根据历史客流数据计算特征客流数据的特征客流数据计算模块;
将历史客流数据中的异常客流数据替换为特征客流数据的异常客流数据替换模块。
进一步的,所述特征客流数据计算模块包括:
根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值的特征进站值计算模块;
根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值的特征出站值计算模块。
进一步的,所述将历史客流数据中的异常客流数据替换为特征客流数据的模块包括:
将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值的异常进站客流值替换模块;
将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值的异常出站客流值替换模块。
本发明具有的有益效果:
1、本发明中,通过提供一种替换历史客流数据中异常客流数据的方法及***,其中数据调用模块调用历史客流数据并将历史客流数据输出给特征客流数据计算模块,特征客流数据计算模块根据历史客流数据计算特征客流数据并将特征客流数据输出至异常客流数据替换模块,异常客流数据替换模块将历史客流数据中的异常客流数据替换为特征客流数据,相对于剔除历史客流数据中的异常客流数据,本发明提供的方法及***能够生成在时间上连续的客流数据。
2、本发明中,通过设置特征客流数据计算模块判断全部特征出站时间段的进站客流值和出战客流值是否符合正态分布,若满足正态分布,则将对应正态分布的极大似然值赋值给特征进站值和特征出站值;若不满足正态分布,则将全部特征出站时间段的进站客流值和出站客流值的中位数对应赋值给特征进站值和特征出站值,该方法得到的特征客流数据的质量更高。
附图说明
图1为本发明中的替换历史客流数据中异常客流数据的方法的总体流程图;
图2为本发明中的S21的具体流程图;
图3为本发明中的S22的具体流程图;
图4为本发明中的替换历史客流数据中异常客流数据的***的总体结构图。
具体实施方式
为使本领域技术人员更好地理解本发明/发明的技术方案,下面结合附图和具体实施方式对本发明/发明作进一步详细描述。
实施例1:
如图1至图3所示的一种替换历史客流数据中异常客流数据的方法,包括以下步骤:
S1:调用地铁站点的历史客流数据,所述历史客流数据包括异常客流数据和正常客流数据;
S2:根据历史客流数据计算特征客流数据;
S3:将历史客流数据中的异常客流数据替换为特征客流数据。
具体的,所述历史客流数据包括历史时间段、在历史时间段内的任意时间段的进站客流值和出站客流值,所述异常客流数据包括进站客流值中的异常进站客流值、出站客流值中的异常出站客流值、异常进站客流值对应的异常进站时间段和异常出站客流值对应的异常出站时间段,所述正常客流数据包括进站客流值中的正常进站客流值、出站客流值中的正常出站客流值、正常进站客流值对应的正常进站时间段和正常出站客流值对应的正常出站时间段。
具体的,所述特征客流数据包括特征进站值和特征出站值,所述S2包括:
S21:根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值;
S22:根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值。
具体的,所述S21包括:
S211:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S212:将全部历史周期时间段中与异常进站时间段对应的正常进站时间段标记为特征进站时间段,调用全部特征进站时间段的正常进站客流值;
S213:判断全部特征进站时间段的正常进站客流值是否满足正态分布;
S214:若全部特征进站时间段的正常进站客流值满足正态分布,则计算全部特征进站时间段的正常进站客流值满足的正态分布的第一极大似然值,并将第一极大似然值赋值给特征进站值;若全部特征进站时间段的正常进站客流值不满足正态分布,则将全部特征进站时间段的正常进站客流值的中位数赋值给特征进站值。
具体的,所述S22包括:
S221:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S222:将全部历史周期时间段中与异常出站时间段对应的正常出站时间段标记为特征出站时间段,调用全部特征出站时间段的正常出站客流值;
S223:判断全部特征出站时间段的正常出站客流值是否满足正态分布;
S224:若全部特征出站时间段的正常出站客流值满足正态分布,则计算全部特征出站时间段的正常出站客流值满足的正态分布的第二极大似然值,并将第二极大似然值赋值给特征出站值;若全部特征出站时间段的正常出站客流值不满足正态分布,则将全部特征出站时间段的正常出站客流值的中位数赋值给特征出站值。
具体的,所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
具体的,所述S3包括:
S31:将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值;
S32:将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值。
例如,历史时间段为140天,客流周期的长度T为7天,历史时间段分为了20个连续且长度为7天的历史周期时间段。
本实施例的工作原理:
本发明中定义了客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔,经大量研究发现,绝大多数地铁站点的进站客流值和出站客流值在相邻的两个长度为客流周期长度的时间段内的变化曲线基本保持一致,因此地铁站点在长度为客流周期长度的时间段内的进站客流值变化曲线和出站客流值变化曲线基本能够体现该地铁站点普遍的进站特性和出站特性。
基于上述原理,本技术方案首先以客流周期为基准对历史时间段进行分段,将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段,虽然地铁站点的进站客流值和出站客流值在相邻的两个长度为客流周期长度的时间段内的变化曲线基本保持一致,但是其中仍存在一些与正常客流数据差异较大的异常客流数据,而基本保持一致的正常进站客流值和正常出站客流值更能够体现该地铁站点普遍的进站特性和出站特性,所以提取全部历史周期时间段内与异常进站客流值和异常出站客流值时间对应的正常进站客流值和正常出站客流值,并根据正常进站客流值和正常出站客流值计算特征进站值和特征出站值,最后将异常进站客流值和异常出站客流值替换为对应的特征进站值和特征出站值,本方案生成的客流数据连续,且相比于包含有异常进站客流值和异常出站客流值的历史客流数据,本方案中生成的客流数据质量更高,根据该客流数据对后续客流的预测效果更好。
实施例2:
如图4所示的,一种替换历史客流数据中异常客流数据的***,包括:
存储器;
一个或若干个处理器;
调用地铁站点的历史客流数据的数据调用模块;
根据历史客流数据计算特征客流数据的特征客流数据计算模块;
将历史客流数据中的异常客流数据替换为特征客流数据的异常客流数据替换模块。
具体的,所述特征客流数据计算模块包括:
根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值的特征进站值计算模块;
根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值的特征出站值计算模块。
具体的,所述将历史客流数据中的异常客流数据替换为特征客流数据的模块包括:
将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值的异常进站客流值替换模块;
将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值的异常出站客流值替换模块。
本实施例的工作原理:
本发明中,数据调用模块调用历史客流数据并将历史客流数据输出给特征客流数据计算模块;特征客流数据计算模块中的特征进站值计算模块和特征出站值计算模块根据历史客流数据计算特征进站值和特征出站值并将特征进站值和特征出站值输出至异常客流数据替换模块;异常客流数据替换模块中的异常进站客流值替换模块将历史客流数据中的异常进站客流数据替换为特征进站值,异常客流数据替换模块中的异常出站客流值替换模块将历史客流数据中的异常出站客流数据替换为特征出站值,相对于剔除历史客流数据中的异常客流数据,该***能够生成在时间上连续的客流数据。
实施例3:
本实施例从整体流程角度详细描述一种替换历史客流数据中异常客流数据的方法及***,如图1至图4所示:
本发明的技术方案包括一个调用历史客流数据的过程、一个计算特征客流数据的过程一个替换异常客流数据的过程,具体包括:
调用历史客流数据:数据调用模块调用历史时间段为140天的历史客流数据;
计算特征客流数据:特征客流数据计算模块将历史时间段分为20个连续且长度为7天的历史周期时间段;特征进站值计算模块将全部历史周期时间段中与异常进站时间段对应的正常进站时间段标记为特征进站时间段,调用全部特征进站时间段的正常进站客流值,判断全部特征进站时间段的正常进站客流值是否满足正态分布,若全部特征进站时间段的正常进站客流值满足正态分布,则计算全部特征进站时间段的正常进站客流值满足的正态分布的第一极大似然值,并将第一极大似然值赋值给特征进站值,若全部特征进站时间段的正常进站客流值不满足正态分布,则将全部特征进站时间段的正常进站客流值的中位数赋值给特征进站值;同理,特征出站值计算模块将历史时间段分为20个连续且长度为7天的历史周期时间段,将全部历史周期时间段中与异常出站时间段对应的正常出站时间段标记为特征出站时间段,调用全部特征出站时间段的正常出站客流值,判断全部特征出站时间段的正常出站客流值是否满足正态分布,若全部特征出站时间段的正常出站客流值满足正态分布,则计算全部特征出站时间段的正常出站客流值满足的正态分布的第二极大似然值,并将第二极大似然值赋值给特征出站值;若全部特征出站时间段的正常出站客流值不满足正态分布,则将全部特征出站时间段的正常出站客流值的中位数赋值给特征出站值。
替换异常客流数据:异常客流数据替换模块中的异常进站客流值替换模块将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值;异常客流数据替换模块中的异常出站客流值替换模块将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值。
从上述过程中可以看出,本发明通过根据历史客流数据中的正常客流数据计算特征客流数据,再将历史客流数据中的异常客流数据替换为特征客流数据,相比于直接剔除历史客流数据中的异常客流数据,本方案不仅能够提供在时间上连续的客流数据,同时数据质量更高。
可以理解的是,以上实施方式仅仅是为了说明本发明/发明的原理而采用的示例性实施方式,然而本发明/发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明/发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明/发明的保护范围。
Claims (10)
1.一种替换历史客流数据中异常客流数据的方法,其特征在于,包括以下步骤:
S1:调用地铁站点的历史客流数据,所述历史客流数据包括异常客流数据和正常客流数据;
S2:根据历史客流数据计算特征客流数据;
S3:将历史客流数据中的异常客流数据替换为特征客流数据。
2.根据权利要求1所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述历史客流数据包括历史时间段、在历史时间段内的任意时间段的进站客流值和出站客流值,所述异常客流数据包括进站客流值中的异常进站客流值、出站客流值中的异常出站客流值、异常进站客流值对应的异常进站时间段和异常出站客流值对应的异常出站时间段,所述正常客流数据包括进站客流值中的正常进站客流值、出站客流值中的正常出站客流值、正常进站客流值对应的正常进站时间段和正常出站客流值对应的正常出站时间段。
3.根据权利要求2所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述特征客流数据包括特征进站值和特征出站值,所述S2包括:
S21:根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值;
S22:根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值。
4.根据权利要求3所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述S21包括:
S211:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S212:将全部历史周期时间段中与异常进站时间段对应的正常进站时间段标记为特征进站时间段,调用全部特征进站时间段的正常进站客流值;
S213:判断全部特征进站时间段的正常进站客流值是否满足正态分布;
S214:若全部特征进站时间段的正常进站客流值满足正态分布,则计算全部特征进站时间段的正常进站客流值满足的正态分布的第一极大似然值,并将第一极大似然值赋值给特征进站值;若全部特征进站时间段的正常进站客流值不满足正态分布,则将全部特征进站时间段的正常进站客流值的中位数赋值给特征进站值。
5.根据权利要求4所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述S22包括:
S221:将历史时间段分为若干个连续且长度为客流周期的长度T的历史周期时间段;
S222:将全部历史周期时间段中与异常出站时间段对应的正常出站时间段标记为特征出站时间段,调用全部特征出站时间段的正常出站客流值;
S223:判断全部特征出站时间段的正常出站客流值是否满足正态分布;
S224:若全部特征出站时间段的正常出站客流值满足正态分布,则计算全部特征出站时间段的正常出站客流值满足的正态分布的第二极大似然值,并将第二极大似然值赋值给特征出站值;若全部特征出站时间段的正常出站客流值不满足正态分布,则将全部特征出站时间段的正常出站客流值的中位数赋值给特征出站值。
6.根据权利要求5所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述客流周期为从地铁站点进站的总人数与从地铁站点出站的总人数相等的最小时间间隔。
7.根据权利要求6所述的一种替换历史客流数据中异常客流数据的方法,其特征在于,所述S3包括:
S31:将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值;
S32:将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值。
8.一种替换历史客流数据中异常客流数据的***,其特征在于,包括:
存储器;
一个或若干个处理器;
一个或若干个模块,存储在存储器中并被配置成由所述一个或若干个处理器执行,所述一个或若干个模块包括:
调用地铁站点的历史客流数据的数据调用模块;
根据历史客流数据计算特征客流数据的特征客流数据计算模块;
将历史客流数据中的异常客流数据替换为特征客流数据的异常客流数据替换模块。
9.根据权利要求8所述的一种替换历史客流数据中异常客流数据的***,其特征在于,所述特征客流数据计算模块包括:
根据异常进站客流值、异常进站时间段、正常进站客流值和正常进站时间段计算特征进站值的特征进站值计算模块;
根据异常出站客流值、异常出站时间段、正常出站客流值和正常出站时间段计算特征出站值的特征出站值计算模块。
10.根据权利要求9所述的一种替换历史客流数据中异常客流数据的***,其特征在于,所述将历史客流数据中的异常客流数据替换为特征客流数据的模块包括:
将异常进站时间段的异常进站客流值替换为与异常进站时间段对应的特征进站值的异常进站客流值替换模块;
将异常出站时间段的异常出站客流值替换为与异常出站时间段对应的特征出站值的异常出站客流值替换模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553355.4A CN115565379B (zh) | 2022-12-06 | 2022-12-06 | 一种替换历史客流数据中异常客流数据的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553355.4A CN115565379B (zh) | 2022-12-06 | 2022-12-06 | 一种替换历史客流数据中异常客流数据的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115565379A true CN115565379A (zh) | 2023-01-03 |
CN115565379B CN115565379B (zh) | 2023-05-02 |
Family
ID=84769817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211553355.4A Active CN115565379B (zh) | 2022-12-06 | 2022-12-06 | 一种替换历史客流数据中异常客流数据的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565379B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593976A (zh) * | 2013-11-28 | 2014-02-19 | 青岛海信网络科技股份有限公司 | 基于检测器确定道路交通状态的方法及*** |
CN104021430A (zh) * | 2014-06-12 | 2014-09-03 | 东南大学 | 一种城市轨道交通站点客流不确定性分析方法 |
CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及*** |
CN107992449A (zh) * | 2017-12-05 | 2018-05-04 | 北京工业大学 | 一种基于低秩表示的地铁异常流量检测方法 |
JP2018088225A (ja) * | 2016-11-28 | 2018-06-07 | 日本コントロールシステム株式会社 | ガウシアンフィッティングを利用したアナログ波形データに対する異常値抽出システム及び方法 |
CN108154342A (zh) * | 2017-12-25 | 2018-06-12 | 苏州大学 | 基于云存储的智能公交数据协同方法及其*** |
CN108399277A (zh) * | 2018-01-24 | 2018-08-14 | 华南理工大学 | 一种基于温度与应变关联性的桥梁损伤识别方法 |
CN109543268A (zh) * | 2018-11-14 | 2019-03-29 | 大连理工大学 | 基于kriging模型的TBM推进力主要影响因素的识别方法 |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN109726198A (zh) * | 2018-12-06 | 2019-05-07 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
US20190311301A1 (en) * | 2018-04-10 | 2019-10-10 | Ebay Inc. | Dynamically generated machine learning models and visualization thereof |
CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及*** |
CN112699946A (zh) * | 2020-12-31 | 2021-04-23 | 湖南工商大学 | 一种针对传感监测数据的异常检测方法、装置及相关设备 |
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、***、终端设备及介质 |
CN113076349A (zh) * | 2020-01-06 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 数据异常检测方法、装置、***及电子设备 |
CN113987944A (zh) * | 2021-10-29 | 2022-01-28 | 成都智元汇信息技术股份有限公司 | 基于Prophet模型的地铁进站客流预测方法及装置 |
CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
WO2022134692A1 (zh) * | 2020-12-25 | 2022-06-30 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及*** |
CN115204478A (zh) * | 2022-06-30 | 2022-10-18 | 北京航空航天大学 | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 |
-
2022
- 2022-12-06 CN CN202211553355.4A patent/CN115565379B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593976A (zh) * | 2013-11-28 | 2014-02-19 | 青岛海信网络科技股份有限公司 | 基于检测器确定道路交通状态的方法及*** |
CN104021430A (zh) * | 2014-06-12 | 2014-09-03 | 东南大学 | 一种城市轨道交通站点客流不确定性分析方法 |
CN105224999A (zh) * | 2015-09-10 | 2016-01-06 | 北京市交通信息中心 | 基于afc数据的城市轨道交通实时客流预测方法及*** |
JP2018088225A (ja) * | 2016-11-28 | 2018-06-07 | 日本コントロールシステム株式会社 | ガウシアンフィッティングを利用したアナログ波形データに対する異常値抽出システム及び方法 |
CN107992449A (zh) * | 2017-12-05 | 2018-05-04 | 北京工业大学 | 一种基于低秩表示的地铁异常流量检测方法 |
CN108154342A (zh) * | 2017-12-25 | 2018-06-12 | 苏州大学 | 基于云存储的智能公交数据协同方法及其*** |
CN108399277A (zh) * | 2018-01-24 | 2018-08-14 | 华南理工大学 | 一种基于温度与应变关联性的桥梁损伤识别方法 |
US20190311301A1 (en) * | 2018-04-10 | 2019-10-10 | Ebay Inc. | Dynamically generated machine learning models and visualization thereof |
CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及*** |
CN109543268A (zh) * | 2018-11-14 | 2019-03-29 | 大连理工大学 | 基于kriging模型的TBM推进力主要影响因素的识别方法 |
CN109726198A (zh) * | 2018-12-06 | 2019-05-07 | 中科恒运股份有限公司 | 异常数据处理方法及装置 |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN110046764A (zh) * | 2019-04-12 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 预测客流量的方法及装置 |
CN112734072A (zh) * | 2019-10-28 | 2021-04-30 | 深圳市中电软件有限公司 | 电力负荷预测方法、***、终端设备及介质 |
CN113076349A (zh) * | 2020-01-06 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 数据异常检测方法、装置、***及电子设备 |
WO2022134692A1 (zh) * | 2020-12-25 | 2022-06-30 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及*** |
CN112699946A (zh) * | 2020-12-31 | 2021-04-23 | 湖南工商大学 | 一种针对传感监测数据的异常检测方法、装置及相关设备 |
CN113987944A (zh) * | 2021-10-29 | 2022-01-28 | 成都智元汇信息技术股份有限公司 | 基于Prophet模型的地铁进站客流预测方法及装置 |
CN113988477A (zh) * | 2021-11-26 | 2022-01-28 | 西安化奇数据科技有限公司 | 基于机器学习的光伏功率短期预测方法、装置及存储介质 |
CN115204478A (zh) * | 2022-06-30 | 2022-10-18 | 北京航空航天大学 | 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法 |
Non-Patent Citations (12)
Title |
---|
XIAO WANG: "The Short-Term Passenger Flow Forecasting of Urban Rail Transit Based on Holt-Winters" Seasonal Method", 《2019 4TH INTERNATIONAL CONFERENCE ON ELECTROMECHANICAL CONTROL TECHNOLOGY AND TRANSPORTATION (ICECTT)》 * |
刘杰等: "城市交通枢纽短期客流量的组合预测模型", 《交通信息与安全》 * |
卫铮铮: "基于客运大数据平台的铁路客流预测***" * |
周庆梅: "基于组合特征的地铁短时乘客流量预测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
孙同心等: "大数据背景下的高速公路流量预测实现", 《中国公共安全》 * |
张敏: "Meta回归模型的异常值识别", 《中国博士学位论文全文数据库 (基础科学辑)》 * |
张见: "AFC动态数据仓库应用***的关键技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
张豪杰: "基于HHT的电力负荷影响因素分析及预测" * |
张豪杰: "基于HHT的电力负荷影响因素分析及预测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
李瀚文: "基于时序分解和LSTM神经网络的城市轨道交通短时客流预测" * |
王佳琳: "基于深度学习模型的城市轨道交通短时客流预测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
蒲斌等: "基于神经网络的海量GPS数据交通流量预测", 《云南大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115565379B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110901710B (zh) | 基于动态客流的城市轨道交通行车调度方法及装置 | |
Shi et al. | Operations design of modular vehicles on an oversaturated corridor with first-in, first-out passenger queueing | |
CN110084505A (zh) | 一种基于客流的智能排班方法及装置、移动端设备、服务器 | |
CN111325410A (zh) | 基于样本分布的通用故障预警***及其预警方法 | |
CN110803204B (zh) | 一种保持高速列车运行稳定性的在线控制方法 | |
KR102504273B1 (ko) | Drt요청정보 클러스터링 배차 방법 및 시스템 | |
CN115565379A (zh) | 一种替换历史客流数据中异常客流数据的方法及*** | |
CN113987944A (zh) | 基于Prophet模型的地铁进站客流预测方法及装置 | |
CN111915920A (zh) | 一种基于云计算的智慧城市公共交通***建设协调管理*** | |
CN109552370B (zh) | 基于客流量的列车运行图生成方法 | |
CN117520785A (zh) | 一种基于大数据分析的工业品智能决策支持***及方法 | |
CN112465177A (zh) | 一种基于大数据分析的公交线路优化***及方法 | |
CN103905381A (zh) | 电表实现波特率自适应通信的方法 | |
CN112580962A (zh) | 一种基于智慧城市的交通优化调度***及方法 | |
CN110705802A (zh) | 一种基于多因素分段的配电网柔性负荷预测方法 | |
CN112389445A (zh) | 车辆驾驶调控方法、装置、车载设备及可读存储介质 | |
CN110920695B (zh) | 基于互联互通的车辆配置优化方法及装置 | |
CN115880936A (zh) | 一种应用于公交异常客流智能调度的仿真***及方法 | |
CN114912854A (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
CN114021796A (zh) | 城市轨道交通控流方法、装置及非易失性存储介质 | |
CN108009682A (zh) | 一种基于mes大数据下的工站工艺动态分布方法及*** | |
CN113971467A (zh) | 一种基于bp神经网络的车辆信号设备智能运维方法 | |
CN114066038A (zh) | 一种地铁客流的预测方法及*** | |
CN113780682A (zh) | 基于故障标志物的轨道交通***业务故障预测方法 | |
CN113393029A (zh) | 一种轨交客流量的预测方法和设备 |
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 |