CN117408436B - 一种公交线路站点之间客流人数估计方法及*** - Google Patents
一种公交线路站点之间客流人数估计方法及*** Download PDFInfo
- Publication number
- CN117408436B CN117408436B CN202311628523.6A CN202311628523A CN117408436B CN 117408436 B CN117408436 B CN 117408436B CN 202311628523 A CN202311628523 A CN 202311628523A CN 117408436 B CN117408436 B CN 117408436B
- Authority
- CN
- China
- Prior art keywords
- station
- passenger flow
- stations
- passengers
- passenger
- 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 50
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及公共交通技术领域,提供一种公交线路站点之间客流人数估计方法及***,所述方法包括:获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;按日期类型和时段划分,对历史登降量客流数据进行分类,并假设每类数据各站点之间客流比例为一定值;根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;通过求解上述线性方程组,得到每类站点间客流比例;根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
Description
技术领域
本发明涉及公共交通技术领域,尤其涉及一种公交线路站点之间客流人数估计方法及***。
背景技术
对于公共交通服务行业,公交线路站点之间客流人数估计和预测对公共交通基础设施设置和资源动态分配至关重要,因为公交线路站点之间客流人数信息是最能体现乘客出行需求的量化信息,是公交服务存在的先决条件和最终目标。
根据大多数人的出行需求或满足特殊人群的出行需要,在一定的空间区域内,设置合理的场站位置和线路走向是公共交通服务的第一步,即线网规划。接下来需要根据每天不同时间段内公交线路站点之间客流人数估计,合理安排车次和人员,以最低的运营成本满足乘客的出行需求。因此,公交线路站点之间客流人数估计和预测对公交服务而言是根本驱动力,在不同阶段影响着公交服务的基础设施设置和资源动态调度。
现有的公交线路站点之间客流人数估计技术大多基于乘客刷卡或刷码数据结合车辆GPS等定位数据对每位乘客的上下车站点和时间进行估计,从而得到任意两个站点之间的客流人数估计信息。如果乘客上下车都有刷卡或刷码记录,而且都是在上下车的同时进行,相关的GPS定位数据质量也能够保障,计算公交线路站点之间客流人数并不难。但是,目前多数的公共交通车辆上只有上车刷卡数据,没有下车刷卡数据,往往需要根据乘客的上车刷卡数据及出行规律反推其下车站点,在考虑换乘的情况下建立每位乘客的出行链,再计算公交线路站点之间客流人数。这类算法的关键在于下车站点的准确推算。然而,现有的基于乘客刷卡刷码数据进行公交线路站点之间客流人数估计的方法需要依赖海量刷卡日志信息,对车载设备要求较高,数据处理的计算量较大、数据处理复杂,而且容易受到个别极端数据的影响,最终得到的结果仅代表当前时段,难以拓展应用。
此外,现有技术还有依赖乘客手机信令数据、车载监控视频数据以及车载WiFi和蓝牙设备进行多源数据融合,对乘客上下车行为进行监控和记录,对车载设备的要求比较高。由于乘客的个体需求差异性以及生物特征识别的复杂性,对每位乘客的每次上下车都进行监控记录是非常消耗资源的,而且对之后的数据分析处理也相对复杂。
发明内容
本发明主要解决现有的基于乘客刷卡刷码数据进行公交线路站点之间客流人数估计的方法需要依赖海量刷卡日志信息,对车载设备要求较高,数据处理的计算量较大等技术问题,提出一种公交线路站点之间客流人数估计方法及***,能够基于登降量客流数据对公共交通线路任意两个站点之间客流人数进行估计,基于约束最小二乘法求解任意两站之间客流人数占比,使计算更为简单高效并使计算结果不易受到偶然因素影响,更加稳定可靠。
本发明提供了一种公交线路站点之间客流人数估计方法,包括:
获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;
按日期类型和时段划分,对历史登降量客流数据进行分类,并假设每类数据各站点之间客流比例为一定值;
根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例;
通过求解上述线性方程组,得到每类站点间客流比例;
根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
优选的,所述的该类站点间客流比例,等价为某站点上车的乘客在该站点之后的其它站点下车的概率。
优选的,所述的每类站点间客流比例需要满足如下约束条件:
每个客流比例值均非负;
由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1。
优选的,所述的通过求解上述线性方程组,得到每类站点间客流比例,需要在满足所述的约束条件下求解。
优选的,利用约束最小二乘方法求解线性方程组得到每类站点间客流比例,得到满足所述约束条件的最小均方误差意义上的最优估计;
所述的利用约束最小二乘方法进行求解,可采用二次规划求解方法。
优选的,所述的根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数,包括:
给定站点的上车人数乘以相应站点间客流比例,获得相应站点间客流人数。
优选的,所述的公交线路站点之间客流人数估计方法,可按线路运营方向分为上行和下行分别进行计算,得到上行和下行两种情况下站点之间的客流人数。
对应的,本发明还提供一种公交线路站点之间客流人数估计***,包括:
数据获取模块,用于获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;
客流分类模块,用于按日期类型和时段划分,对历史登降量客流数据进行分类,并假设每类数据各站点之间客流比例为一定值;
客流建模模块,用于根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例;
客流比例求解模块,通过求解上述线性方程组,得到每类站点间客流比例;
客流人数估计模块,根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
本发明提供的一种公交线路站点之间客流人数估计方法及***,获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;对历史登降量客流数据进行适当分类,使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值;根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;通过求解上述线性方程组,得到每类站点间客流比例;根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
本发明基于约束最小二乘求解任意两站之间客流人数,相比现有相关技术计算更为简单高效,并且由于汇总了同类历史登降量客流数据进行拟合估计,计算结果不易受到偶然因素影响,更加稳定可靠,同时登降量客流数据获取的成本远低于同类技术中所需要的刷卡刷码甚至是刷脸数据。本发明所述的公共交通领域包括公路、铁路、民航、水运等所有载人公共交通运输方式,适用范围很广。
附图说明
图1是本发明实施例一提供的公交线路站点之间客流人数估计方法的实现流程图;
图2是本发明实施例三提供的公交线路站点之间客流人数估计***的模块示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
如图1所示,本发明实施例提供的公交线路站点之间客流人数估计方法,包括:
步骤1,获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间。
对于大部分客流人数估计应用而言,并不需要十分精确的公交线路站点之间客流人数,而是需要一定时间内特定区域或行驶路线内,大部分乘客的出行信息或者是出行规律,以便于安排车辆等资源满足这些出行需求。对于宏观的线网规划而言,更是不需要精确的乘客出行信息,只要存在某两地之间的出行需要,以及大致的出行量,就可以进行初步的线网规划或对现有线网进行调整。
所述历史登降量客流数据可以来源于公交车上记录员的手工记录,或车载客流计数器测量并记录的每站上下车人数及到站时间。本发明只需要获取每个车站上车和下车的总人数,即可对某条公交线路的站点之间客流人数进行分析,无需对每位乘客的具体上下车行为进行监控,无需依赖高精度车载监控设备以及复杂数据处理。
步骤2,按日期类型和时段划分,对历史登降量客流数据进行分类,使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值。
在本发明中,假设在一定条件下,按照日期类型和时段划分的同类时间范围内,比如每周一上午8点到10点之间。按日期类型和时段划分对历史登降量客流数据进行分类汇总。本发明可以对所有时段进行分析,还可以考虑不同日期类型、不同时段内乘客出行公交线路站点之间客流人数趋势不同的特点,根据一定规则对日期类型、时段进行划分(比如早晚高峰和平峰时段)。
具体地,在日期分类时,我们可将日期类型划分为工作日、法定节假日以及春夏秋冬四季对应的典型日期类型,进一步可以继续细分成普通工作日和首工作日、末工作日等,还可以考虑天气气候的变化以及重大活动对出行的影响,而将日期类型进一步细分。在时段划分时,每天的特定时段可以简单划分为早高峰时段、晚高峰时段和平峰时段,也可以根据实际历史登降量客流数据变化规律进一步细化分割;或者,按照一定时间间隔划分为一个时段。但考虑到车辆行驶的连续性,每个时段的长度至少应大于车辆的单程时长。
本发明考虑到大多数公交乘客出行的规律性,对历史登降量客流数据进行适当分类,使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值。比如早高峰期间上班族的出行具有很强的规律性,各种随机因素导致的上班族在公共交通车辆乘客中的占比也呈现一定的规律性,因此可以假设早高峰时段内某公交线路车辆在某两站点之间的客流人数与总客流人数之比为一定值。
所述的该类站点间客流比例,等价为某站点上车的乘客在该站点之后的其它站点下车的概率。
步骤3,根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组。
所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例,即某站点上车乘客在另一站点下车的概率。
具体的,每个站点下车人数=∑每个上游站点的上车人数*相应站点之间客流比例,所述相应站点之间客流比例指的是从某上游站点上车到当前站点下车的概率。
所述的每类站点间客流比例需要满足如下约束条件:
约束条件a、每个客流比例值均非负;
约束条件b、由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1。
步骤4,通过求解上述线性方程组,得到每类站点间客流比例。
所述的通过求解上述线性方程组,得到每类站点间客流比例,需要在满足所述的约束条件下求解。
利用约束最小二乘方法求解线性方程组得到每类站点间客流比例,得到满足所述约束条件的最小均方误差意义上的最优估计,获得各站点之间客流比例的最优估计值。
所述的利用约束最小二乘方法进行求解,可采用二次规划求解方法。
步骤5,根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
在本步骤中,所述的根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数,包括:
具体计算方法为给定站点的上车人数乘以相应站点间客流比例,获得相应站点间客流人数。
所述的公交线路站点之间客流人数估计方法,可按线路运营方向分为上行和下行分别进行计算,得到上行和下行两种情况下站点之间的客流人数估计值。
所述的公交线路站点之间客流人数估计方法,还可以用于对未来某时间内各站点之间客流人数进行预测,具体包括如下过程:
首先确定未来的具体时间所属的日期类型和时段划分,从而确定该时段的站点之间客流比例;
再根据某种预测方法预测该时间内各站点累计的乘车人数,具体可参考客流预测相关算法;
最后根据各站点的乘车人数预测值和按照本发明上述方法计算出的该时段各站点之间的客流比例,进一步得到各站点之间的客流人数预测值。
进一步的,本发明可以利用计算得到的站点间客流人数,对公共交通车辆后续的线网规划和运营调度进行修正和调整。比如对于客流较大的站点之间增加车辆发车密度,或者增发区间车,而对于客流较小的站点之间可以适当增大发车间隔,或者取消客流较少的站点并调整线路路径。
本发明获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;对历史登降量客流数据进行适当分类,使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值;根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;通过求解上述线性方程组,得到每类站点间客流比例;根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
本发明不仅降低了车载设备的总体成本和后续数据处理的难度,计算结果不易受到偶然因素影响,更加稳定可靠,同时登降量客流数据获取的成本远低于同类技术中所需要的刷卡刷码甚至是刷脸数据。
实施例二
本实施例以一个案例对本发明的实施过程和具体步骤进行说明:
假设某条公交线路共有如下ABCDE五个站点,按照某种日期分类和时段划分方式,某同类时段内有四个历史趟次的登降量客流数据,相应的各个站点的上下车人数如下:
表1 各站点上车人数和下车人数表
假设该时段内该公交线路各站点之间的客流比例是恒定不变但未知的,并假设为如下变量形式:
表2 各站点之间的客流比例变量形式
其中,Pij表示从第j站上车,到第i站下车的客流人数与第j站上车总人数之比。
根据假设,表1中的四个趟次客流均符合表2中的客流分布规律,因此基于每个站点下车人数=∑每个上游站点的上车人数*相应站点之间客流比例,我们可以得到如下等式关系:
根据定义,各站点之间客流比例还应满足如下约束条件:
其中,Pij≥0表示每个客流比例值均大于或等于0,表示任意站点上车的乘客均会在后续的下游站点中的某站下车,即从某站上车到后续车站下车的客流比例之和为1。
上述问题可以采用约束最小二乘方法,求解满足本实施例的约束条件(公式2)的客流比例最优估计,例如可以采用二次规划进行求解。
上述问题按照约束最小二乘方法,得到的最优客流比例估计值为:
可见上面得到的客流比例最优估计,能够满足本实施例的约束条件(公式2)的各个条件。
将上述求解得到的客流比例最优估计值代入表2,可得如下表格:
表3 各站点之间的客流比例最优估计值
进一步地,如果以每个站点的所有四个趟次的上车总人数为基数,可以得到各个站点的客流人数估计值(任意两个站点之间流动的客流人数估计值),即上车总人数乘以相应的客流比例的估计值,具体如下:
表4 各站点之间的客流人数估计值
对表4中数据进行说明:以A站上车E站下车人数估计4.6574为例,在A站上车的总人数*A站上车E站下车的客流比例估计值0.2218=4.6574。
其中,在A站上车的总人数=第一趟次A站上车人数5+第二趟次A站上车人数8+第三趟次A站上车人数1+第四趟次A站上车人数7=21。
本实施例得到A站上车D站下车人数估计为0,说明该时段从A站上车在D站下车的人数为0,同样地,从B站上车在E站下车的人数也为0,可以为线网调整提供客观依据。
实施例三
基于与实施例一中一种公交线路站点之间客流人数估计方法同样发明构思,本发明还提供了一种公交线路站点之间客流人数估计***,包括:
数据获取模块,用于获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;
客流分类模块,用于按日期类型和时段划分,对历史登降量客流数据进行分类,并假设每类数据各站点之间客流比例为一定值;
客流建模模块,用于根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例;
客流比例求解模块,通过求解上述线性方程组,得到每类站点间客流比例;
客流人数估计模块,根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数。
实施例一中的一种公交线路站点之间客流人数估计方法的说明和具体实例同样适用于本实施例的一种公交线路站点之间客流人数估计***,通过前述对一种公交线路站点之间客流人数估计方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种公交线路站点之间客流人数估计***的实施方法,所以为了说明书的简洁,再次不再详述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种公交线路站点之间客流人数估计方法,其特征在于,包括:
获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;
按日期类型和时段划分,对历史登降量客流数据进行分类,在日期分类时,将日期类型划分为工作日、法定节假日以及春夏秋冬四季对应的典型日期类型,进一步继续细分成普通工作日和首工作日、末工作日,天气气候的变化以及重大活动;在时段划分时,每天的特定时段可以简单划分为早高峰时段、晚高峰时段和平峰时段;或者,按照一定时间间隔划分为一个时段,每个时段的长度至少应大于车辆的单程时长;
使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值;
根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例;
具体的,每个站点下车人数=∑每个上游站点的上车人数*相应站点之间客流比例,所述相应站点之间客流比例指的是从某上游站点上车到当前站点下车的概率;
所述的每类站点间客流比例需要满足如下约束条件:
约束条件a、每个客流比例值均非负;
约束条件b、由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1;
通过求解上述线性方程组,得到每类站点间客流比例;
根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数;
所述的该类站点间客流比例,等价为某站点上车的乘客在该站点之后的其它站点下车的概率;
所述的每类站点间客流比例需要满足如下约束条件:
每个客流比例值均非负;
由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1;
所述的通过求解上述线性方程组,得到每类站点间客流比例,需要在满足所述的约束条件下求解;
利用约束最小二乘方法求解线性方程组得到每类站点间客流比例,得到满足所述约束条件的最小均方误差意义上的最优估计;所述的利用约束最小二乘方法进行求解,可采用二次规划求解方法。
2.根据权利要求1所述的公交线路站点之间客流人数估计方法,其特征在于,所述的根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数,包括:
给定站点的上车人数乘以相应站点间客流比例,获得相应站点间客流人数。
3.根据权利要求1所述的公交线路站点之间客流人数估计方法,其特征在于,所述的公交线路站点之间客流人数估计方法,可按线路运营方向分为上行和下行分别进行计算,得到上行和下行两种情况下站点之间的客流人数。
4.一种公交线路站点之间客流人数估计***,其特征在于,包括:
数据获取模块,用于获取某公交线路的历史登降量客流数据,所述历史登降量客流数据包括各站点的上下车人数以及到站时间;
客流分类模块,用于按日期类型和时段划分,对历史登降量客流数据进行分类,在日期分类时,将日期类型划分为工作日、法定节假日以及春夏秋冬四季对应的典型日期类型,进一步继续细分成普通工作日和首工作日、末工作日,天气气候的变化以及重大活动;在时段划分时,每天的特定时段可以简单划分为早高峰时段、晚高峰时段和平峰时段;或者,按照一定时间间隔划分为一个时段,每个时段的长度至少应大于车辆的单程时长;
使得每类数据的各站点上下车人数的比例分布较为接近,并假设每类数据各站点之间客流比例为一定值;
客流建模模块,用于根据每类数据各站点之间客流比例与该类历史登降量数据之间的定量关系,建立该类站点间客流比例的线性方程组;所述的建立该类站点间客流比例的线性方程组,如下:
利用的是每个站点下车人数等于该站点前面的各个站点上车总人数与上车站点到当前站点下车的概率乘积之和,其中各站点的上下车人数来源于历史登降量数据,未知量为各站点之间的客流比例;
具体的,每个站点下车人数=∑每个上游站点的上车人数*相应站点之间客流比例,所述相应站点之间客流比例指的是从某上游站点上车到当前站点下车的概率;
所述的每类站点间客流比例需要满足如下约束条件:
约束条件a、每个客流比例值均非负;
约束条件b、由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1;
客流比例求解模块,通过求解上述线性方程组,得到每类站点间客流比例;
客流人数估计模块,根据每类站点间客流比例和任意站点的上车人数,得到该站点与其后续站点之间的客流人数;
所述的该类站点间客流比例,等价为某站点上车的乘客在该站点之后的其它站点下车的概率;
所述的每类站点间客流比例需要满足如下约束条件:
每个客流比例值均非负;
由于最终每位乘客都将在某站点下车,则同一站点上车不同站点下车的各个客流比例之和为1;
所述的通过求解上述线性方程组,得到每类站点间客流比例,需要在满足所述的约束条件下求解;
利用约束最小二乘方法求解线性方程组得到每类站点间客流比例,得到满足所述约束条件的最小均方误差意义上的最优估计;
所述的利用约束最小二乘方法进行求解,可采用二次规划求解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628523.6A CN117408436B (zh) | 2023-12-01 | 2023-12-01 | 一种公交线路站点之间客流人数估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311628523.6A CN117408436B (zh) | 2023-12-01 | 2023-12-01 | 一种公交线路站点之间客流人数估计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408436A CN117408436A (zh) | 2024-01-16 |
CN117408436B true CN117408436B (zh) | 2024-03-26 |
Family
ID=89498207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311628523.6A Active CN117408436B (zh) | 2023-12-01 | 2023-12-01 | 一种公交线路站点之间客流人数估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408436B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN110197335A (zh) * | 2019-06-04 | 2019-09-03 | 湖南智慧畅行交通科技有限公司 | 一种基于概率od分布模型的下车站点人数计算方法 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
CN113643538A (zh) * | 2021-08-11 | 2021-11-12 | 昆山轨道交通投资置业有限公司 | Ic卡历史数据和人工调查数据融合的公交客流测算方法 |
WO2023065389A1 (zh) * | 2021-10-19 | 2023-04-27 | 航天物联网技术有限公司 | 一种基于公交多源数据分析的智能排班表生成方法 |
WO2023174240A1 (zh) * | 2022-03-14 | 2023-09-21 | 南京理工大学 | 一种公交客流检测方法及*** |
WO2023174187A1 (zh) * | 2022-03-12 | 2023-09-21 | 南京理工大学 | 一种电动公交协调优化调度方法 |
-
2023
- 2023-12-01 CN CN202311628523.6A patent/CN117408436B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN110197335A (zh) * | 2019-06-04 | 2019-09-03 | 湖南智慧畅行交通科技有限公司 | 一种基于概率od分布模型的下车站点人数计算方法 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
CN113643538A (zh) * | 2021-08-11 | 2021-11-12 | 昆山轨道交通投资置业有限公司 | Ic卡历史数据和人工调查数据融合的公交客流测算方法 |
WO2023065389A1 (zh) * | 2021-10-19 | 2023-04-27 | 航天物联网技术有限公司 | 一种基于公交多源数据分析的智能排班表生成方法 |
WO2023174187A1 (zh) * | 2022-03-12 | 2023-09-21 | 南京理工大学 | 一种电动公交协调优化调度方法 |
WO2023174240A1 (zh) * | 2022-03-14 | 2023-09-21 | 南京理工大学 | 一种公交客流检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117408436A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Christofa et al. | Person-based traffic responsive signal control optimization | |
CN103473620B (zh) | 综合客运枢纽多交通方式预测方法及*** | |
Shang et al. | Bus timetabling considering passenger satisfaction: An empirical study in Beijing | |
Bischoff et al. | Proactive empty vehicle rebalancing for Demand Responsive Transport services | |
CN110276474A (zh) | 一种城市轨道交通车站短时客流预测方法 | |
CN105427594A (zh) | 一种基于双向上车客流的公交断面客流量获取方法及*** | |
CN114037158A (zh) | 一种基于od路径的客流预测方法及应用方法 | |
CN112562377A (zh) | 一种基于随机机会约束的客运车辆实时调度方法 | |
Carrasco | Quantifying reliability of transit service in Zurich, Switzerland: case study of bus line 31 | |
CN109308539A (zh) | 实时估算轨道交通线网中换乘站的乘客滞留状态的方法 | |
Sánchez-Martínez et al. | Optimal allocation of vehicles to bus routes using automatically collected data and simulation modelling | |
Kato et al. | Latest urban rail demand forecast model system in the Tokyo Metropolitan Area | |
Wang et al. | Joint optimization for the locations of time control points and corresponding slack times for a bus route | |
Abolfathi et al. | Signalized intersection delay analysis using transit signal priority (TSP) and dedicated short-range communication (DSRC) system for bus rapid transit (BRT) | |
Mao et al. | On-demand vehicular fog computing for beyond 5G networks | |
Lin et al. | A prediction model to forecast passenger flow based on flight arrangement in airport terminals | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
CN117408436B (zh) | 一种公交线路站点之间客流人数估计方法及*** | |
Kho et al. | A development of punctuality index for bus operation | |
Chin et al. | Nonadditive public transit fare pricing under congestion with policy lessons from a case study in Toronto, Ontario, Canada | |
Wood | A framework for measuring passenger-experienced transit reliability using automated data | |
CN116153060A (zh) | 一种应用于智能公交的乘客周期性行为模式的需求响应车辆调度方法及*** | |
Beaudoin et al. | Public transit investment and traffic congestion policy | |
CN109146113B (zh) | 乘车需求量预测方法及*** | |
Koster et al. | The user costs of air travel delay variability |
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 |