KR101473103B1 - 개별통행자기반 교통수요예측시스템 - Google Patents
개별통행자기반 교통수요예측시스템 Download PDFInfo
- Publication number
- KR101473103B1 KR101473103B1 KR1020130070084A KR20130070084A KR101473103B1 KR 101473103 B1 KR101473103 B1 KR 101473103B1 KR 1020130070084 A KR1020130070084 A KR 1020130070084A KR 20130070084 A KR20130070084 A KR 20130070084A KR 101473103 B1 KR101473103 B1 KR 101473103B1
- Authority
- KR
- South Korea
- Prior art keywords
- activity
- individual
- traffic
- generating
- generation module
- Prior art date
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
- G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 교통존 기반의 분석방법에서 벗어나 개별통행자 기반으로 교통수요를 예측할 수 있는 개별통행자 기반 교통수요예측 시스템에 관한 것이다. 이를 위하여, 본 발명은 개별통행자 기반의 교통수요예측시스템에 있어서, 상기 교통수요예측시스템은 개별통행자의 활동계획데이터를 생성하는 활동계획데이터생성모듈 및 상기 활동계획데이터에 기초하여 노드와 링크로 구성된 가상의 지도상에서 교통량을 예측하는 교통시뮬레이션모듈을 포함하며, 상기 활동계획데이터생성모듈은, 각 개별통행자를 식별할 수 있는 개별통행자 식별자를 생성하는 개별통행자 식별자 생성모듈; 실측 교통량에 기초하여 상기 개별통행자의 출발지 및 목적지를 생성하는 활동좌표 생성모듈; 지역간 여객통행데이터에 기초하여 상기 개별통행자의 활동타입, 활동수단, 활동시간을 생성하는 활동내용 생성모듈을 포함하는 것을 특징으로 하는 개별통행자 기반 교통수요예측시스템을 제공한다.
본 발명에 의하면 수도권과 같은 넓은 지역에서 방대한 개별통행자의 데이터를 자동으로 생성하여 보다 정확하고 빠르게 실시간 교통수요 예측이 가능해 진다.
본 발명에 의하면 수도권과 같은 넓은 지역에서 방대한 개별통행자의 데이터를 자동으로 생성하여 보다 정확하고 빠르게 실시간 교통수요 예측이 가능해 진다.
Description
본 발명은 개별통행자 기반 교통수요예측 시스템에 관한 것이며, 구체적으로 교통존 기반의 분석방법에서 벗어나 개별통행자 기반으로 교통수요를 예측할 수 있는 개별통행자 기반 교통수요예측 시스템에 관한 것이다.
날로 복잡해져 가는 교통상황을 미리 예측하기 위하여 교통에 관한 방대한 데이터가 축적되고 이러한 데이터를 이용하여 교통상황을 예측하기 위한 시스템이 많이 연구되고 있다. 이러한 교통상황예측은 새로운 도로를 만든다든지 기존의 도로를 일부 폐쇄하였을 때의 교통상황을 미리 시뮬레이션하여 정책을 수립하는데 많은 도움을 준다.
현재, 국내 교통수요분석은 국가교통DB센터 또는 수도권교통본부에서 배포하는 교통존 기반의 O/D데이터(Origin/Destination data)와 네트워크를 활용하여 수행하고 있다.
종래 등록특허 제10-0865939호에 의하면, 차량감지기, CCTV카메라 등을 이용하여 수집되는 제1교통정보와, 제1교통정보를 통하여 생성한 과거이력 교통정보를 통계적 알고리즘을 이용하여 제2교통정보를 생성하고, 시뮬레이션 알고리즘을 통하여 제3교통정보를 생성한 후, 제1교통정보, 제2교통정보, 제3교통정보를 선택, 가공 또는 융합함으로써 미래의 교통상황을 예측할 수 있는 교통정보 안내시스템이 공개되어 있다.
하지만, 이러한 종래의 교통상황 예측시스템은 어느 지역(교통존)을 중심으로 한 교통상황을 분석하는 거시적인 교통수요분석이다. 따라서, 세부적인 네트워크를 표현하지 못하므로 개인 또는 가구단위의 통행패턴을 반영하지 못하는 단점이 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 기존 교통존의 거시적인 교통수요분석이 아닌 개별통행자(agent)기반의 활동기반 시뮬레이션을 활용하여 교통수요를 예측하는 시스템을 제공하기 위한 것이다.
상기한 목적을 달성하기 위하여 본 발명은 개별통행자 기반의 교통수요예측시스템에 있어서, 상기 교통수요예측시스템은 개별통행자의 활동계획데이터를 생성하는 활동계획데이터생성모듈 및 상기 활동계획데이터에 기초하여 노드와 링크로 구성된 가상의 지도상에서 교통량을 예측하는 교통시뮬레이션모듈을 포함하며, 상기 활동계획데이터생성모듈은, 각 개별통행자를 식별할 수 있는 개별통행자 식별자를 생성하는 개별통행자 식별자 생성모듈; 실측 교통량에 기초하여 상기 개별통행자의 출발지 및 목적지를 생성하는 활동좌표 생성모듈; 지역간 여객통행데이터에 기초하여 상기 개별통행자의 활동타입, 활동수단, 활동시간을 생성하는 활동내용 생성모듈을 포함하는 것을 특징으로 하는 개별통행자 기반 교통수요예측시스템을 제공한다.
상기 활동좌표 생성모듈은 지도상의 일정 구역을 복수 개의 세부구역으로 분할하고, 각 세부구역마다 거점좌표를 설정하는 단계; 상기 거점좌표를 중심으로 활동원을 생성하는 단계; 상기 활동원 내에서 임의의 복수 개의 활동좌표를 생성하는 단계; 상기 활동좌표에서 상기 링크에 가장 가까운 경로를 매핑하는 단계를 수행하는 것이 바람직하다.
여기서, 상기 활동좌표의 개수는 상기 세부구역의 하루 실측 통행량데이터를 2로 나누어 결정될 수 있다.
상기 개별통행자 식별자 생성모듈은 상기 출발지에 대한 존 코드 및 전수화계수를 조합하여 생성되는 것이 바람직하다.
본 발명에 의하면 수도권과 같은 넓은 지역에서 방대한 개별통행자의 데이터를 자동으로 생성하여 보다 정확하고 빠르게 실시간 교통수요 예측이 가능해 진다.
또한, 교통수요예측이 교통존에 한정되지 않으므로 어떤 지역단위에서도 적용이 가능하고, 공간적, 시간적으로 이전이 가능하며, 비용의 절감과 빠른 시간에 결과를 도출할 수 있으며, 교통계획의 개략적 평가에 적합하다.
도 1은 본 발명에 의한 개별통행자기반 교통수요예측시스템의 전체적인 구성을 나타내는 구성도;
도 2는 존 코드의 예를 나타내는 예시도;
도 3은 활동계획생성모듈에 의하여 활동좌표가 생성되는 과정을 설명하기 위한 설명도;
도 4는 지역간 여객통행 데이터를 나타내는 수단OD 및 목적OD의 예(수도권 교통본부 배포);
도 5는 가구통행실태조사 데이터를 나타내는 그래프;
도 6은 가구통행실태조사의 원 데이터;
도 7은 교통시뮬레이션모듈에 의한 수도권 교통시뮬레이션 결과를 나타내는 예시도.
도 2는 존 코드의 예를 나타내는 예시도;
도 3은 활동계획생성모듈에 의하여 활동좌표가 생성되는 과정을 설명하기 위한 설명도;
도 4는 지역간 여객통행 데이터를 나타내는 수단OD 및 목적OD의 예(수도권 교통본부 배포);
도 5는 가구통행실태조사 데이터를 나타내는 그래프;
도 6은 가구통행실태조사의 원 데이터;
도 7은 교통시뮬레이션모듈에 의한 수도권 교통시뮬레이션 결과를 나타내는 예시도.
본 발명의 실시예의 구성 및 작용에 대하여 첨부한 도면을 참조하여 상세하게 설명한다.
본 발명에 의한 개별통행자기반 교통수요예측시스템(100)은 활동계획데이터생성모듈(200) 및 교통시뮬레이션모듈(300)을 포함하여 구성된다.
상기 활동계획데이터생성모듈(200)은 개별통행자(agent)의 활동계획데이터를 생성하는 역할을 한다. 상기 활동계획데이터는 각 개별통행자마다 별개로 부여되는 데이터로서 각 개별통행자의 행동패턴의 기초가 되는 데이터이다.
본 실시예에서 개별통행자의 활동계획데이터는 개별통행자 식별자, 활동좌표, 활동내용을 포함하며, 이러한 데이터들은 각각 개별통행자 식별자 생성모듈(210), 활동좌표 생성모듈(230), 활동내용 생성모듈(250)에서 생성된다.
상기 개별통행자 식별자 생성모듈(210)은 출발지에 대한 존 코드 및 전수화계수를 조합하여 생성된다.
구체적으로, 도 2를 참조하면, 상기 존 코드는 행정구역마다 일정 코드를 부여한 일종의 지역식별 데이터로서, 상기 개별통행자 식별자 생성모듈(210)은 이러한 존 코드 및 전수화계수를 조합하여 개별통행자 식별자(Agent ID)를 생성한다.
예를 들어, 서울특별시 종로구 청운동 집에서 동대문구 서울시립대로 통학하는 23번째의 개별통행자의 경우 상기 개별통행자 식별자 생성모듈(210)은 개별통행자기반 교통수요예측시스템 내에 저장되어 있는 존 코드로부터 데이터를 추출하여 "11015123"의 개별통행자 식별자를 생성한다.
이러한 식별자를 통해 자동으로 특정 개별통행자의 출발점을 알 수 있어 여러가지 개별통행자의 행동패턴 분석에 도움을 준다.
상기 활동좌표 생성모듈(230)은 개별통행자의 출발지 또는 목적지의 분포 및 개수를 결정하여 생성하는 역할을 한다. 사람들은 어느 한 지점에만 몰려 있는 것이 아니기 때문에 실제적으로 세부적인 시뮬레이션을 위해서는 개별통행자의 세부적인 분포 및 개수가 중요하다.
즉, 도 3(a)를 참조하면, 지도상에는 서울시 또는 인천시 등 일정 구역이 구 또는 동 등의 세부구역으로 분할되고, 노드 및 링크로 구성되는 네트워크가 형성된다. 이러한 네트워크는 개별통행자가 출발지에서 목적지로 이동하는 통로가 된다. 또한, 각 세부구역에는 거점좌표(X)가 설정된다. 이러한 거점좌표는 그 세부구역에서 인구밀도가 높은 지역으로 설정되는 것이 바람직하며, 구청이나 동사무소 등의 위치에 설정될 수 있다.
도 3(b)를 참조하면, 상기 활동좌표 생성모듈(230)에서는 상기 거점좌표를 중심으로 활동원을 생성한다. 상기 활동원은 개별통행자의 출발지 또는 목적지의 구체적인 위치가 분포할 지역을 나타낸다.
이러한 활동원의 크기는 실제 환경에 따라 적절히 조절될 수 있으며, 세부구역의 면적에 따라 변화되는 것이 바람직하다.
도 3(c)를 참조하면, 활동좌표 생성모듈(230)에서는 상기 활동원 내에서 임의의 위치에 활동좌표를 생성한다. 상기 활동좌표는 개별통행자의 출발지 또는 목적지를 의미한다. 이때, 활동좌표 생성모듈(230)은 실측 통행량데이터에 기초하여 활동좌표의 개수를 계산한다.
개별통행자의 개수는 개별통행자의 출발지에서 목적지까지 하루 동안 실측 통행량데이터와 동일하게 결정되는 것이 바람직하나, 발명자의 연구에 의하면 활동원 내에서 생성되는 개별통행자의 개수는 개별통행자의 출발지에서 목적지까지 실측 통행량데이터의 1/2로 충분하다.
즉, 실측 통행량데이터를 통해 1인당 하루 동안 이동하는 목적지는 거주하는 집을 제외하고 평균 2.38개로 분석되었다. 이것은 1인당 하루 동안 2군데 정도의 통행횟수를 가짐을 의미한다.
예를 들어, 위의 예에서 개별통행자 식별자 "11015123"은 서울특별시 종로구 청운동 집에서 동대문구 서울시립대로 등교하며, 평균적으로 보면 서울시립대에서 곧바로 다시 청운동 집으로 돌아가는 것이 아니라, 다른 목적지(예를 들어, 친구집)를 한군데 더 이동한 다음 청운동 집으로 돌아가는 것을 의미한다.
따라서, 전체적으로 보면, 출발지에서 목적지까지 생성되는 개별통행자는 출발지부터 목적지까지 이동하는 실측 통행량데이터의 50%~60% 정도로 하면 시뮬레이션 결과 실측 통행량데이터에 근접하는 결과를 얻을 수 있다.
도 4를 참조하면, 각 출발지에서 목적지까지 실측 통행량데이터의 예를 볼 수 있다. 여기서, 수단OD는 버스나 택시와 같은 교통수단에 따른 이동량을 나타내며, 목적OD는 출근, 쇼핑 등 이동목적에 따른 이동량을 나타낸다. 또한, O_zone은 출발지(Origin)의 존 코드를, D_zone은 목적지(Destination)의 존 코드를 나타낸다.
도 3(d)를 참조하면, 활동좌표 생성모듈(230)에서는 생성된 활동좌표에서 상기 링크에 가장 가까운 경로를 계산하여 매핑하게 된다. 이러한 단계를 거쳐 각 개별통행자의 세부적인 이동경로가 생성됨으로써, 단순히 지역기반의 거시적인 교통수요분석으로 표현하지 못하는 세부적인 네트워크를 표현할 수 있다.
한편, 상기 활동내용 생성모듈(250)은 개별통행자의 활동타입, 활동수단, 활동시간에 관한 데이터를 생성한다.
상기 활동타입은 개별통행자가 어떠한 목적으로 통행을 하는지를 나타내는 데이터이다. 즉, 활동타입은 출근, 등교, 학원, 쇼핑 등으로 구분될 수 있다. 또한, 상기 활동수단은 개별통행자가 어떠한 교통수단으로 이동을 하는지를 나타내는 데이터이다. 즉, 활동수단은 승용차, 도보, 버스, 지하철 등으로 구분될 수 있다. 이러한 활동타입이나 활동수단은 도 4와 같은 목적OD 데이터 또는 수단OD데이터를 활용할 수 있다.
한편, 활동내용생성모듈(250)은 개별통행자의 활동타입에 기초하여 활동시간을 결정한다. 상기 활동시간은 각 개별통행자가 이동하는 시간을 의미한다. 이러한 활동시간은 도 5 및 도 6과 같은 가구통행실태조사 데이터를 기초로 생성될 수 있다.
예를 들어, 어떤 개별통행자의 활동타입이 "출근"인 경우 활동내용생성모듈은 출근비율이 급격하게 높아지는 7시에서 8시 사이에 상기 개별통행자의 활동시간을 배정한다.
이러한 방법으로 활동계획데이터가 생성되면 상기 교통시뮬레이션모듈은 상기 활동계획데이터를 이용하여 도 7과 같이 링크를 따라 개별통행자의 흐름을 계산하여 보여주게 된다. 이러한 교통시뮬레이션모듈은 MATSim 등을 활용할 수 있다.
상기에서는 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100 : 개별통행자기반 교통수요예측시스템 200 : 활동계획데이터생성모듈
210 : 개별통행자 식별자 생성모듈 230 : 활동좌표 생성모듈
240 : 활동내용 생성모듈 300 : 교통시뮬레이션모듈
210 : 개별통행자 식별자 생성모듈 230 : 활동좌표 생성모듈
240 : 활동내용 생성모듈 300 : 교통시뮬레이션모듈
Claims (4)
- 개별통행자 기반의 교통수요예측시스템에 있어서,
상기 교통수요예측시스템은 개별통행자의 활동계획데이터를 생성하는 활동계획데이터생성모듈 및 상기 활동계획데이터에 기초하여 노드와 링크로 구성된 가상의 지도상에서 교통량을 예측하는 교통시뮬레이션모듈을 포함하며,
상기 활동계획데이터생성모듈은,
각 개별통행자를 식별할 수 있는 개별통행자 식별자를 생성하는 개별통행자 식별자 생성모듈;
실측 교통량에 기초하여 상기 개별통행자의 출발지 및 목적지를 생성하는 활동좌표 생성모듈;
지역간 여객통행데이터에 기초하여 상기 개별통행자의 활동타입, 활동수단, 활동시간을 생성하는 활동내용 생성모듈을 포함하며,
상기 활동좌표 생성모듈은
지도상의 일정 구역을 복수 개의 세부구역으로 분할하고, 각 세부구역마다 거점좌표를 설정하는 단계;
상기 거점좌표를 중심으로 활동원을 생성하는 단계;
상기 활동원 내에서 임의의 복수 개의 활동좌표를 생성하는 단계;
상기 활동좌표에서 상기 링크에 가장 가까운 경로를 매핑하는 단계를 수행하는 것을 특징으로 하는 개별통행자 기반 교통수요예측시스템. - 삭제
- 제1항에 있어서,
상기 활동좌표의 개수는 상기 세부구역의 하루 실측 통행량데이터를 2로 나누어 결정되는 것을 특징으로 하는 개별통행자 기반 교통수요예측시스템. - 제1항에 있어서,
상기 개별통행자 식별자 생성모듈은 상기 출발지에 대한 존 코드 및 전수화계수를 조합하여 생성되는 것을 특징으로 하는 개별통행자 기반 교통수요예측시스템.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020130060715 | 2013-05-29 | ||
KR20130060715 | 2013-05-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20140140468A KR20140140468A (ko) | 2014-12-09 |
KR101473103B1 true KR101473103B1 (ko) | 2014-12-15 |
Family
ID=52458334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020130070084A KR101473103B1 (ko) | 2013-05-29 | 2013-06-19 | 개별통행자기반 교통수요예측시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101473103B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104916134A (zh) * | 2015-06-09 | 2015-09-16 | 辽宁省交通规划设计院 | 一种基于多因子回归的区域公路主通道交通需求预测方法 |
KR20170038960A (ko) | 2015-09-30 | 2017-04-10 | 경희대학교 산학협력단 | 빅데이터 마이닝 기반의 활동정보 추출 장치 및 방법 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615360B (zh) * | 2018-05-08 | 2022-02-11 | 东南大学 | 基于神经网络的交通需求逐日演变预测方法 |
KR102441523B1 (ko) * | 2020-08-13 | 2022-09-07 | 현대오토에버 주식회사 | 수요기반 이동서비스를 위한 수요예측방법 |
KR102540494B1 (ko) | 2021-03-30 | 2023-06-05 | 서울시립대학교 산학협력단 | 이동수단 선택 장치 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208698A (ja) * | 2002-01-10 | 2003-07-25 | I Transport Lab Co Ltd | 交通情報提供システム及びその方法、交通情報提供プログラム |
KR20050072555A (ko) * | 2004-01-07 | 2005-07-12 | 삼성전자주식회사 | 예측 교통 정보 제공 시스템 및 그 방법 |
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
JP2012043095A (ja) * | 2010-08-17 | 2012-03-01 | Toyota Central R&D Labs Inc | 交通流計算装置及びプログラム |
-
2013
- 2013-06-19 KR KR1020130070084A patent/KR101473103B1/ko active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003208698A (ja) * | 2002-01-10 | 2003-07-25 | I Transport Lab Co Ltd | 交通情報提供システム及びその方法、交通情報提供プログラム |
KR20050072555A (ko) * | 2004-01-07 | 2005-07-12 | 삼성전자주식회사 | 예측 교통 정보 제공 시스템 및 그 방법 |
JP2009259158A (ja) * | 2008-04-21 | 2009-11-05 | Toyota Central R&D Labs Inc | 交通状態シミュレーション装置及びプログラム |
JP2012043095A (ja) * | 2010-08-17 | 2012-03-01 | Toyota Central R&D Labs Inc | 交通流計算装置及びプログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104916134A (zh) * | 2015-06-09 | 2015-09-16 | 辽宁省交通规划设计院 | 一种基于多因子回归的区域公路主通道交通需求预测方法 |
KR20170038960A (ko) | 2015-09-30 | 2017-04-10 | 경희대학교 산학협력단 | 빅데이터 마이닝 기반의 활동정보 추출 장치 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR20140140468A (ko) | 2014-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahman et al. | Analysis of bus travel time distributions for varying horizons and real-time applications | |
Swamy et al. | Hurricane evacuation planning using public transportation | |
Zheng et al. | Big data for social transportation | |
Zhao et al. | Estimation of passenger route choice pattern using smart card data for complex metro systems | |
Ali et al. | Travel behavior analysis using smart card data | |
Lu et al. | A review of big data applications in urban transit systems | |
Huang et al. | A mobility network approach to identify and anticipate large crowd gatherings | |
Ukkusuri et al. | A-rescue: An agent based regional evacuation simulator coupled with user enriched behavior | |
KR101473103B1 (ko) | 개별통행자기반 교통수요예측시스템 | |
Hager et al. | Agent-based modeling of traffic behavior in growing metropolitan areas | |
Anjum et al. | Modeling traffic congestion based on air quality for greener environment: an empirical study | |
Kazak et al. | Geo-dynamic decision support system for urban traffic management | |
Calabrò et al. | Integrating fixed and demand-responsive transportation for flexible transit network design | |
Suzumura et al. | A high performance multi-modal traffic simulation platform and its case study with the Dublin city | |
Yu et al. | Advanced multi-modal routing approach for pedestrians | |
Zenina et al. | TRIP-based transport travel demand model for intelligent transport system measure evaluation based on micro simulation | |
Jung et al. | Simulation framework for modeling large-scale flexible transit systems | |
D’Orso et al. | A GIS-based method to assess the pedestrian accessibility to the railway stations | |
Yang et al. | A cost function approach to the prediction of passenger distribution at the subway platform | |
Shin et al. | Activity-based TOD typology for seoul transit station areas using smart-card data | |
Zilske et al. | Building a minimal traffic model from mobile phone data | |
Ramachandran et al. | Intelligent safety transport framework for schools: A review of route planning and tracking systems | |
Morozov et al. | Assessment of spatial inequality through the accessibility of urban services | |
D’Apuzzo et al. | An exploratory step to evaluate the pedestrian flow in urban environment | |
Si et al. | Data-based sorting algorithm for variable message sign location: Case study of Beijing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20171123 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20181203 Year of fee payment: 5 |
|
R401 | Registration of restoration |