CN105404934B - 一种基于条件随机场的城市人口移动数据模型分析方法 - Google Patents
一种基于条件随机场的城市人口移动数据模型分析方法 Download PDFInfo
- Publication number
- CN105404934B CN105404934B CN201510765333.8A CN201510765333A CN105404934B CN 105404934 B CN105404934 B CN 105404934B CN 201510765333 A CN201510765333 A CN 201510765333A CN 105404934 B CN105404934 B CN 105404934B
- Authority
- CN
- China
- Prior art keywords
- station
- passenger flow
- passenger
- data
- time
- 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
- 238000013499 data model Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 36
- 238000005381 potential energy Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012887 quadratic function Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 claims description 2
- 230000003203 everyday effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种基于条件随机场的城市人口移动数据模型分析方法。该方法包括:根据轨道交通历史客流OD数据以及相关的天气数据,建立对每个站点到其它站点的客流比例的预测模型;输入实时天气数据预测出各个站点到其它站点的客流分配比例,获取乘客进站数据依据客流分配比例预测乘客出站站点;模拟各个乘客出行情况,计算轨道交通路网客流分布。该方法将地铁客流与天气因素关联,准确的建立了乘客出行选择与天气因素的关联关系,挖掘轨道交通客流变化的内在因素,实现对轨道交通客流更加更高精度的预测。
Description
技术领域
本发明提出了一种基于条件随机场的城市人口移动数据模型分析方法,该方法结合天气因素分析城市居民通过地铁移动的目的地分布。该方法将轨道交通客流和天气数据关联,预测各个OD对客流量,然后归一化得到出站概率向量来表示居民出站点即居民移动目的地分布,而后依据实时刷卡数据和轨道交通基础数据模拟乘客出行,统计出轨道交通网络全路网客流分布。本发明旨在挖掘轨道交通客流与天气因素的相关关系,分析天气因素对城市人口移动的影响,预测城市居民通过地铁去往的目的地分布。
背景技术
现在人们越来越重视健康出行,在出行时对室外空气质量的考虑越来越看重,因此城市人口移动受到天气因素越来越大的影响。现在在分析城市人口移动、预测乘客出行目的地方面,大多数客流预测算法只是考虑算法客流序列自身的特征,而没有与影响客流变化的因素结合,因此本专利申请在图模型的基础上结合客流序列与天气因素对乘客出站进行预测,以达到分析城市人口通过地铁移动的分布的目的。同时,在预测乘客出站的基础上提出一种统计客流分布的方法,即时计算路网客流分布。
发明内容
本发明的目的在于提出一种基于条件随机场的城市人口移动数据模型分析方法。该方法将轨道交通客流和天气因素关联,结合历史客流数据和天气数据,预测各个站点到其它站点的出站概率向量,然后对于乘客实时刷卡数据,预测乘客的出站点和出行路径,并模拟乘客出行,统计轨道交通网络客流分布。这种算法将轨道交通客流与天气因素关联,更加准确的预测乘客的出站点和全路网客流分布。
本发明解决其技术问题所采取的技术方案是:通过历史数据训练模型得到客流预测模型,计算各个站点的出站概率向量,之后,通过对实时乘客进站数据进行模拟,统计全路网客流分布。首先将一天依据客流特征划分为n个时段,针对每个OD对建立客流预测模型,将天气数据和历史客流作为模型输入,预测出该OD对的客流序列;然后对每个站点,归一化其到其它站点的客流序列得到该站点的出站概率向量;最后实时获取乘客进站数据,预测乘客出站点和出行路径,对每条数据进行出行模拟,统计得到全路网各个站点的客流量和各辆列车上的客流量。
本发明的详细技术方案如下:一种基于条件随机场的城市人口移动数据模型分析方法包括两个步骤:
步骤一:预测站点到其它站点的出站概率向量:依据历史客流数据和天气数据训练条件随机场客流预测模型,输入天气数据预测每个OD对客流序列,归一化计算各个站点出站概率向量。
(1)条件随机场模型建立
见图2,将一天划分为n个时段,天气数据(温度、空气质量、是否下雨)X={x1,x2,...,xn}作为模型的输入数据,OD对客流数据Y={y1,y2,...,yn}作为模型的输出数据。模型中变量x和y包括两种相互关系,一种是观察变量和输出变量之间的关系,一种是输出变量之间的时间序列关系。
观察变量和输出变量之间的关系称为联合势能,采用二次的函数gt(yt,x;α,β)表示,表达式如下所示:
式中:
gt(yt,x;α,β):联合势能函数
zt:t时段是否下雨这一状态
vj:vj={1,2}分别表示下雨和不下雨两种状态
输出变量之间的关系称为相互势能,采用二次函数ft(yt,yt+1,x;λ)表示,表达式如下所示:
式中:
ft(yt,yt+1,x;λ):相互势能函数
zt:t时段是否下雨这一状态
vj:vj={1,2}分别表示下雨和不下雨两种状态
在联合势能函数和相互势能函数的基础上,条件随机场客流预测模型的条件概率p(y|x)的表达式为:
式中:
p(y|x;α,β,λ):条件随机场客流预测模型的条件概率
T:客流序列每天划分的时段数
依据历史客流数据和历史天气数据对模型的条件概率p(y|x;α,β,λ)使用梯度下降算法进行优化迭代得到模型的最优参数。
(2)预测OD对客流序列
由于乘客在出行时一般由进站点的天气因素影响,因此本发明提出的条件随机场模型将进站点的天气数据作为输入。在(1)中,本发明对各个OD对进行训练得到各自的参数,将天气数据输入可以得到站点O到站点Di的客流序列为因此本发明对各个OD对进行预测,得到每个OD对的客流序列。
(3)出站概率向量计算:对一个进站点在不同时间段归一化该站到其它站点的客流序列,计算出出站点概率向量;
出站概率向量计算方法如下:
对于一个站点O,输入天气数据预测从该站点到其它m个站点的客流序列分别为则在k时段,站点O到其它m个站点的客流向量为对客流向量进行归一化得到该站点在k时段到其它m个站点的客流比例,即其中表示k时段m个站点客流总和。该客流比例表明乘客从O站点出发到达其它站点的比例,对于一条乘客进站数据,该向量表示乘客去往其它各个站点的概率,即为站点O的出站概率向量。对每个计算其去往其它站点的出站概率向量,得到全路网站点的出站概率矩阵,用于预测乘客的出站站点。
步骤二:实时获取乘客进站数据,模拟乘客出行,统计轨道交通网络全路网客流分布。
(1)出站站点预测:依据刷卡记录时间所属的时间段,搜索该时间段进站点的出站向量,依据随机数所属的区间预测出站点;
(2)出行路径选择:对于一个记录的进展点和出站点,依据历史该OD对路径客流比例的统计数据,分配一条出行路径给该条记录。
(3)模拟乘客出行:以轨道交通基础数据(发车时间、行车速度等)和乘客的进站时间、预测的出站点,模拟乘客的在轨道网络中的出行情况。
(4)计算全路网客流分布:模拟每个乘客的出行,将乘客出行数据存入数据库,综合所有乘客的出行数据统计出轨道交通网络各个站点和列车的实时客流量。
其中,列车上实时客流量统计方法如下:
当乘客进站后到达站台,依据列车时刻表和列车运行时间计算出将要到达的列车i,则列车i的客流量fi=fi+1,当列车到达乘客的目的站点后乘客下车,列车的客流量为fi=fi-1。对每个乘客的出行,列车的客流量做如上的统计,依据乘客的出行状态变化,即可统计出列车上即时客流量。
其中,站点客流量统计方法如下:
车站的客流量为当前时刻车站内客流量,加上进入站点的客流量,减去离开站点的客流量,其中进站客流量包括刷卡进站客流量和从列车上下来进入站点的客流量,离开站点的客流量包括刷卡出站客流量和上车离开站点客流量,数学表达式如下:
式中:
优点及功效:本发明一种基于条件随机场的城市人口移动数据模型分析方法,实时预测乘客出站站点,在预测基础上模拟乘客出行情况并统计路网客流分布,其优点是:基于目前天气因素(如空气质量)对乘客出行影响越来越大,本发明将轨道交通客流与天气因素关联,从影响客流变化的内在因素出发,挖掘天气因素与客流的深层次关系,达到了提高预测乘客出站站点精确度和路网客流分布统计准确度度的目的。
附图说明
图1是基于条件随机场的城市人口移动数据模型的全过程流程图。
图2是基于条件随机场的城市人口移动数据模型示意图。
图中符号说明如下:
输入序列yi{i=1,2,...,n}表示在每天第i个时段OD对的客流量;输出序列xi{i=1,2,...,n}表示进站站点在第i个时段的天气数据,其中ti表示温度,ai表示空气质量,ri表示是否下雨。
具体实施方式
本发明是一种基于条件随机场的城市人口移动数据模型分析方法。该方法将轨道交通客流和天气因素关联,预测乘客出站站点,之后通过乘客出行模拟统计全路网客流分布。
实施方法包括两个步骤,分别是训练预测模型生成出站概率向量和实时数据预测出站点模拟出行。如图1、图2所示,具体步骤如下所示:
步骤一结合历史客流数据和天气数据,训练模型并生成出站概率向量
步骤一将历史每天的客流数据和天气数据每天划分为n个时段。将于轨道交通网络一个进站O到第i个站Di的客流数据依据划分的时段进行聚合,生成客流时间序列作为模型的输出变量,同时将天气数据(温度、空气质量、是否下雨)也同样生成时间序列X={x1,x2,...,xn}作为模型的输入序列,采用梯度下降算法对模型的参数进行优化得到模型的最优参数,即可得到进站O到其它出站Di的客流预测模型。在训练处客流预测模型后,在预测天,将当天的天气数据按时段生成天气数据时间序列输入模型,模型即可以计算出进站O到其它出站Di的客流序列对于轨道交通网络中,对每个站点进行模型训练和客流序列预测,获取轨道交通每个站点到其它站点的预测客流时间序列,将客流序列归一化计算得到出站概率向量。
步骤一包括训练模型和生成出站概率向量两个部分。
1.1训练模型
步骤1.1.3:重复步骤1.1.1和1.1.2对每个进站O和出站D训练模型
1.2出站概率向量计算
步骤二获取实时乘客刷卡数据,预测乘客出站,模拟乘客出行,统计轨道交通路网客流分布
步骤二首先实时获取乘客刷卡数据,利用步骤一计算的出站概率向量,预测乘客出站;利用历史统计数据,预测乘客走行路径;依据轨道交通列车发车时刻表和运行速度,模拟乘客在轨道交通网络中的出行情况;统计路网中列车上客流量和车站客流量。
2.1出站预测
2.2路径预测
2.2.1统计历史数据中站点O到站点D这一OD对l条路径{Path1,Path2,...,Pathl}中各条路径乘客的比例{ra1,ra2,...,ral};
2.2.2生成随机数r,预测乘客选择的路径Path;
2.3模型乘客出行
2.3.1依据乘客的刷卡时间t0和车站闸机到站台的距离,计算乘客到站台的时间t1;
2.3.2依据列车时刻表和乘客到达站台的时间t1计算乘客上车的列车
2.3.3依据列车速度计算列车到达各个站点的时间,即乘客到达站点的时间
2.4统计路网中列车上客流量和车站客流量
2.4.1列车上实时客流量统计方法如下:
当乘客进站后到达站台,依据列车时刻表和列车运行时间计算出将要到达的列车i,则列车i的客流量fi=fi+1,当列车到达乘客的目的站点后乘客下车,列车的客流量为fi=fi-1。对每个乘客的出行,列车的客流量做如上的统计,依据乘客的出行状态变化,即可统计出列车上即时客流量。
2.4.2站点客流量统计方法如下:
车站的客流量为当前时刻车站内客流量,加上进入站的客流量,减去离开站点的客流量,其中进站客流量包括刷卡进站客流量和从列车上下来进入站点的客流量,离开站点的客流量包括刷卡出站客流量和上车离开站点客流量,数学表达式如下:
式中:
Claims (3)
1.一种基于条件随机场的城市人口移动数据模型分析方法,其特征在于:它包括两个步骤:
步骤一:预测站点到其它站点的出站概率向量:依据历史客流数据和天气数据训练条件随机场客流预测模型,输入天气数据预测每个OD对客流序列,归一化计算各个站点出站概率向量;
(1)条件随机场模型建立
将一天划分为n个时段,天气数据即温度、空气质量、是否下雨X={x1,x2,...,xn}作为模型的输入数据,OD对客流数据Y={y1,y2,...,yn}作为模型的输出数据;模型中变量x和y包括两种相互关系,一种是观察变量和输出变量之间的关系,一种是输出变量之间的时间序列关系;
观察变量和输出变量之间的关系称为联合势能,采用二次的函数gt(yt,x;α,β)表示,表达式如下所示:
式中:
gt(yt,x;α,β):联合势能函数
zt:t时段是否下雨这一状态
vj:vj={1,2}分别表示下雨和不下雨两种状态
输出变量之间的关系称为相互势能,采用二次函数ft(yt,yt+1,x;λ)表示,表达式如下所示:
式中:
ft(yt,yt+1,x;λ):相互势能函数
zt:t时段是否下雨这一状态
vj:vj={1,2}分别表示下雨和不下雨两种状态
在联合势能函数和相互势能函数的基础上,条件随机场客流预测模型的条件概率p(y|x)的表达式为:
式中:
p(y|x;α,β,λ):条件随机场客流预测模型的条件概率
T:客流序列每天划分的时段数
依据历史客流数据和历史天气数据对模型的条件概率p(y|x;α,β,λ)使用梯度下降算法进行优化迭代得到模型的最优参数;
(2)预测OD对客流序列
由于乘客在出行时由进站点的天气因素影响,因此提出的条件随机场模型将进站点的天气数据作为输入,在(1)中,对各个OD对进行训练得到各自的参数,将天气数据输入得到站点O到站点Di的客流序列为因此对各个OD对进行预测,得到每个OD对的客流序列;
(3)出站概率向量计算:对一个进站点在不同时间段归一化该站点到其它站点的客流序列,计算出出站点概率向量;
出站概率向量计算方法如下:
对于一个站点O,输入天气数据预测从该站点到其它m个站点的客流序列分别为则在k时段,站点O到其它m个站点的客流向量为对客流向量进行归一化得到该站点在k时段到其它m个站点的客流比例,即其中表示k时段m个站点客流总和;该客流比例表明乘客从O站点出发到达其它站点的比例,对于一条乘客进站数据,该向量表示乘客去往其它各个站点的概率,即为站点O的出站概率向量;对每个计算其去往其它站点的出站概率向量,得到全路网站点的出站概率矩阵,用于预测乘客的出站站点;
步骤二:实时获取乘客进站数据,模拟乘客出行,统计轨道交通网络全路网客流分布;
(1)出站站点预测:依据刷卡记录时间所属的时间段,搜索该时间段进站点的出站向量,依据随机数所属的区间预测出站点;
(2)出行路径选择:对于一个记录的进展点和出站点,依据历史该OD对路径客流比例的统计数据,分配一条出行路径给该条记录;
(3)模拟乘客出行:以轨道交通基础数据发车时间、行车速度和乘客的进站时间、预测的出站点,模拟乘客的在轨道网络中的出行情况;
(4)计算全路网客流分布:模拟每个乘客的出行,将乘客出行数据存入数据库,综合所有乘客的出行数据统计出轨道交通网络各个站点和列车的实时客流量。
2.根据权利要求1所述的一种基于条件随机场的城市人口移动数据模型分析方法,其特征在于:步骤二中(4)所述的列车的实时客流量统计方法如下:
当乘客进站后到达站台,依据列车时刻表和列车运行时间计算出将要到达的列车i,则列车i的客流量fi=fi+1,当列车到达乘客的目的站点后乘客下车,列车的客流量为fi=fi-1;对每个乘客的出行,列车的客流量做如上的统计,依据乘客的出行状态变化,即统计出列车上即时客流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510765333.8A CN105404934B (zh) | 2015-11-11 | 2015-11-11 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510765333.8A CN105404934B (zh) | 2015-11-11 | 2015-11-11 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404934A CN105404934A (zh) | 2016-03-16 |
CN105404934B true CN105404934B (zh) | 2021-11-23 |
Family
ID=55470407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510765333.8A Active CN105404934B (zh) | 2015-11-11 | 2015-11-11 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404934B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447586A (zh) * | 2016-09-27 | 2017-02-22 | 南京国电南自轨道交通工程有限公司 | 一种地铁车站付费区实时客流计算方法 |
EP3690843A4 (en) | 2017-09-29 | 2020-08-12 | Fujitsu Limited | ESTIMATE PROGRAM, ESTIMATE DEVICE, AND ESTIMATE METHOD |
CN110751102B (zh) * | 2019-10-22 | 2023-12-22 | 天津财经大学 | 京津冀三地机场客流关联性分析方法及装置 |
CN111091196B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 客流数据确定方法、装置、计算机设备和存储介质 |
CN110991607B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
CN117314504B (zh) * | 2023-11-28 | 2024-03-29 | 智达信科技术股份有限公司 | 一种公共交通客流预测方法及系统 |
CN117875518A (zh) * | 2024-03-06 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8015144B2 (en) * | 2008-02-26 | 2011-09-06 | Microsoft Corporation | Learning transportation modes from raw GPS data |
WO2014055939A1 (en) * | 2012-10-04 | 2014-04-10 | Huawei Technologies Co., Ltd. | User behavior modeling for intelligent mobile companions |
CN103065208B (zh) * | 2013-01-30 | 2016-02-03 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种虚实互动的交通疏散控制方案的优化方法及其系统 |
CN104537438B (zh) * | 2014-12-26 | 2018-03-02 | 国家电网公司 | 一种用电高峰的预测及监控方法 |
-
2015
- 2015-11-11 CN CN201510765333.8A patent/CN105404934B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105404934A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404934B (zh) | 一种基于条件随机场的城市人口移动数据模型分析方法 | |
CN109308543B (zh) | 基于ls-svm和实时大数据的地铁短期客流预测方法 | |
D’Acierno et al. | Methodology for determining dwell times consistent with passenger flows in the case of metro services | |
CN111369181B (zh) | 一种列车自主调度深度强化学习方法和装置 | |
CN104200286B (zh) | 一种城市轨道交通时刻表优化技术应用框架 | |
CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
Wang et al. | Data driven approaches for passenger train delay estimation | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN107018493A (zh) | 一种基于连续时序马尔科夫模型的地理位置预测方法 | |
CN110843870A (zh) | 一种非正常事件下高铁路网图定能力保持方法 | |
CN115018148A (zh) | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统 | |
CN106327867B (zh) | 一种基于gps数据的公交准点预测方法 | |
CN115100848B (zh) | 一种地面交通拥堵的出行溯源方法和系统 | |
CN115049156B (zh) | 一种交通线网运行图衔接优化方法、电子设备及存储介质 | |
CN107978153A (zh) | 一种基于空间向量自回归模型的多模式交通需求影响分析方法 | |
Zhu et al. | Estimating train choices of rail transit passengers with real timetable and automatic fare collection data | |
CN108564228A (zh) | 一种基于时序特征预测轨道交通od客流量的方法 | |
Zhang et al. | A simulation and machine learning based optimization method for integrated pedestrian facilities planning and staff assignment problem in the multi-mode rail transit transfer station | |
Yuan et al. | Propagation of train delays in stations | |
CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
CN110443422B (zh) | 基于od吸引度的城市轨道交通od客流预测方法 | |
Mou et al. | Predictive model of train delays in a railway system | |
TWI623920B (zh) | 車速預測方法 | |
Ghasedi et al. | Robust optimization of bus stop placement based on dynamic demand using meta heuristic approaches: a case study in a developing country | |
Tiong et al. | Real-time train arrival time prediction at multiple stations and arbitrary times |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |