CN102867408B - 一种公交出行路线的选择方法 - Google Patents
一种公交出行路线的选择方法 Download PDFInfo
- Publication number
- CN102867408B CN102867408B CN201210342641.6A CN201210342641A CN102867408B CN 102867408 B CN102867408 B CN 102867408B CN 201210342641 A CN201210342641 A CN 201210342641A CN 102867408 B CN102867408 B CN 102867408B
- Authority
- CN
- China
- Prior art keywords
- trip
- value
- quantification
- factor
- delta
- 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.)
- Expired - Fee Related
Links
Images
Abstract
一种公交出行方案的选择方法,包括步骤:选择行程时间Trt、等待时间Twt、拥挤程度c和换乘次数H的至少一个作为出行方案考虑的因素;输入起点和终点,确定可能的出行方案,并对每个出行方案的换乘次数H进行计算;依据采集的出行数据,建立各因素的分析函数,采用线性回归的方法得到各个因素的指标量化值;构建出行方案分析模型,获得每个出行方案对应的综合指标量化值F;对综合指标量化值F按从高到低的顺序进行排序;确定F值最高的作为出行方案。
Description
技术领域
本发明涉及智能交通领域,更具体地涉及公交出行路线的分析方法和系统。
背景技术
为了减少能源消耗、改善城市环境、提高城市道路利用率,世界各国广泛推行“公交优先”政策,公交车次和公交站点不断增加。然而,由于往往不能获得全面的公交信息,乘客很难对公交出行方案做出有效的选择,造成了出行时间的浪费和交通成本的增加。为了减少乘客出行时对公交出行方案选择的盲目性,提高公交的服务水平,公交车乘客出行方案选择问题的研究很有意义。
目前掌握的资料显示,现行没有文献对结合乘客实际需求,并且综合考虑等待时间、行程时间、车内拥挤程度和换乘次数的多目标线性加权的公交出行的综合分析、选择系统。本系统的组成包括乘客实际需求的研究调查,公交车各个指标的选取,各指标计算的优化,各指标的归一化处理、综合分析、选择模型的建立和结合模型的手机查询软件开发。
对于公交车各个分指标的研究比较多,但基本集中在时间和换乘次数的预测。其中换乘次数主要是通过改进Dijkstra算法、数据库应用算法和加权最佳换乘法,建立满足乘客不同需求的路线查询最小换乘次数的模型(对于本方法的介绍可参照:吴优,漆冠男等:一种基于综合评价指标的城市公交线路查询系统[J].中国发展进程中的管理科学与工程,2008(1):688-691)。
对公交车路线的综合分析主要分为两类:第一类是通过层次分析法得到公交车在小高峰下的可靠性指标和舒适型指标,并由层次分析—模糊综合判定方法获得分析指标量化值,继而根据指标量化值建立乘客实际需求的分析数学模型(对于本方法的介绍可参照:缪立新,李强等.基于可靠性的城市公交乘客满意度评价模型[J].物流与采购研究.2009(36).)。第二类是智能公交出行模型,该模型采用由下而上三层结构,通过运用多标准分析的方法将公交多目标复杂因素转换成权值,同时给出了结合邻居节点查询技术的基础建模过程(对于本方法的介绍可参照:常飞,方钰等.一种新的智能公交出行建模方法及其实现[J].计算机技术与发展.2008,12:220-223.)。但是,这两类方法都有其不足。主要体现在:第一,这两类方法仅仅从理论方面对公交的指标进行综合分析,没有考虑乘客的实际需求,也没有结合实践程序和软件开发。第二,两类方法针对的主要是通过数学方法对各个自定的指标进行赋值,较为机械化和非人性化,没有采用实时的交通信息对分析进行调整的机制。因此,现有的公交出行方案对公交车指标的选取和权重赋值,完全没有结合乘客的实际需求的因素,导致实用性差,而不能用实时采集的信息对各个指标的权重进行修正,严重破坏了分析结果的可靠性。
在此背景下,研究一种既能满足乘客实际需求,又能提高公交利用率,减少能源消耗的方法和系统尤为迫切。
发明内容
针对现有方法没有结合乘客实际需求因素的局限性,以及没有充分利用采集的公交信息的现状,本发明所解决的技术问题是通过建立数据库信息以实现预测,并且建立公交出行方案分析模型,提供综合分析、选择公交出行路线的方案。不仅提高了公交信息的预测精度,而且满足乘客的实际需求。
为解决上述技术问题,本发明提供一种综合考虑多种因素,分析、选择公交出行路线的方法,包括以下步骤:
A.根据实际采集的数据,确定乘客出行最关心的因素,然后采用相关的数学方法和数学模型预测和计算各因素值。
B.引入指标量化的方法,建立了分析函数,采用线性回归的方法得出各个因素的指标量化值,将各个因素之间不能运算的单位转化为指标量化值的形式,实现不同单位间的运算。
C.结合乘客实际需求分配各个因素的权重,构建基于乘客实际需求的公交出行方案综合分析、选择模型,该模型对乘客出行因素的选择和公交出行方案的分析、选择均能取得较好的使用效果。
D.结合模型,开发基于移动终端平台的软件。
公交出行方案综合分析模型:
其中,Swt是关于乘客的等待时间(Waiting Time)理论值Twt的函数,表示乘客等待时间的指标量化值;Srt是关于乘客行程时间(Riding Time)Trt的函数,表示乘客行程时间的指标量化值;Sc是关于车内乘客密度ω的函数,表示车内拥挤(Crowding)程度的指标量化值;St是关于换乘次数H的函数,表示换乘(Transfer)次数的指标量化值。δ1、δ2、δ3、δ4分别取1或0,表示乘客是否选择该因素。
αwt、αrt、αc、αt表示的是各项指标的权重。本发明通过实际采集的数据计算出这四个参数的值,即为权重的默认值。例如,在实际采集的423组数据的基础上,得到各指标的权重(当四个因素全部考虑时),表1所示为αwt、αrt、αc、αt的权重。
本发明创新性地引入指标量化方法建立分析函数,实现不同单位间的运算。构建了基于乘客实际需求的公交出行方案综合分析模型。不仅能提高预测公交信息的精度,向乘客推荐出行方案,而且能够结合乘客的实际需求,满足乘客选择最佳的出行方案。如图7显示了本发明的安卓软件的部分界面。此外,本发明充分利用采集的公交信息,在继承现有技术优势的基础上开发出更加方便快捷且实用的技术,大大提高了公交信息的预测精度;通过线性回归方法得出各个因素的指标量化值,其中,由于曲线的连续性较大地提高了系统在计算各个因素指标量化值的正确性;结合乘客实际需求分配各个因素的权重,充分体现了乘客的需求,大大提高了本发明的实用性。
附图说明
图1为本发明的系统框架图;
图2为本发明的出行时间组成图;
图3为本发明行程时间分析函数的线性回归;
图4为本发明等待时间分析函数的线性回归;
图5为本发明拥挤程度分析函数的线性回归;
图6为本发明的换乘方法的流程图;
图7为本发明的安卓软件开发的部分界面。
具体实施方式
下面,结合附图,对本发明提供的公交出行路线的确定方法和系统的具体实现过程进行详细说明。
上面确定公交出行路线的方法中,步骤A包括:
A1.通过实际采集的数据确定选取等待时间、行程时间、拥挤程度和换
乘次数四个为出行方案分析所要考虑的主要因素;
A2.预测和计算各因素值。
1出行时间
出行时间包括行程时间和等待时间。其中行程时间包括路段行驶时间、
通过交叉口时间和站点停靠时间。
1.1行程时间
乘客行程时间为Trt=T路段+T交叉口+T站点。其中T路段为路段行驶时间,T交叉口为通过交叉口时间,T站点为站点停靠时间。根据采集的数据及乘客实际需求,将其转化为具体的数值,并将所有数值进行回归分析,得到指标量化函数(式(2)),根据计算得到的行程时间理论值Trt即可利用该函数将其转化为指标量化值:
Srt(Trt)=3×10-5Trt 3-0.0045Trt 2-0.241Trt+96.267 (2)
计算出行程时间值即可以得到其在当前行驶时间下的指标量化值。
1)路段行驶时间
即公交车以一定的速度在公路上行驶的时间,计算方法如下:
T路段(t)=ω1z1(t)+ω2z2(t)+ω3z3(t) (3)
其中,T路段是行驶时间的预测值;z1(t)是历史的路段行驶时间值(用移动平均法计算);z2(t)是当前公交车的速度(由三分钟内的数据得到)计算得来的时间值;z3(t)是由路段速度平均值(交管局提供)计算得来的时间值。
ω1.ω2.ω3是z1.z2.z3的权重值,满足ω1+ω2一ω3=1,由层次分析法得到其值如表2。
2)通过交叉口时间
通过交叉口时间以绝对时间的形式通过计算预测的时间和红灯周期得到。由于通过交叉口时间的不确定性,只能通过概率的方式取得公交车在某一路口各种情况下的通过交叉口时间的期望值。
3)通过站点时间
由于公交车的到达满足泊松流,公交车到达的时间间隔满足指数分布。经过统计与卡方检验,服务时间满足负指数分布。因此该服务系统即为M/M/1/∞型服务系统,顾客的相继到达时间服从参数为λ的负指数分布,服务台个数为1,服务时间服从参数为μ的负指数分布,系统空间无限,允许无限排队,忽略其他的影响因素,这是一类最简单的排队系统。因此计算出每一辆公交车在系统中的逗留时间为T站点,得到:
通过历史数据计算各站点(服务台)的μ和λ,加上出入站点时的加速减速时间即能够得到通过站点时间。
1.2等待时间Twt
乘客等待时间的预测方法是基于乘客行程时间预测实现的。
2拥挤程度
调查对象是运通公司的公交车辆,此类公交车具备GPS定位、上下车需要刷卡、刷卡数据通过网络发送到总机、自动识别站点并报站等特点。可以利用刷卡特点计算上下车人数差,这个差值就是公交车上刷卡上车的乘客数,而针对不刷卡而选择买票的乘客,可以通过调研数据统计得到修正系数κ,κ为总人数与刷卡人数的比值。
假设运通公交车内部有座位s个,有效站立面积A,在第i站上车刷卡人数Ui,下车刷卡人数Di,到达n站时车上的乘客数为Pn,不难得到:
当公交车座位满员时车上站立区的乘客密度为:
其中,公交车内部有坐位S个,有效站立面积A,在第i站上车刷卡人数为Ui,下车刷卡人数为Di,在车上的乘客数为P。
结合《城市建设系统指标解释》和《机动车运行安全技术条例》(GB7258-2004)中的相关规定,同时考虑到公交车销售行李票的标准是行李所占面积不小于0.25m2,不妨假设能够满足普通成年人最基本活动需求的面积最少为0.50m2,由此可以定义当每个乘客所占空间小于0.50m2即为“非常拥挤”。由层次分析法(如果是某个参考文献中对这个分析法进行了详细的说明,那么,将该文献的作者、题目、出版物、日期、参考页数在此列出。上面出现的一些类似问题以同样的方式解决),根据需要对拥挤程度分层次,如表3所示。
表3拥挤程度层次
在这里实际的拥挤程度与时间不同,不是预测值而是实际值的估计。为了使站立区的乘客密度ω与拥挤程度C相对应,我们引入拥挤程度函数c(ω),并使c=ω+1。
3换乘次数
本文利用基于广度优先的公交换乘搜索算法的技术关键(对于本方法的介绍可参照:王林,曹帅等.基于广度优先的城市公交出行线路选择[C].第一届中国智能计算大会论文集,洛阳,2008,8:61-64)。下面结合图6,对换乘次数不超过两次的换乘方案的处理步骤进行说明。
步骤1.输入始发站点O和目的站点D,将所有经过始发站点O的公交线路表示为数组O[i],将所有经过目的站点D的公交线路表示为数组D[j],判断在数组O[i]和D[j]中是否存在某一元素O(i)=D(j),如果存在即说明两站点之间存在直达车,选择该公交线路O(i)或者D(j),如果不存在表示需要换乘,进入步骤2;
步骤2.建立二维矩阵O[i,j]和D[i,j]计算一次换乘的路线,其中,O(t,j)表示公交线路O(i)所停靠的第j个站点,D(i,j)表示公交线路D(j)所停靠的第i个站点,判断在O[i,j]和D[i,j]中是否存在某一元素O(i,j)=D(i,j),如果存在,则说明两站点之间存在一次换乘方案,即乘坐O(i)公交线路,在第j个站点换乘公交线路D(j),如果不存在,表示需要二次或多次换乘,进入步骤3;
步骤3.建立二维矩阵O[i,j]和D[i,j]。O(i,j)表示公交线路O(i)所停靠的第j个站点,D(i,j)表示公交线路D(j)所停靠的第i个站点。将经过O(i,j)站点的公交线路存为M[k],公交线路M[k]所包含的站点存为T[k,t]。判断在T[k,t]和D[i,j]中是否存在某一元素T(k,t)=D(i,j),如果存在,则说明两站点之间存在两次换乘方案。即乘坐公交线路O(i)到第j个站点换乘公交线路M(k)到公交线路D(j)的第i个站点换乘公交线路D(j)即可。如果三维矩阵没有相同元素,说明存在二次以上的换乘,在此不做讨论。
所述步骤B包括:
B1.根据乘客的实际需求,得到某一状态的指标量化值;
B2.将各个状态的指标量化值对其进行非线性回归分析进而得到多项式函数式,即为指标量化函数。
B1的内容为:
人的情绪是随着环境的变化而变化的。当等待时间不断延长,心情会逐渐变坏;当车内变得拥挤,环境变得恶劣,情绪也会产生变化。
参考美国心理学家Douglas M.McNair所编制的心境量表(Profi1e ofMood States,POMS)对情绪进行分级,本文将乘客情绪变化分为6个层级,“开心”、“没感觉”、“无聊”、“不耐烦”、“烦躁”、“恼火”。引入指标量化的方法,建立的某一状态的指标量化的公式:
其中,θ表示对应状态点的指标量化值;ni表示选择某一情绪状态的人数;σi表示情绪状态i对应的指标量化值;i从“1”到“6”分别表示开心、没感觉、无聊等情绪层级;N表示调查的总人数即样本容量。
B2的内容为:
1)行程时间理论值Tpt的多项式函数:
Srt(Trt)=3×10-5Trt 3-0.0045Trt 2-0.2418Trt+96.267 (8)
根据计算得到的行程时间理论值Trt即可利用该函数Srt(Trt)将其转化为指标量化值。函数曲线如图3所示。
2)等待时间理论值Twt的多项式函数:
Swt(Twt)=-4×10-7Twt 6+6×10-5Twt 5-0.0038Twt 4+0.1154Twt 3-1.8066Twt 2+11.671Twt+68.663 (9)
根据计算得到的等待时间理论值Twt即可利用该函数Swt(Twt)将其转化为指标量化值。函数曲线如图4所示。
3)拥挤程度的指标量化函数:
Sc(c)=2.8167c3-22c2+40.683c+76.8 (10)
与时间类似,我们用同样的方法得到拥挤程度的指标量化函数:将拥挤程度分为“有座”、“无座但不拥挤”、“无座且拥挤”、“无座且非常拥挤”四个水平,而这四个水平对应的是函数曲线上四个状态的临界值即c分别等于1、2、3、4时所对应的拥挤程度。乘客的心理状态作为因变量仍定义为“开心”、“没感觉”、“无聊”等。通过回归分析即可得关于拥挤程度Y的函数,根据计算得到的拥挤程度理论值c即可利用该函数Sc(c)将其转化为指标量化值。如图3.5所示。
4)换乘次数指标量化表:
与得到时间和拥挤程度的指标量化函数类似,我们同样得到换乘次数的指标量化函数。由于换乘次数不会超过三次而且是整数,因此自变量是离散的。换乘次数的取值为0、1、2、3。通过采集的数据,我们得到的指标量化表,如表4所示。
表4换乘次数指标量化表
因为最少的换乘次数为零次,在实际情况中不可能有低于零次的换乘次数,因此要对最后的指标量化值结果做修正,如表5所示。
表5修正后的换乘次数指标量化表
如图7所示,是本发明的安卓软件开发的部分界面。在这个界面上,乘客首先根据需要对乘车等待时间、乘车时间、拥挤程度和换乘次数四个因素进行选择;然后,输入起点和终点;本系统根据乘客选择的因素和起点、终点,采用前面介绍的各种数学方法和数学模型预测和计算各因素值,建立分析函数,采用线性回归方法得出各因素值的指标量化值;结合乘客实际需求分配各个因素的权重,构建基于乘客实际需求的公交出行方案综合分析模型;考虑公交车当前速度、位置、路段信息、数据库获取历史数据,包括速度、通过交叉口实际信息和站点停靠时间信息等,对行程时间和等待时间进行预测;通过互联网获取车内乘客中刷卡的人数和历史值、车内座位数,运用修正系数对车内拥挤程度进行预测;将预测的数据发送至手机客户端,手机客户端根据权重和预测数据,通过综合评价模型针对每条公交路线得到一个指标量化值;对获得的指标量化值按从高到低的顺序进行排序,乘客根据需要选择合适的公交线路;如果需要导航的话,之后还进入地图导航步骤。
本发明中的公交不仅限于公共汽车,还包括地铁、城铁等其他公共交通工具。
Claims (2)
1.一种公交出行方案的选择方法,包括步骤:
选择行程时间Trt、等待时间Twt、拥挤程度c和换乘次数H的至少一个作为出行方案考虑的因素;
输入起点和终点,确定可能的出行方案,并对每个出行方案的换乘次数H进行计算;
针对每个出行方案,还进行:获取公交车当前速度、位置、路段信息、通过交叉口时间信息和站点停靠时间信息以对行程时间Trt和等待时间Twt进行预测,获取车内乘客中刷卡人数和历史值、车内座位数、修正系数信息以对拥挤程度c进行预测;
依据采集的出行数据,建立各因素的分析函数,采用线性回归的方法得到各个因素的指标量化值;其中,
行程时间Trt的指标量化值Srt为:
Srt(Trt)=3×10-5Trt 3-0.0045Trt 2-0.2418Trt+96.267 (1)
等待时间Twt的指标量化值Swt为:
Swt(Twt)=-4×10-7Twt 6+6×10-5Twt 5-0.0038Twt 4+0.1154Twt 3-1.8066Twt 2+11.671Twt+68.663 哪
拥挤程度c的指标量化值Sc为:
Sc(c)=2.8167c3-22c2+40.683c+76.8 (3)
换乘次数H取值为0、1、2或3,分别对应的换乘次数指标量化值St为100、92.2、83.8或70.9;
构建如下出行方案综合指标量化值F的分析模型:
其中,δ1、δ2、δ3、δ4分别取1或0,表示乘客是否选择该因素,αwt、αrt、αc、αt表示的是各项指标的权重,αwt=0.30,αrt=0.26,αc=0.27,αt=0.17;
根据上述出行方案分析模型,获得每个出行方案对应的综合指标量化值F;
对综合指标量化值F按从高到低的顺序进行排序;
用户根据实际需要选择综合指标量化值F最高的出行方案出行。
2.根据权利要求1的方法,其中,
行程时间Trt包括路段行驶时间、通过交叉口时间和站点停靠时间;
用户确定出行方案之后,进入地图导航步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210342641.6A CN102867408B (zh) | 2012-09-17 | 2012-09-17 | 一种公交出行路线的选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210342641.6A CN102867408B (zh) | 2012-09-17 | 2012-09-17 | 一种公交出行路线的选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102867408A CN102867408A (zh) | 2013-01-09 |
CN102867408B true CN102867408B (zh) | 2014-05-07 |
Family
ID=47446260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210342641.6A Expired - Fee Related CN102867408B (zh) | 2012-09-17 | 2012-09-17 | 一种公交出行路线的选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102867408B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822630B (zh) * | 2014-03-19 | 2016-12-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种公共交通工具的换乘导航方法及系统 |
CN104463364B (zh) * | 2014-12-04 | 2018-03-20 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN105894099A (zh) * | 2016-04-02 | 2016-08-24 | 北京东方车云信息技术有限公司 | 一种统一处理实时和预约请求的车辆调度方法及系统 |
CN107346457B (zh) * | 2016-05-06 | 2020-12-29 | 阿里巴巴(中国)有限公司 | 公交车线路分级方法、规划出行路线的方法以及装置 |
CN107545314B (zh) * | 2016-06-23 | 2020-12-15 | 阿里巴巴(中国)有限公司 | 公共出行路线的排序方法及装置 |
CN106295906A (zh) * | 2016-08-22 | 2017-01-04 | 万马联合新能源投资有限公司 | 一种基于深度学习的城市公交线路查询方法 |
CN106448133A (zh) * | 2016-08-30 | 2017-02-22 | 中原智慧城市设计研究院有限公司 | 基于客流量统计的云公交分析调度系统 |
CN107871265A (zh) * | 2016-09-28 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 订单拆分方案的处理方法、装置和系统 |
CN106297273B (zh) * | 2016-09-29 | 2019-11-26 | 百度在线网络技术(北京)有限公司 | 班车路线的处理方法及装置 |
CN106448135B (zh) * | 2016-09-30 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 公交路线推荐方法及装置 |
CN108106622A (zh) * | 2016-11-25 | 2018-06-01 | 北京嘀嘀无限科技发展有限公司 | 一种乘车路线规划方法及系统 |
CN108805370A (zh) * | 2017-04-26 | 2018-11-13 | 西门子公司 | 出行规划评价信息生成方法、装置及存储介质 |
CN108022022A (zh) * | 2017-12-20 | 2018-05-11 | 东南大学 | 一种基于出行舒适度的公交出行方案评价系统 |
CN108280210B (zh) * | 2018-01-31 | 2020-10-09 | 湖北工业大学 | 一种基于烟花算法的交通路线确定方法及系统 |
CN109147318A (zh) * | 2018-08-03 | 2019-01-04 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于交通枢纽客流疏散的交通方式舒适度判别系统 |
CN111627239B (zh) * | 2019-02-28 | 2022-08-09 | 腾讯大地通途(北京)科技有限公司 | 公共交通信息的显示方法、装置、设备及存储介质 |
CN110059861A (zh) * | 2019-03-22 | 2019-07-26 | 江苏大学 | 一种考虑拥挤度的公交线路选择方法及系统 |
CN110160547B (zh) * | 2019-05-30 | 2020-09-25 | 辽宁工业大学 | 一种基于大数据云计算的车辆导航系统及方法 |
CN110838240B (zh) * | 2019-11-11 | 2020-09-29 | 长安大学 | 基于双目体感识别技术的公交车发车间隔确定方法及系统 |
CN111256724A (zh) * | 2020-03-25 | 2020-06-09 | 交通运输部科学研究院 | 一种根据地铁拥挤度的公交地铁换乘路径规划方法 |
CN112819388B (zh) * | 2021-03-10 | 2022-03-04 | 西南交通大学 | 一种基于乘客需求重识别的长距离优先票额分配方法 |
CN112949926B (zh) * | 2021-03-10 | 2022-03-04 | 西南交通大学 | 一种基于乘客需求重识别的收入最大化票额分配方法 |
CN114333120A (zh) * | 2022-03-14 | 2022-04-12 | 南京理工大学 | 一种公交客流检测方法及系统 |
CN116665155B (zh) * | 2023-07-28 | 2023-10-10 | 山东北骏重工有限公司 | 一种基于图像处理技术的地下无轨人车的下车预警安全管理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10253376A (ja) * | 1997-03-14 | 1998-09-25 | Onishi Netsugaku:Kk | 最小コスト経路探索方法およびシステム |
EP1026649A2 (de) * | 1999-02-06 | 2000-08-09 | DaimlerChrysler AG | Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation |
JP2002183575A (ja) * | 2000-12-11 | 2002-06-28 | Sekisui Jushi Co Ltd | 交通手段選択システム |
CN101187996A (zh) * | 2007-10-08 | 2008-05-28 | 常飞 | 一种基于自适应骨干网的快速公交选线算法 |
CN101908275A (zh) * | 2010-07-27 | 2010-12-08 | 南京信息工程大学 | 基于多网络的公共交通优化出行方法 |
CN102110362A (zh) * | 2011-02-01 | 2011-06-29 | 世纪战斧节能环保技术(北京)有限公司 | 一种规划出行路线的处理方法及系统 |
CN102436466A (zh) * | 2011-09-09 | 2012-05-02 | 中国航天科工集团第三研究院第八三五八研究所 | 基于gis分类的公交换乘查询方法 |
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8467957B2 (en) * | 2008-06-11 | 2013-06-18 | Clever Devices, Ltd. | Method and apparatus for generating routes using real-time public transportation information |
-
2012
- 2012-09-17 CN CN201210342641.6A patent/CN102867408B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10253376A (ja) * | 1997-03-14 | 1998-09-25 | Onishi Netsugaku:Kk | 最小コスト経路探索方法およびシステム |
EP1026649A2 (de) * | 1999-02-06 | 2000-08-09 | DaimlerChrysler AG | Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformation |
JP2002183575A (ja) * | 2000-12-11 | 2002-06-28 | Sekisui Jushi Co Ltd | 交通手段選択システム |
CN101187996A (zh) * | 2007-10-08 | 2008-05-28 | 常飞 | 一种基于自适应骨干网的快速公交选线算法 |
CN101908275A (zh) * | 2010-07-27 | 2010-12-08 | 南京信息工程大学 | 基于多网络的公共交通优化出行方法 |
CN102110362A (zh) * | 2011-02-01 | 2011-06-29 | 世纪战斧节能环保技术(北京)有限公司 | 一种规划出行路线的处理方法及系统 |
CN102436466A (zh) * | 2011-09-09 | 2012-05-02 | 中国航天科工集团第三研究院第八三五八研究所 | 基于gis分类的公交换乘查询方法 |
CN102645220A (zh) * | 2012-05-21 | 2012-08-22 | 诚迈科技(南京)有限公司 | 智能出行方式实时规划推荐方法 |
Non-Patent Citations (4)
Title |
---|
伍雁鹏,等.一种公交网路最佳出行路线选择算法.《湖南科技学院学报》.2008,第29卷(第4期),第119-121页. * |
吴优,等.一种基于综合评价指标的城市公交线路查询系统.《中国发展进程中的管理科学与工程》.2008,第I卷第688-691页. * |
王林,等.基于广度优先的城市公交出行线路选择.《第一届中国智能计算大会论文集》.2008,第61-64页. * |
缪立新,等.基于可靠性的城市公交乘客满意度评价模型.《物流与采购研究》.2009,(第36期),第8-11页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102867408A (zh) | 2013-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
Lokhandwala et al. | Dynamic ride sharing using traditional taxis and shared autonomous taxis: A case study of NYC | |
Guan et al. | Simultaneous optimization of transit line configuration and passenger line assignment | |
Ma et al. | Large-scale demand driven design of a customized bus network: A methodological framework and Beijing case study | |
Sadhukhan et al. | Commuters’ perception towards transfer facility attributes in and around metro stations: experience in Kolkata | |
Scarinci et al. | Network design of a transport system based on accelerating moving walkways | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
Patel et al. | A stakeholders perspective on improving barriers in implementation of public bicycle sharing system (PBSS) | |
Xu et al. | A bi-level model to resolve conflicting transit priority requests at urban arterials | |
Liu et al. | Electric transit network design by an improved artificial fish-swarm algorithm | |
CN109214577A (zh) | 一种综合运输通道客运分担率预测方法 | |
Yang et al. | Multiagent reinforcement learning-based taxi predispatching model to balance taxi supply and demand | |
Ratrout et al. | A review of mode choice modelling techniques for intra-city and border transport | |
Ma et al. | Public transportation big data mining and analysis | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Zhou et al. | Metro station risk classification based on smart card data: A case study in Beijing | |
Shah et al. | Structural equation modelling for segmentation analysis of latent variables responsible for environment-friendly feeder mode choice | |
Zhang et al. | Travel time prediction of urban public transportation based on detection of single routes | |
Büchel et al. | Modeling conditional dependencies for bus travel time estimation | |
Chatterjee et al. | Travel demand forecasting for urban transportation planning | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测系统 | |
Csiszár | Model of multimodal mobility coordination and guiding system | |
Xing et al. | Recommendation of urban vehicle driving routes under traffic congestion: A traffic congestion regulation method considering road network equilibrium | |
Yu et al. | A dynamic line generation and vehicle scheduling method for airport bus line based on multi-source big travel data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140507 Termination date: 20140917 |
|
EXPY | Termination of patent right or utility model |