CN104217605B - 一种公交车到站时间测算方法和装置 - Google Patents
一种公交车到站时间测算方法和装置 Download PDFInfo
- Publication number
- CN104217605B CN104217605B CN201310214542.4A CN201310214542A CN104217605B CN 104217605 B CN104217605 B CN 104217605B CN 201310214542 A CN201310214542 A CN 201310214542A CN 104217605 B CN104217605 B CN 104217605B
- Authority
- CN
- China
- Prior art keywords
- numerical value
- section
- network model
- influence factor
- nerve network
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种公交车到站时间测算方法和装置。该方法包括:将每一条公交运行线路划分为多个运行部,分别建立对应的人工神经网络模型;针对每一个运行部,训练得到其对应的人工神经网络模型的参数值;确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的影响因素的当前值,并输入其对应的人工神经网络模型,得到与各个目标运行部对应的各人工神经网络模型的输出值,根据所有输出值得到公交车到达目标站的时间。该装置包括:划分模块,模型建立模块,第一人工神经网络模型处理模块,当前状态处理模块,第二人工神经网络模型处理模块以及测算模块。本发明能够使得测算出的公交车到站时间更为准确。
Description
技术领域
本发明涉及信息处理技术,特别是涉及一种公交车到站时间测算方法和装置。
背景技术
随着城市智能交通的发展,城市交通运营管理和服务信息化水平已经得到很大提高,但对于公交系统,公交到站预测仍然是难点和重点,对公交到站的准确预测直接关系到公交乘客的满意度。
目前,在一些城市已经出现了公交到站预测服务,比如,在公交车站旁设立电子屏幕,显示某一线路的公交车到达当前车站还需经过的车站的数目。但是,公交车距离当前车站的车站数目,对于用户来说并不直观,用户更希望知道等待时间,即公交车到达当前公交车站的预计时间。因此,目前应运而生了一种基于人工神经网络来测算公交车到站时间的方法。
在目前基于人工神经网络测算公交车到站时间的方法中,首先建立公交车运行的历史数据库;然后,采用人工神经网络方法对历史数据进行训练,得出公交车由发车点到达目标车站的最佳平均行程时间;最后,在实际道路预测中,引入公交车当前在道路上运行的动态运行信息来修正预先得到的最佳平均行程时间,从而测算出公交车到站的时间。
由此可见,在现有技术中,虽然能够利用人工神经网络来测算公交车到站时间,但是,其测算依据主要是公交车运行的历史数据,公交车当前在道路上运行的动态运行信息只是用来修正预先测算的到站时间。而目前,道路运行状况越来越复杂和多变,主要依据历史数据测算到站时间,即使经过修正也仍然会导致测算时间不准确。另外,现有技术中在进行人工神经网络训练的时候,针对一条公交线路进行一个人工神经网络模型的建立和训练,没有考虑公交车在运行中的不同道路阶段具有明显差异的特征,也会导致训练结果不准确,从而使得最终测算的公交车到站时间不准确。
发明内容
本发明实施例的目的在于提出一种公交车到站时间测算方法和装置,能够使得测算出的公交车到站时间更为准确。
为达到上述目的,本发明实施例公开了一种公交车到站时间测算方法,将每一条公交运行线路划分为多个运行部,为每一个运行部分别建立对应的人工神经网络模型;针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型的参数值;该方法还包括:确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的所述影响因素的当前值,并输入其对应的人工神经网络模型,根据训练得到的人工神经网络模型的参数值,得到与各个目标运行部对应的各人工神经网络模型的输出值,根据所有输出值得到公交车到达目标站的时间。
较佳地,所述将每一条公交运行线路划分为多个运行部包括:将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部;
和/或,
所述人工神经网络模型包括:一个输入层、一个隐层和一个输出层,其中,输入层神经元为所述影响公交车到站时间的影响因素;输出层神经元为时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数。
可选地,所述影响公交车到站时间的影响因素包括:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。
其中,所述影响因素的历史值和所述影响因素的当前值均为归一化数值;
该归一化数值的得到方法包括:
当所述影响因素中包括时间段时,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
当所述影响因素中包括天气状况时,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
当所述影响因素中包括特殊事件时,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
当所述影响因素中包括周末节假日时,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
当所述影响因素中包括上下游路况时,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
当所述影响因素中包括车辆距车站位置时,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
当所述影响因素中包括车辆在前一段运行过程中晚点的程度时,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
较佳地,如果公交车当前所在的目标运行部为两个交叉路口之间的第一路段,且位于该第一路段的中间位置时,所述根据所有输出值得到公交车到达目标站的时间包括:
在得到对应第一路段的人工神经网络模型的第一输出值后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的总长度),然后将第二输出值作为最终输出值与除第一路段之外其他目标运行部对应的人工神经网络模型的最终输出值相加,得到公交车到站目标站的时间;
和/或,
如果所述目标站位于两个交叉路口之间的第二路段,且位于该第二路段的中间位置时,所述根据所有输出值得到公交车到达目标站的时间包括:
在得到对应第二路段的人工神经网络模型的第三输出值后,计算第四输出值,第四输出值=第三输出值×(目标站所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度),将第四输出值作为最终输出值与除第二路段之外其他目标运行部对应的人工神经网络模型的最终输出值相加,得到公交车到站目标站的时间。
本发明实施例还提出了一种公交车到站时间测算装置,包括:
划分模块,用于将每一条公交运行线路划分为多个运行部;
模型建立模块,用于为所述每一个运行部分别建立对应的人工神经网络模型;
第一人工神经网络模型处理模块,用于针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型参数;
当前状态处理模块,用于确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的所述影响因素的当前值,并输入其对应的人工神经网络模型;
第二人工神经网络模型处理模块,用于根据训练得到的人工神经网络模型参数,得到与各个目标运行部对应的各人工神经网络模型的输出值,并传输至测算模块;
测算模块,用于根据接收到的所有输出值得到公交车到达目标站的时间。
较佳地,所述划分模块具体将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部;
和/或,
所述模型建立模块建立包括一个输入层、一个隐层和一个输出层的所述人工神经网络模型,其中,输入层神经元为所述影响公交车到站时间的影响因素;输出层神经元为时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数。
其中,所述第一人工神经网络模型处理模块获取如下影响公交车到站时间的影响因素:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。
较佳地,所述第一人工神经网络模型处理模块包括第一归一化子模块,用于获取归一化数值的影响因素的历史值;
所述第二人工神经网络模型处理模块包括第二归一化子模块,用于获取归一化数值的影响因素的当前值;
所述第一归一化子模块和第二归一化子模块通过以下方式获取归一化数值:
当所述影响因素中包括时间段时,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
当所述影响因素中包括天气状况时,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
当所述影响因素中包括特殊事件时,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
当所述影响因素中包括周末节假日时,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
当所述影响因素中包括上下游路况时,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
当所述影响因素中包括车辆距车站位置时,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
当所述影响因素中包括车辆在前一段运行过程中晚点的程度时,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
较佳地,所述第二人工神经网络模型处理模块进一步包括第一修正子模块,用于在公交车当前所在的目标运行部为两个交叉路口之间的第一路段,且位于该第一路段的中间位置时,在得到对应该第一路段的人工神经网络模型的第一输出值后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的总长度);将该第二输出值作为该第一路段的人工神经网络模型对应的最终输出值传输至测算模块;
和/或,
所述第二人工神经网络模型处理模块进一步包括第二修正子模块,用于在目标站位于两个交叉路口之间的第二路段,且位于该第二路段的中间位置时,在得到对应第二路段的人工神经网络模型的第三输出值后,计算第四输出值,第四输出值=第三输出值×(目标站所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度),将该第四输出值作为该第二路段的人工神经网络模型对应的最终输出值传输至测算模块;
和/或,
所述测算模块用于将接收到的所有输出值相加,得到公交车到达目标站的时间。
由上述的技术方案可见,本发明实施例具有如下有益效果:
1、当需要测算公交车到达目标站的时间时,获取了公交车当前位置和目标站之间的所有目标运行部对应的影响因素的当前值,也就是将反映实时公交运行状态的影响因素的当前值作为人工神经网络模型的输入,这样在测算公交车到达目标站的时间时,必然能够更为准确地体现公交车当前的实际运行状况,最终得到的公交车到达目标站的时间也更为准确;
同时,将一条完整的公交运行线路划分为多个运行部,相应建立多个人工神经网络模型,分段进行多个人工神经网络模型的训练和测算,由于分段后得到的人工神经网络模型能够分别准确体现完整线路运行中不同道路阶段的特点,最终将相应的各人工神经网络模型的输出值相加得到的公交车到站时间也必然更为准确。
2、本发明实施例中,改变了现有技术中一条完整的公交线路只采用一个人工神经网络模型的做法,而是采用分段式的处理方法,即一条完整的公交线路分段后对应多个人工神经网络模型,这样,对于每一个人工神经网络模型,相对于现有技术降低了人工神经网络模型输入和输出之间的空间和时间距离,减少了复杂因素,从而使得每一个人工神经网络模型的层级更少,参数更容易确定,训练得出人工神经网络模型参数的时间更短,并且在预测阶段计算每一个人工神经网络模型输出的计算时间也更短,从而提高了效率。
3、本发明一个实施例中,根据公交车运行道路上的实际运行状态特点,将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部,也就是说,分段的依据是反映公交车实际不同运行状态的交叉路口,车站和路段,因而对应获取的影响公交车到站时间的影响因素的值也更为准确,进一步提高了公交车到站时间测算的准确性。
4、在本发明一个实施例中,如果公交车当前位于路段的中间位置时,会根据公交车当前所在位置与该路段结束点之间的距离长度占该路段的总长度的比值来修正该路段对应的人工神经网络模型的输出,因此保证了最终得到的公交车到站时间更为准确。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中测算公交到站时间的流程图。
图2是本发明另一个实施例中测算公交到站时间的流程图。
图3是本发明一个实施例中测算公交到站时间的装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提出了一种公交到站时间测算方法,参见图1,包括如下步骤:
步骤101:将每一条公交运行线路划分为多个运行部。
步骤102:为每一个运行部分别建立对应的人工神经网络模型。
通过步骤101和步骤102的处理,则针对一个完整的公交运行线路分段并建立了多个人工神经网络模型。
步骤103:针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型参数。
上述步骤101至步骤103的过程是一个预先进行的处理过程,该处理过程最终确定了一条完整公交线路上所有人工神经网络模型的参数,也就最终确定了供后续实际测算时使用的所有人工神经网络模型。
步骤104:确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的影响因素的当前值,并输入其对应的人工神经网络模型。
这里,目标站是指需要测算并报告公交车到站时间的站点。
步骤105:根据训练得到的人工神经网络模型参数,得到与各个目标运行部对应的各人工神经网络模型的输出值。
步骤106:根据所有输出值得到公交车到达目标站的时间。
在上述步骤105中,各个目标运行部对应的各人工神经网络模型的输出值均是时间值,也就是测算出的公交车从当前位置运行到目标站之间的各个运行部所分别需要的时间值,这样,步骤106中根据该各个时间值则可以得到从公交车当前位置到目标站的到站时间。
由图1所示流程可以看出,当需要测算公交车到达目标站的时间时,本发明实施例获取了公交车当前位置和目标站之间的所有目标运行部对应的影响因素的当前值,也就是将反映实时公交运行状态的影响因素的当前值作为人工神经网络模型的输入,这样在测算公交车到达目标站的时间时,必然能够更为准确地体现公交车当前的实际运行状况,最终得到的公交车到达目标站的时间也更为准确;同时,将一条完整的公交运行线路划分为多个运行部,相应建立多个人工神经网络模型,分段进行多个人工神经网络模型的训练和测算,由于不同的人工神经网络模型的输出能够分别准确体现完整线路运行中不同道路阶段的特点,最终将相应的各人工神经网络模型的输出值相加得到的公交车到站时间也必然更为准确。
在具体的业务实现中,上述图1所示的各个步骤可以包括多种具体实现方式。
比如,对于步骤101,在将每一条公交运行线路划分为多个运行部时,较佳地,可以根据公交车的运行状态不同和运行道路不同拆分出多个运行部,也就是将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部。当然,步骤101中也可以采用其他方式划分运行部,如只将每一个交叉路口、每两个交叉路口之间的路段划分为运行部,而不将车站作为运行部;再如,将完整运行路线按照总线路长度平均分,分为多个运行部等。具体划分多个运行部的方法有很多种,可以根据实际业务需要选择。
另外,在步骤102中,建立的人工神经网络模型的结构可以根据实际业务需要确定,比如一种较佳的结构是:人工神经网络模型包括一个输入层、一个隐层和一个输出层,输入层神经元为影响公交车到站时间的影响因素,输入层神经元的个数就是该影响因素的个数;输出层神经元为一个,即时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数。
在图1所示流程中,输入层神经元是影响公交车到站时间的影响因素,本发明一个较佳的实施例中,根据公交业务的实际情况,将输入层神经元即该影响公交车到站时间的影响因素设定为7个,包括:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度。也就是说,该7个影响因素作为人工神经网络模型的输入。当然,在本发明的其他实施例中,输入层神经元也可以只设定为上述7个影响因素中的任意一个或任意部分影响因素的组合,或者,还可以包括其他影响因素等。
当然,在上述图1所示流程中,输入人工神经网络模型的影响因素的历史值和当前值必须是计算机能够处理的数值,因此,在输入之前需要进行归一化处理,该归一化处理的方式是,对于每一个影响因素,将其不同状况描述对应为不同的归一化数值。
步骤106中,根据所有输出值可以通过所需算法来得到公交车到达目标站的时间,比如,将各个目标运行部对应的各人工神经网络模型的最终输出值相加,通过加法运算来得到公交车到达目标站的时间。此时,需要说明的是,为了进一步提高本发明实施例测算的公交车到站时间的准确性,还可以进一步考虑如下情况:
当公交车当前位置是在两个交叉路口之间的路段(比如路段三)的中间位置时,也就是说,没有位于该路段三的起始位置,那么,利用该路段三对应的人工神经网络模型计算而输出的值是公交车行驶完该完整路段三需要的时间,如果利用该时间进行计算后续到站时间的话,则会导致误差。针对此种情况,本发明实施例的一个处理方法是,在利用该路段三对应的人工神经网络模型计算得到第一输出值(即行驶完该完整路段三所需时间)后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该路段三结束点之间的距离长度/该路段三的总长度),由于该第二输出值是公交车从当前位置行驶到路段三结束点所需要的实际时间,因此,利用该第二输出值作为对应该路段三的人工神经网络模型的最终输出值,以执行后续相加处理得出到站时间,则进一步保证了测算的到站时间的准确性;
同理,当目标站在两个交叉路口之间的路段(比如路段七)的中间位置时,在利用该路段七对应的人工神经网络模型计算得到第三输出值(即行驶完该完整路段七所需时间)后,计算第四输出值,第四输出值=第三输出值×(目标站与该路段七开始点之间的距离长度/该路段七的总长度),由于该第四输出值是公交车从路段七开始点行驶至目标站所需要的实际时间,因此,利用该第四输出值作为对应该路段七的人工神经网络模型的最终输出值,以执行后续相加处理得出到站时间,则进一步保证了测算的到站时间的准确性。
为了更加清楚地描述本发明实施例中测算公交车到站时间的过程,下面以一条公交线路800,该公交线路800上包括20个站点,10个交叉路口和10个交叉路口之间的路段为例,来详细说明实现过程。参见图2,该过程包括:
步骤200:预先设置影响公交车到站时间的影响因素。
根据公交业务的实际情况,本步骤中,将影响公交车到站时间的影响因素设定为7个,包括:时间段、天气状况、特殊事件(比如交通管制等)、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度。
步骤201:设定影响因素对应的归一化算法。
这里,因为影响公交车到站时间的影响因素是描述性信息,比如天气状况为恶劣,因此,后续处理中,需要将影响因素进行归一化处理,转换为数字化输入层神经元。
一种较佳的归一化算法如下:
对于影响因素:时间段,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
对于影响因素:天气状况,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
对于影响因素:特殊事件,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
对于影响因素:周末节假日,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
对于影响因素:上下游路况,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
对于影响因素:车辆距车站位置,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
对于影响因素:车辆在前一段运行过程中晚点的程度,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
步骤202:预先将公交运行线路800划分为多个运行部。
划分多个运行部的处理是为了将一条完整公交运行线路划分为多段,以便后续能进行分段处理。
本步骤中,根据公交车的运行状态不同和运行道路不同拆分出多个运行部,也就是将公交车运行线路800上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部,因此,本步骤中,划分出的运行部包括:20个站点,10个交叉路口和10个路段,共40个运行部。
步骤203:为每一个运行部分别建立对应的人工神经网络模型。
本步骤中,为步骤201中的20个站点,10个交叉路口和10个路段分别建立对应的人工神经网络模型,也就是说,总共建立40个人工神经网络模型;并且,不同运行部对应的人工神经网络模型可以相同,也可以不同。比如,可以建立三类人工神经网络模型,所有交叉路口、所有车站、所有路段分别对应一类人工神经网络模型。
本步骤中,建立的人工神经网络模型的结构包括一个输入层、一个隐层和一个输出层,输入层神经元为影响公交车到站时间的影响因素,输入层神经元的个数就是该影响因素的个数;输出层神经元为一个,即时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数。其中,n的具体数值可以采用试凑法确定,即根据历史数据a,b和S的值,用n=1…10逐次带入尝试,找出满足输入输出即a,b和S最为匹配的n值。
步骤204:针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史信息。
这里,可以取最近半年的影响因素数据作为影响公交车到站时间的影响因素的历史信息。
比如,针对公交线路800上的站点一,取该站点一最近半年的时间段、天气状况、特殊事件(比如交通管制等)、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度的信息。针对交叉路口1也取最近半年的上述影响因素的历史信息,针对路段1取最近半年的上述影响因素的历史信息,如此执行,直至针对40个运行分部中的每一个都取影响因素的历史信息。
步骤205:根据步骤201中的归一化算法,得到归一化数值的各影响因素的历史值,将该影响因素的历史值以及每一个运行部对应的历史运行时间分别输入每一个运行部对应的人工神经网络模型,训练后得到其对应的人工神经网络模型参数。
本步骤中,人工神经网络模型训练的目的,就是找出合适的模型参数值。
执行到本步骤,公交线路800上40个运行分部分别对应的人工神经网络模型则完全确定。
步骤206:当需要针对一个目标站确定公交车到达该目标站的时间时,获取公交车当前位置和目标站之间的所有目标运行部。
这里,比如,公交车当前位置在站点二,需要测算公交车到达站点六的时间并在站点六进行预报,那么,本步骤中,需要确定公交车从站点二运行至站点六需要途经的所有站点、交叉路口和路段,比如共确定需要途经4个站点,1个交叉路口和2个路段,则共确定7个目标运行部。
步骤207:针对每一个目标运行部,获取其对应的影响因素的当前信息,根据步骤201中的归一化算法,得到归一化数值的各影响因素的当前值,并输入其对应的人工神经网络模型。
比如,本步骤中,针对上一步骤确定的7个目标运行部分别获取因素的当前信息,归一化后输入该7个目标运行部对应的人工神经网络模型。
步骤208:根据训练得到的人工神经网络模型参数,得到与各个目标运行部的各人工神经网络模型对应的最终输出值。
这里,每一个人工神经网络模型的最终输出值是公交车运行经过每一个目标运行部需要花费的时间。
需要考虑如下情况,
比如上述步骤206中,公交车当前行驶在路段三上的中间位置,需要测算公交车到达站点六的时间并在站点六进行预报,并且,路段三至站点六共包括6个目标运行部,第一个目标运行部就是路段三。但是,由于公交车没有位于该路段三的起始位置,那么,步骤207利用该路段三对应的人工神经网络模型计算而输出的值是公交车行驶完该完整路段三需要的时间,如果利用该时间进行计算后续到站时间的话,则会导致误差。针对此种情况,本步骤的一个处理方法是,在利用该路段三对应的人工神经网络模型计算得到输出值1(即行驶完该完整路段三所需时间)后,计算输出值2,输出值2=输出值1×(公交车当前所在位置与该路段三结束点之间的距离长度/该路段三的总长度),由于该输出值2是公交车从当前位置行驶到路段三结束点所需要的实际时间,因此,输出值1只是间接输出值,利用输出值2作为该路段三的人工神经网络模型对应的最终输出值,以执行后续相加处理得出到站时间,则进一步保证了测算的到站时间的准确性。
同理,当目标站在两个交叉路口之间的路段(比如路段七)的中间位置时,在利用该路段七对应的人工神经网络模型计算得到输出值3(即行驶完该完整路段七所需时间)后,计算输出值4,输出值4=输出值3×(目标站与该路段七开始点之间的距离长度/该路段七的总长度),由于该输出值4是公交车从路段七开始点行驶至目标站所需要的实际时间,因此,输出值3只是间接输出值,利用该输出值4作为该路段七的人工神经网络模型对应的最终输出值,以执行后续相加处理得出到站时间,则进一步保证了测算的到站时间的准确性。
步骤209:将所有最终输出值相加,得到公交车到达目标站的时间。
参见图3,本发明一个实施例还提出了一种公交车到站时间测算装置,包括:
划分模块301,用于将每一条公交运行线路划分为多个运行部;
模型建立模块302,用于为划分模块301划分出的每一个运行部分别建立对应的人工神经网络模型;
第一人工神经网络模型处理模块303,用于针对划分模块301划分出的每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型参数;
当前状态处理模块304,用于确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的所述影响因素的当前值,并输入其对应的人工神经网络模型;
第二人工神经网络模型处理模块305,用于根据训练得到的人工神经网络模型参数,得到与各个目标运行部对应的各人工神经网络模型的输出值,并传输至测算模块;
测算模块306,用于根据接收到的所有输出值,得到公交车到达目标站的时间。
在本发明一个实施例中,公交车到站时间测算装置可以根据公交车的运行状态不同和运行道路不同拆分出多个运行部,此时,划分模块301具体将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部。
在本发明实施例中,模型建立模块302为每一个运行部分别建立了对应的人工神经网络模型,不同运行部对应的人工神经网络模型可以相同,也可以不同。在一个较佳实施例中,模型建立模块302建立的人工神经网络模型包括一个输入层、一个隐层和一个输出层,其中,输入层神经元为影响公交车到站时间的影响因素;输出层神经元为时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数。
为了能够更加准确地体现影响公交车运行过程的因素,在本发明一个实施例中,上述第一人工神经网络模型处理模块303获取如下影响公交车到站时间的影响因素:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。
为了能够将获取的影响因素的描述信息转换为计算机能够处理的数字信息,第一人工神经网络模型处理模块303中可以包括第一归一化子模块,用于获取归一化数值的影响因素的历史值;第二人工神经网络模型处理模块305包括第二归一化子模块,用于获取归一化数值的影响因素的当前值;
其中,第一归一化子模块和第二归一化子模块通过以下方式获取归一化数值:
当所述影响因素中包括时间段时,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
当所述影响因素中包括天气状况时,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
当所述影响因素中包括特殊事件时,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
当所述影响因素中包括周末节假日时,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
当所述影响因素中包括上下游路况时,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
当所述影响因素中包括车辆距车站位置时,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
当所述影响因素中包括车辆在前一段运行过程中晚点的程度时,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
为了能够使得测算的公交车到达时间更为准确,在一个较佳实施例在,第二人工神经网络模型处理模块305进一步包括第一修正子模块,用于在公交车当前所在的目标运行部为两个交叉路口之间的第一路段,且位于该第一路段的中间位置时,在得到对应该第一路段的人工神经网络模型的第一输出值后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的总长度);将该第二输出值作为该第一路段的人工神经网络模型对应的最终输出值传输至测算模块;
和/或,
第二人工神经网络模型处理模块305进一步包括第二修正子模块,用于在目标站位于两个交叉路口之间的第二路段,且位于该第二路段的中间位置时,在得到对应第二路段的人工神经网络模型的第三输出值后,计算第四输出值,第四输出值=第三输出值×(目标站所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度),将该第四输出值作为该第二路段的人工神经网络模型对应的最终输出值传输至测算模块。
一个优选实施例中,测算模块306用于将接收到的所有输出值相加,得到公交车到达目标站的时间。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种公交车到站时间测算方法,其特征在于,
将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部,为每一个运行部分别建立对应的人工神经网络模型,其中,所述人工神经网络模型包括:一个输入层、一个隐层和一个输出层,其中,输入层神经元为影响公交车到站时间的影响因素;输出层神经元为时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数;针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型的参数值;
该方法还包括:
确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的所述影响因素的当前值,并输入其对应的人工神经网络模型,根据训练得到的人工神经网络模型的参数值,得到与各个目标运行部对应的各人工神经网络模型的输出值,根据所有输出值得到公交车到达目标站的时间。
2.根据权利要求1所述的公交车到站时间测算方法,其特征在于,
所述影响公交车到站时间的影响因素包括:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。
3.根据权利要求2所述的公交车到站时间测算方法,其特征在于,所述影响因素的历史值和所述影响因素的当前值均为归一化数值;
该归一化数值的得到方法包括:
当所述影响因素中包括时间段时,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
当所述影响因素中包括天气状况时,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
当所述影响因素中包括特殊事件时,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
当所述影响因素中包括周末节假日时,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
当所述影响因素中包括上下游路况时,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
当所述影响因素中包括车辆距车站位置时,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
当所述影响因素中包括车辆在前一段运行过程中晚点的程度时,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
4.根据权利要求1至3中任意一项所述的公交车到站时间测算方法,其特征在于,
如果公交车当前所在的目标运行部为两个交叉路口之间的第一路段,且位于该第一路段的中间位置时,所述根据所有输出值得到公交车到达目标站的时间包括:
在得到对应第一路段的人工神经网络模型的第一输出值后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的总长度),然后将第二输出值作为最终输出值与除第一路段之外其他目标运行部的人工神经网络模型对应的最终输出值相加,得到公交车到达目标站的时间;
和/或,
如果所述目标站位于两个交叉路口之间的第二路段,且位于该第二路段的中间位置时,所述根据所有输出值得到公交车到达目标站的时间包括:
在得到对应第二路段的人工神经网络模型的第三输出值后,计算第四输出值,第四输出值=第三输出值×(目标站所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度),将第四输出值作为最终输出值与除第二路段之外其他目标运行部的人工神经网络模型对应的最终输出值相加,得到公交车到达目标站的时间。
5.一种公交车到站时间测算装置,其特征在于,包括:
划分模块,用于将每一条公交车运行线路上的每一个交叉路口、每一个车站、每两个交叉路口之间的路段,分别划分为一个运行部;
模型建立模块,用于为所述每一个运行部分别建立对应的人工神经网络模型,其中,所述人工神经网络模型包括:一个输入层、一个隐层和一个输出层,其中,输入层神经元为影响公交车到站时间的影响因素;输出层神经元为时间;隐层神经元的个数利用如下公式确定:其中S为隐层神经元个数,a为输入层神经元的个数,b为输出层神经元的个数,n为1到10之间的整数;
第一人工神经网络模型处理模块,用于针对每一个运行部,获取其对应的影响公交车到站时间的影响因素的历史值以及该运行部对应的历史运行时间,并输入其对应的人工神经网络模型,训练后得到其对应的人工神经网络模型参数;
当前状态处理模块,用于确定公交车当前位置和目标站之间的所有目标运行部,针对每一个目标运行部,获取其对应的所述影响因素的当前值,并输入其对应的人工神经网络模型;
第二人工神经网络模型处理模块,用于根据训练得到的人工神经网络模型参数,得到与各个目标运行部对应的各人工神经网络模型的输出值,并传输至测算模块;
测算模块,用于根据接收到的所有输出值得到公交车到达目标站的时间。
6.根据权利要求5所述的公交车到站时间测算装置,其特征在于,
所述第一人工神经网络模型处理模块获取如下影响公交车到站时间的影响因素:时间段、天气状况、特殊事件、周末节假日、上下游路况、车辆距车站位置以及车辆在前一段运行过程中晚点程度中的任意一个或多个。
7.根据权利要求6所述的公交车到站时间测算装置,其特征在于,所述第一人工神经网络模型处理模块包括第一归一化子模块,用于获取归一化数值的影响因素的历史值;
所述第二人工神经网络模型处理模块包括第二归一化子模块,用于获取归一化数值的影响因素的当前值;
所述第一归一化子模块和第二归一化子模块通过以下方式获取归一化数值:
当所述影响因素中包括时间段时,将一天的时间以早、午、晚高峰为分界,分为七个时间段,分别对应归一化数值为0.1,0.2,0.3,0.4,0.5,0.6,0.7;
当所述影响因素中包括天气状况时,极其恶劣对应的归一化数值为0.9,恶劣对应的归一化数值为0.5,正常对应的归一化数值为0.1;
当所述影响因素中包括特殊事件时,交通正常对应的归一化数值为0.1,影响严重对应的归一化数值为0.5,极其严重对应的归一化数值为0.9;
当所述影响因素中包括周末节假日时,周一至周日对应的归一化数值分别为0.1至0.7,小长假对应的归一化数值为0.8,长假对应的归一化数值为0.9;
当所述影响因素中包括上下游路况时,畅通对应的归一化数值为0.1,拥堵对应的归一化数值为0.5,严重拥堵对应的归一化数值为0.9;
当所述影响因素中包括车辆距车站位置时,以车辆位置所在的两站之间的距离为分母,以车辆距离下一个站点的距离为分子,将得到的分数值作为归一化数值;
当所述影响因素中包括车辆在前一段运行过程中晚点的程度时,对应的归一化数值=0.5+(晚点时长*总线路长度)/(已运行距离*预计完成线路时长*2),并且,如果公交车晚点,那么晚点时长为正数,如果公交车提前到达,那么晚点时长为负数;如果归一化数值计算结果大于1,则取1,小于0则取0。
8.根据权利要求5至7中任意一项所述的公交车到站时间测算装置,其特征在于,
所述第二人工神经网络模型处理模块进一步包括第一修正子模块,用于在公交车当前所在的目标运行部为两个交叉路口之间的第一路段,且位于该第一路段的中间位置时,在得到对应该第一路段的人工神经网络模型的第一输出值后,计算第二输出值,第二输出值=第一输出值×(公交车当前所在位置与该第一路段结束点之间的距离长度/该第一路段的总长度);将该第二输出值作为该第一路段的人工神经网络模型对应的最终输出值传输至测算模块;
和/或,
所述第二人工神经网络模型处理模块进一步包括第二修正子模块,用于在目标站位于两个交叉路口之间的第二路段,且位于该第二路段的中间位置时,在得到对应第二路段的人工神经网络模型的第三输出值后,计算第四输出值,第四输出值=第三输出值×(目标站所在位置与该第二路段开始点之间的距离长度/该第二路段的总长度),将该第四输出值作为该第二路段的人工神经网络模型对应的最终输出值传输至测算模块;
和/或,
所述测算模块用于将接收到的所有输出值相加,得到公交车到达目标站的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310214542.4A CN104217605B (zh) | 2013-05-31 | 2013-05-31 | 一种公交车到站时间测算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310214542.4A CN104217605B (zh) | 2013-05-31 | 2013-05-31 | 一种公交车到站时间测算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104217605A CN104217605A (zh) | 2014-12-17 |
CN104217605B true CN104217605B (zh) | 2017-05-10 |
Family
ID=52099039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310214542.4A Expired - Fee Related CN104217605B (zh) | 2013-05-31 | 2013-05-31 | 一种公交车到站时间测算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104217605B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156074B (zh) * | 2015-03-31 | 2021-07-16 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105096643B (zh) * | 2015-09-02 | 2017-08-29 | 重庆大学 | 基于多线路前车运行数据的实时公交到站时间预测方法 |
CN106652534B (zh) * | 2016-12-14 | 2019-08-16 | 北京工业大学 | 一种预测公交车到站时间的方法 |
JP6876071B2 (ja) | 2017-04-27 | 2021-05-26 | ベイジン ディディ インフィニティ テクノロジー アンド ディベロップメント カンパニー リミティッド | 推定された到着時間を決定するためのシステムおよび方法 |
CN106971545B (zh) * | 2017-05-16 | 2019-07-30 | 青岛大学 | 一种公交车到站时间预测方法 |
CN106981198B (zh) * | 2017-05-24 | 2020-11-03 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
CN109791731B (zh) * | 2017-06-22 | 2021-12-07 | 北京嘀嘀无限科技发展有限公司 | 一种预估到达时间的方法和系统 |
CN107818382B (zh) * | 2017-10-27 | 2021-01-05 | 中航信移动科技有限公司 | 航班到达时间预测方法 |
CN108986512A (zh) * | 2018-07-09 | 2018-12-11 | 阿里巴巴集团控股有限公司 | 一种公交车到站时间查询方法及装置 |
CN109410580A (zh) * | 2018-11-15 | 2019-03-01 | 山东管理学院 | 一种公交实时到站时间预测方法及系统 |
CN110782648B (zh) * | 2018-12-03 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 确定预计到达时间的系统和方法 |
CN109489679B (zh) * | 2018-12-18 | 2019-12-17 | 成佳颖 | 一种导航路径中的到达时间计算方法 |
CN109584600B (zh) * | 2018-12-21 | 2021-08-03 | 南通大学 | 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法 |
CN110570678B (zh) * | 2019-10-23 | 2021-03-19 | 厦门大学 | 一种公交车辆从起点到终点总行驶时间预测方法及装置 |
CN110775109B (zh) * | 2019-11-06 | 2021-10-26 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于调度指挥系统的高速铁路列车到站时间预测方法 |
CN112509317B (zh) * | 2020-11-09 | 2021-11-09 | 广州交信投科技股份有限公司 | 基于机器学习算法的公交实时到站预测方法、装置和设备 |
CN113380043B (zh) * | 2021-08-12 | 2022-01-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于深度神经网络计算的公交到站时间预测方法 |
CN114202131B (zh) * | 2022-02-17 | 2022-05-24 | 北京公共交通控股(集团)有限公司 | 一种纯电动公交车充电等候时长的预测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100207731B1 (ko) * | 1997-07-15 | 1999-07-15 | 윤종용 | 버스 안내 서비스 시스템 및 그 방법 |
HK1082375A2 (en) * | 2005-04-15 | 2006-06-02 | Lee Wing Chung | Bus arrival time estimation system and method |
CN101388143B (zh) * | 2007-09-14 | 2011-04-13 | 同济大学 | 基于浮动车数据的公交到站时间预测方法 |
CN102081859B (zh) * | 2009-11-26 | 2014-10-01 | 上海遥薇(集团)有限公司 | 一种公交车到站时间预测模型控制方法 |
CN102074124B (zh) * | 2011-01-27 | 2013-05-08 | 山东大学 | 一种基于svm及h∞滤波的动态公交到站时间预测方法 |
CN102157075B (zh) * | 2011-03-15 | 2013-07-03 | 上海交通大学 | 公交到站的预测方法 |
-
2013
- 2013-05-31 CN CN201310214542.4A patent/CN104217605B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104217605A (zh) | 2014-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104217605B (zh) | 一种公交车到站时间测算方法和装置 | |
CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
CN106971545B (zh) | 一种公交车到站时间预测方法 | |
CN105096643B (zh) | 基于多线路前车运行数据的实时公交到站时间预测方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN107146446B (zh) | 一种基于rfid数据和动态车源的路径诱导方法 | |
CN103578267B (zh) | 基于公交gps数据的公交到站预测方法及系统 | |
CN108399468A (zh) | 一种基于车时成本优化的运营时段划分方法 | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
WO2021174374A1 (zh) | 交通信号极化绿波控制方法 | |
CN102855760B (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN103310651A (zh) | 一种基于实时路况信息的公交到站预测方法 | |
CN109544908A (zh) | 一种实时预测公交到站时间的方法、电子设备及存储介质 | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN107180538B (zh) | 一种车载轨迹运行方向的识别方法 | |
CN108151756A (zh) | 一种城市公共交通系统的行程时间计算方法和装置 | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
CN106971535B (zh) | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 | |
CN103413443A (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
CN104064028A (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
CN103295414A (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
CN101615340A (zh) | 公交动态调度中的实时信息处理方法 | |
CN109543882B (zh) | 一种基于最优公交平均站间距的公交线网密度计算方法 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN103714696B (zh) | 高速交通信息接入处理系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 |