CN104298881A - 一种基于贝叶斯网络模型的公交环境动态变化预报方法 - Google Patents
一种基于贝叶斯网络模型的公交环境动态变化预报方法 Download PDFInfo
- Publication number
- CN104298881A CN104298881A CN201410544585.3A CN201410544585A CN104298881A CN 104298881 A CN104298881 A CN 104298881A CN 201410544585 A CN201410544585 A CN 201410544585A CN 104298881 A CN104298881 A CN 104298881A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- bayesian network
- environment
- running time
- public transport
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于贝叶斯网络模型的公交环境动态变化预报方法，包括以下步骤：筛选影响公交客流波动或行驶时间变化的众多因素；将这些外部环境随机干扰条件和客流或行驶时间决策变量抽象为贝叶斯网络的结点，确定结点集合及其取值范围，对它们的历史信息数据集进行离散化处理；分析外部环境干扰输入节点和客流或行驶时间决策节点之间影响关系，建立公交动态环境预报的贝叶斯网络结构图；确定条件和决策节点之间的条件概率表；计算某种公交客流或行驶时间发生时的后验概率，从而实现预报公交环境动态变化。本发明结合车联网环境下的交通事件检测，实现动态预报客流时空变化的功能，为公交日常运营管理提供数据支撑。
Description
技术领域
本发明涉及公交信息化技术领域，具体地说是一种基于贝叶斯网络模型的公交环境动态变化预报方法。
背景技术
公交客流和行驶时间是公交运营计划编制的数据基础，当现实中的随机因素干扰致使公交客流或行驶时间变化时，这引起公交运力和运量失衡，从而公交调度方案失效。因此，预警公交环境动态变化，为公交动态调度提供可靠、准备的数据基础，极具有理论价值和现实意义。
影响公交客流或行驶时间的影响因素众多且异常复杂，如：天气变化、交通拥堵、大型活动等，它们之间相互关联。目前，众多国内外学者关注预测公交环境动态变化，主要研究思路有二：
一、将公交客流或行驶时间的预测过程看作一个系统，关注外部因素对其影响，揭示它们之间内在关联性。该方法的优点是可以直接量化外部环境的变化和公交客流或行驶时间之间表达式，并分析进行灵敏性分析，但是对外部环境的数据可靠性要求较高，这进一步限制了该方法的推广应用。传统的方法涉及线性回归、结构方程，现代的方法包括神经网络、决策树、决策支持向量机等。
二、把公交客流或行驶时间看作一个黑匣子，基于时间序列预测技术，研究公交客流或行驶时间随时间变化的演化趋势。该方法避免了上述方法需要大量外部环境影响因素数据，仅知道过去和现在的客流或行驶时间序列，虽然可以准确地预测未来的演化趋势，但是无法量化分析影响公交环境变化的原因。传统的方法涉及指数平滑法、函数逼近、差分法等，现代的方法包括神经网络、卡尔曼滤波等。
由上可知，现有研究办法无法解决随机干扰引起的公交环境动态变化连锁反应过程，应该从整体出发，揭示影响客流或行驶时间变化的影响因素如何发生，以及它们之间相互引发、干涉、转化和耦合等复杂关系，预测复杂交通环境变化情形下的公交客流或行驶时间及其发生概率。
贝叶斯网络是一种刻画事物之间因果关系的概率图模型，非常适合对突发事件的发生及其引起的链式反应过程进行建模分析。基于此，本发明分析影响公交客流或行驶时间的外部环境因素，将其输入视为客流或行驶时间变化的原因，输出是客流或行驶时间变化的结果，控制输入可以控制部分状态的变化，据此构建突发时间贝叶斯网络中的各外部环境条件节点输入-因果关系状态-客流或行驶时间决策节点输出的三层拓扑网络结构，实现预测复杂交通环境变化情形下的公交客流或行驶时间及其发生概率，为公交动态调度提供可靠的数据基础。
发明内容
本发明提供了一种基于贝叶斯网络模型的公交环境动态变化预报方法，在分析影响公交客流或行驶时间变化的外部环境各种影响因素基础上，结合实际的公交动态数据，刻画它们之间的因果关系，当根据智能公交调度平台检测外部环境影响因素取值范围时，利用概率推理各种复杂交通环境下的公交客流或行驶时间波动值及其发生概率。本发明主要用于根据公交外部动态环境变化预警客流或行驶时间，为公交动态调度提供数据支撑。
本发明方案是通过以下技术方案实现的：
本发明提供一种基于贝叶斯网络模型的公交环境动态变化预报方法，包括：筛选影响公交客流波动或行驶时间波动的众多因素；公交环境变化参数归一化、离散化和统计分析，即确定各变量的取值范围及先验概率分布；构建公交环境动态变化预报的贝叶斯网络模型；客流或行驶时间推理预测过程。
作为一种改进，筛选影响公交客流波动或行驶时间波动的众多因素过程，包括：
（1）采用阅读文献、实地调研和专家座谈等方式，确定所有可能影响公交客流波动或行驶时间波动的众多因素，共有 个候选指标，如：道路类型、路况、交通事故、大型活动、交通管制和天气变化等；
（2）结合智能公交调度平台，在时刻获取第个影响因素，以及相关联的客流或行驶时间，将条数据记录作为样本，汇总为条件矩阵和决策向量；
（3）根据最小二乘法，评估候选因素对的影响程度向量，若为正，第个影响因素与客流或行驶时间正相关；否则负相关。显然，的绝对值越大，该因素对其影响越大；
（4）设定阀值，对，若||>,该因素决定客流或行驶时间，获取n个条件和1个决策变量。
作为进一步改进，确定各条件和决策变量的取值范围及先验概率分布，包括：
（1）对各个变量，找到其取值的上下限；
（2）对上述变量的，进行个等间隔离散化处理，获取其特征取值状态空间为，其中：；
（3）在样本集D中，计算各变量取值状态的发生概率，以及两个变量间先验概率分布 ，其中表示事件在样本集D出现的次数。
作为一种优选，根据训练样本集，构建公交环境动态变化预报的贝叶斯网络模型，包括：
（1）结构学习，利用条件独立性检验方法，若任意两个结点和之间相互依赖，存在有向边相连接，构建一个有向无环图，建立公交动态环境预报的贝叶斯网络结构图S；
（2）参数学习，利用最大似然估计方法，在给定网络拓扑结构S和训练样本集D，利用先验知识，确定贝叶斯网络模型各结点处的条件概率密度为：
，
。
作为进一步优先，推理预测各种复杂交通环境的客流或行驶时间，包括：
（1）结合智能公交调度平台，监测公交外部环境变化，并获取各个影响因素的当前取值范围；
（2）计算公交外部影响因素环境输入的特征取值状态空间为，确定网络模型的当前节点状态；
（3）比较网络模型的当前节点状态与前一时刻状态是否一致，若发生改变，据此推理公交客流或行驶时间在不同取值条件下的最大后验概率或，从而实现预报公交环境动态变化；否则，客流或行驶时间没有变化。
本发明由于采用了上述几种措施进行改进，利用贝叶斯网络刻画外部环境变化和公交客流或行驶时间波动之间相互作用关系，将其集成为智能公交调度平台的一个功能模块，结合实际道路状况，当检测各影响因素值偏离正常时，准确地预测客流或行驶时间取值范围及发生概率，避免了现有方法无法解决突发事件引起的公交环境变化连锁反应过程，能够从原始样本数据中推理公交外部环境变化和客流或行驶时间的拓扑结构和概率关系，从事前、事中和事后全过程多方位实时分析公交环境动态变化的原因及其发展趋势，为公交动态调度提供数据支撑。
附图说明
图1是本发明涉及的公交环境动态变化预报贝叶斯网络的结构示意图；
图2是本发明实施的流程图。
具体实施方式
下面结合本发明所提供的附图作进一步说明：
如图1所示，本发明提供一种基于贝叶斯网络模型的公交环境动态变化预报方法，按照交通事件发生、发展和演化的过程，公交外部环境随机干扰输入要素是客流或行驶时间输出结果的原因，控制输入可以控制外部环境和客流或行驶时间之间因果关系状态的变化，公交环境动态变化预报贝叶斯网络的各节点形成输入-状态-输出的三层拓扑结构。
如图2所示，本发明提供一种基于贝叶斯网络模型的公交环境动态变化预报方法，包括机理分析、模型设计、模型验证及模型分析运用等四个步骤，具体实施方式如下。
步骤1：机理分析，建立影响公交客流或行驶时间波动的因素库。
步骤1.1：组织多位专家，分别深入挖掘客流或行驶时间的形成规律，客流波动涉及季节、节假日、时段、大型活动、交通管制、车辆故障、天气等，行驶时间变化蕴含道路类型、交通流、交通拥堵、站点类型、客流和天气等，注意两者区别和联系，确定所有可能影响它们的众多因素，各有个候选指标。
步骤1.2：结合智能公交调度平台，在时刻获取第个外部环境影响因素，以及相关联的客流或行驶时间，若上述变量的量纲不统一,如：客流量和时间，对或进行归一化处理，避免它们对权重的影响；若上述变量难以用数值量化描述，仅用语言类刻画，如：天气的好坏，可以采用模糊数分级管理方法，给出相应的模糊隶属度[0,1]。将条数据记录作为样本，汇总为条件矩阵和决策向量。
步骤1.3：为揭示公交外部环境和客流或行驶时间之间关系，假设它们之间线性关系，根据，计算，为第个因素对客流或行驶时间的影响程度，若为正，随着的增加而增加；否则随着的增加而减小。
步骤1.4：专家人工设定阀值，对，若||>,该因素决定客流或行驶时间，获取n个影响因素变量。如果不符合实际，可修订，重新筛选影响客流或行驶时间的外部环境因素。
步骤二：模型设计，构建公交环境动态变化预报的贝叶斯网络模型，包括节点变量定义、确定各条件和决策变量的取值范围及先验概率分布、结构学习和参数学习四部分。
步骤2.1：变量节点定义，共有个节点变量，分为个条件和1个决策变量节点。前者是公交外部环境随机干扰输入要素，后者是客流或行驶时间输出结果，关注公交外部环境随机干扰输入要素之间相互影响，以及它们的变化如何引起客流或行驶时间变化。
步骤2.2：汇总个条件和2个决策变量节点的取值范围及它们之间先验概率分布。
步骤2.2.1：查找任意变量的取值范围，根据专家知识，对之进行离散化处理，共有个特征取值状态空间为，其中：。
步骤2.2.2：计算变量取值状态的概率，以及两个变量和取它们不同状态值之间的先验概率分布 ，其中表示事件在样本集D出现的次数。
步骤2.3：构建公交环境动态变化预报贝叶斯网络各节点之间拓扑结构，描述公交外部环境随机干扰要素和客流或行驶时间波动之间因果关系。
步骤2.3.1：采用K2算法，在训练集上进行无监督的机器学习，得到初始网络结构；
步骤2.3.2：利用专家的先验知识，基于条件独立性检验方法，若任意两个结点和之间相互依赖，存在有向边相连接，对网络结构进行微调。
步骤2.3.3：检测获得调整后的网络结构是否符合要求，若满足要求，输出公交动态环境预报的贝叶斯网络结构图S；否则返回步骤2.3.2，继续微调网络结构。
步骤2.4：在上述网络结构基础上，利用最大似然估计方法，估计公交外部环境随机干扰要素和客流或行驶时间波动之间条件概率分布表。
步骤2.4.1：将先验分布和似然函数相结合，估计参数。
步骤2.4.2：令的分布为Dirichlet函数， 的似然函数为 ，又由于，根据，计算，其中：为的取值数目；为节点取值第个值时，在父节点取值第个值的数量。
步骤2.4.3：根据上述公式推导过程，可计算公交外部环境随机干扰要素和客流或行驶时间波动之间条件概率：
；
。
步骤三：将训练集的部分样本作为测试数据，检测模型的正确性和有效性，若模型性能不符合实际，返回步骤二。
步骤四：模型分析运用，推理预测各种复杂交通环境的客流或行驶时间。
步骤4.1：结合智能公交调度平台，监测公交外部环境变化，并获取各个影响因素的当前取值范围。
步骤4.2：对每个影响因素实测值，计算其特征取值（如果在和之间），确定网络模型的当前所有节点状态。
步骤4.3：比较网络模型的当前节点状态与前一时刻状态是否一致，若发生改变，利用团树传播算法，推理公交客流或行驶时间在不同取值条件下的最大后验概率，从而实现预报公交环境动态变化；否则，客流或行驶时间没有变化。
步骤4.4：根据预测客流或行驶时间的概率高低，预报公交环境变化，并进行反向推理其外部环境可能的变化原因，为公交动态调度提供决策数据支撑。
以上列举的仅是本发明的具体实施例，显然，本发明不限于以上实施例，还可以有许多变形，如：本发明运用不同贝叶斯网络的结构设计和参数学习方法，可拓展影响客流或行驶时间的影响因素，如：道路类型、道路的几何特征等。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (6)
1. 一种基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于，包括以下步骤：
（1）采用定量和定性相结合的方法筛选影响公交客流波动或行驶时间变化的众多因素，如道路类型、路况、交通事故、大型活动、交通管制和天气变化；
（2）将这些外部环境条件和客流或行驶时间决策变量抽象为贝叶斯网络的结点，确定结点集合及其取值范围，对它们的历史信息数据集进行离散化处理；
（3）分析外部环境干扰输入节点和客流或行驶时间决策节点之间影响关系，基于条件独立性检验方法，建立公交动态环境预报的贝叶斯网络结构图；
（4）利用最大似然估计方法，确定外部环境干扰条件和客流或行驶时间决策节点之间的条件概率表；
（5）根据网络结点的状态，计算某种公交客流或行驶时间发生时的后验概率，从而实现预报公交环境动态变化。
2. 根据权利要求1所述的基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于：所述步骤（1）中采用定量和定性相结合的方法，具体为：
（11）采用阅读文献、实地调研和专家座谈等方式，确定所有可能影响公交客流波动或行驶时间波动的众多因素，共有 个候选指标，如：道路类型、路况、交通事故、大型活动、交通管制和天气变化等；
（12）结合智能公交调度平台，在时刻获取第个影响因素，以及相关联的客流或行驶时间，将条数据记录作为样本，汇总为条件矩阵和决策向量；
（13）根据最小二乘法，评估候选因素对的影响程度向量，若为正，第个影响因素与客流或行驶时间正相关；否则负相关；
（14）设定阀值，对，若||>,该因素决定客流或行驶时间，获取n个条件和1个决策变量。
3. 根据权利要求1所述的基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于：所述步骤（2）中，离散化处理的具体步骤为：
（21）对各个变量，找到其取值的上下限；
（22）对上述变量的，进行个等间隔离散化处理，获取其特征取值状态空间为，其中：；
（23）在样本集D中，计算各变量取值状态的发生概率，以及两个变量间先验概率分布 ，其中表示事件在样本集D出现的次数。
4. 根据权利要求1所述的基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于：所述步骤（3）中的条件独立性检验方法，具体为若任意两个结点和之间相互依赖，存在有向边相连接，构建一个有向无环图，建立公交动态环境预报的贝叶斯网络结构图S。
5. 根据权利要求1所述的基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于：所述步骤（4）利用最大似然估计方法，在给定网络拓扑结构S和训练样本集D，利用先验知识，确定贝叶斯网络模型各结点处的条件概率密度为：
，
。
6. 根据权利要求1所述的基于贝叶斯网络模型的公交环境动态变化预报方法，其特征在于：所述步骤（5）根据车联网环境下的各种交通环境变化检测值，计算给定网络条件结点的状态，据此推理公交客流或行驶时间在不同取值条件下的最大后验概率或，从而实现预报公交环境动态变化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410544585.3A CN104298881B (zh) | 2014-10-15 | 2014-10-15 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410544585.3A CN104298881B (zh) | 2014-10-15 | 2014-10-15 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104298881A true CN104298881A (zh) | 2015-01-21 |
| CN104298881B CN104298881B (zh) | 2017-11-17 |
Family
ID=52318604
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410544585.3A Active CN104298881B (zh) | 2014-10-15 | 2014-10-15 | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104298881B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899664A (zh) * | 2015-06-17 | 2015-09-09 | 西南石油大学 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 |
| CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布系统 |
| CN105468823A (zh) * | 2015-11-16 | 2016-04-06 | 广州广电运通金融电子股份有限公司 | 一种自助设备节能控制方法和装置 |
| EP3171304A1 (en) * | 2015-11-20 | 2017-05-24 | Hitachi, Ltd. | Resource operation planning assist apparatus and resource operation planning assist method |
| CN107563563A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交系统的基于大数据客流预测方法 |
| CN108470222A (zh) * | 2018-02-08 | 2018-08-31 | 卢新明 | 一种用于典型事件预测预报的多征兆增信方法 |
| CN108491958A (zh) * | 2018-02-11 | 2018-09-04 | 浙江工业大学 | 一种短时公交客流弦不变量预测方法 |
| CN108734955A (zh) * | 2017-04-14 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 预测路况状态的方法及装置 |
| CN108831147A (zh) * | 2018-05-24 | 2018-11-16 | 温州大学苍南研究院 | 一种基于数据驱动的城市公交宏观行驶波动性的观测方法 |
| CN109063940A (zh) * | 2018-02-05 | 2018-12-21 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
| CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
| CN109447306A (zh) * | 2018-08-13 | 2019-03-08 | 上海海事大学 | 基于最大似然回归树的地铁事故延误时间预测方法 |
| CN111797768A (zh) * | 2020-07-06 | 2020-10-20 | 华侨大学 | 一种城市道路交通拥堵多原因自动实时识别方法及系统 |
| CN112232553A (zh) * | 2020-09-27 | 2021-01-15 | 同济大学 | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 |
| CN113642644A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
| CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
-
2014
- 2014-10-15 CN CN201410544585.3A patent/CN104298881B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
| CN102592453A (zh) * | 2012-02-27 | 2012-07-18 | 东南大学 | 一种基于时间窗口的实时交通状况判别方法 |
| CN103247177A (zh) * | 2013-05-21 | 2013-08-14 | 清华大学 | 大规模路网交通流实时动态预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| DAI-PING LIU ET AL.: "Network Traffic Analysis using Refined Bayesian Reasoning to Detect", 《2008 INTERNATIONAL CONFERENCE ON ADVANCED COMPUTER THEORY AND ENGINEERING》 * |
| 秦小虎 等: "一种基于贝叶斯网络模型的交通事故预测方法", 《计算机仿真》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899664A (zh) * | 2015-06-17 | 2015-09-09 | 西南石油大学 | 一种基于马尔科夫链和贝叶斯网络的钻井风险预测方法 |
| CN105279572B (zh) * | 2015-09-16 | 2017-02-08 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布系统 |
| CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布系统 |
| CN105468823A (zh) * | 2015-11-16 | 2016-04-06 | 广州广电运通金融电子股份有限公司 | 一种自助设备节能控制方法和装置 |
| US10394302B2 (en) | 2015-11-16 | 2019-08-27 | Grg Banking Equipment Co., Ltd. | Self-service equipment energy saving control method and device |
| CN105468823B (zh) * | 2015-11-16 | 2019-01-25 | 广州广电运通金融电子股份有限公司 | 一种自助设备节能控制方法和装置 |
| EP3171304A1 (en) * | 2015-11-20 | 2017-05-24 | Hitachi, Ltd. | Resource operation planning assist apparatus and resource operation planning assist method |
| CN108734955A (zh) * | 2017-04-14 | 2018-11-02 | 腾讯科技（深圳）有限公司 | 预测路况状态的方法及装置 |
| US11305780B2 (en) | 2017-04-14 | 2022-04-19 | Tencent Technology (Shenzhen) Company Ltd | Road condition status prediction method, device, and server, and storage medium |
| CN108734955B (zh) * | 2017-04-14 | 2021-06-11 | 腾讯科技（深圳）有限公司 | 预测路况状态的方法及装置 |
| CN107563563A (zh) * | 2017-09-07 | 2018-01-09 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交系统的基于大数据客流预测方法 |
| CN109063940B (zh) * | 2018-02-05 | 2024-01-26 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
| CN109063940A (zh) * | 2018-02-05 | 2018-12-21 | 重庆邮电大学 | 基于变结构贝叶斯网络的智能车辆威胁估计系统及方法 |
| CN108470222A (zh) * | 2018-02-08 | 2018-08-31 | 卢新明 | 一种用于典型事件预测预报的多征兆增信方法 |
| CN108470222B (zh) * | 2018-02-08 | 2022-11-11 | 山东蓝光软件有限公司 | 一种用于典型事件预测预报的多征兆增信方法 |
| CN108491958A (zh) * | 2018-02-11 | 2018-09-04 | 浙江工业大学 | 一种短时公交客流弦不变量预测方法 |
| CN108491958B (zh) * | 2018-02-11 | 2021-05-07 | 浙江工业大学 | 一种短时公交客流弦不变量预测方法 |
| CN108831147A (zh) * | 2018-05-24 | 2018-11-16 | 温州大学苍南研究院 | 一种基于数据驱动的城市公交宏观行驶波动性的观测方法 |
| CN109447306A (zh) * | 2018-08-13 | 2019-03-08 | 上海海事大学 | 基于最大似然回归树的地铁事故延误时间预测方法 |
| CN109447306B (zh) * | 2018-08-13 | 2021-07-02 | 上海海事大学 | 基于最大似然回归树的地铁事故延误时间预测方法 |
| CN109376935A (zh) * | 2018-10-31 | 2019-02-22 | 东南大学 | 一种基于神经网络的公交客流分时段组合预测方法 |
| CN111797768A (zh) * | 2020-07-06 | 2020-10-20 | 华侨大学 | 一种城市道路交通拥堵多原因自动实时识别方法及系统 |
| CN111797768B (zh) * | 2020-07-06 | 2023-05-12 | 华侨大学 | 一种城市道路交通拥堵多原因自动实时识别方法及系统 |
| CN112232553B (zh) * | 2020-09-27 | 2023-04-07 | 同济大学 | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 |
| CN112232553A (zh) * | 2020-09-27 | 2021-01-15 | 同济大学 | 一种基于贝叶斯网络的高铁列车晚点影响因素诊断方法 |
| CN113642644A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
| CN113642644B (zh) * | 2021-08-13 | 2024-05-10 | 北京赛目科技有限公司 | 车辆环境等级的确定方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104298881B (zh) | 2017-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104298881A (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
| Park et al. | Real-time prediction and avoidance of secondary crashes under unexpected traffic congestion | |
| CN104376716B (zh) | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 | |
| CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
| Zhang et al. | Traffic Accident Prediction Based on LSTM‐GBRT Model | |
| García‐Ródenas et al. | An approach to dynamical classification of daily traffic patterns | |
| Huang et al. | Operational failure analysis of high-speed electric multiple units: A Bayesian network-K2 algorithm-expectation maximization approach | |
| CN111126868B (zh) | 一种道路交通事故发生风险确定方法及系统 | |
| Fusco et al. | Comparative analysis of implicit models for real‐time short‐term traffic predictions | |
| CN110555565A (zh) | 基于决策树模型的高速路出口匝道事故严重程度预测方法 | |
| Amiri et al. | Comparing the efficiency of different computation intelligence techniques in predicting accident frequency | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| Wang et al. | A deep learning approach to real-time CO concentration prediction at signalized intersection | |
| Chen et al. | Applying Artificial Intelligence and Deep Belief Network to predict traffic congestion evacuation performance in smart cities | |
| Mokhtarimousavi et al. | A temporal investigation of crash severity factors in worker-involved work zone crashes: Random parameters and machine learning approaches | |
| CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
| Li | Predicting short-term traffic flow in urban based on multivariate linear regression model | |
| Zhu et al. | Early identification of recurrent congestion in heterogeneous urban traffic | |
| Li et al. | New model of travel-time prediction considering weather conditions: case study of urban expressway | |
| Wang et al. | An Ensemble Learning Model for Short‐Term Passenger Flow Prediction | |
| Lee | Freeway travel time forecast using artifical neural networks with cluster method | |
| Islam et al. | Before–after safety evaluation using full Bayesian macroscopic multivariate and spatial models | |
| Gürbüz et al. | Rule extraction for tram faults via data mining for safe transportation | |
| Awad et al. | Predicting urban rail transit safety via artificial neural networks | |
| CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20190926 Address after: No. 400 Fangchun Road, China (Shanghai) Free Trade Pilot Area, No. 1 Building, 3 Floors, 2013 Patentee after: Shanghai set up Mdt InfoTech Ltd Address before: 226000 Jiangsu Province, Nantong City Chongchuan District sik Road No. 9 Patentee before: Nantong University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191121 Address after: Room 302, No. 8319, Yanshan Road, Bengbu City, Anhui Province Patentee after: Bengbu Lichao Information Technology Co., Ltd Address before: 3 / F, building 1, No. 400, Fangchun Road, China (Shanghai) pilot Free Trade Zone Patentee before: Shanghai set up Mdt InfoTech Ltd |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211230 Address after: 276000 north side of national highway 206, economic development zone, Lanling County, Linyi City, Shandong Province Patentee after: Shandong Xiangdi Pipe Co.,Ltd. Address before: 8319 Yanshan Road, Bengbu City, Anhui Province Patentee before: Bengbu Lichao Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |