CN105469602A - 一种基于ic卡数据的公交乘客候车时间范围的预测方法 - Google Patents
一种基于ic卡数据的公交乘客候车时间范围的预测方法 Download PDFInfo
- Publication number
- CN105469602A CN105469602A CN201511021601.1A CN201511021601A CN105469602A CN 105469602 A CN105469602 A CN 105469602A CN 201511021601 A CN201511021601 A CN 201511021601A CN 105469602 A CN105469602 A CN 105469602A
- Authority
- CN
- China
- Prior art keywords
- bus
- website
- data
- time
- waiting 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.)
- Granted
Links
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于IC卡数据的公交乘客候车时间范围的预测方法,包括以下步骤:步骤一,建立样本集;步骤二,RVM建模及其参数标定;步骤三,预测BusA和BusB在第二个目标站点的车头时距;本发明的最大特点是能够预测下一辆公交将在某一时刻至某一时刻到达某个站点,填补了公交到站时间范围预测的空白,具有很大的创新意义,提供了比其他专利更为合理的预测方式;本发明结合公交IC卡数据,针对多辆车次,提取大量的乘客信息,不需要车载GPS系统,方便快捷,降低了数据处理成本,而且IC卡数据可以获取公交车在各个站点的上下车人数,从而获得公交车在各个站点的停留时间,这一点是GPS数据所不能提供的。
Description
技术领域
本发明涉及公共交通信息处理技术领域,具体地说是一种基于IC卡数据的公交乘客候车时间范围的预测方法。
背景技术
随着交通的日益发达,公共交通在人们的出行中所占的比重也日趋上升,尤其在一些大城市中,越来越多的人选择公交地铁出行,一方面是这种出行成本相对廉价,另一方面是地铁出行时间可靠性高。在公交运营过程中,由于交通拥堵、站点停靠时间和上下车人数的变化等因素影响,公交车辆的到站时间并不规律。尤其是高峰时段,公交车到站时间不太稳定,容易发生串车现象,极大地影响人们的出行效率,降低了公交的服务水平,降低人们对公交服务的满意度。因此很有必要将乘客的候车时间进行精确预测,即提供该公交下一车次的到达时间,这对出行者具有很大的意义。
在现有的专利中,已经有一些针对公交到站时间预测的方法。申请号为200910199431.4的专利,《一种公交车到站时间预测模型控制方法》采用BP神经网络对GPS历史数据进行训练得出公交车有发车点到达电子站牌的出的最佳平均行程时间,引入公交动态运行信息来修正有BP神经网络方法给出的最佳平均行程时间,以此来预测公交到站时间。申请号为201110060991.9的专利,《公交到站的预测方法》采用卡尔曼滤波法分析实时GPS数据预测到站时间,最终通过误差加权把历史数据和实时数据两种预测结果综合起来作为最终的发布信息。申请号为201110028817.6的专利——《一种基于SVM及H∞滤波的动态公交到站时间预测方法》,该方法分为两部分;第一部分是基于SVM方法,利用公交车到达每个站点的历史时间数据库构建SVM模型,确定输入变量的值,预测相邻站点之间的运行时间;第二部分是基于H∞滤波思想,结合实时公交车运行信息和相邻站点之间的运行时间,预测公交车到达下游每个站点的时间。
以上的专利存在以下几个不足:1.算法本身的局限性。BP神经网络对初始网络权重非常敏感,容易导致陷入局部最优;卡尔曼滤波采用不断逼近的方式,对公交前几站的到站时间预测精度差,而且计算量大,实时性较差;SVM算法对惩罚因子十分敏感,对预测精度影响较大,且在核函数的选择上受Mercer定理的限制;2.GPS采集数据有限,无法获得公交车在公交停靠站的停留时间,也不能获得公交车在某一个站点的上下车人数,会影响预测精度;而且GPS通信易受外界环境(如恶劣天气、高建筑物)影响,对公交旅行时间的判断极为不利;3.只给出预测公交到站时间点,这种预测方式不能保证预测结果的可靠性,因此很有必要在保证可靠性的前提下对乘客候车时间范围进行预测,提高乘客候车时的“安全感”。
发明内容
本发明为解决以上现有技术的不足,提供一种基于IC卡数据的公交乘客候车时间范围的预测方法。该方法是基于相关向量机的乘客候车时间及其置信区间预测,填补了公交到站时间范围预测的空白。从出行者的角度来看,本发明可以让出行者合理安排时间,极大地提高出行者的出行效率,提高出行者候车时的“安全感”,能够明显改善公交运营公司的服务水平,提高人们对出行的满意度。从交通管理部门的角度来看,有利于调度部门进行公交车辆的监控,使公交调度更加合理,能有效减少发生串车的概率。本发明将引入乘客候车时间范围,将预测结果的不确定性进行量化,以95%的概率预测公交将在某个时间段到来,大大提高出行者候车时的“安全感”,公交服务也将有质的提高。
一种基于IC卡数据的公交乘客候车时间范围的预测方法,包括以下步骤:
步骤一,建立样本集;
步骤二,RVM建模及其参数标定;
步骤三,预测BusA和BusB在第二个目标站点的车头时距;
本发明的优点在于:
(1)本发明的最大特点是能够预测下一辆公交将在某一时刻至某一时刻到达某个站点,填补了公交到站时间范围预测的空白,具有很大的创新意义,提供了比其他专利更为合理的预测方式;
(2)本发明结合公交IC卡数据,针对多辆车次,提取大量的乘客信息,不需要车载GPS系统,方便快捷,降低了数据处理成本,而且IC卡数据可以获取公交车在各个站点的上下车人数,从而获得公交车在各个站点的停留时间,这一点是GPS数据所不能提供的;
(3)本发明通过预测相邻两辆车在各个站点的车头时距,能让没赶上前一班车次的出行者获取下一车次的到达时间,可以提供类似地铁提供下一班次到达时间的出行信息服务;
(4)本发明首次采用相关向量机算法对乘客候车时间进行预测,相关向量机算法不仅能给出预测值,还能给出预测值的概率分布,能够在给定置信水平的条件下预测乘客候车的时间范围;
(5)本发明考虑了上下车人数、到站时间、两站点间的旅行时间、两个相邻车次的车头时距等多个因素,处理数据简单,成本低,且有较高预测精度。
附图说明
图1为本发明的基于IC卡数据的公交乘客候车时间范围的预测方法的流程图;
图2为本发明实施例预测结果示意图;
图3为图2的局部放大图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供一种基于IC卡数据的公交乘客候车时间范围的预测方法,流程如图1所示,包括以下步骤:
步骤一,建立样本集。
设定需要进行乘客候车时间范围预测公交路线的车次,设需要进行乘客候车时间范围预测的站点为第二目标站点,其前一站为第一目标站点,依次通过第一目标站点、第二目标站点的公交车分别为BusA和BusB;
获取需要进行乘客候车时间范围预测公交路线车次的公交IC卡历史数据库,对原始数据进行预处理,提取出含有车次标识、线路标识、站点标识、到站时间、日期、上车客流量、下车客流量的数据集;
其中除到站时间外,其余的信息均可从公交IC卡数据中读取,本发明所使用到站时间标记方法分为两种情况,一是如果公交车在公交站点有充足的上下车刷卡信息数据样本,说明该站点需求较大,则以第一个刷卡信息作为公交车的到站时间;二是如果公交车在该站点的上下车刷卡信息很少,说明该站点的需求量不大,因此,预测这种站点的公交乘客候车时间范围实际意义不大。本发明视这种情况为异常情况,故剔除掉相应的记录,该站点不作处理。
车头时距指的是在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔,因此前后车在公交站点的车头时距就是前后车到达该站点的时间差;旅行时间是同一辆车在相邻站点间的时间差;上下车的客流量可通过统计公交在公交站点的刷卡情况获得。由于部分乘客刷卡信息存在异常(比如上下车重复刷卡等),需要进行车次标识匹配,找出两个目标站点车次标识不对应的数据,剔除其对应的记录。根据国家对公交车的最高车速,以平均速度代替最高速度,根据公式(s为两个站点的距离,为平均速度,t是旅行时间)求得两个站点间的旅行时间,剔除掉平均速度不合理的记录。
经过上述的处理即可得到本发明所需要的样本集,设该样本的样本总数为N。
步骤二,RVM(RelevanceVectorSupport,相关向量机)建模及其参数标定;
RVM模型由TippingM.E提出,TippingM.E,SparseBayesianLearningandtheRelevanceVectorMachine[J].JournalofMachineLearningResearch1,2001:211-244。
首先确定RVM模型的输入输出变量。输入变量一共是6个,分别是BusA在第一个目标站点的上车人数(记为xi1)、BusA在第一个目标站点的下车人数(记为xi2)、BusB在第一个目标站点的上车人数(记为xi3)、BusB在第一个目标站点的下车人数(记为xi4)、BusA和BusB在第一个目标站点的车头时距(记为xi5)、BusA在第一个目标站点和第二目标站点的旅行时间(记为xi6)。输出变量只有1个,为BusA和BusB在第二个目标站点的车头时距(记为yi),其中i=[1,2,…,N],i指第i个样本,第i个样本的输入对应第i样本的输出。N是样本的总数。
利用步骤一中得到的训练集对RVM模型进行训练,首先选择合适的核函数,在本发明中选用的是径向基(RBF)函数,即其中xi为输入变量,在本发明中xi=[xi1,xi2,xi3,xi4,xi5,xi6],xj是核函数中心,在本发明中xj=[xj1,xj2,xj3,xj4,xj5,xj6],j=[1,2,…,N],j也表示第j个样本,所以||xi-xj||2表示6维空间中任意两点的欧氏距离。其中δ为函数的宽度参数,它的选取对预测结果非常敏感,本发明采用中位数逐步逼近的方法,选取最合适的宽度参数。利用步骤一中的数据对该模型进行训练,标定参数,需要标定的参数有μ,Σ,σMP,其中μ表示后验均值权重矩阵,是设计矩阵的元素,Σ是协方差矩阵,σMP是噪声所服从的正太分布中方差的最优值,将标定得到的参数带入RVM模型的公式中进行预测。
步骤三,预测BusA和BusB在第二个目标站点的车头时距。当给定一个新的输入x*,由RVM模型中的公式预测出相应的车头时距,其中y*为预测值,即前后车在该站点的时间间隔,这样公交就可以实现类似地铁为乘客提供下个车次还有几分钟到的功能,由于RVM能提供预测结果的正态分布,由RVM模型中的公式得到该正态分布的方差,并且在给定显著水平为α可以得到关于预测公交到站时间的1-α置信区间,即 即可得到公交乘客候车时间范围,其中可通过查找t分布表得到,角标α/2代表t分布的α/2分位点;K为输入变量的维度数目,本发明中K的取值为6。
本发明引入RMSE(RootMeanSquareError,均方根误差)和MAPE(MeanAbsolutePercentageError,平均绝对百分误差)作为评价指标。RMSE和MAPE的取值越小,说明模型的精度越高,同时记置信区间的宽度为d,本发明中当d小于10时,可以认为该模型适用于公交乘客候车时间范围预测。
实施例
需要说明的是,本发明所使用的公交IC卡数据由北京市XX公司提供,公交IC卡数据包括本发明所需要的卡号、车次标识、上下车客流量、线路标识、站点标识、到站时间、交易日期、交易时间等近20个字段信息。
下面以北京市XX公司XX路公交车到达某两个连续的目标站点Station_A,Station_B为例,四个月的车次标识、站点标识、到站时间和上、下车客流量基础数据如表1和表2:
表1:北京市XX公司XX路公交车到达第一个目标站点Station_A的基础数据
表2:北京市XX公司XX路公交车到达第二个目标站点Station_B的基础数据
数据处理主要包括以下几步:
步骤一,建立样本集。选取某一公交路线的某一车次及其所经过的两个相邻的公交站点,建立公交IC卡历史数据库,对原始数据进行预处理,提取出含有车次标识、线路标识、站点标识、到站时间、日期和上下车客流量的数据集,其中除到站时间外,其余的信息均可从公交IC卡数据中读取,本发明所使用到站时间标记方法分为两种情况,一是如果公交车在公交站点有上下车刷卡信息,以第一个刷卡信息作为公交车的到站时间;二是如果公交车在该站点没有上下车刷卡信息,则说明该站点的需求量不大,可以在往前推一个站点,并记录其第一个上下车刷卡时间,那么前后辆车在公交站点的车头时距就是前后车到达该站点的时间差,旅行时间是同一辆车在相邻站点间的时间差;上述对原始数据的预处理除了标记到站时间和车头时距的计算之外,还由于部分乘客刷卡信息存在异常(比如上下车重复刷卡等),需要进行车次标识匹配,找出两个目标站点车次标识不对应的数据,剔除其对应的记录。根据国家对公交车的最高车速,以平均速度代替最高速度,根据公式(s为两个站点的距离,为平均速度,t是旅行时间)求得两个站点间的旅行时间,剔除掉平均速度不合理的记录。经过上述的处理即可得到本发明所需要的样本集,并按照3:1的比例分为训练集和测试集。本发明选取了北京市XX公司XX路公交车到达某两个连续的目标站点2012月年7月至10月4个月的数据,经过上述的处理,将前3个月作为训练集,最后1个月作为测试集。
步骤二,RVM(RelevanceVectorSupport,相关向量机)建模及其参数标定,该算法由TippingM.E提出,(TippingM.E,SparseBayesianLearningandtheRelevanceVectorMachine[J].JournalofMachineLearningResearch1,2001:211-244)。首先确定输入输出变量。输入变量一共是6个,分别是BusA在第一个目标站点的上车人数(记为xi1)、BusA在第一个目标站点的下车人数(记为xi2)、BusB在第一个目标站点的上车人数(记为xi3)、BusB在第一个目标站点的下车人数(记为xi4)、BusA和BusB在第一个目标站点的车头时距(记为xi5)、BusA在第一个目标站点和第二目标站点的旅行时间(记为xi6)。输出变量只有1个,N是样本的总数。即BusA和BusB在第二个目标站点的车头时距(记为yi),其中i=[1,2,…,N],i指第i个样本。利用步骤一中得到的训练集对RVM模型进行训练,首先选择合适的核函数,在本发明中选用的是径向基(RBF)函数,即i=[1,2,…,N],j=[1,2,…,N]。利用步骤一中的数据对该模型进行训练,当发现δ为7.5时预测结果最佳,并且得到参数的值,即Σ1132×1132,μ1132×1,
步骤三,预测BusA和BusB在第二个目标站点的车头时距。将测试数据的输入变量输入到步骤二所生成的RVM模型,由公式y*=μTφ(x*)可预测出相应的车头时距,即前后车在该站点的时间间隔,这样公交就可以实现类似地铁提供下个车次还有几分钟到的功能。由于RVM能提供预测结果的概率分布,由得到方差,并且在给定显著水平为α=0.05可以得到关于公交乘客候车时间的95%置信区间,即 其中N为1828,K为6,可以查t分布表得到t0.025(1821)=1.96,因此置信区间变为[y*-1.96σ*,y*+1.96σ*],即可得到乘客候车时间范围。
本发明基于公交IC卡数据预测公交乘客候车时间及其置信区间,采用的算法是相关向量机(RelevanceVectorMachine,简称RVM),采用的工具是MATLAB2014a。选取前三个月(20120702-20120930)的数据作为训练数据,后一个月(20121001-20121029)的数据作为测试数据。
当取置信度为95%时,得到的预测结果如图2所示,对图2作局部放大,如图3所示。
通过计算得出置信区间的宽度(即预测公交乘客候车时间范围的长度)稳定在7分钟左右,最大不超过7.4分钟,这样的一个区间可以让大部分人都接受。
下面结合本发明所使用的数据对“区间”作出解释:本发明所使用的实际数据显示该公交在第二个站点的平均车头时距为22.53分钟(即22分31秒),这一时间是指BusA刚离开第二个站点,BusB到达第二站点需要22分31秒。本发明所预测区间是指BusB到达第二个站点需要22.02~29.03分钟。
预测精度分析,将本发明所采用的算法跟经典算法SVM(支持向量机)作对比,这里采用RMSE(RootMeanSquareError,均方根误差)和MAPE(MeanAbsolutePercentageError,平均绝对百分误差)作为评价指标,对比结果如表3所示。
表3RVM与SVM预测误差对比表
相关向量机(RVM) | 支持向量机(SVM) | |
RMSE | 1.454 | 1.5003 |
MAPE | 15.39% | 16.15% |
是否可公交乘客候车时间范围 | 是 | 否 |
表中: 其中yi是实际值,是RVM预测值。
记用来描述公交乘客候车时间实际值与预测值之间的平均误差。
其中RMSE同比下降了3.09%,MAPE同比下降了4.71%。从本发明所使用的数据来看,e值仅为1.18分钟,通过以上的偏差表明本发明可以实现出行者候车时间的精确预测,可以为公交提供类似地铁提供下一班次到达时间的出行信息服务,此外本发明在95%的水平下,预测时间宽度仅为7分钟左右,进一步完善了对候车时间的预测,说明发明能够很好地用于公交乘客候车时间范围的预测。
从出行者的角度来看,本发明可以让出行者合理安排时间,极大地提高居民的出行效率,提高出行者候车时的“安全感”,能够明显改善公交运营公司的服务水平,提高人们对出行的满意度。
从交通管理部门角度来看,本发明有利于调度部门进行公交车辆的监控,使公交调度更加合理,能有效减少发生串车的概率。
Claims (3)
1.一种基于IC卡数据的公交乘客候车时间范围的预测方法,包括以下步骤:
步骤一,建立样本集;
设定需要进行乘客候车时间范围预测公交路线的车次,设需要进行乘客候车时间范围预测的站点为第二目标站点,其前一站为第一目标站点,依次通过第一目标站点、第二目标站点的公交车分别为BusA和BusB;
获取需要进行乘客候车时间范围预测公交路线车次的公交IC卡历史数据库,对原始数据进行预处理,提取出含有车次标识、线路标识、站点标识、到站时间、日期、上车客流量、下车客流量的数据集;
对数据集进行处理:针对数据集,进行车次标识匹配,找出两个目标站点车次标识不对应的数据,剔除其对应的数据,设s为两个站点的距离,为平均速度,t是旅行时间,旅行时间是同一辆车在相邻站点间的时间差,根据获取平均速度,剔除平均速度超出国家规定公交车最高车速的数据;
经过上述的处理得到样本集,设样本集中样本总数为N;
步骤二,RVM建模及其参数标定;
确定RVM模型的输入输出变量;设输入变量分别是BusA在第一个目标站点的上车人数xi1、BusA在第一个目标站点的下车人数xi2、BusB在第一个目标站点的上车人数xi3、BusB在第一个目标站点的下车人数xi4、BusA和BusB在第一个目标站点的车头时距xi5、BusA在第一个目标站点和第二目标站点的旅行时间xi6;输出变量为BusA和BusB在第二个目标站点的车头时距yi,其中i=[1,2,…,N],i指第i个样本,第i个样本的输入对应第i样本的输出;其中,车头时距指的是在同一车道上行驶的车辆队列中,两连续车辆车头端部通过某一断面的时间间隔,因此前后车在公交站点的车头时距就是前后车到达该站点的时间差;
利用步骤一中得到的训练集对RVM模型进行训练,进行参数标定;
步骤三,预测BusA和BusB在第二个目标站点的车头时距;
当给定一个新的输入x*,由RVM模型中的公式预测出相应的车头时距,其中y*为预测值,即前后车在该站点的时间间隔,实现乘客候车时间范围的预测;
由RVM模型中的公式得到正态分布的方差,并且在给定显著水平为α得到关于预测公交到站时间的1-α置信区间,即 得到公交乘客候车时间范围,其中通过查找t分布表得到,角标α/2代表t分布的α/2分位点,K为输入变量的维度数目,K=6。
2.根据权利要求1所述的一种基于IC卡数据的公交乘客候车时间范围的预测方法,所述步骤一中,到站时间标记方法为:设公交车在公交站点的上下车刷卡信息数据大于等于A,则将第一个刷卡信息作为公交车在公交站点的到站时间,否则,剔除此公交站点。
3.根据权利要求1所述的一种基于IC卡数据的公交乘客候车时间范围的预测方法,所述步骤二中,参数标定具体为:
利用步骤一中得到的训练集对RVM模型进行训练,首先选择核函数为径向基RBF函数其中:xi为输入变量,xi=[xi1,xi2,xi3,xi4,xi5,xi6],xj是核函数中心,xj=[xj1,xj2,xj3,xj4,xj5,xj6],j=[1,2,…,N],j表示第j个样本,||xi-xj||2表示6维空间中任意两点的欧氏距离,δ为函数的宽度参数,利用步骤一中的数据对该模型进行训练,标定参数其中:μ为后验均值权重矩阵,为设计矩阵的元素,Σ为协方差矩阵,σMP为噪声所服从的正太分布中方差的最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021601.1A CN105469602B (zh) | 2015-12-31 | 2015-12-31 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511021601.1A CN105469602B (zh) | 2015-12-31 | 2015-12-31 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469602A true CN105469602A (zh) | 2016-04-06 |
CN105469602B CN105469602B (zh) | 2017-08-11 |
Family
ID=55607247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511021601.1A Active CN105469602B (zh) | 2015-12-31 | 2015-12-31 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469602B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327867A (zh) * | 2016-08-30 | 2017-01-11 | 北京航空航天大学 | 一种基于gps数据的公交准点预测方法 |
CN107563566A (zh) * | 2017-09-18 | 2018-01-09 | 东南大学 | 一种基于支持向量机的公交站间运行时间区间预测方法 |
CN109242181A (zh) * | 2018-09-04 | 2019-01-18 | 中国联合网络通信集团有限公司 | 乘车等候时间预测方法、装置及系统 |
CN109637134A (zh) * | 2018-12-28 | 2019-04-16 | 青岛大学 | 一种公交设备匹配方法 |
CN109858658A (zh) * | 2017-11-30 | 2019-06-07 | 北京嘀嘀无限科技发展有限公司 | 行程预估方法及装置 |
CN109903555A (zh) * | 2019-02-22 | 2019-06-18 | 北京理工新源信息科技有限公司 | 一种基于大数据的公交乘客下车数据预测方法及系统 |
CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
CN110168313A (zh) * | 2017-01-10 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 用于预估到达时间的方法及系统 |
CN111291935A (zh) * | 2020-02-20 | 2020-06-16 | 上海赛可出行科技服务有限公司 | 一种基于区域块分割的接驾时长预估方法 |
CN111627239A (zh) * | 2019-02-28 | 2020-09-04 | 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 |
CN112562378A (zh) * | 2020-12-01 | 2021-03-26 | 平安科技(深圳)有限公司 | 公交车调度方法、装置、计算机设备及介质 |
CN118230586A (zh) * | 2024-04-01 | 2024-06-21 | 武汉市公共交通集团有限责任公司信息中心 | 一种基于eta模型的车辆到站时间补偿预测方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778800A (zh) * | 2014-02-19 | 2014-05-07 | 东南大学 | 一种小站距公交车到站时间预告系统的设置方法 |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
WO2014201895A1 (zh) * | 2013-06-21 | 2014-12-24 | 中兴通讯股份有限公司 | 车辆到站时间预报系统及方法 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
JP2015219716A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 降車駅予測方法、降車駅予測装置および降車駅予測プログラム |
-
2015
- 2015-12-31 CN CN201511021601.1A patent/CN105469602B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014201895A1 (zh) * | 2013-06-21 | 2014-12-24 | 中兴通讯股份有限公司 | 车辆到站时间预报系统及方法 |
CN103778800A (zh) * | 2014-02-19 | 2014-05-07 | 东南大学 | 一种小站距公交车到站时间预告系统的设置方法 |
JP2015219716A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 降車駅予測方法、降車駅予測装置および降車駅予測プログラム |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327867A (zh) * | 2016-08-30 | 2017-01-11 | 北京航空航天大学 | 一种基于gps数据的公交准点预测方法 |
CN106327867B (zh) * | 2016-08-30 | 2020-02-11 | 北京航空航天大学 | 一种基于gps数据的公交准点预测方法 |
CN110168313A (zh) * | 2017-01-10 | 2019-08-23 | 北京嘀嘀无限科技发展有限公司 | 用于预估到达时间的方法及系统 |
CN110168313B (zh) * | 2017-01-10 | 2022-10-25 | 北京嘀嘀无限科技发展有限公司 | 用于预估到达时间的方法及系统 |
CN107563566A (zh) * | 2017-09-18 | 2018-01-09 | 东南大学 | 一种基于支持向量机的公交站间运行时间区间预测方法 |
CN107563566B (zh) * | 2017-09-18 | 2020-08-11 | 东南大学 | 一种基于支持向量机的公交站间运行时间区间预测方法 |
CN109858658A (zh) * | 2017-11-30 | 2019-06-07 | 北京嘀嘀无限科技发展有限公司 | 行程预估方法及装置 |
CN109242181A (zh) * | 2018-09-04 | 2019-01-18 | 中国联合网络通信集团有限公司 | 乘车等候时间预测方法、装置及系统 |
CN109637134A (zh) * | 2018-12-28 | 2019-04-16 | 青岛大学 | 一种公交设备匹配方法 |
CN109903555A (zh) * | 2019-02-22 | 2019-06-18 | 北京理工新源信息科技有限公司 | 一种基于大数据的公交乘客下车数据预测方法及系统 |
CN109903555B (zh) * | 2019-02-22 | 2021-01-05 | 北京理工新源信息科技有限公司 | 一种基于大数据的公交乘客下车数据预测方法及系统 |
CN111627239A (zh) * | 2019-02-28 | 2020-09-04 | 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 |
CN110084402A (zh) * | 2019-03-25 | 2019-08-02 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
CN110084402B (zh) * | 2019-03-25 | 2022-03-11 | 广东工业大学 | 一种基于站点优选和蚂蚁寻迹的公交自适应调度方法 |
CN111291935A (zh) * | 2020-02-20 | 2020-06-16 | 上海赛可出行科技服务有限公司 | 一种基于区域块分割的接驾时长预估方法 |
CN111291935B (zh) * | 2020-02-20 | 2023-12-29 | 上海赛可出行科技服务有限公司 | 一种基于区域块分割的接驾时长预估方法 |
CN112562378A (zh) * | 2020-12-01 | 2021-03-26 | 平安科技(深圳)有限公司 | 公交车调度方法、装置、计算机设备及介质 |
CN118230586A (zh) * | 2024-04-01 | 2024-06-21 | 武汉市公共交通集团有限责任公司信息中心 | 一种基于eta模型的车辆到站时间补偿预测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105469602B (zh) | 2017-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105469602A (zh) | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 | |
CN108596727B (zh) | 一种共享单车的管理与决策方法 | |
CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
Hensher et al. | Bus rapid transit systems: a comparative assessment | |
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN105550789A (zh) | 一种公交出行客流的预测方法 | |
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 | |
CN101615340A (zh) | 公交动态调度中的实时信息处理方法 | |
CN104157139A (zh) | 一种交通拥堵预测方法及可视化方法 | |
CN103310287A (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN109272168A (zh) | 一种城市轨道交通客流变化趋势预测方法 | |
CN105320997A (zh) | 一种基于大数据的公交客流轨迹实时跟踪方法 | |
CN106503868A (zh) | 一种车队线路规划方法及相关设备 | |
Ye et al. | Modeling level-of-safety for bus stops in China | |
CN107203945A (zh) | 车险分级评估方法及装置 | |
CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN101604477B (zh) | 智能化动态路线诱导系统 | |
CN103778782A (zh) | 一种基于半监督机器学习的交通状态划分方法 | |
CN115936541A (zh) | 一种安全道路推荐方法及设备 | |
CN105608315A (zh) | 公交停靠站安全服务水平定量评价方法及系统 | |
Wang | Real‐Time Evaluation Method of Vehicle Conflict Risk on Urban Expressway Based on Smartphone GPS 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |