CN105894847B - 一种云平台环境下无监督学习的实时公交动态调度系统及方法 - Google Patents
一种云平台环境下无监督学习的实时公交动态调度系统及方法 Download PDFInfo
- Publication number
- CN105894847B CN105894847B CN201610494463.7A CN201610494463A CN105894847B CN 105894847 B CN105894847 B CN 105894847B CN 201610494463 A CN201610494463 A CN 201610494463A CN 105894847 B CN105894847 B CN 105894847B
- Authority
- CN
- China
- Prior art keywords
- data
- bus
- information
- vehicle
- scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000032258 transport Effects 0.000 claims description 94
- 238000004891 communication Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 206010039203 Road traffic accident Diseases 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种云平台环境下无监督学习的实时公交动态调度系统，包括公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接。本系统及方法可通过智能公交一体化终端采集公交车辆及站台的信息、站台客流信息，结合公共交通云服务调度系统提供的公交客流出行实时数据，提供实时公交调度信息服务，用户体验好，智能化程度高，投入成本低，数据稳定性好且可靠性高。
Description
技术领域
本发明涉及公共交通实时动态公共交通调度领域，特别是涉及一种云平台环境下无监督学习的实时公交动态调度系统及方法。
背景技术
随着云计算、物联网及通信技术的快速发展，智能公交调度与新技术的融合进入了一个新的阶段。基于信息分布式处理存储与汽车移动物联网的智能交通系统，将在大范围内实现实时、准确、高效的综合交通运输管理，能够实现有效的缓解交通拥堵，降低能源消耗，减少环境污染。基于云计算技术的智能公交产品与应用将在未来逐步走入普通大众的生活，城市交通将进入“云交通”时代。
相比于传统的服务器技术，面对海量的公交实时信息处理方面需要构建相对独立的处理平台，如面向公交的实时数据获取和处理、面向用户的信息服务处理以及面向决策层的数据统计和处理等，由于其数据的格式和算法的处理本质不同，难以在相同的架构上实现整合，在网络完全等方面无法实现数据和应用的隔离，使得平台在效用比和安全性上难以实现有效的平衡。云计算利用虚拟化技术，以其在自动部署和资源快速启动方面可以有效的解决上述问题，使得服务、数据和接口可以有效的整合到一个平台内，并按照服务的压力和需求进行资源的调配，使得平台的效用比最优化，同时由于云计算在资源的隔离和数据高可用性上具备灵活的解决方案，如多点冗余存储、计算资源的弹性调度、数据的快照等，可保证面向公交的高可用性计算和稳定的数据服务。综上所述，公共交通调度系统是构建在一个高可用的云计算平台，使得其可以具备在线的计算能力扩展、高效的资源效用比以及稳定的运行性能，改变原有的公共交通信息服务平台，实现高效、弹性和绿色的通用计算平台。
发明内容
为了解决上述的技术问题，本发明的目的是提供一种云平台环境下无监督学习的实时公交动态调度系统，本发明的另一目的是提供一种云平台环境下无监督学习的实时公交动态调度方法。
本发明解决其技术问题所采用的技术方案是：
一种云平台环境下无监督学习的实时公交动态调度系统，包括公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接，所述智能公交一体化终端与公共交通云服务调度系统的实时无线连接。当运营车辆按照约定时间出现时间延误时，基于静态调度方法自动调整行车间隔或行车类型；借助先进的通信技术、计算机技术监控运营中公交车辆，出现意外事故或突发事件，进行有效地动态重调度，以便及时处理紧急情况。为公共交通提供无监督学习的公交客流和实时动态的调度服务，为公交运输企业和行业监管部门提供高效的运营监管服务，为用户提高个性化的交通出行信息服务。
进一步，所述公共交通云服务调度系统用于与智能公交一体化终端进行数据交互后获得车辆的实时位置数据、车辆调度数据、车辆调度数据和公交站台客流数据，进而根据该实时位置数获取对应的调度服务推送信息并推送到智能公交一体化终端；
所述智能公交一体化终端用于所述智能公交一体化终端用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将车辆的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的调度服务推送信息。
进一步，所述智能公交一体化终端，具体用于：
用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将用户的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的调度服务推送信息并根据该调度服务推送信息，有利于提高公交车辆调度运转效率。
进一步，所述公共交通云服务调度系统包括云端控制主机、公交基础信息数据库、公交车辆动态信息数据库、公交调度服务信息数据库、客流信息数据库以及公交到站预测信息数据库。
进一步，所述车辆交通要素标识标签和站台交通要素标识标签均采用低功耗蓝牙标签，所述低功耗蓝牙标签，包括低功耗蓝牙通信模块、锂电池、防拆电路、按键模块以及天线，所述低功耗蓝牙通信模块分别与锂电池、防拆电路、按键模块、天线以及智能公交一体化终端连接。
一种云平台环境下无监督学习的实时公交动态调度方法，其步骤如下：
S1、通过智能公交一体化终端和交通要素标识标签的车辆定位功能，提供DR-GPS卫星定位和低功耗蓝牙辅助精准定位；
S2、根据车辆定位的当前位置信息，通过智能公交一体化终端或公共交通云服务调度系统采集车辆定位数据，包含时间、经度、纬度、速度、方向；通过智能公交一体化终端采集车辆营运数据，包含行使轨迹、车次、车辆状态、行驶里程、到站信息；
S3、通过智能公交一体化终端或公共交通云服务调度系统与数据中心进行通信，按协议上传车辆定位数据、车辆营运数据、车辆调度数据、站台客流数据、司机上报数据；同时，按协议接收数据中心下发的业务数据和通知信息；由于通信的原因，未上传或下发的数据进行重补发；通过3G/4G双模通信模式，可配置文件修改APN，采用APN专网或公网的网络通讯；具有网络信号监测，可显示实时信号强度，断线自动重连；
S4、通过公共交通云服务调度系统接收数据中心的运营调度指令并在车载司机信息显示屏进行显示，司机可通过车载司机信息显示屏对调度信息进行反馈，同时，系统支持司机手工触发线路运行调度指令；S5、通过智能公交一体化终端或公共交通云服务调度系统进行行车监察，在行车过程中，实时显示公交车辆的运营车次、车辆开关门状态、行驶里程、到站信息，提供司机查看；当出现满载、严重堵车、交通意外、紧急改道及坏车等情况，司机可通过车载司机信息显示屏输入信息，并发送到数据中心；
S6、通过智能公交一体化终端或公共交通云服务调度系统进行异常告警，对开门行车、超速、线路越界的检测，并通过轻触式输入显示屏显示提醒司机；S7、通过接收数据中心下发通知信息至智能公交一体化终端，显示通知信息、收费信息、系统故障信息，提供司机查看。
进一步，所述步骤S6与S7之间还包括：
智能公交一体化终端将接收的数据中心的调度信息实时地反馈到公共交通云服务调度系统，公共交通云服务调度系统接收数据中心的调度信息后推送到智能公交一体化终端进行实时显示并跟踪监控。
进一步，所述公交出行服务信息数据包括天气信息、路况信息、交通事故信息以及通知信息。
本发明的有益效果是：本发明的公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接，所述智能公交一体化终端与公共交通云服务调度系统的实时无线连接。本系统可采用智能公交一体化终端采集公交车辆及站台的信息，结合公共交通云服务调度系统的交通调度实时数据，提供实时公交动态调度服务，用户体验好，智能化程度高，投入成本低，数据稳定性好且可靠性高。
本发明的另一有益效果是：本发明的一种云平台环境下无监督学习的实时公交动态调度方法，包括：通过智能公交一体化终端的定位信息获得车辆的当前位置信息；根据车辆的当前位置信息，通过智能公交一体化终端或公共交通云服务调度系统确定车辆在区间公交站台的位置；通过智能公交一体化终端或公共交通云服务调度系统确定经过该公交站台的所有公交线路的基础信息并推送智能公交一体化终端，所述基础信息包括公交线路的所有站台信息以及对应的站台交通要素标识标签编码；通过公共交通云服务调度系统确定经过该公交站台的所有公交线路的公交车辆的动态调度信息并实时地推送到智能公交一体化终端，所述动态信息包括公交车辆的当前位置、公交站台客流信息、到站预测信息以及车辆交通要素标识标签编码；通过智能公交一体化终端实时采集用户周围的站台交通要素标识标签信号，并在确认车辆预期到达公交站台的时间；智能公交一体化终端接收车辆选定的出行路线后，根据公交线路的基础信息生成该出行线路对应的站台交通要素标识标签编码列表并根据公交车辆的动态调度信息生成与该公交站台最接近的车辆交通要素标识标签编码列表；智能公交一体化终端实时采集进站公交车辆的车辆交通要素标识标签信号并反馈到公共交通云服务调度系统进行实时更新，同时与车辆交通要素标识标签编码列表进行匹配，并在匹配成功后，自动播放对应的语音提示信息；智能公交一体化终端实时采集公交车辆经过的每个公交站台的站台交通要素标识标签信号，并与调度线路对应的站台交通要素标识标签编码列表进行匹配，若匹配成功，则播放对应的语音提示信息。本方法可通过智能公交一体化终端采集公交车辆及站台的信息、站台客流信息，结合公共交通云服务调度系统提供的公交客流出行实时数据，提供实时公交调度信息服务，用户体验好，智能化程度高，投入成本低，数据稳定性好且可靠性高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的一种云平台环境下无监督学习的实时公交动态调度系统的结构框图；
图2是本发明的一种云平台环境下无监督学习的实时公交动态调度系统的低功耗蓝牙标签的结构框图；
图3是图2的天线的匹配电路图；
图4是本发明的一种云平台环境下无监督学习的实时公交动态调度系统的数据库组成结构框图；
图5是本发明的一种云平台环境下无监督学习的实时公交动态调度系统的公交车辆动态调度策略原理图。
具体实施方式
参照图1，本发明提供了一种云平台环境下无监督学习的实时公交动态调度系统，包括公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的车辆交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接，所述智能公交一体化终端与公共交通云服务调度系统无线连接。
进一步作为优选的实施方式，所述公共交通云服务调度系统用于与智能公交一体化终端进行数据交互后获得用户的实时位置数据、车辆调度数据和公交站台客流数据，进而根据该实时位置数据、车辆调度数据、客流数据获取对应的调度服务推送信息并推送到智能公交一体化终端；
所述智能公交一体化终端用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将用户的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的出行服务推送信息并根据该出行服务推送信息对用户进行公交乘车指导。
进一步作为优选的实施方式，所述智能公交一体化终端，具体用于：
采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并通过本地数据解析后用户的实时位置数据、车辆调度数据和公交站台客流数据并反馈到公共交通云服务调度系统，或者将采集的站台交通要素标识标签信号和/或车辆交通要素标识标签信号提交到公共交通云服务调度系统进行解析后获得用户的实时位置数据、车辆调度数据和公交站台客流数据，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的出行服务推送信息并根据该出行服务推送信息对用户进行公交乘车指导。
进一步作为优选的实施方式，所述公共交通云服务调度系统云端控制主机、公交基础信息数据库、公交车辆动态信息数据库、公交调度服务信息数据库、客流信息数据库以及公交到站预测信息数据库。
进一步作为优选的实施方式，参照图2，所述车辆交通要素标识标签和站台交通要素标识标签均采用采用低功耗蓝牙标签，包括低功耗蓝牙通信模块、锂电池、防拆电路、按键模块以及天线，所述低功耗蓝牙通信模块分别与锂电池、防拆电路、按键模块、天线以及智能终端连接。
进一步，所述低功耗蓝牙标签采用防水、防尘的工业级外壳封装。
按键模块用于切换标签工作模式，防拆电路用于检测标签的非正常拆卸、破坏，一旦非正常拆卸或破坏可采用巡检工具自动检测出来。天线用于与外部蓝牙设备例如智能终端进行通信，采用2.4G sniffer天线，具体匹配电路图参照图3。车辆电子标签和站台电子标签通过定时发射包含车辆编码或站台编码的信息，智能终端可以实时读取并识别到对应的车辆或站台。
低功耗蓝牙通信模块均是运行蓝牙4.0及以上版本的协议，更低功耗。
本发明还提供了一种云平台环境下无监督学习的实时公交动态调度方法，包括：
S1、通过智能公交一体化终端和交通要素标识标签的车辆定位功能，提供DR-GPS卫星定位和低功耗蓝牙辅助精准定位；
S2、根据车辆定位的当前位置信息，通过智能公交一体化终端或公共交通云服务调度系统采集车辆定位数据，包含时间，经度、纬度、速度、方向；通过智能公交一体化终端采集车辆营运数据，包含行使轨迹、车次、车辆状态(如：开关门)、行驶里程、到站信息；
S3、通过智能公交一体化终端或公共交通云服务调度系统与数据中心进行通信，按协议上传车辆定位数据、车辆营运数据、车辆调度数据、站台客流数据、司机上报数据；同时，按协议接收数据中心下发的业务数据和通知信息；由于通信的原因，未上传或下发的数据进行重补发；通过3G/4G双模通信模式，可配置文件修改APN，采用APN专网或公网的网络通讯；具有网络信号监测，可显示实时信号强度，断线自动重连；
S4、通过公共交通云服务调度系统接收数据中心的运营调度指令并在车载司机信息显示屏进行显示，司机可通过车载司机信息显示屏对调度信息进行反馈，同时，系统支持司机手工触发线路运行调度指令；
S5、通过智能公交一体化终端或公共交通云服务调度系统进行行车监察，在行车过程中，实时显示公交车辆的运营车次、车辆状态(开关门)、行驶里程、到站信息，提供司机查看；当出现满载、严重堵车、交通意外、紧急改道及坏车等情况，司机可通过车载司机信息显示屏输入信息，并发送到数据中心；
S6、通过智能公交一体化终端或公共交通云服务调度系统进行异常告警，对开门行车、超速、线路越界的检测，并通过轻触式输入显示屏显示提醒司机；
S7、通过接收数据中心下发通知信息至智能公交一体化终端，显示通知信息、收费信息、系统故障信息，提供司机查看。
进一步作为优选的实施方式，所述步骤S6与S7之间还包括：
智能公交一体化终端将接收的数据中心的调度信息实时地反馈到公共交通云服务调度系统，公共交通云服务调度系统接收数据中心的调度信息后推送到智能公交一体化终端进行实时显示并跟踪监控。
进一步作为优选的实施方式，所述公交出行服务信息数据包括天气信息、路况信息、交通事故信息以及通知信息。
以下结合具体实施例对本发明做详细说明。
实施例1
参照图1，一种云平台环境下无监督学习的实时公交动态调度系统，包括公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的车辆交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接，所述智能公交一体化终端与公共交通云服务调度系统无线连接。出行用户可以以智能公交一体化终端为中介，与公共交通云服务调度系统、车辆交通要素标识标签和站台交通要素标识标签进行信息交互，感知周边信息，结合简单的程序开发设置对应的便捷操作，则可方便出行用户获取所需的公交出行信息和服务。
车辆交通要素标识标签和站台交通要素标识标签都有唯一的编码，因此，智能公交一体化终端读取到车辆交通要素标识标签和站台交通要素标识标签时，结合智能公交一体化终端本地数据和/或公共交通云服务调度系统存储的数据可以识别出对应的车辆和/或站台，从而得到用户实时位置数据、车辆调度数据和公交站台客流数据。公共交通云服务调度系统根据该位置数据返回对应的出行服务推送信息(包括公交到站信息、公交到站预测信息、公交出行服务信息)，智能公交一体化终端接收并根据该推送信息对用户进行公交乘车指导。
具体的，公共交通云服务调度系统用于与智能公交一体化终端进行数据交互后获得用户的实时位置数据、车辆调度数据和公交站台客流数据，进而根据该实时位置数获取对应的出行服务推送信息并推送到智能公交一体化终端；智能公交一体化终端用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将用户的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的出行服务推送信息并根据该出行服务推送信息对用户进行公交乘车指导。
优选的，智能公交一体化终端具体用于：采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并通过本地数据解析后用户的实时位置数据、车辆调度数据和公交站台客流数据并反馈到公共交通云服务调度系统，或者将采集的站台交通要素标识标签信号和/或车辆交通要素标识标签信号提交到公共交通云服务调度系统进行解析后获得用户的实时位置数据、车辆调度数据和公交站台客流数据，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的调度服务推送信息并根据该调度服务推送信息对区间公交车辆进行监控调度。
调度服务推送信息包括公交车辆的当前位置、公交车辆到站信息、公交到站预测信息、公交站台客流信息等。
公共交通云服务调度系统包括云端控制主机、公交基础信息数据库、公交调度服务信息数据库、公交客流信息数据库、公交车辆动态信息数据库以及公交到站预测信息数据库，参照图4。
公交基础信息数据库为基于云服务的公交车辆数据、公交线路站台数据、公交站台数据的数据收集、处理与存储中心。云端控制主机可以根据智能公交一体化终端的用户请求推送公交静态信息。公交基础信息数据库可直接选用已有的数据库。
公交车辆动态信息数据库为基于云服务的公交车辆动态数据的数据收集、处理与存储中心。公交车辆动态数据主要指公交的GPS数据、公交刷卡数据、进出站(报站)数据，以及结合智能公交一体化终端采集的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，经融合处理后得到公交车辆动态位置数据。云端控制主机可以基于公交车辆动态信息数据库，根据智能公交一体化终端的用户请求推送公交运行动态信息。公交车辆动态信息数据库可直接选用已有的数据库。
公交调度服务信息数据库为基于云服务的公交调度服务信息数据(公交的GPS数据、公交刷卡数据、进出站(报站)数据)的数据收集、处理与存储中心。将调度数据信息存储在公交调度服务信息数据库中。云端控制主机可以基于该数据库，根据智能公交一体化终端的用户请求推送公交调度服务信息数据。公交调度服务信息数据库可直接选用已有的数据库。
公交客流信息数据库为基于云服务的公交车辆数据、公交线路站台数据、公交站台数据、公交站台客流数据的数据收集、处理与存储中心。云端控制主机可以根据智能公交一体化终端的车辆调度请求推送公交调度静态信息。公交客流信息数据库可直接选用已有的数据库。
公交到站预测信息数据库为基于云服务的公交到站预测数据的数据收集、处理与存储中心。基于公交车辆动态位置数据和公交线路基础数据，可进行公交到站预测，公交到站预测信息存储在公交到站预测信息数据库中。云端控制主机可以基于该数据库，根据智能公交一体化终端的用户请求推送公交到站预测信息数据。公交到站预测信息数据库可直接选用已有的数据库。
智能公交一体化终端所采用的操作系统为Linux操作系统。
优选的，智能公交一体化终端包括公交车载信息中心(型号：BUSBIC01)、车载司机信息显示屏(型号：BIC-P1201)、定位扩展盒(型号：BIC-D1101)(可选)、司机键盘(型号：PGJP-SABN1)、交通要素标识标签(型号：DM-B1301)及配套线缆、安装支架等构成。公交车载信息中心：负责核心业务处理；提供设备和功能扩展；智能公交一体化终端是集公交调度、自动报站、信息服务、外设管理于一体的智能公交全业务终端，可为公交企业提供基于精准数据的公交调度、车辆运营、精细化管理等服务，也可为乘客提供基于本地或者互联网的信息服务。集成WIFI、蓝牙、GPRS、4G、GPS于一体的多模终端，同时满足近场感知、短程通信和远程通信要求。
本实施例的云平台环境下无监督学习的实时公交动态调度系统，可以为普通出行者减少候车时间、增加乘车舒适度、缩短乘车时间、提供个性化公交信息服务；还可以被公交运输企业、数据中心、公交行业主管部门使用，提供附加价值。被公交运输企业使用，实现对车辆的信息进行管理维护，包括车辆基础信息，途径线路信息、发班信息等；查看客管部门的总体运营计划，并在此基础上形成本公司的线路调度与车辆调度计划；根据客管部门的安排临时指派应急车辆；查看本企业的各条线路与各车辆调度统计数据。提供附加价值是指车辆交通要素标识标签、站台交通要素标识标签可用于公交运输企业对公交车在精准报站、停场、检修、保养、安全巡检等环节的精细化管理；被数据中心使用，收集各车辆终端的数据、线路调度数据，并根据客管部门规定的各线首末班时间和发班间隔要求对线路调度的执行情况进行考核；提供各种数据的统计分析功能，包括通道客流、车流饱和度，运营速度，运力投入，发班统计，计划响应统计分析等；对乘客的投诉通过系统进行核实；被公交行业主管部门使用，可以规范各公交运输企业的线路的发班；监督各公交运输企业对运营计划、即时调度等安排的响应与落实情况；收集线路发班情况和客流情况，根据数据和现场情况，进行分析、评估以及作出调控决策；通过系统分析的发班、客流和各路段的运营速度对线网规划和调整提供数据支持。提供附加价值是指本系统的车辆交通要素标识标签、站台交通要素标识标签可用于加强对公交车飞站等监管。
实施例2
一种云平台环境下无监督学习的实时公交动态调度方法，具体步骤包括：
S1、通过智能公交一体化终端和交通要素标识标签的车辆定位功能，提供DR-GPS卫星定位和低功耗蓝牙辅助精准定位；
S2、根据车辆定位的当前位置信息，通过智能公交一体化终端或公共交通云服务调度系统采集车辆定位数据，包含时间，经度、纬度、速度、方向；通过智能公交一体化终端采集车辆营运数据，包含行使轨迹、车次、车辆状态(如：开关门)、行驶里程、到站信息；
S3、通过智能公交一体化终端或公共交通云服务调度系统与数据中心进行通信，按协议上传车辆定位数据、车辆营运数据、车辆调度数据、站台客流数据、司机上报数据；同时，按协议接收数据中心下发的业务数据和通知信息；由于通信的原因，未上传或下发的数据进行重补发；通过3G/4G双模通信模式，可配置文件修改APN，采用APN专网或公网的网络通讯；具有网络信号监测，可显示实时信号强度，断线自动重连；
S4、通过公共交通云服务调度系统接收数据中心的运营调度指令并在车载司机信息显示屏进行显示，司机可通过车载司机信息显示屏对调度信息进行反馈，同时，系统支持司机手工触发线路运行调度指令；
S5、通过智能公交一体化终端或公共交通云服务调度系统进行行车监察，在行车过程中，实时显示公交车辆的运营车次、车辆状态(开关门)、行驶里程、到站信息，提供司机查看；当出现满载、严重堵车、交通意外、紧急改道及坏车等情况，司机可通过车载司机信息显示屏输入信息，并发送到数据中心；
S6、通过智能公交一体化终端或公共交通云服务调度系统进行异常告警，对开门行车、超速、线路越界的检测，并通过轻触式输入显示屏显示提醒司机；
S7、通过接收数据中心下发通知信息至智能公交一体化终端，显示通知信息、收费信息、系统故障信息，提供司机查看。
进一步作为优选的实施方式，所述步骤S6与S7之间还包括：
智能公交一体化终端将接收的数据中心的调度信息实时地反馈到公共交通云服务调度系统，公共交通云服务调度系统接收数据中心的调度信息后推送到智能公交一体化终端进行实时显示。
优选的，步骤S1，包括：
S8、通过智能公交一体化终端采集周围的公交站台交通要素标识标签信号，如果稳定采集到某个具体站台交通要素标识标签信号，则精确确定用户当前在该站台位置附近；
S9、如果没有采集到站台交通要素标识标签信号，则通过智能公交一体化终端采集自身的定位信息，大概确定用户的当前位置；
S10、在车辆移动过程中，智能公交一体化终端实时采集周围的站台交通要素标识标签信号，结合自身的定位信息和站台交通要素标识标签信号，综合确定车辆的当前位置，实现精准定位；
S11、无监督学习的公交客流出行特征表达提取，特征是对短时客流对象的描述和表征，好的有效的特征会对整个模型预测过程事半功倍。公交客流的出行特征通常包括公交客流的时间分布特性、公交客流的动态特性和短时公交客流特性。时间分布特性反映了工作日客流、周末客流和节假日客流的不同分布规律；动态特性反映了公交客流时间分布的不均匀性、方向的不均衡性以及客流分布的周期变动特性。短时客流特性反映了相邻时段、相邻天、相邻周和相邻月的客流变化的相关性。鉴于无监督特征学习的强大表述能力和对大量数据样本的充分利用，借助大量已有公交刷卡数据和GPS数据集(源数据集)利用无监督学习方法训练多个网络形成具有深度结构的层叠编码机，以便获得不同日期不同时间段的短时客流的有效高层语义表达特征(既具有不同时间分布特性又具有周期变动性)。然后，将获得的网络参数通过迁移特征学习方法迁移到目标客流预测任务上。
S12、调度优化模型训练，在线路公交调度中，主要因素是客流量和公交车行驶信息，调度需要根据线路上客流量的大小和车辆的行驶时间确定运营车辆的安排及线路发车间隔，满足出行者出行需求，参照图5。公交线路调度方案的制定一方面要考虑公交企业的运营成本；为满足乘客出行需求而盲目增加运营车辆导致运营成本增加和满载率过低是一种不必要的资源浪费。另一方面还要考虑乘客的出行成本(如站台等待时间、转车次数等)。因此，调度模型的训练是以乘客利益和公交运输企业利益总体最优的多目标最优化问题，即在满足总体利益最优的情况下确定最优的线路发车间隔。这可以表达成如下优化问题：
s.t.hi min≤hi≤hi max
其中，hi表示线路在时段i的发车间隔，hi min,hi max分别是最小、最大发车间隔；表示乘客出行成本，可以表示成发车间隔的函数；Cb＝φ(hi)表示公交运输企业运营成本，可以建模成发车间隔的函数；λ,μ为加权系数，分别用于调整乘客和公交企业的利益平衡。
S13、实时动态运营决策系统，静态调度优化模型为公交运营及调度的科学操作制定了理论依据。但实际的公交运营，由于受到天气、道路交通环境及国家政策等突发因素的影响而偏离静态调度模型。因此需要根据异常突发事件(客流异常、线路运行异常、车辆运行异常及混合异常突发事件)的特点对静态调度优化模型进行实时调整。
(1)基于迁移学习的多源信息数据的半监督AP聚类：
现有数据集中含有大量未经处理和标记的多源信息，如乘客IC卡信息、GPS信息、短时交通流信息、天气信息等等，因此在分类检测异常突发事件之前，需要先研究多源信息数据的半监督AP聚类。吸引子传播算法(Affinity propagation，AP)中相似性度量的定义存在应用领域的局限性，因此需要给出一种能够包含多源信息数据固有结构信息的相似性度量方法。对于现有的多源数据集，其中只含有少量标记数据，如果只利用这些少量标记数据学习一个相似性度量会存在过学习的风险。因此，利用迁移学习的思想：首先在少量标记数据(源数据集)上，利用距离度量学习(Distance Metric Learning)方法学习一个相似性度量M1，则源数据集中两个样本的距离表示为在这个距离度量下源数据集中来自同类的样本距离尽量近，来自异类的样本距离尽量远。如果直接用M1对大量未标记的数据集(目标数据集)进行分类，效果肯定不好。但是不容否认，M1确实蕴含了很多有用信息，至少它可以让源数据集中相同异常突发事件模式的距离尽量小，不同异常突发事件模式的距离尽量远。因此，接下来利用同构空间下的迁移学习方法，将源数据集上学习的度量迁移到目标数据集上。即利用源数据集上学习的度量M1和目标数据集中的数据一起再学习一个相似性度量M2，使得目标数据集中同类事件尽量近，异类事件尽量远。这可以表达为如下优化问题：
mintr(M2-M1)+λΣζij+μΣξij
M2＞0
其中，是目标数据集中有标记的数据集，xi T,yi T分别是Dl T中的样本和标号。l，u是两个非负参数，l用于控制同类样本到底要多近，u用于控制异类样本到底要多远；ζij,ξij是两个松弛变量。
AP算法是一种无监督聚类算法，没有考虑如何有效地将多源信息数据中蕴含的空间结构信息融合到算法中。因此，根据均值特征筛选法由少量的已标记样本构建种子样本，即利用少量已标记样本中抽取的知识对AP算法进行初始化。然后，利用新学习的相似性度量，结合这种种子样本构建策略，实现一种更有效的异常突发事件半监督AP聚类。
(2)基于深度学习的异常突发事件分类检测
基于深度学习的异常突发事件分类检测将重点研究卷积神经网络的参数压缩和运算加速方法，以提升深度学习的实际应用价值，以便于构建相关的公共交通移动互联应用。
模型参数压缩的研究方案主要有：第一，借鉴Hinton教授等人提出的蒸馏的方法把大网络或者多网络输出的结果作为监督重新训练一个参数更少的网络；或者在此方法基础上用大网络的每一个隐含层输出去指导训练小网络对应隐含层的参数。第二，通过对卷积核加低秩约束，采用把深度神经网络参数张量分解为多个低秩张量的方法，并重新训练网络，从而达到同时降低存储量和运算量的目的。
运算加速的研究思路有：第一，可以采用硬件上的并行化技术，如集群技术、GPU并行化、CPU的SIMD指令和ARM的NEON指令。第二，针对卷积运算的特点，我们可以对数据和参数进行快速傅里叶变换再进行乘积运算再反变换回来，这种加速算法在卷积模板较大的情况下已被证明优势非常明显。
优选的，步骤S12，包括：
1、模型设定：
(1)线路上运营的车辆都被认为是全程车，即公共交通车辆只从起点站发车，经过各站后到达终点站；
(2)任一时刻到达各个站台的人数之间是相互独立的；
(3)单位时间内到某一车站上、下车的人数是随机的，并服从平均分布或泊松分布；
(4)每位乘客上、下车的时间己记入公共交通车辆的营运时间(不再单独考虑各站乘客的上、下车所需时间)；
(5)不考虑公共交通车辆在运营过程中所遇到的红、绿灯，交通阻塞等意外情况。
2、基本数据：
(1)车站标记：Si i＝1,2,…,n
(2)站间距离(公里)：Li i＝1,2,…,n，L1＝0，从第i-1站到第i站站间距离；
(3)站间行驶速度(公里/分钟)：Vi i＝1,2,…,n，v1＝0
(4)从第i-1站到第i站站间行驶的平均速度；
(5)统计时段间隔(分钟)：τ，总时段数:Q
(6)一个典型工作日各时段各站台上、下车乘客的数量统计:
Uiq——第i站第q时段上车人数，q＝1，2，…，Q，
Diq——第i站第q时段下车人数：q＝1，2，…，Q；
(7)每辆公共交通车标准载客容量(人数):B，上限:
(8)乘客最长候车时间:——时段，——时段。
3、乘客上、下车模型：
(1)站间行车时间(分钟)：，τ1＝0，
第i-1站到第i站站间行车时间(包括在第i站的停车时间)；(2)首站发车时间表：T＝(T0,T1…,Tk…,Tm)
其中:T0：第一辆车到达起点站S1的时间，
Tk：第k辆车驶离起点站S1的时间，k＝1,2…m
Tm：最后一辆车离开起点站S1的时间，
Tki：第k辆车离开第i站的时间，
全天第i站的有效侯车时间为：[T0+τi,Tm+τi],i＝1,…,n,
公共交通车辆线路运营的工作时间为:[T0,Tm+τn]，
全天共发行车辆总数为m。
(3)上、下车人数分布
假设乘客每一站每一时段上、下车人数服从等概率分布，
则：Ui(t)——为t时刻之前到第i站要上车总人数之和函数，
τi≤t≤τ
τ＜t≤2τ
(Q-2)τ＜t≤(Q-1)2τ
Di(t)——为t时刻之前在第i站下车总人数之和函数，
τi≤t≤τ
τ＜t≤2τ
(Q-2)τ＜t≤(Q-1)2τ
PUi(Tk,t)——第K辆车离开第i站后，间隔t分钟在第i站要上车的人数，PUi(Tk,t)＝Ui(Tk+τi+t)-Ui(Tk+τi)，
PDi(Tk,t)——第K辆车离开第i站后，间隔t分钟在第i站要下车的人数，
PDi(Tk,t)＝Di(Tk+τi+t)-Di(Tk+τi)
Bi(Tk,t)——第K辆车发出后，间隔t分钟从始发站所发的第i+1辆车离开
第i站时，车上所要载客的人数
4、公交运输企业利益模型：
由于公交运输企业的利益主要表现在每辆参与营运的车辆上，所以，主要分析所发出的每趟车的效益，而每趟车的效益又具体表现在以下几方面：
第K趟车的载客总人数Nk——各站上车人数之和，
每辆车的客运能力:
第K趟车的客运量Wk——离开各站后，车上乘客人数乘以到下一站之间的距离之和。
第K趟车的满载率αk——第K趟车的客运量除以每辆车的客运能力，
第K趟车离开第i站时的载客率αki——为离开第i时车上人数除以标准载客人数:
第K趟车的车票收入λk(元)
(1)、按人头收费——载客总人数乘以票价η(元/人)
λk＝Nk×η
(2)、按里程收费——客运量乘以票价μ(元/人，里)
5、乘客的利益模型：
乘客的利益主要体现在两方面：
候车时间：如果公交运输企业承诺：平峰时乘客的等待时间不超过高峰时乘客的等待时间不超过乘客的候车时间若在此范围之内，则乘客被认为是满意的。公交运输企业为了实现自已的承诺，在制定发车时间表时，是可以做到的。若公交车在行驶的过程中，因外界因素造成乘客的候车时间过长，则乘客不被认为对公交运输企业不满意。
乘客乘车的舒适度：当乘客所乘的车辆上的人数不超过标准载客人数时，乘客被认为是舒适的，其不舒适度为0。若第K趟车离开第i站到第i+1站之间运行时，车上的人数超过标准载客人数，则被认为是不舒适的，其不舒适度βki：为超载人数除以载客上限与标准载客量的差再乘以％。
则：
第K趟车的不舒适度为βk：
为站间的不舒适度乘以站间距离除以线路里程再乘以％。
整条线路的不舒适度β：为各趟车的不舒适度之平均值
公共交通线路运营过程的动态行为，公共交通车辆在首站按发车时刻表发车，自始发站乘客上车，经区间运行，中途各站乘客上下车，直至终点站乘客全部下车，公共交通车辆将乘客运送到各自的目的地。在各车站，乘客不断地随机到达，等待上车；当公共交通车辆到站时，乘客上下车。根据客流量的时间分布，在不同时段可采用不同的发车间隔，由此可使客流量较大的时段其车流密度也较大。如此公共交通车辆按设定方案发车运行，乘客在不同时段以不同的客流密度随机到站乘车，便形成了实时的动态的公共交通车辆运营的全过程。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (1)
1.一种云平台环境下无监督学习的实时公交动态调度方法，方法基于一种云平台环境下无监督学习的实时公交动态调度系统实现，系统包括：公共交通云服务调度系统、智能公交一体化终端、无监督学习的公交客流出行、安装在公交站台的用于对公交站台进行唯一标识的站台交通要素标识标签以及安装在公交车辆上的用于对公交车辆进行唯一标识的交通要素标识标签，所述智能公交一体化终端分别与车辆交通要素标识标签和站台交通要素标识标签无线连接，所述智能公交一体化终端与公共交通云服务调度系统的实时无线连接；当运营车辆按照约定时间出现时间延误时，基于静态调度方法自动调整行车间隔或行车类型；借助先进的通信技术、计算机技术监控运营中公交车辆，出现意外事故或突发事件，进行有效地动态重调度，以便及时处理紧急情况；为公共交通提供无监督学习的公交客流和实时动态的调度服务，为公交运输企业和行业监管部门提供高效的运营监管服务，为用户提高个性化的交通出行信息服务；所述公共交通云服务调度系统用于与智能公交一体化终端进行数据交互后获得车辆的实时位置数据、车辆调度数据、车辆调度数据和公交站台客流数据，进而根据该实时位置数据获取对应的调度服务推送信息并推送到智能公交一体化终端；所述智能公交一体化终端用于所述智能公交一体化终端用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将车辆的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的调度服务推送信息；所述智能公交一体化终端，具体用于采集用户周围的站台交通要素标识标签信号和/或车辆交通要素标识标签信号，并与公共交通云服务调度系统进行数据交互后将用户的实时位置数据、车辆调度数据和公交站台客流数据反馈到公共交通云服务调度系统，进而接收公共交通云服务调度系统根据该实时位置数据、车辆调度数据和公交站台客流数据返回的调度服务推送信息并根据该调度服务推送信息，有利于提高公交车辆调度运转效率；所述公共交通云服务调度系统包括云端控制主机、公交基础信息数据库、公交车辆动态信息数据库、公交调度服务信息数据库、客流信息数据库以及公交到站预测信息数据库；所述车辆交通要素标识标签和站台交通要素标识标签均采用低功耗蓝牙标签，所述低功耗蓝牙标签，包括低功耗蓝牙通信模块、锂电池、防拆电路、按键模块以及天线，所述低功耗蓝牙通信模块分别与锂电池、防拆电路、按键模块、天线以及智能公交一体化终端连接；云平台环境下无监督学习的实时公交动态调度方法，特征在于方法的步骤如下：
S1、通过智能公交一体化终端和交通要素标识标签的车辆定位功能，提供DR-GPS卫星定位和低功耗蓝牙辅助精准定位；
S2、根据车辆定位的当前位置信息，通过智能公交一体化终端或公共交通云服务调度系统采集车辆定位数据，包含时间、经度、纬度、速度、方向；通过智能公交一体化终端采集车辆营运数据，包含行驶轨迹、车次、车辆状态、行驶里程、到站信息；
S3、通过智能公交一体化终端或公共交通云服务调度系统与数据中心进行通信，按协议上传车辆定位数据、车辆营运数据、车辆调度数据、站台客流数据、司机上报数据；同时，按协议接收数据中心下发的业务数据和通知信息；由于通信的原因，未上传或下发的数据进行重补发；通过3G/4G双模通信模式，配置文件修改APN，采用APN专网或公网的网络通讯；具有网络信号监测，可显示实时信号强度，断线自动重连；
S4、通过公共交通云服务调度系统接收数据中心的运营调度指令并在车载司机信息显示屏进行显示，司机可通过车载司机信息显示屏对调度信息进行反馈，同时，系统支持司机手工触发线路运行调度指令；
S5、通过智能公交一体化终端或公共交通云服务调度系统进行行车监察，在行车过程中，实时显示公交车辆的运营车次、车辆开关门状态、行驶里程、到站信息，提供司机查看；当出现满载、严重堵车、交通意外、紧急改道及坏车情况，司机可通过车载司机信息显示屏输入信息，并发送到数据中心；
S6、通过智能公交一体化终端或公共交通云服务调度系统进行异常告警，对开门行车、超速、线路越界的检测，并通过轻触式输入显示屏显示提醒司机；
S7、通过接收数据中心下发通知信息至智能公交一体化终端，显示通知信息、收费信息、系统故障信息，提供司机查看；所述步骤S6与S7之间还包括：智能公交一体化终端将接收的数据中心的调度信息实时地反馈到公共交通云服务调度系统，公共交通云服务调度系统接收数据中心的调度信息后推送到智能公交一体化终端进行实时显示并跟踪监控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610494463.7A CN105894847B (zh) | 2016-06-27 | 2016-06-27 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610494463.7A CN105894847B (zh) | 2016-06-27 | 2016-06-27 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105894847A CN105894847A (zh) | 2016-08-24 |
| CN105894847B true CN105894847B (zh) | 2019-01-18 |
Family
ID=56719339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610494463.7A Active CN105894847B (zh) | 2016-06-27 | 2016-06-27 | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105894847B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106448138B (zh) * | 2016-11-09 | 2019-01-25 | 中国科学技术大学苏州研究院 | 基于主动分配型的出租车服务系统的最优多车调度方法 |
| CN108334934B (zh) * | 2017-06-07 | 2021-04-13 | 赛灵思公司 | 基于剪枝和蒸馏的卷积神经网络压缩方法 |
| CN107194612B (zh) * | 2017-06-20 | 2020-10-13 | 清华大学 | 一种基于深度强化学习的列车运行调度方法及系统 |
| CN109255972B (zh) * | 2018-09-11 | 2019-12-10 | 北京市交通信息中心 | 一种基于大数据的地面公交固定线路时刻表的优化方法 |
| CN109886491B (zh) * | 2019-02-26 | 2021-02-26 | 北京工业大学 | 一种海量运行数据驱动的地面公交两阶段优化调度方法 |
| CN110111578B (zh) * | 2019-05-25 | 2021-06-01 | 东南大学 | 一种基于张量恢复的偶发性交通拥堵检测方法 |
| CN111210094A (zh) * | 2020-03-06 | 2020-05-29 | 青岛海信网络科技股份有限公司 | 一种基于实时客流预测的机场出租车自动调度方法及装置 |
| CN111445717A (zh) * | 2020-05-08 | 2020-07-24 | 广东技术师范大学 | 公共交通智能监控云服务平台 |
| CN111680640B (zh) * | 2020-06-11 | 2022-04-15 | 合肥工业大学 | 一种基于领域迁移的车型识别方法及系统 |
| CN112017465B (zh) * | 2020-07-23 | 2021-06-15 | 盛威时代科技集团有限公司 | 基于云计算技术对交通资源进行配置的方法 |
| CN112163450A (zh) * | 2020-08-24 | 2021-01-01 | 中国海洋大学 | 基于s3d学习算法的高频地波雷达船只目标检测方法 |
| CN112258367A (zh) * | 2020-11-13 | 2021-01-22 | 珠海大横琴科技发展有限公司 | 一种监控处理方法和装置 |
| CN113393012A (zh) * | 2021-01-15 | 2021-09-14 | 中山大学南方学院 | 一种基于云平台的短时公交客流预测系统及预测方法 |
| CN113283505A (zh) * | 2021-05-25 | 2021-08-20 | 北京理工大学 | 一种基于gpu的雷达数据ap聚类方法 |
| CN114154695B (zh) * | 2021-11-19 | 2024-04-30 | 北京交通大学 | 一种基于迁移学习的城市轨道交通短时客流预测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101141687B (zh) * | 2007-09-25 | 2011-11-30 | 中兴通讯股份有限公司 | 基于移动通信网络的公交调度和公交信息应用系统 |
| KR101855257B1 (ko) * | 2011-03-29 | 2018-05-09 | 삼성전자주식회사 | 통신 시스템에서 대중 교통 서비스 제공 방법 및 장치 |
| CN204833735U (zh) * | 2015-07-23 | 2015-12-02 | 广州华途信息科技有限公司 | 城市公共交通视障人士助乘系统 |
| CN105070089B (zh) * | 2015-08-27 | 2017-05-24 | 广州华途信息科技有限公司 | 一种人车路协同的个性化交通信息服务系统及方法 |
| CN105844945B (zh) * | 2016-06-04 | 2019-05-24 | 徐州市智慧云软件技术有限公司 | 云平台环境下无监督学习的实时公交动态调度方法 |
-
2016
- 2016-06-27 CN CN201610494463.7A patent/CN105894847B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105894847A (zh) | 2016-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105894847B (zh) | 一种云平台环境下无监督学习的实时公交动态调度系统及方法 | |
| CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
| CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
| DE112018007119T5 (de) | Optimieren und vorhersagen der verfügbarkeit von ressourcen in einer umgebung zur gemeinsamen fahrradnutzung | |
| US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
| CN103594000A (zh) | 基于移动网络服务的停车位搜索平台 | |
| CN105897729A (zh) | 一种基于物联网的智慧环卫系统 | |
| Ushakov et al. | Artificial Intelligence as a factor of public transportations system development | |
| CN111507762B (zh) | 基于多任务共预测神经网络的城市出租车需求预测方法 | |
| US20190095836A1 (en) | Prediction of actual loads from fare collection data | |
| CN105844945B (zh) | 云平台环境下无监督学习的实时公交动态调度方法 | |
| CN105913653A (zh) | 一种云平台环境下公共交通智能行车计划排班系统及方法 | |
| CN103606299A (zh) | 基于智能手机的停车位信息共享方法 | |
| CN115456343B (zh) | 一种智慧机场评价指标体系构建与评价方法 | |
| CN113194138A (zh) | 基于ai深度学习的出行管理方法和系统 | |
| CN114693495B (zh) | 智慧城市公共交通管理方法、物联网系统、装置及介质 | |
| CN112204604A (zh) | 信息处理装置、信息处理方法以及程序 | |
| CN117371596A (zh) | 一种基于多源数据的智慧城市用公共交通综合调控系统 | |
| CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
| CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
| CN116013059A (zh) | 一种营运车辆的调度方法、装置、电子设备及存储介质 | |
| CN115762169A (zh) | 一种环卫车无人驾驶的智能控制系统及方法 | |
| Wang et al. | An Ensemble Learning Model for Short‐Term Passenger Flow Prediction | |
| CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
| Islam et al. | Transformer-Conformer Ensemble for Crash Prediction Using Connected Vehicle Trajectory 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 |