CN106355276A - 基于客流仿真分析的发车时刻表生成系统 - Google Patents
基于客流仿真分析的发车时刻表生成系统 Download PDFInfo
- Publication number
- CN106355276A CN106355276A CN201610757956.5A CN201610757956A CN106355276A CN 106355276 A CN106355276 A CN 106355276A CN 201610757956 A CN201610757956 A CN 201610757956A CN 106355276 A CN106355276 A CN 106355276A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- data
- time
- template
- prediction
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 3
- 238000005206 flow analysis Methods 0.000 abstract 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于客流仿真分析的发车时刻表生成系统，该系统包括：客流分析模块，对获取到的客流数据，获得客流时间分布规律和客流空间分布规律；客流数据分类模块，将获取的历史客流数据，过滤获得上、下车客流数据，计算满载率，并保存为特征客流模板；客流预测模块，基于特征客流模板，获得客流预测数据模板；单程时间的过滤分类模块，过滤获得线路的单程时间数据，并保存为单程时间分类模板；单程时间预测模块，基于单程时间分类模板，获得单程时间预测数据模板；仿真分析模块，先根据历史数据进行客流预测、单程时间预测，再以预测的客流数据及单程时间数据为基础，根据输入的最大发车间隔及期望满载率，采用模拟发车的方式计算出最优发车间隔，获得发车时刻表。
Description
技术领域
本发明涉及公交智能调度领域，具体的说，涉及了一种基于客流仿真分析的发车时刻表生成系统。
背景技术
客流是公交规划和调度运营的重要依据。公交线路客流最为重要的特征有时间和空间分布的不均匀性等，这些特征不仅影响客运的行车组织，而且影响长远的客运规划。因此，多维度地进行分析和挖掘公交客流是十分有必要的，更有必要的是让公交运营调度更加客观地符合客流规律，提高公交公司的效益，改善公交的服务质量，提高乘客的满意度。
传统的客流分析以及基于分析制定发车计划的弊端：
基于调度员与司机的经验，司机对线路上的客流反馈，由于发车计划关系到相关劳动利益，因此除了有沟通传达信息的不准确性，还有人为主观利益偏向性；基于IC卡统计与投币结合，由于IC卡与投币比例存在着空间和时间上的不平衡性，通过系数较正的方式不能反应客流的真实情况。
传统的客流分析、制定发车计划、车辆排班，靠人工经验和常规的辅助工具来实现，不仅耗时长，效率低，实时性差，运力不匹配，需要投入较大成本培养调度员，而且人工操作容易犯错，调整难度大，因此排班发车缺少科学性，难控制成本，难实现司机间的相对公平，绩效考核难度大等。
为了解决以上存在的问题，人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足，从而提供一种基于客流仿真分析的发车时刻表生成系统，解决了传统排班发车效率低、耗时长、错误率高等问题。
为了实现上述目的，本发明所采用的技术方案是：一种基于客流仿真分析的发车时刻表生成系统，该系统包括：
客流分析模块，对获取到的客流数据，分别按天、按小时、按分钟分析客流分布情况，获得客流时间分布规律；对获取到的客流数据，以上下车饼图的形式分析客流在各站点的分布比例，根据比例的分布，获得客流空间分布规律；
客流数据分类模块，将获取的历史客流数据，以日期类型和天气类型为筛选条件，过滤获得上、下车客流数据，计算满载率，并保存为特征客流模板；
客流预测模块，基于特征客流模板，进行客流预测，预测与模板的工作日类型、天气类型相似的未来某一天的客流预测数据模板；
单程时间的过滤分类模块，将获取的历史单程时间数据，以日期类型和天气类型为筛选条件，过滤获得线路的单程时间数据，并保存为单程时间分类模板；
单程时间预测模块，基于单程时间分类模板，进行单程时间预测，预测与模板的工作日类型、天气类型相似的未来某一天的单程时间预测数据模板；
仿真分析模块，先根据历史数据进行客流预测、单程时间预测，再以预测的客流数据及单程时间数据为基础，根据输入的最大发车间隔及期望满载率，采用模拟发车的方式计算出最优发车间隔，获得发车时刻表。
基于上述，所述客流预测，用以预测每日客流数据；
采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得预测的客流力度为每10分钟每个站点上下车人数情况；或者直接采用客流预测数据模板；
其中，客流预测数据模板的获得：根据特征客流模板同期数据，采用深度神经元网络模型预测一个10分钟为力度的总值X，再与历史同期10分钟的客流总和相比较，差距最小的那一天的客流详情作为客流预测数据模板的预测客流。
基于上述，所述单程时间预测，用以预测线路运行的单程时间；
采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得要预测的客流日期的单程时间数据；或者直接采用单程时间预测数据模板。
基于上述，最优发车间隔的计算包括：
①预测客流预处理，把每个站点每10分钟的客流打散分布到每一分钟，如有整除后的客流余数，则随机不重复分布到这10分钟的10个点上；
②上车客流与下车客流的预处理，包括把一个车次单向上车与下车客流数预处理为相同；把一个车次整个趟次的上车与下车客流预处理为相同；把整条线路全天上车与下车客流预处理为相同；
③模拟发车：模拟试发首班车发车后，根据预测的单程时间的特性，计算出该车次到达每一站的具体时间，存储最后一个车次到达各个站点的时间；再以最大发车间隔，模拟试发第二个班次，再计算出该车次到达每一站的具体时间，前一车次与本车次的到达时间差为某一站点的聚集客流的时间段，从预测客流中取出该时间段对应上车与下车的客流数，计算出该车次到达每一站的满载率，如果到达某站的满载率小于或等于期望的满载率，则本次发车间隔为最优发车间隔，如果到达某站时满载率超过期望的满载率，则减小发车间隔再次模拟发车，直至满载率小于或等于期望满载率或等于最小发车间隔；依次类推，直至模拟发车到线路末班时间结束，获得发车时刻表。
基于上述，在时刻表生成之后，从首班车发车时刻遍历到末班车发车时刻，在某一时刻，遍历所有的车次，如果该时刻是在该车次的开始时间与结束时间之间，计数加1，遍历完所有车次之后，计数总和为该时刻的在线车辆数，取从首班车发车时刻到末班车发车时刻的全部遍历时刻点对应的在线车辆数的最大值为最小配车数。
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说，本系统通过对历史客流数据进行数据挖掘，在充分研究公交客流的空间和时间分布规律的基础上，能够预测未来一段时间的客流以及单程时间，从而制定出符合客流规律的发车时刻表；另外，通过采用先进的算法，实现从分析预测客流到根据预测客流进行自动编制排班发车时刻表，提高了排班效率，并使排班发车时刻表更具有科学性与公平性，从而大幅度提高公交运营的智能化水平。
具体实施方式
下面通过具体实施方式，对本发明的技术方案做进一步的详细描述。
一种基于客流仿真分析的发车时刻表生成系统，该系统包括：
客流分析模块，对获取到的客流数据，分别按天、按小时、按分钟分析客流分布情况，获得客流时间分布规律；对获取到的客流数据，以上下车饼图的形式分析客流在各站点的分布比例，根据比例的分布，获得客流空间分布规律；
客流数据分类模块，将获取的历史客流数据，以日期类型和天气类型为筛选条件，过滤获得上、下车客流数据，计算满载率，并保存为特征客流模板；
客流预测模块，基于特征客流模板，进行客流预测，预测与模板的工作日类型、天气类型相似的未来某一天的客流预测数据模板；
单程时间的过滤分类模块，将获取的历史单程时间数据，以日期类型和天气类型为筛选条件，过滤获得线路的单程时间数据，并保存为单程时间分类模板；
单程时间预测模块，基于单程时间分类模板，进行单程时间预测，预测与模板的工作日类型、天气类型相似的未来某一天的单程时间预测数据模板；
仿真分析模块，先根据历史数据进行客流预测、单程时间预测，再以预测的客流数据及单程时间数据为基础，根据输入的最大发车间隔及期望满载率，采用模拟发车的方式计算出最优发车间隔，获得发车时刻表。
具体的，由于每天客流存在较大的差异，客流数据分类模块自动筛选过滤出符合要求的客流数据，保存为特征客流模板：①先按日期类型，如工作日、周末、节假日等，天气类型如晴、雨、雪等，初步进行数据分类；②以初步分类后的数据为基础，以10分钟为力度，分别统计上行、下行上车客流总量。
所述客流预测，用以预测每日客流数据；采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得预测的客流力度为每10分钟每个站点上下车人数情况；或者直接采用客流预测数据模板；
客流预测数据模板的获得：根据特征客流模板同期数据，采用深度神经元网络模型预测一个10分钟为力度的总值X，再与历史同期10分钟的客流总和相比较，差距最小的那一天的客流详情作为客流预测数据模板的预测客流。在其他实施例中，客流数据分类模块根据当前使用的客流模板选择过滤数据的方式，但由于客流规律不是一成不变的，系统每日动态计算客流，与当前使用的客流模板进行比较，差异越大，说明客流规律变化越大；系统设置提醒级别，提醒用户进行客流模板的更换。
客流预测可以为后面发车时刻表的获得提供数据支撑，主要体现在计算每辆车某时刻到达某站点时上下车人数，计算满载率，从而根据满载率指导发车间隔的优化。
所述单程时间预测，用以预测线路运行的单程时间；采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得要预测的客流日期的单程时间数据；或者直接采用单程时间预测数据模板。单程时间预测为后面发车时刻表的编制提供数据支撑。
最优发车间隔的计算包括：
①预测客流预处理，把每个站点每10分钟的客流打散分布到每一分钟，如有整除后的客流余数，则随机不重复分布到这10分钟的10个点上；使得客流的分布更接近实际情况，而不是在某个时间点一次性聚集，也更方便模拟发车计算客流；
②上车客流与下车客流的预处理，由于基础的历史数据，包括预测的客流数据，可能存在上下车客流不相等的情况，假如上车人数比下车人数多，则整体算出来的满载率则偏高，相反则偏低，影响间隔计算，因此需要对上车客流与下车客流进行预处理；包括把一个车次单向上车与下车客流数预处理为相同；把一个车次整个趟次的上车与下车客流预处理为相同；把整条线路全天上车与下车客流预处理为相同；
③模拟发车：模拟试发首班车发车后，根据预测的单程时间的特性，计算出该车次到达每一站的具体时间，存储最后一个车次到达各个站点的时间；再以最大发车间隔，模拟试发第二个班次，再计算出该车次到达每一站的具体时间，前一车次与本车次的到达时间差为某一站点的聚集客流的时间段，从预测客流中取出该时间段对应上车与下车的客流数，计算出该车次到达每一站的满载率，如果到达某站的满载率小于或等于期望的满载率，则本次发车间隔为最优发车间隔，如果到达某站时满载率超过期望的满载率，则减小发车间隔再次模拟发车，直至满载率小于或等于期望满载率或等于最小发车间隔；
依次类推，直至模拟发车到线路末班时间结束，获得所有发车间隔，最终获得发车时刻表。
本系统在时刻表生成之后，还可以计算最小配车数，从首班车发车时刻遍历到末班车发车时刻，在某一时刻，遍历所有的车次，如果该时刻是在该车次的开始时间与结束时间之间，计数加1，遍历完所有车次之后，计数总和为该时刻的在线车辆数，取从首班车发车时刻到末班车发车时刻的全部遍历时刻点对应的在线车辆数的最大值为最小配车数。
以运营发的车间6：00-20：30为例，从6:00遍历到20：30；由于每个发车点对应的都有一个开始时间，一个结束时间，某个时间点的在线车辆数计算方法为：例如7：11分钟时，遍历所有的车次，看7：11是否在该车次的开始时间与结束时间之间，如果是，则计数1，遍历完所有车次之后，计数总和为当前7：11分钟的在线车辆数，6：00-20:30共870个时间点，每个时间点对应的都有一个在线车辆数，其最大值就是最小配车数。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (5)
1.一种基于客流仿真分析的发车时刻表生成系统，其特征在于，该系统包括：
客流分析模块，对获取到的客流数据，分别按天、按小时、按分钟分析客流分布情况，获得客流时间分布规律；对获取到的客流数据，以上下车饼图的形式分析客流在各站点的分布比例，根据比例的分布，获得客流空间分布规律；
客流数据分类模块，将获取的历史客流数据，以日期类型和天气类型为筛选条件，过滤获得上、下车客流数据，计算满载率，并保存为特征客流模板；
客流预测模块，基于特征客流模板，进行客流预测，预测与模板的工作日类型、天气类型相似的未来某一天的客流预测数据模板；
单程时间的过滤分类模块，将获取的历史单程时间数据，以日期类型和天气类型为筛选条件，过滤获得线路的单程时间数据，并保存为单程时间分类模板；
单程时间预测模块，基于单程时间分类模板，进行单程时间预测，预测与模板的工作日类型、天气类型相似的未来某一天的单程时间预测数据模板；
仿真分析模块，先根据历史数据进行客流预测、单程时间预测，再以预测的客流数据及单程时间数据为基础，根据输入的最大发车间隔及期望满载率，采用模拟发车的方式计算出最优发车间隔，获得发车时刻表。
2.根据权利要求1所述的基于客流仿真分析的发车时刻表生成系统，其特征在于，所述客流预测，用以预测每日客流数据；
采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得预测的客流力度为每10分钟每个站点上下车人数情况；或者直接采用客流预测数据模板；
其中，客流预测数据模板的获得：根据特征客流模板同期数据，采用深度神经元网络模型预测一个10分钟为力度的总值X，再与历史同期10分钟的客流总和相比较，差距最小的那一天的客流详情作为客流预测数据模板的预测客流。
3.根据权利要求2所述的基于客流仿真分析的发车时刻表生成系统，其特征在于：所述单程时间预测，用以预测线路运行的单程时间；
采用根据要预测的客流日期的类型，选择一定时期内的历史客流数据，先对客流数据用聚类的分析，再结合要预测的客流日期的天气状况，选择符合筛选条件的历史数据，采用深度神经元网络算法，获得要预测的客流日期的单程时间数据；或者直接采用单程时间预测数据模板。
4.根据权利要求3所述的基于客流仿真分析的发车时刻表生成系统，其特征在于，最优发车间隔的计算包括：
①预测客流预处理，把每个站点每10分钟的客流打散分布到每一分钟，如有整除后的客流余数，则随机不重复分布到这10分钟的10个点上；
②上车客流与下车客流的预处理，包括把一个车次单向上车与下车客流数预处理为相同；把一个车次整个趟次的上车与下车客流预处理为相同；把整条线路全天上车与下车客流预处理为相同；
③模拟发车：模拟试发首班车发车后，根据预测的单程时间的特性，计算出该车次到达每一站的具体时间，存储最后一个车次到达各个站点的时间；再以最大发车间隔，模拟试发第二个班次，再计算出该车次到达每一站的具体时间，前一车次与本车次的到达时间差为某一站点的聚集客流的时间段，从预测客流中取出该时间段对应上车与下车的客流数，计算出该车次到达每一站的满载率，如果到达某站的满载率小于或等于期望的满载率，则本次发车间隔为最优发车间隔，如果到达某站时满载率超过期望的满载率，则减小发车间隔再次模拟发车，直至满载率小于或等于期望满载率或等于最小发车间隔；依次类推，直至模拟发车到线路末班时间结束，获得发车时刻表。
5.根据权利要求4所述的基于客流仿真分析的发车时刻表生成系统，其特征在于，在时刻表生成之后，从首班车发车时刻遍历到末班车发车时刻，在某一时刻，遍历所有的车次，如果该时刻是在该车次的开始时间与结束时间之间，计数加1，遍历完所有车次之后，计数总和为该时刻的在线车辆数，取从首班车发车时刻到末班车发车时刻的全部遍历时刻点对应的在线车辆数的最大值为最小配车数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610757956.5A CN106355276A (zh) | 2016-08-30 | 2016-08-30 | 基于客流仿真分析的发车时刻表生成系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610757956.5A CN106355276A (zh) | 2016-08-30 | 2016-08-30 | 基于客流仿真分析的发车时刻表生成系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106355276A true CN106355276A (zh) | 2017-01-25 |
Family
ID=57856969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610757956.5A Pending CN106355276A (zh) | 2016-08-30 | 2016-08-30 | 基于客流仿真分析的发车时刻表生成系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106355276A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403273A (zh) * | 2017-07-28 | 2017-11-28 | 中铁程科技有限责任公司 | 信息处理方法、装置及非暂态计算机可读存储介质 |
| CN108216311A (zh) * | 2017-07-12 | 2018-06-29 | 南京交通职业技术学院 | 一种基于大数据和物联网的轨道交通调度方法 |
| CN109034566A (zh) * | 2018-07-11 | 2018-12-18 | 南京行者易智能交通科技有限公司 | 一种基于公交站点上下客流的智能调度方法及装置 |
| CN109063970A (zh) * | 2018-07-06 | 2018-12-21 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的双向自动排班系统 |
| CN109544917A (zh) * | 2018-11-16 | 2019-03-29 | 浩鲸云计算科技股份有限公司 | 一种公交发车间隔的优化方法 |
| CN110084505A (zh) * | 2019-04-22 | 2019-08-02 | 南京行者易智能交通科技有限公司 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
| CN110503237A (zh) * | 2019-07-12 | 2019-11-26 | 四川大学 | 一种城市轨道交通站台聚集人数短期预测的方法 |
| CN112061183A (zh) * | 2020-08-28 | 2020-12-11 | 交控科技股份有限公司 | 列车运行调整方法及装置 |
| CN112785071A (zh) * | 2021-01-29 | 2021-05-11 | 华南理工大学 | 一种企业用车客流模拟与预测系统 |
| CN112907968A (zh) * | 2021-02-01 | 2021-06-04 | 华录智达科技股份有限公司 | 一种智能公交无接触新型冠状病毒应急防控方法 |
| CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
-
2016
- 2016-08-30 CN CN201610757956.5A patent/CN106355276A/zh active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108216311B (zh) * | 2017-07-12 | 2020-05-05 | 南京交通职业技术学院 | 一种基于大数据和物联网的轨道交通调度方法 |
| CN108216311A (zh) * | 2017-07-12 | 2018-06-29 | 南京交通职业技术学院 | 一种基于大数据和物联网的轨道交通调度方法 |
| CN107403273A (zh) * | 2017-07-28 | 2017-11-28 | 中铁程科技有限责任公司 | 信息处理方法、装置及非暂态计算机可读存储介质 |
| CN107403273B (zh) * | 2017-07-28 | 2020-11-27 | 中铁程科技有限责任公司 | 信息处理方法、装置及非暂态计算机可读存储介质 |
| CN109063970A (zh) * | 2018-07-06 | 2018-12-21 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的双向自动排班系统 |
| CN109034566A (zh) * | 2018-07-11 | 2018-12-18 | 南京行者易智能交通科技有限公司 | 一种基于公交站点上下客流的智能调度方法及装置 |
| CN109034566B (zh) * | 2018-07-11 | 2019-06-11 | 南京行者易智能交通科技有限公司 | 一种基于公交站点上下客流的智能调度方法及装置 |
| CN109544917A (zh) * | 2018-11-16 | 2019-03-29 | 浩鲸云计算科技股份有限公司 | 一种公交发车间隔的优化方法 |
| CN109544917B (zh) * | 2018-11-16 | 2022-04-22 | 浩鲸云计算科技股份有限公司 | 一种公交发车间隔的优化方法 |
| CN110084505A (zh) * | 2019-04-22 | 2019-08-02 | 南京行者易智能交通科技有限公司 | 一种基于客流的智能排班方法及装置、移动端设备、服务器 |
| CN110503237A (zh) * | 2019-07-12 | 2019-11-26 | 四川大学 | 一种城市轨道交通站台聚集人数短期预测的方法 |
| CN110503237B (zh) * | 2019-07-12 | 2022-05-17 | 四川大学 | 一种城市轨道交通站台聚集人数短期预测的方法 |
| CN112061183A (zh) * | 2020-08-28 | 2020-12-11 | 交控科技股份有限公司 | 列车运行调整方法及装置 |
| CN112785071A (zh) * | 2021-01-29 | 2021-05-11 | 华南理工大学 | 一种企业用车客流模拟与预测系统 |
| CN112785071B (zh) * | 2021-01-29 | 2023-02-28 | 华南理工大学 | 一种企业用车客流模拟与预测系统 |
| CN112907968A (zh) * | 2021-02-01 | 2021-06-04 | 华录智达科技股份有限公司 | 一种智能公交无接触新型冠状病毒应急防控方法 |
| CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
| CN117273246B (zh) * | 2023-11-23 | 2024-02-06 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106355276A (zh) | 基于客流仿真分析的发车时刻表生成系统 | |
| CN106448233B (zh) | 基于大数据的公交线路时刻表协同优化方法 | |
| CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
| CN111552913B (zh) | 一种新线接入条件下城市轨道交通运能匹配性评价方法 | |
| CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
| CN109255972B (zh) | 一种基于大数据的地面公交固定线路时刻表的优化方法 | |
| CN108082224B (zh) | 基于afc时变客流的城市轨道交通列车运行图编制方法 | |
| CN109800916B (zh) | 一种高速公路服务区驶入车流量的建模方法 | |
| CN109376935A (zh) | 一种基于神经网络的公交客流分时段组合预测方法 | |
| CN109063970A (zh) | 基于客流仿真分析的双向自动排班系统 | |
| CN105575108A (zh) | 一种智能公交调度运营方法 | |
| CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及系统 | |
| CN111553530B (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
| CN109214577A (zh) | 一种综合运输通道客运分担率预测方法 | |
| CN111598317A (zh) | 一种铁路定制化列车开行方案生成优化方法 | |
| Shen et al. | Exploring the effect of the telephone/online booking system on taxi service: Case study of Suzhou City in China | |
| CN110211379A (zh) | 一种基于机器学习的公共交通调度优化方法 | |
| CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
| CN112183815A (zh) | 基于规则推荐算法的精准短时客流预测模型 | |
| CN111369089A (zh) | 基于大数据的城市居民需求供给双向评估方法 | |
| CN111785015A (zh) | 公交实时调控信息系统以及基于遗传算法的调度方法 | |
| CN112669595A (zh) | 一种基于深度学习的网约车流量预测方法 | |
| CN110020799A (zh) | 一种基于时空基准的城管网格资源配置 | |
| CN111428934B (zh) | 一种基于实时统计数据的公交站点短时客流预测方法 | |
| CN113469440B (zh) | 一种预测月尺度生活需水量的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |
|
| RJ01 | Rejection of invention patent application after publication |