CN106919953B - 一种基于轨道交通数据分析的异常出行群体识别方法 - Google Patents
一种基于轨道交通数据分析的异常出行群体识别方法 Download PDFInfo
- Publication number
- CN106919953B CN106919953B CN201710098940.2A CN201710098940A CN106919953B CN 106919953 B CN106919953 B CN 106919953B CN 201710098940 A CN201710098940 A CN 201710098940A CN 106919953 B CN106919953 B CN 106919953B
- Authority
- CN
- China
- Prior art keywords
- card swiping
- passenger
- getting
- station
- swiping record
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明公开一种基于轨道交通数据分析的异常出行群体识别方法,包括:步骤S1、个体状态描述;步骤S2、基于个体状态序列聚类发现异常出行个体;步骤S3、异常出行群体发现。采用本发明技术方案,可以识别绝非“乘客”的异常出行乘客团伙。
Description
技术领域
本发明涉及一种基于轨道交通数据分析的异常出行群体识别方法,尤其涉及一种基于公共交通一卡通地铁刷卡数据的异常出行群体自动识别方法。
背景技术
2014年底,北京地铁公司发布了2014年整整一年的客流数据。数据显示,2014年全年北京地铁公司所辖15条线路共运送乘客29.07亿人次,同比增长6.14%。4月30日为全年客运量最高日,达到988.95万人次。由此可以看出,地铁已经成为人们出行的重要工具。随着地铁客流量的增加,其自身带来的社会治安和安全隐患等问题都不可忽视。一些角色绝非“乘客”的出行者自然地融入到了地铁客流当中,这为地铁轨道交通带来了极大的负面影响。我们称这些没有明确的出行目的地,但会长时间停留在公共交通系统中从事某种活动的角色绝非“乘客”的出行者为异常出行乘客。一些异常出行乘客以团体形式存在我们称之为异常出行群体,异常出行群体对社会治安的影响更为严重。由于异常出行乘客具有分布分散、流动性大等特点,所以难以进行治理。
在公共交通中,智能卡自动售检票系统越来越普遍,该系统提供了大量的持续的高质量的乘客上下车站点的信息,这为研究公共交通出行乘客的出行模式提供了可能。随着信息技术和数据处理能力的快速发展,自动收费系统(AFC)收集的交易记录对于了解乘客的交通模式和城市的动态非常有价值。近年来研究者通过将乘客的上下车站点连接起来形成乘客的出行链并根据一卡通数据分析了乘客的出行时间及乘客的换乘模式。大部分个体具有相对固定的移动模式因此可以对其出行模式进行研究和预测。因此,使用一卡通数据可以研究地铁当中的异常出行群体。
发明内容
地铁现已经成为人们出行的重要工具。随着地铁客流量的增加,一些角色绝非“乘客”的出行者自然地融入到了地铁客流当中,这为地铁轨道交通带来了极大的负面影响。本发明称这些角色绝非“乘客”的出行者为异常出行乘客,称以团体形式存在的异常出行乘客为异常出行群体。公共交通一卡通不仅能够方便的缴纳公共交通出行过程的费用,同时也记录了乘客的上下车时间及站点等出行信息,这为公共交通中乘客的出行研究提供了方便。本发明提出了基于公共交通一卡通地铁刷卡数据的异常出行群体自动识别方法,关键问题包括乘客的特征表示及乘客间距离的度量方法。
为实现上述目的,本发明采用如下的技术方案:
一种基于轨道交通数据分析的异常出行群体识别方法包括以下步骤:
步骤S1、个体状态描述
对乘客在时间段T内的状态逐小时进行标记,得到每位乘客的以小时为单位的状态序列;
步骤S2、基于个体状态序列聚类发现异常出行个体
使用k-Means聚类方法得到异常出行可疑乘客及正常出行乘客;
步骤S3、异常出行群体发现
使用DBSCAN聚类算法对异常出行可疑乘客的出行模式进行聚类,DBSCAN的聚类基础是对象之间的距离,定义乘客出行模式之间的距离D(Up,Uq)为
D(Up,Uq)=1-SC(Up,Uq) (3)
SC(Up,Uq)为乘客出行模式Up,Uq之间的相似系数,
为了得到乘客出行模式之间的相似系数,同时考虑乘客出行模式的空间相似性和时间相似性,将乘客访问的站点集合表示为S={s1,s2,…,sn},其中si=(ni,wi),1<i<n,ni为站点名称,wi为对该站点的访问次数,
定义乘客出行模式Up,Uq的空间相似性度量函数
0<TS<1,如果两位乘客访问的站点集合相同,则TS=1,
对于某一确定的站点,不同乘客对其访问的时间不同,将某一乘客访问特定站点的时间表示为H={h1,h2,…,hn},其中hi=(ti,vi),1<i<n,ti为乘客对该站点的访问时间,vi为在该时间访问特定站点的概率;两个乘客的出行模式关于某一固定站点的时间相似性类似于两个直方图的相似性;Earth Mover’s Distance(EMD)是直方图相似性评估的距离计算函数,设两个直方图 和其中,地点对某种物质的需求量为 地点对该种物质的供应量为EMD实际上是线性规划中运输问题的最优解。定义乘客的出行模式在某一固定站点出行的时间相似性度量函数TT(Hp,Hq)如下:
满足以下约束条件:
0<TT<1,如果两位乘客对于某一特定站点的访问时间完全相同,则TS=1,
基于此乘客出行模式之间的距离,对异常出行可疑乘客进行聚类,得到异常出行乘客团伙。
作为优选,步骤S1具体为:对于一位乘客的任意一条刷卡记录i,可以根据其上一条刷卡记录i-1的下车站点和下一条刷卡记录i+1的上车站点对乘客的状态进行标记,标记规则如下:
1)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相同或者相差一天的情况:如果刷卡记录i-1的下车站点和刷卡记录i的上车站点相同,则将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为此站点;如果刷卡记录i-1的下车站点和刷卡记录i的上车站点不相同,将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为非公共交通出行;
2)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相差两天以上或者刷卡记录i为该乘客的第一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i上车时间之前的时间段的状态标记为刷卡记录i的上车站点;
3)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相同或者相差一天的情况:类似规则1,如果刷卡记录i的下车站点和刷卡记录i+1的上车站点相同,则将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为此站点;如果刷卡记录i的下车站点和刷卡记录i+1的上车站点不相同,将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为非公共交通出行;
4)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相差两天以上或者刷卡记录i为该乘客的最后一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i下车时间之后的时间段的状态标记为刷卡记录i的下车站点。
附图说明
图1为本发明基于轨道交通数据分析的异常出行群体识别方法的流程图;
图2为异常出行可疑乘客出现频繁的站点的热力图;
图3为北京市公安局发布的北京市轨道交通扒窃高发线路图。
具体实施方式
如图1所示,本发明实施例提供一种基于轨道交通数据分析的异常出行群体识别方法,包括以下步骤:
步骤S1、个体状态描述
首先对乘客在时间段T内的状态逐小时进行标记。对于一位乘客的任意一条刷卡记录i,可以根据其上一条刷卡记录i-1的下车站点和下一条刷卡记录i+1的上车站点对乘客的状态进行标记。标记规则如下:
5)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相同或者相差一天的情况:如果刷卡记录i-1的下车站点和刷卡记录i的上车站点相同,则将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为此站点;如果刷卡记录i-1的下车站点和刷卡记录i的上车站点不相同,将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为非公共交通出行。
6)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相差两天以上或者刷卡记录i为该乘客的第一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i上车时间之前的时间段的状态标记为刷卡记录i的上车站点。
7)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相同或者相差一天的情况:类似规则1,如果刷卡记录i的下车站点和刷卡记录i+1的上车站点相同,则将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为此站点;如果刷卡记录i的下车站点和刷卡记录i+1的上车站点不相同,将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为非公共交通出行。
8)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相差两天以上或者刷卡记录i为该乘客的最后一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i下车时间之后的时间段的状态标记为刷卡记录i的下车站点。
根据乘客的刷卡记录,按照以上规则可以标记出乘客部分时间的状态。另外,对于乘客乘坐公共交通的过程,将其相应时间的状态标记为公共交通出行。除此之外,由于信息不足(例如,当天未乘坐公共交通)仍有一些时间的状态无法判断,我们将这些时间的状态标记为不可判断。
完成了乘客在时间段T内的所有时间的状态标记,我们对乘客在时间段T内的所有时间的状态进行赋值。对于状态被标记为站点的情况,根据乘客在T时间段内的刷卡记录,我们分别统计每位乘客出现次数最多的站点(包括上车和下车)称为区域1并将其赋值为1,次之称为区域2并将其赋值为2,以此类推至区域5,乘客出现次数较区域5更少的站点仍赋值为5。将非公共交通出行的状态赋值为-1,将不可判断的状态赋值为0。
对于状态被标记为公共交通出行的情况,根据乘客公共交通出行过程的速度进行赋值。具有异常出行行为的乘客,其进出站的时间间隔比其他乘客的进出站的时间间隔要长,但其进出站站点之间的距离并没有相应变远,甚至一些具有异常出行行为的乘客的上车站点和下车站点相同。因此,具有异常出行行为的乘客在公共交通出行过程中的出行速度(称为异常出行速度)小于其他乘客的出行速度(称为正常出行速度)。为了得到异常出行速度和正常出行速度之间的划分标准,我们对刷卡记录中所有的出行速度进行聚类。本文使用的是k-means聚类方法,期望的簇的个数为3。本文中出行速度v=disAB/tAB,disAB表示站点AB之间的地表距离,tAB表示乘客从A站点到B站点所用的时间。部分站点在地铁线路中的真实距离与站点之间的地表距离差别不大,但受到地形等因素的影响有一些地铁站点之间在地铁线路中的距离会和站点之间的地表距离有较大差别。这会导致正常出行速度之间也会有一定差异。因此,我们所期望的簇的个数为3。对乘客的出行速度聚类之后,我们认为平均速度最小的一类即为异常出行的出行速度,找到该类出行速度的最大值v’,出行速度小于v’认为是异常出行速度,反之认为是正常出行速度。将以正常出行速度进行公共交通出行的状态赋值为-2,以异常出行速度进行公共交通出行的状态赋值为-7。乘客所有可能的状态如表1所示。
表1乘客活动状态总结
步骤S2、基于个体状态序列聚类发现异常出行个体
按照上一部分的规则,能够得到每位乘客的以小时为单位的状态序列。因此,我们得到一个u*y*24维的矩阵,其中u代表乘客个数,y代表天数。通过在所有用户的序列像素值的变化中提取统计趋势,序列结构的复发性元件可确定并用于通过一个小的维数来概括每个序列。PCA(Principal Component Analysis)是一种常用的数据分析方法,可用于提取数据的主要特征分量,常用于高维数据的降维。PCA将一组数据变换为一组不相关的主成分。不相关PC通过最大化方差,然后按其影响力排名计算得到。
用原始矩阵减去其各列的平均值得到标准化矩阵B。为了得到矩阵B的主成分,需要根据等式(1)和(2)计算矩阵B的协方差矩阵C的特征向量v和特征值λ。
C=BTB (1)
(C-λI)v=0 (2)
特征值是各主成分的方差,它的大小反映了主成分的影响力。按照特征值大小排列,根据其前m个主成分的累计贡献率选取主成分的个数。
使用k-Means聚类方法对得到的m维数据进行聚类,得到异常出行可疑乘客及正常出行乘客。
步骤S3、异常出行群体发现
部分异常出行乘客为完成其出行目的以团伙的形式存在。准确的获取这些团伙的相关信息有助于公安人员对公共交通场所进行治安维护及案件侦破。为了找到异常出行乘客团伙,本文对上一部分的异常出行可疑乘客进行聚类,被聚集到同一类簇中的乘客被认为具有团伙关系。本文使用DBSCAN聚类算法对异常出行可疑乘客的出行模式进行聚类。DBSCAN是基于密度的聚类算法,不需要预知要划分的聚类个数,能够把具有足够高密度的区域划分为簇,并可发现任意形状的聚类。
DBSCAN的聚类基础是对象之间的距离,本文定义乘客出行模式之间的距离
D(Up,Uq)=1-SC(Up,Uq) (3)
SC(Up,Uq)为乘客出行模式Up,Uq之间的相似系数。
为了得到乘客出行模式之间的相似系数,我们同时考虑乘客出行模式的空间相似性和时间相似性。我们将乘客访问的站点集合表示为S={s1,s2,…,sn},其中si=(ni,wi),1<i<n,ni为站点名称,wi为对该站点的访问次数。例如某一乘客Up的站点集合为Sp={(大望路,20),(北工大西门,25),(金台路,10),(北京南站,5)}。
定义乘客出行模式Up,Uq的空间相似性度量函数
0<TS<1,如果两位乘客访问的站点集合相同,则TS=1。
对于某一确定的站点,不同乘客对其访问的时间不同。我们将某一乘客访问特定站点的时间表示为H={h1,h2,…,hn},其中hi=(ti,vi),1<i<n,ti为乘客对该站点的访问时间,vi为在该时间访问特定站点的概率。例如乘客Up对大望路的访问时间为H={(08:00-09:00,0.4),(09:00-10:00,0.2),(17:00-18:00,0.4)}。两个乘客的出行模式关于某一固定站点的时间相似性类似于两个直方图的相似性。Earth Mover’s Distance(EMD)[1]是直方图相似性评估的距离计算函数。设两个直方图和可以认为地点对某种物质的需求量为 地点对该种物质的供应量为EMD实际上是线性规划中运输问题的最优解。定义乘客的出行模式在某一固定站点出行的时间相似性度量函数TT(Hp,Hq)如下:
满足以下约束条件:
0<TT<1,如果两位乘客对于某一特定站点的访问时间完全相同,则TS=1。
基于此乘客出行模式之间的距离,对异常出行可疑乘客进行聚类,得到异常出行乘客团伙。
本发明使用17,941位乘客三周的地铁刷卡数据最终得到1244位异常出行乘客。本发明统计了1244位异常出行可疑乘客的进出站地铁站点。图2为异常出行可疑乘客出现频繁的站点的热力图。图3为北京市公安局发布的北京市轨道交通扒窃高发线路图。图2可知,异常出行可疑乘客的活动站点集中在1,2,4,5,10号线,与相关报道的发布的轨道扒窃案件高发区域与乞讨集中线路基本吻合。
Claims (2)
1.一种基于轨道交通数据分析的异常出行群体识别方法,其特征在于,包括以下步骤:
步骤S1、个体状态描述
对乘客在时间段T内的状态逐小时进行标记,得到每位乘客的以小时为单位的状态序列;
步骤S2、基于个体状态序列聚类发现异常出行个体
使用k-Means聚类方法得到异常出行可疑乘客及正常出行乘客;
步骤S3、异常出行群体发现
使用DBSCAN聚类算法对异常出行可疑乘客的出行模式进行聚类,DBSCAN的聚类基础是对象之间的距离,定义乘客出行模式之间的距离D(Up,Uq)为
D(Up,Uq)=1-SC(Up,Uq) (3)
SC(Up,Uq)为乘客出行模式Up,Uq之间的相似系数,
为了得到乘客出行模式之间的相似系数,同时考虑乘客出行模式的空间相似性和时间相似性,将乘客访问的站点集合表示为S={s1,s2,…,sn},其中si=(ni,wi),1<i<n,ni为站点名称,wi为对该站点的访问次数,
定义乘客出行模式Up,Uq的空间相似性度量函数
0<TS<1,如果两位乘客访问的站点集合相同,则TS=1,
对于某一确定的站点,不同乘客对其访问的时间不同,将某一乘客访问特定站点的时间表示为H={h1,h2,…,hn},其中hi=(ti,vi),1<i<n,ti为乘客对该站点的访问时间,vi为在该时间访问特定站点的概率;两个乘客的出行模式关于某一固定站点的时间相似性类似于两个直方图的相似性;Earth Mover’s Distance是直方图相似性评估的距离计算函数,设两个直方图和其中,地点对某种物质的需求量为 地点对该种物质的供应量为Earth Mover’s Distance是线性规划中运输问题的最优解; 定义乘客的出行模式在某一固定站点出行的时间相似性度量函数TT(Hp,Hq)如下:
满足以下约束条件:
0<TT<1,如果两位乘客对于某一特定站点的访问时间完全相同,则TS=1,
基于此乘客出行模式之间的距离,对异常出行可疑乘客进行聚类,得到异常出行乘客团伙。
2.如权利要求1所述的基于轨道交通数据分析的异常出行群体识别方法,其特征在于,步骤S1具体为:对于一位乘客的任意一条刷卡记录i,可以根据其上一条刷卡记录i-1的下车站点和下一条刷卡记录i+1的上车站点对乘客的状态进行标记,标记规则如下:
1)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相同或者相差一天的情况:如果刷卡记录i-1的下车站点和刷卡记录i的上车站点相同,则将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为此站点;如果刷卡记录i-1的下车站点和刷卡记录i的上车站点不相同,将该乘客从刷卡记录i-1的下车时间到刷卡记录i的上车时间之间的状态标记为非公共交通出行;
2)对于该乘客刷卡记录i的日期与刷卡记录i-1的日期相差两天以上或者刷卡记录i为该乘客的第一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i上车时间之前的时间段的状态标记为刷卡记录i的上车站点;
3)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相同或者相差一天的情况:如果刷卡记录i的下车站点和刷卡记录i+1的上车站点相同,则将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为此站点;如果刷卡记录i的下车站点和刷卡记录i+1的上车站点不相同,将该乘客从刷卡记录i的下车时间到刷卡记录i+1的上车时间之间的状态标记为非公共交通出行;
4)对于该乘客刷卡记录i+1的日期与刷卡记录i的日期相差两天以上或者刷卡记录i为该乘客的最后一条刷卡记录的情况:将刷卡记录i当天在刷卡记录i下车时间之后的时间段的状态标记为刷卡记录i的下车站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098940.2A CN106919953B (zh) | 2017-02-23 | 2017-02-23 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710098940.2A CN106919953B (zh) | 2017-02-23 | 2017-02-23 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106919953A CN106919953A (zh) | 2017-07-04 |
CN106919953B true CN106919953B (zh) | 2021-03-16 |
Family
ID=59454686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710098940.2A Active CN106919953B (zh) | 2017-02-23 | 2017-02-23 | 一种基于轨道交通数据分析的异常出行群体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106919953B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600344B (zh) * | 2017-09-30 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 识别风险群体的方法、装置及电子设备 |
CN108257385B (zh) * | 2018-03-19 | 2021-03-16 | 北京工业大学 | 一种基于公共交通的异常事件的甄别方法 |
CN108847022B (zh) * | 2018-06-08 | 2021-04-16 | 浙江银江智慧交通集团有限公司 | 一种微波交通数据采集设备的异常值检测方法 |
CN110648071A (zh) * | 2019-09-26 | 2020-01-03 | 杭州数梦工场科技有限公司 | 风险控制方法与装置 |
CN111179589B (zh) * | 2019-12-06 | 2021-06-29 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN111476177B (zh) * | 2020-04-10 | 2023-08-18 | 科航(苏州)信息科技有限公司 | 嫌疑人检测方法及装置 |
CN111798356B (zh) * | 2020-07-09 | 2023-11-10 | 北京交通大学 | 一种基于大数据的轨道交通客流异常模式识别方法 |
CN114936959B (zh) * | 2022-06-17 | 2023-05-23 | 上海市城乡建设和交通发展研究院 | 实现车辆匹配和乘客上车点的识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103179509A (zh) * | 2013-03-11 | 2013-06-26 | 北京工业大学 | 基于手机定位信息的地铁乘客出行路径辨识方法 |
CN104751631B (zh) * | 2015-03-13 | 2017-03-01 | 同济大学 | 基于gps定位和模糊理论判断出行链交通方式的方法 |
CN105206048B (zh) * | 2015-11-05 | 2017-09-19 | 北京航空航天大学 | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 |
-
2017
- 2017-02-23 CN CN201710098940.2A patent/CN106919953B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106919953A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106919953B (zh) | 一种基于轨道交通数据分析的异常出行群体识别方法 | |
Bhaskar et al. | Passenger segmentation using smart card data | |
US20150286936A1 (en) | Transportation analysis system | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN109410568B (zh) | 基于用户画像和换乘规律的下车站点推测方法及系统 | |
CN110348614B (zh) | 一种获取乘客od的方法及公交客流的预测方法 | |
Huang et al. | A method for bus OD matrix estimation using multisource data | |
CN111476177B (zh) | 嫌疑人检测方法及装置 | |
CN107590239B (zh) | 一种基于ic卡数据测定地铁站点公共自行车接驳半径的方法 | |
Chen et al. | Extracting bus transit boarding stop information using smart card transaction data | |
CN111291236A (zh) | 一种高速路网用户画像信息获取与分析方法及系统 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN105493135A (zh) | 费用退还系统及其方法 | |
Guo et al. | Exploring potential travel demand of customized bus using smartcard data | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
Li et al. | Passenger travel behavior in public transport corridor after the operation of urban rail transit: a random forest algorithm approach | |
Zhao et al. | GLTC: A metro passenger identification method across AFC data and sparse wifi data | |
Yao et al. | Analysis of key commuting routes based on spatiotemporal trip chain | |
CN107730717B (zh) | 一种基于特征提取的公共交通可疑卡识别方法 | |
Blázquez et al. | Evaluation of outlier detection algorithms for traffic congestion assessment in smart city traffic data from vehicle sensors | |
CN108681741A (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
Chen et al. | Extracting bus transit boarding and alighting information using smart card transaction data | |
Mosallanejad et al. | Origin-destination estimation of bus users by smart card data | |
Crawford et al. | Analysing spatial intrapersonal variability of road users using point-to-point sensor data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |