CN107067115A - 一种基于忠实乘客的多特征地铁乘车人数预测方法 - Google Patents
一种基于忠实乘客的多特征地铁乘车人数预测方法 Download PDFInfo
- Publication number
- CN107067115A CN107067115A CN201710273014.4A CN201710273014A CN107067115A CN 107067115 A CN107067115 A CN 107067115A CN 201710273014 A CN201710273014 A CN 201710273014A CN 107067115 A CN107067115 A CN 107067115A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mtr
- mrow
- msub
- passenger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000012417 linear regression Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000001680 brushing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 description 1
- 102100036790 Tubulin beta-3 chain Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 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)
Abstract
本发明公开了一种基于忠实乘客的多特征地铁乘车人数预测方法，属于交通数据处理及客流预测技术领域。首先对地铁乘客刷卡数据进行预处理，随后提取时间、天气、历史乘车人数、忠实乘客、站点功能特征，并给出了忠实乘客的定义，接着建立了多元线性回归预测模型，输入训练集目的是利用该模型学习数据内在的规律，然后对测试集进行预测并输出预测结果。本发明充分考虑了多因素对预测地铁乘车人数的影响，并分析了其内在规律，为地铁运营调度部门提供了重要的参考依据。
Description
技术领域
本发明属于交通数据处理及客流预测技术领域，尤其涉及一种基于忠实乘客的多特征地铁乘车人数预测方法。
背景技术
地铁交通作为城市交通的重要组成部分，是居民出行的主要方式，对缓解城市交通拥堵起到了至关重要的作用，地铁客流量是地铁交通运营组织的重要参考依据，同时，地铁客流量的预测也是交通运输系统的重要组成部分。所以，客流量的预测是交通运输预测的重点及热点的研究问题，也是地铁调度优化技术的基础研究内容。
大数据时代的到来使得基于个体粒度的海量时空轨迹获取人类移动模式成为可能，地铁上下车乘客的随机性较大，影响因素较多，加大了预测的难度，因此为了更加准确的预测地铁站点的乘车人数，及时的对客流组织方案进行完善与调整，设计有效的综合考虑多因素的预测模型是极为重要的。
发明内容
本发明的目的是针对上述问题，提出了一种基于忠实乘客的多特征地铁乘车人数预测方法，通过构建多元线性回归模型，提取时间、天气、历史乘车人数、忠实乘客人数、站点功能特征，训练模型，得到预测结果，为地铁运营调度部门提供实时调度管理依据。
本发明的技术方案：
一种基于忠实乘客的多特征地铁乘车人数预测方法，步骤如下：
S1：数据预处理
数据的清洗，清除缺失值；即清除早上六点之前及晚上十点之后的时段的数据，并删除偏离平均值较大的数据；数据包括卡号、日期、时间、站点名称、线路编号、交易金额、地铁站点的横坐标X、地铁站点的纵坐标Y和交易类型，其中，日期的格式为yyyy-mm-dd，时间的格式为hh:mm:ss，交易金额：以“元”为单位，交易类型：取值为“优惠”或“非优惠”；
S2：提取时间、天气状况、历史乘车人数、忠实乘客人数、站点功能特征
S2.1：时间划分：从早上6:00到晚上22:00，以一小时为单位将一天划分为n个时间片；
S2.2：提取天气特征，分为三类：晴天、雨天以及多云天气，并进行规范化处理，即将晴天取值为1，雨天取值为0，多云天取值为0.5；
S2.3：忠实乘客人数：在某一时间片内，每天都有刷卡记录的乘客即为该时间片的忠实乘客；依据地铁乘客的刷卡信息，按步骤S2.1划分好的时间片，提取每个时间片的忠实乘客人数；
S2.4：将地铁站按功能分类：风景区、名胜古迹区、商业区、居民区、高新技术区和休闲娱乐区；
S2.5：历史乘车人数：按步骤S2.1划分好的时间片，对所预测的第某天的某个时间片之前的所有天数在该时间片的乘车人数取平均值，即定义为该时间片的历史乘车人数；
S3：建立多元线性回归模型
S3.1：输入输出变量：选取时间、天气状况、历史乘车人数以及忠实乘客人数这四个影响因素作为输入变量，而作为输出变量的只有一个因素，即地铁站点在某一时间片内的实际乘车人数；
S3.2：训练集和测试集划分：将提取的数据集中后三天的数据作为测试集，其余数据作为训练集；
S3.3：训练集和测试集的数据标准化：将训练集和测试集分别进行标准化处理，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转换公式如下：
其中：μ为训练集或测试集中所有样本数据的均值，σ为训练集或测试集中所有样本数据的标准差；
S3.4：建立多元线性回归模型：地铁客流受时间、天气状况、历史乘车人数、忠实乘客人数诸多因素影响，多元线性回归模型根据训练集数据，建立地铁客流与诸因素之间的回归模型，实现客流与各个因素之间关系的定量化分析，直观的反映出客流与各因素之间的关系；设样本容量为n，因变量为yi，i＝1，2，3，…，n；m个自变量为xj，j＝1，2，3，…，m；令：
则多元线性回归模型为：
Y＝βX+ε；
其中：β为回归系数，ε为随机误差；
S4：训练数据
将标准化的训练集数据输入到多元线性回归模型中，进行训练和学习；
S5：预测乘车人数
将标准化的测试集数据输入到已经训练好的多元线性回归模型中，对地铁站点的乘车人数进行预测，再由多元线性回归模型输出预测结果值。
本发明的有益效果：本发明充分考虑了多因素对预测地铁乘车人数的影响，并分析了其内在规律，为地铁运营调度部门提供了重要的参考依据。
附图说明
图1为一种基于忠实乘客的多特征地铁乘车人数预测方法的流程图。
图2为商业区代表站点国权路乘车乘客预测结果示意图。
图3为风景区代表站点杨高中路乘车乘客预测结果示意图。
图4为名胜古迹区代表站点豫园乘车乘客预测结果示意图。
图5为居民区代表站点通河新村乘车乘客预测结果示意图。
图6为高新技术区代表站点张江高科乘车乘客预测结果示意图。
图7为休闲娱乐区代表站点静安寺乘车乘客预测结果示意图。
图2～图7中X轴为样本标号，Y轴乘客数量，标签L1为真实值，标签pred为预测值。
具体实施方式
为了使本发明的目的、技术方案及其优势更加清晰明了，下面将对本发明的具体实施方式作进一步的详细描述。
本发明提供了一种基于忠实乘客的多特征地铁乘车人数预测方法，流程如图1所示，该方法包括：
S1：对2015年4月1号至2015年4月30一个月(除休息日以外)的上海地铁乘客刷卡的原始数据进行预处理。
地铁乘客刷卡数据所包含的信息如下表1所示。
| 编号 | 名称 | 注释 |
| 1 | 卡号 | 唯一地标识一张地铁卡 |
| 2 | 日期 | 格式为yyyy-mm-dd |
| 3 | 时间 | 格式为hh:mm:ss |
| 4 | 站点名称 | 地铁站点的名称 |
| 5 | 线路编号 | 标识站点所在的线路 |
| 6 | 交易金额 | 以“元”为单位 |
| 7 | X | 地铁站点的横坐标 |
| 8 | Y | 地铁站点的纵坐标 |
| 9 | 交易类型 | 取值为“优惠”或“非优惠” |
表1
S2：提取时间、天气、历史乘车人数、忠实乘客、站点功能特征，具体步骤如下：
S2.1：时间划分：将一天中从早上6:00到晚上22:00以一小时为单位划分为17个时间片。
S2.2：提取天气特征，并进行规范化处理：将天气状况分为三类，晴天、雨天以及多云天气，并进行规范化处理，即将晴天取值为1，雨天取值为0，多云天取值为0.5。
S2.3：定义忠实乘客：在某一时间片内，每天都有刷卡记录的乘客即为该时间片的忠实乘客。
S2.4：提取忠实乘客特征：按照S2.1所划分好的时间片，根据乘客刷卡记录的ID号依次提取忠实乘客特征。
S2.5：将地铁站按功能分类，具体分为：风景区、名胜古迹区、商业区、居民区、高新技术区、休闲娱乐区这几大区域。
S2.6：历史乘车人数：按步骤S2.1划分好的时间片，对所预测的第某天的某个时间片之前的所有天数在该时间片的乘车人数取平均值，即定义为该时间片的历史乘车人数；
S3：建立多元线性回归模型。
S3.1：输入输出变量：选取时间、天气状况、历史乘车人数、以及依据历史乘客刷卡的ID号所统计的忠实乘客信息这四个影响因素作为输入变量，而作为输出变量的只有一个因素，即地铁站点的乘车人数；
S3.2：将处理好的数据划分为训练集和测试集，部分训练集数据如下表2所示。
| 样本编号 | 时间 | 天气 | 历史人数 | 忠实乘客 | 站点乘车人数 |
| 1 | 6:00 | 0.5 | 473 | 26 | 512 |
| 2 | 7:00 | 0.5 | 1936 | 134 | 1957 |
| 3 | 8:00 | 0.5 | 2581 | 132 | 2570 |
| 4 | 9:00 | 0.5 | 885 | 7 | 888 |
| 5 | 10:00 | 0.5 | 389 | 1 | 390 |
| 6 | 11:00 | 0.5 | 378 | 0 | 380 |
| 7 | 12:00 | 0.5 | 486 | 0 | 500 |
| 8 | 13:00 | 0.5 | 413 | 0 | 372 |
| 9 | 14:00 | 0.5 | 351 | 1 | 336 |
| 10 | 15:00 | 0.5 | 480 | 0 | 434 |
| 11 | 16:00 | 0.5 | 654 | 1 | 596 |
| 12 | 17:00 | 0.5 | 1160 | 9 | 1153 |
表2
S3.3：训练集和测试集的数据标准化处理：不同评价指标往往具有不同的量纲和量纲单位，这样会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性，原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。将数据进行标准化处理，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转换公式如下：
其中：μ为训练集或测试集中所有样本数据的均值，σ为训练集或测试集中所有样本数据的标准差；
S3.4：建立多元线性回归模型：地铁客流受时间、天气、历史乘车人数、忠实乘客等诸多因素影响，多元线性回归模型能根据训练样本数据，建立地铁客流与诸因素之间的回归模型，实现客流与各个因素之间关系的定量化分析，能够很直观的反映出客流与各因素之间的关系。设样本容量为n，因变量为yi(i＝1，2，3，…，n)，m个自变量为xj(j＝1，2，3，…，m)，令：
则多元线性回归模型为：
Y＝βX+ε；
其中β为回归系数，ε为随机误差。
S4：训练数据：将标准化的训练数据集输入到模型中，进行数据的训练和学习。
S5：预测乘车人数。
S5.1：将标准化的测试集输入到已经训练好的模型中，对地铁站点的乘车人数进行预测，再由模型输出预测结果值。
S5.2：评价标准：
①均方根误差(RMSE)，计算公式为：
其中n为测试集样本个数，xobs,i为每个样本的预测值，xmodel,i为每个样本的真实值。
②平均绝对误差(MAE)，计算公式为：
其中n为测试集样本个数，xobs,i为每个样本的预测值，xmodel,i为每个样本的真实值。
具体结果如下表3、表4及图2、图3、图4、图5、图6、图7所示。
| 代表区域站点 | 国权路 | 杨高中路 | 豫园 | 通河新村 | 张江高科 | 静安寺 |
| RMSE | 37.87 | 57.36 | 51.14 | 43.45 | 64.44 | 88.80 |
表3
| 代表区域站点 | 国权路 | 杨高中路 | 豫园 | 通河新村 | 张江高科 | 静安寺 |
| MAE | 29.05 | 41.90 | 43.77 | 31.31 | 49.68 | 67.05 |
表4
从上述结果可以看出，预测误差相对较小，在客流量波动性较大的区域预测误差相对高一些，如：休闲娱乐区。在客流量波动性较小的区域，预测误差相对较低一些，如：居民区。
以上的所述是本发明的具体实施步骤及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。
Claims (1)
1.一种基于忠实乘客的多特征地铁乘车人数预测方法，其特征在于，步骤如下：
S1：数据预处理
数据的清洗，清除缺失值；即清除早上六点之前及晚上十点之后的时段的数据，并删除偏离平均值较大的数据；数据包括卡号、日期、时间、站点名称、线路编号、交易金额、地铁站点的横坐标X、地铁站点的纵坐标Y和交易类型，其中，日期的格式为yyyy-mm-dd，时间的格式为hh:mm:ss，交易金额：以“元”为单位，交易类型：取值为“优惠”或“非优惠”；
S2：提取时间、天气状况、历史乘车人数、忠实乘客人数、站点功能特征
S2.1：时间划分：从早上6:00到晚上22:00，以一小时为单位将一天划分为n个时间片；
S2.2：提取天气特征，分为三类：晴天、雨天以及多云天气，并进行规范化处理，即将晴天取值为1，雨天取值为0，多云天取值为0.5；
S2.3：忠实乘客人数：在某一时间片内，每天都有刷卡记录的乘客即为该时间片的忠实乘客；依据地铁乘客的刷卡信息，按步骤S2.1划分好的时间片，提取每个时间片的忠实乘客人数；
S2.4：将地铁站按功能分类：风景区、名胜古迹区、商业区、居民区、高新技术区和休闲娱乐区；
S2.5：历史乘车人数：按步骤S2.1划分好的时间片，对所预测的第某天的某个时间片之前的所有天数在该时间片的乘车人数取平均值，即定义为该时间片的历史乘车人数；
S3：建立多元线性回归模型
S3.1：输入输出变量：选取时间、天气状况、历史乘车人数以及忠实乘客人数这四个影响因素作为输入变量，而作为输出变量的只有一个因素，即地铁站点在某一时间片内的实际乘车人数；
S3.2：训练集和测试集划分：将提取的数据集中后三天的数据作为测试集，其余数据作为训练集；
S3.3：训练集和测试集的数据标准化：将训练集和测试集分别进行标准化处理，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转换公式如下：
<mrow>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
<mi>&sigma;</mi>
</mfrac>
</mrow>
其中：μ为训练集或测试集中所有样本数据的均值，σ为训练集或测试集中所有样本数据的标准差；
S3.4：建立多元线性回归模型：地铁客流受时间、天气状况、历史乘车人数、忠实乘客人数诸多因素影响，多元线性回归模型根据训练集数据，建立地铁客流与诸因素之间的回归模型，实现客流与各个因素之间关系的定量化分析，直观的反映出客流与各因素之间的关系；设样本容量为n，因变量为yi，i＝1，2，3，…，n；m个自变量为xj，j＝1，2，3，…，m；令：
<mrow>
<mi>Y</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
<mi>&beta;</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
<mi>X</mi>
<mo>=</mo>
<msub>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<msub>
<mi>x</mi>
<mrow>
<mi>n</mi>
<mi>m</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</msub>
</mrow>
则多元线性回归模型为：
Y＝βX+ε；
其中：β为回归系数，ε为随机误差；
S4：训练数据
将标准化的训练集数据输入到多元线性回归模型中，进行训练和学习；
S5：预测乘车人数
将标准化的测试集数据输入到已经训练好的多元线性回归模型中，对地铁站点的乘车人数进行预测，再由多元线性回归模型输出预测结果值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710273014.4A CN107067115A (zh) | 2017-04-26 | 2017-04-26 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710273014.4A CN107067115A (zh) | 2017-04-26 | 2017-04-26 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107067115A true CN107067115A (zh) | 2017-08-18 |
Family
ID=59603817
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710273014.4A Pending CN107067115A (zh) | 2017-04-26 | 2017-04-26 | 一种基于忠实乘客的多特征地铁乘车人数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107067115A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578126A (zh) * | 2017-08-29 | 2018-01-12 | 飞友科技有限公司 | 一种机场安检人数预测的方法 |
| CN107862410A (zh) * | 2017-11-08 | 2018-03-30 | 广州赛意信息科技股份有限公司 | 一种机器模拟的电影排片系统及方法 |
| CN109978056A (zh) * | 2019-03-26 | 2019-07-05 | 广东工业大学 | 一种基于机器学习的地铁乘客分类方法 |
| CN110222873A (zh) * | 2019-05-14 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的地铁站客流量预测方法 |
| CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
| CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
| CN110991607A (zh) * | 2019-11-15 | 2020-04-10 | 佳都新太科技股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
| CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
-
2017
- 2017-04-26 CN CN201710273014.4A patent/CN107067115A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578126A (zh) * | 2017-08-29 | 2018-01-12 | 飞友科技有限公司 | 一种机场安检人数预测的方法 |
| CN107862410A (zh) * | 2017-11-08 | 2018-03-30 | 广州赛意信息科技股份有限公司 | 一种机器模拟的电影排片系统及方法 |
| CN110555713A (zh) * | 2018-05-31 | 2019-12-10 | 北京京东尚科信息技术有限公司 | 一种确定销量预测模型的方法和装置 |
| CN109978056A (zh) * | 2019-03-26 | 2019-07-05 | 广东工业大学 | 一种基于机器学习的地铁乘客分类方法 |
| CN110222873A (zh) * | 2019-05-14 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的地铁站客流量预测方法 |
| CN110222873B (zh) * | 2019-05-14 | 2023-10-31 | 北京城建智控科技股份有限公司 | 一种基于大数据的地铁站客流量预测方法 |
| CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
| CN110991607A (zh) * | 2019-11-15 | 2020-04-10 | 佳都新太科技股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
| CN110991607B (zh) * | 2019-11-15 | 2022-08-02 | 佳都科技集团股份有限公司 | 一种地铁客流预测方法、装置、电子设备及存储介质 |
| CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107067115A (zh) | 一种基于忠实乘客的多特征地铁乘车人数预测方法 | |
| Zou et al. | Detecting home location and trip purposes for cardholders by mining smart card transaction data in Beijing subway | |
| CN106971534B (zh) | 基于号牌数据的通勤出行特征分析方法 | |
| WO2018214675A1 (zh) | 一种量化分析城市建成环境对道路行程时间影响的方法 | |
| CN110753307B (zh) | 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法 | |
| Wang et al. | Early warning of burst passenger flow in public transportation system | |
| CN108364464B (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
| CN105023437A (zh) | 一种公交od矩阵的构建方法及系统 | |
| Cheon et al. | Data-driven stochastic transit assignment modeling using an automatic fare collection system | |
| CN108122131A (zh) | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 | |
| CN106960261A (zh) | 一种基于轨道ic卡和手机信令数据的轨道交通客流预测方法 | |
| Semeida | Derivation of travel demand forecasting models for low population areas: the case of Port Said Governorate, North East Egypt | |
| Liu et al. | Destination estimation for bus passengers based on data fusion | |
| Chen et al. | Computation on bus delay at stops in Beijing through statistical analysis | |
| Fourie et al. | Using smartcard data for agent-based transport simulation | |
| Xue et al. | Prediction of urban rail transit ridership under rainfall weather conditions | |
| Wu et al. | Recognizing real-time transfer patterns between metro and bus systems based on spatial–temporal constraints | |
| Wu et al. | A novel dynamically adjusted regressor chain for taxi demand prediction | |
| Song et al. | Public transportation service evaluations utilizing seoul transportation card data | |
| CN108053646A (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
| Ku et al. | Real-time taxi demand prediction using recurrent neural network | |
| Kalvapalli et al. | Analysis and prediction of city-scale transportation system using XGBOOST technique | |
| Hung et al. | User retention tendency of bus routes based on user behavior transition in an area with low mode share of public transport | |
| CN114862001A (zh) | 一种基于区域功能增强特征的城市人群流量预测方法及系统 | |
| Yao et al. | Study on travel behavior characteristics of air passengers in an airport hinterland |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
| RJ01 | Rejection of invention patent application after publication |