CN107248280A - 一种基于实时客流预测的公交车发车调度方法 - Google Patents
一种基于实时客流预测的公交车发车调度方法 Download PDFInfo
- Publication number
- CN107248280A CN107248280A CN201710664956.5A CN201710664956A CN107248280A CN 107248280 A CN107248280 A CN 107248280A CN 201710664956 A CN201710664956 A CN 201710664956A CN 107248280 A CN107248280 A CN 107248280A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- mrow
- website
- train number
- car
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G06Q50/40—
Abstract
本发明公开了一种基于实时客流预测的公交车发车调度方法,具体如下,步骤1,任意选取一条公交线路,采集该公交线路上各公交停靠站点在车辆运营时间范围内的上下车人数;步骤2,依次选取该公交线路上下行各站点中的每一停靠站点,统计出经过此站点的各车次客流增量频度、相邻车次客流增量的频度以及上一个经过此站点的车次产生的客流增量,构建站点客流预测分析模型;步骤3,选取概率最大的相邻车次的客流增量;步骤4,建立线路客流的预测分析模型;步骤5,建立线路实时客流与调度发车的关系模型;步骤6,根据线路实时客流与调度发车的关系模型进行调度发车。
Description
技术领域
本发明属于公交车智能调度领域,尤其涉及一种基于实时客流预测的公交车发车调度方法。
背景技术
公交客流对于智能交通系统意义重大,通过精确的量化数据,可以了解到每个时间段、每路公交车、每个车站等的人流量,利用这些数据,发挥调度系统优势,让公共资源得到更充分的利用。公交运营管理者可通过这些准确的统计数据,为公共交通的运营管理、客流规划、调度、技术支撑提供切实可行的科学解决方案。
近几年来,虽然有学者致力研究公交客流与公交车辆调度系统的关系,并建立了一些统计分析模型,但大都是对历史客流数据的统计分析,例如研究历史客流信息与线路优化、线路配车数、行车计划优化之间的关系。
目前的统计分析模型及算法存在以下缺陷:(1)没有建立有效的公交车实时客流的预测模型,现有客流分析模型建立在历史客流信息统计的基础上,主要作用是统计分析而非预测,并未提出公交车实时客流预测方法。(2)没有建立公交实时客流与公交线路上车辆实时发车的关系模型,导致无法通过实时客流调度公交车辆发车。
发明内容
本发明所要解决的技术问题是针对背景技术的不足提供了一种基于实时客流预测的公交车发车调度方法,其通过分析公交车辆在运营线路上各个站点的上下人数信息,建立一套实时客流的预测模型,并通过论证,建立实时客流与调度发车的数学模型。
本发明为解决上述技术问题采用以下技术方案
一种基于实时客流预测的公交车发车调度方法,具体包含如下步骤;
步骤1,任意选取一条公交线路,通过客流采集设备采集该公交线路上各公交停靠站点在车辆运营时间范围内的上下车人数,存入客流信息库;
步骤2,依次选取该公交线路上下行各站点中的每一停靠站点,根据当前日期类型及峰段,从客流信息库中统计出经过此站点的各车次客流增量频度、相邻车次客流增量的频度以及上一个经过此站点的车次产生的客流增量,构建站点客流预测分析模型;
步骤3,根据线路中最近已发车辆所到达站点的客流增量值,根据步骤2中的站点客流预测分析模型,选取概率最大的相邻车次的客流增量,作为线路中下一个车次经过此站点的客流增量预测值;
步骤4,根据线路中最近已发车辆已过站点的客流增量总和,结合未过站点的客流增量的预测值,建立线路客流的预测分析模型;
步骤5,建立线路实时客流与调度发车的关系模型;
步骤6,根据步骤5获取的线路实时客流与调度发车的关系模型进行公交车调度发车。
作为本发明一种基于实时客流预测的公交车发车调度方法的进一步优选方案,在步骤2中,经过此站点的客流增量模型具体如下:
步骤2.1,假设线路上某一时间段范围内共发m个车次,这m个车次将陆续经过线路中的每一个站点;
步骤2.2,选取第n站,该线路上第一个经过此站点的车次产生的客流增量,记为Wi,第m个车次产生的客流增量就是Wm;
车次Vi经过第x个站点时,在此站点产生的客流增量的预测模型:
其中Si-1表示上一个车次Vi-1经过第x个站点时采集到的客流增量。
作为本发明一种基于实时客流预测的公交车发车调度方法的进一步优选方案,在步骤4中,线路客流的预测分析模型具体如下:
其中,为已过站点的客流增量之和,为未过站点的预测客流增量之和。
作为本发明一种基于实时客流预测的公交车发车调度方法的进一步优选方案,在步骤5中,假设第Vi个车次对应的公交车可容纳的乘客人数为Ri,定义一个系数λ表示拥挤程度,根据在t时刻车次Vi的总客流量的公式,推导出当车次Vi将行驶到第几站时,第Vi个车次对应的公交车将产生拥挤,即算出公式中的n,将下一个车次的计划发车时间标记为ti+1,允许提前或推迟的时间间隔标记为a,那么下一个车次Vi+1的发车时间在区间[ti+1-ti-a,ti+1-ti+a]范围内,线路实时客流与调度发车的关系模型具体表示如下,
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明建立了站点客流及线路客流的预测模型,提供了有效的公交站点客流预测方法,为公交实时热点站点分析及调度发车提供了重要数据支撑;
2、本发明建立了线路客流预测与调度发车的关系模型,从理论上论证了实时公交客流与调度发车之间的关系,建立了基于客流变化的发车调度方法。在预测客流量较大的情况下,及时缩短发车间隔,控制车上拥挤程度,保障了乘客的乘车舒适度;在预测客流量较小的情况下,适当延长发车间隔、提高公交车载客率,增强了公交公司调度发车的智能化成程度;
3、本发明综合运用马尔可夫链、微积分、条件概率、大数定理等数学工具,进行严密推导,算法严谨,可用性较强。
附图说明
图1是某一站点不同时刻客流增量模型;
图2是线路客流增量预测模型;
图3是客流与调度关系模型;
图4是基于客流预测的调度发车实施流程。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图4所示,一种基于实时客流预测的公交车发车调度方法,具体包含如下步骤;
步骤1,任意选取一条公交线路,通过客流采集设备采集该公交线路上各公交停靠站点在车辆运营时间范围内的上下车人数,存入客流信息库;
步骤2,依次选取该公交线路上下行各站点中的每一停靠站点,根据当前日期类型及峰段,从客流信息库中统计出经过此站点的各车次客流增量频度、相邻车次客流增量的频度以及上一个经过此站点的车次产生的客流增量,构建站点客流预测分析模型;
步骤3,依次选取该公交线路上的各个站点,读取客流信息库数据,进行站点预测客流增量的计算,直至线路中的所有站点都计算完;
步骤4,建立线路客流的预测分析模型;
步骤5,建立线路实时客流与调度发车的关系模型。
步骤6,根据步骤5获取的线路实时客流与调度发车的关系模型进行调度发车。
具体实施过程如下:
(1)选择公交线路上某一站点,建立不同时刻经过此站点的客流增量模型。
如图1所示,假设线路上某一时间段范围内共发m个车次,这m个车次将陆续经过线路中的每一个站点。选取第n站,该线路上第一个经过此站点的车次产生的客流增量(即上车人数减下车人数)记为W1,第m个车次产生的客流增量就是Wm。这m个客流增量构成了一个有向图。
(2)建立站点客流预测的分析模型。
指定一个日期类型,比如在工作日或周末,某一峰段的公交线路车次经过某站点的客流总量会比较接近,例如在早高峰,公交线路中有若干车次经过某站点,产生的客流增量分别是W1、W1,。。。,Wm,这些客流增量之和比较接近。通过建立W1至Wm之间的概率模型,可研究W1至Wm各个数据节点之间的相互关系。
假设S是某一时间段的公交线路车次经过某站点时客流增量的序列,由一连串特定顺序排列的客流增量W1,W2,。。。,Wm组成,即S=W1,W2,。。。,Wm,则
P(S)=P(W1,W2,。。。,Wm)
利用条件概率的公式,S这个序列出现的概率等于每一个站点车次客流增量出现的条件概率相乘,于是P(W1,W2,。。。,Wm)可展开为:
P(W1,W2...,Wm)=P(W1).P(W2|W1).P(W3|W1,W2)...P(Wn|W1,W2,...,Wm-1)
其中,P(W1)表示站点第一个车次客流增量出现的概率;P(W2|W1)是在已知第一个车次客流增量的前提下,第二个车次客流增量出现的概率;依此类推。
从计算上,线路站点第一个车次客流增量的条件概率P(W1)很容易算,第二个车次客流增量的条件概率P(W2|W1)还不算太麻烦,第三个及后续车次客流增量的条件概率就越来越难算了。
俄国数学家马尔可夫经过反复试验论证,在20世纪初提出了“马上可夫假设”,即“对于一个系统,由一个状态转至另一个状态的转换过程中,存在着转移概率,并且这种转移概率可以依据其紧接的前一种状态推算出来,与该系统的原始状态和此次转移前的过程无关”。现在,S出现的概率就变得简单了:
P(S)=P(W1).P(W2|W1).P(W3|W2)...P(Wi|Wi-1)...P(Wm|Wm-1)
接下来的问题就是如何估算条件概率P(Wi|Wi-1),根据它的定义:
P(Wi|Wi-1)出现的概率就等于P(Wi-1,Wi)出现的联合概率除以边缘概率P(Wi-1)。在客流信息库中,指定的时间范围内,统计下线路站点中,相邻车次的客流增量Wi-1,Wi出现的次数,标记为#(Wi-1,Wi),站点客流增量Wi-1本身在客流信息库中出现的次数,标记为#(Wi-1),用这两个数分别除以客流信息库的大小#,即可得到这两个数的相对频度:
根据大数定理,只要统计量足够,相对频度就等于概率,即
而P(Wi|Wi-1)就是这两个数的比值,因此
对线路中的各个站点,通过读取客流信息库数据进行上述计算,可算出各个站点客流增量序列的集合,作为此站点客流增量预测的依据。线路中的下一个车次Vi+1经过这些站点的客流增量就可以从上述站点客流增量序列集合中匹配。选取概率最大的相邻车次的客流增量,作为线路中下一个车次经过此站点的客流增量预测值
如果选取的时间段较长,可以将站点客流增量序列集合进行拆分,解决下一个车次Vi+1预测经过这些站点的客流增量时,无法从序列中匹配的问题,
由此可以推导出车次Vi经过第x个站点时,在此站点产生的客流增量的预测模型:
其中Si-1表示上一个车次Vi-1经过第x个站点时采集到的客流增量。
(3)建立线路客流预测分析模型。
在线路车次的实际运营过程中,需预测的客流增量的站点是动态变化的,在某一时刻,线路中的第i个车次Vi已经过了t站,随着车次Vi的行进,已过站点的客流增量会变化,需预测客流增量的未过站点数n也会变化。
如图2所示,已过站点的客流增量与未过站点的客流增量是两个不同的曲边梯形,分别对两个曲边梯形积分求面积,可得出线路上车次Vi在发车后累积到t时刻的总客流量。当下客客流大于上客客流时,客流增量就是负数,需减去第四象限的曲边梯形面积。
已过站点的客流增量之和记为未过站点的客流增量之和为车次Vi总客流量为
(4)建立线路实时客流与调度发车的关系模型。
如图3所示,各种车型的公交车可容纳的乘客人数不同,假设第Vi个车次对应的公交车可容纳的乘客人数为Ri,定义一个系数λ表示拥挤程度。根据上述在t时刻车次Vi的总客流量的公式,就可以推导出当车次Vi将行驶到第几站时,第Vi个车次对应的公交车将产生拥挤,即算出公式中的n。
在公交车辆的实际运营调度过程中,对发车间隔是有限制的,发车间隔太大或太小都容易造成当前车次或后续车次的大间隔。将当前车次的发车时间标记为ti,下一个车次的计划发车时间标记为ti+1,允许提前或推迟的时间间隔标记为a,那么下一个车次Vi+1的发车时间在区间[ti+1-ti-a,ti+1-ti+a]范围内。
在以下不等式成立时,可调度下一车次Vi+1发车。
综上所述,本发明建立了站点客流及线路客流的预测模型,提供了有效的公交客流预测方法;本发明建立了线路客流预测与调度发车的关系模型,从理论上论证了实时公交客流与调度发车之间的关系,建立了基于客流变化的发车调度方法;本发明综合运用马尔可夫链、微积分、条件概率、大数定理等数学工具,进行严密推导,算法严谨,可用性较强。
Claims (4)
1.一种基于实时客流预测的公交车发车调度方法,其特征在于:具体包含如下步骤;
步骤1,任意选取一条公交线路,通过客流采集设备采集该公交线路上各公交停靠站点在车辆运营时间范围内的上下车人数,存入客流信息库;
步骤2,依次选取该公交线路上下行各站点中的每一停靠站点,根据当前日期类型及峰段,从客流信息库中统计出经过此站点的各车次客流增量频度、相邻车次客流增量的频度以及上一个经过此站点的车次产生的客流增量,构建站点客流预测分析模型;
步骤3,根据线路中最近已发车辆所到达站点的客流增量值,根据步骤2中的站点客流预测分析模型,选取概率最大的相邻车次的客流增量,作为线路中下一个车次经过此站点的客流增量预测值;
步骤4,根据线路中最近已发车辆已过站点的客流增量总和,结合未过站点的客流增量的预测值,建立线路客流的预测分析模型;
步骤5,建立线路实时客流与调度发车的关系模型;
步骤6,根据步骤5获取的线路实时客流与调度发车的关系模型进行公交车调度发车。
2.根据权利要求1所述的一种基于实时客流预测的公交车发车调度方法,其特征在于:在步骤2中,经过此站点的客流增量模型具体如下:
步骤2.1,假设线路上某一时间段范围内共发m个车次,这m个车次将陆续经过线路中的每一个站点;
步骤2.2,选取第n站,该线路上第一个经过此站点的车次产生的客流增量,记为Wi,第m个车次产生的客流增量就是Wm;
车次Vi经过第x个站点时,在此站点产生的客流增量的预测模型:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mfrac>
<mrow>
<mo>#</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>W</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>#</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>W</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中Si-1表示上一个车次Vi-1经过第x个站点时采集到的客流增量。
3.根据权利要求1所述的一种基于实时客流预测的公交车发车调度方法,其特征在于:在步骤4中,线路客流的预测分析模型具体如下:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>+</mo>
<munderover>
<mo>&Integral;</mo>
<mi>t</mi>
<mi>n</mi>
</munderover>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
其中,为已过站点的客流增量之和,为未过站点的预测客流增量之和。
4.根据权利要求1所述的一种基于实时客流预测的公交车发车调度方法,其特征在于:在步骤5中,假设第Vi个车次对应的公交车可容纳的乘客人数为Ri,定义一个系数λ表示拥挤程度,根据在t时刻车次Vi的总客流量的公式,推导出当车次Vi将行驶到第几站时,第Vi个车次对应的公交车将产生拥挤,即算出公式中的n,将下一个车次的计划发车时间标记为ti+1,允许提前或推迟的时间间隔标记为a,那么下一个车次Vi+1的发车时间在区间[ti+1-ti-a,ti+1-ti+a]范围内,线路实时客流与调度发车的关系模型具体表示如下,
<mrow>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>t</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mo>+</mo>
<munderover>
<mo>&Integral;</mo>
<mi>t</mi>
<mi>n</mi>
</munderover>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mo>></mo>
<msub>
<mi>&lambda;R</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>a</mi>
<mo>,</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mo>&rsqb;</mo>
<mo>.</mo>
</mrow>
1
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664956.5A CN107248280B (zh) | 2017-08-07 | 2017-08-07 | 一种基于实时客流预测的公交车发车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710664956.5A CN107248280B (zh) | 2017-08-07 | 2017-08-07 | 一种基于实时客流预测的公交车发车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248280A true CN107248280A (zh) | 2017-10-13 |
CN107248280B CN107248280B (zh) | 2019-11-12 |
Family
ID=60012485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710664956.5A Active CN107248280B (zh) | 2017-08-07 | 2017-08-07 | 一种基于实时客流预测的公交车发车调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248280B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818411A (zh) * | 2017-10-24 | 2018-03-20 | 东南大学 | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
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 |
CN109816183A (zh) * | 2019-03-28 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种精准公交客流大数据的优化方法及装置 |
CN112749862A (zh) * | 2019-10-31 | 2021-05-04 | 株洲中车时代电气股份有限公司 | 基于客流分级的地铁自适应调度方法和电子设备 |
CN112907936A (zh) * | 2021-02-01 | 2021-06-04 | 华录智达科技股份有限公司 | 一种智能公共交通基于客流的调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
CN104157132A (zh) * | 2014-08-18 | 2014-11-19 | 东南大学 | 一种自适应式公交发车时刻表的动态优化方法 |
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN106504516A (zh) * | 2016-10-24 | 2017-03-15 | 东南大学 | 一种基于公交站点信息化的多形式公交动态调度方法 |
-
2017
- 2017-08-07 CN CN201710664956.5A patent/CN107248280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100299177A1 (en) * | 2009-05-22 | 2010-11-25 | Disney Enterprises, Inc. | Dynamic bus dispatching and labor assignment system |
CN104217250A (zh) * | 2014-08-07 | 2014-12-17 | 北京市交通信息中心 | 一种基于历史数据的城市轨道交通新线开通客流预测方法 |
CN104157132A (zh) * | 2014-08-18 | 2014-11-19 | 东南大学 | 一种自适应式公交发车时刻表的动态优化方法 |
CN104573849A (zh) * | 2014-12-12 | 2015-04-29 | 安徽富煌和利时科技股份有限公司 | 基于arima模型预测客流的公交调度优化方法 |
CN106504516A (zh) * | 2016-10-24 | 2017-03-15 | 东南大学 | 一种基于公交站点信息化的多形式公交动态调度方法 |
Non-Patent Citations (1)
Title |
---|
王江卫 等: "考虑分时客流量分布的公交车节能调度", 《计算机仿真》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818411A (zh) * | 2017-10-24 | 2018-03-20 | 东南大学 | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 |
CN107818411B (zh) * | 2017-10-24 | 2021-08-10 | 东南大学 | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
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 |
CN109816183A (zh) * | 2019-03-28 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种精准公交客流大数据的优化方法及装置 |
CN112749862A (zh) * | 2019-10-31 | 2021-05-04 | 株洲中车时代电气股份有限公司 | 基于客流分级的地铁自适应调度方法和电子设备 |
CN112907936A (zh) * | 2021-02-01 | 2021-06-04 | 华录智达科技股份有限公司 | 一种智能公共交通基于客流的调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107248280B (zh) | 2019-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107248280A (zh) | 一种基于实时客流预测的公交车发车调度方法 | |
EP4030365A1 (en) | Multi-mode multi-service rail transit analog simulation method and system | |
Amirgholy et al. | Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach | |
CN104217605B (zh) | 一种公交车到站时间测算方法和装置 | |
Christofa et al. | Person-based traffic responsive signal control optimization | |
CN102044149B (zh) | 一种基于时变客流的城市公交运营协调方法与装置 | |
Mazloumi et al. | An integrated framework to predict bus travel time and its variability using traffic flow data | |
Treethidtaphat et al. | Bus arrival time prediction at any distance of bus route using deep neural network model | |
CN105096643B (zh) | 基于多线路前车运行数据的实时公交到站时间预测方法 | |
CN109033718B (zh) | 一种城市轨道交通线路失效的动态应急疏散方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN101436347A (zh) | 一种快速路行程时间预测方法 | |
CN102436751A (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN107545730A (zh) | 一种基于公交ic卡数据的站点上下车乘客数估计方法 | |
CN112149919A (zh) | 公交运营线路评测方法、装置、设备及存储介质 | |
CN114328675A (zh) | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 | |
Kieu et al. | Empirical modelling of the relationship between bus and car speeds on signalised urban networks | |
CN106327867A (zh) | 一种基于gps数据的公交准点预测方法 | |
Liu et al. | Prediction algorithms for train arrival time in urban rail transit | |
CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
Yu et al. | An adaptive bus arrival time prediction model | |
Zhou et al. | Location of transit-oriented development stations based on multimodal network equilibrium: Bi-level programming and paradoxes | |
CN115083198B (zh) | 一种多车运力资源调度方法及装置 |
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 |