CN107403254A - 基于交通节点客流预测的运力安排方法 - Google Patents
基于交通节点客流预测的运力安排方法 Download PDFInfo
- Publication number
- CN107403254A CN107403254A CN201710512535.0A CN201710512535A CN107403254A CN 107403254 A CN107403254 A CN 107403254A CN 201710512535 A CN201710512535 A CN 201710512535A CN 107403254 A CN107403254 A CN 107403254A
- Authority
- CN
- China
- Prior art keywords
- hour
- transport
- node
- bus
- taxi
- 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 15
- 230000000694 effects Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 12
- 230000008676 import Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000029305 taxis Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于交通节点客流预测的运力安排方法,包括:步骤1、客流分布量计算;步骤2、基于客流分布量进行运力安排。本发明的方法在客流分布计算的基础上来预测和进行运力安排,为场馆交通节点的交通节点长效型活动经验比例、长效型活动疏散预测提供科学决策支撑。
Description
技术领域
本发明涉及智能交通领域,具体而言涉及一种基于交通节点客流预测的运力安排方法。
背景技术
交通枢纽、馆场是城市交通网络的关键节点,在城市交通的日常管理中,客流量预测是不可或缺的部分。了解节点的客流量的波动特征,准确地预测枢纽客流量,有利于指导管理部门协调运力,为管理预案的设计提供基础何支持。
发明内容
本发明目的在于提供一种基于交通节点客流预测的运力安排方法,包括:
步骤1、客流分布量计算;
步骤2、基于客流分布量进行运力安排。
进一步地,客流分布量计算具体包括:
Step1获取城市重要交通节点活动TN_TRANS_NODE_EVENT的开馆时间和闭馆时间;
Step2确定开馆闭馆时间之间有多少个整的15分钟,两头都是开区间,得到的15分钟的个数就是n,n大于20向下进行计算;
Step3从开馆时间开始,前三个小时的到达规律服从正态分布,设前三个小时的到达总量占全天总量的80%,从第四个小时至闭馆前一个小时,服从均匀分布,最后一个小时到达人数忽略不计:初始化到达经验比例向量:
A0=[2,4,6,8,10,10,10,10,8,6,4,2,20/(n-22),……,20/(n-22),0,0,0,0,0,0,0,0,0,0]个数=n+6
Step4从交通节点运行数据TD_TRANS_NODE_RUN_DATA获取从开馆前一小时到计算时的汇入数据,计算总的汇入量Qk=(地铁+公交+出租+自行车+私家车)汇入;
Step5从经验比例向量中获取从开馆前一小时到计算时有多少个整15分钟就是k,计算总的比例 αi是指?
Step6预测全天客流总量Q=Qk/αk;
Step7从开馆时间开始,前三个小时的离去人数忽略不计,从第4个小时至闭馆前一个小时是离开高峰期:初始化离场经验比例向量:
A1=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,3,3,80/(n-26),……,80/(n-26),3,3,3,3]个数=n+6
Step8以全天客流总量Q乘以A1,获得疏散客流全天分布量Q15;每四个求和,获得每小时疏散客流量Q60;
Step9更新经验比例向量,方法是:
当一天的活动结束后,从交通节点运行数据TD_TRANS_NODE_RUN_DATA表中获取活动影响期的汇入客流总量、汇出客流总量,分别以每个分析时刻的汇入客流总量除以活动影响期的汇入客流总量,更新A0;以每个分析时刻的汇出客流总量除以活动影响期的汇出客流总量,更新A1,所述活动影响期为开馆前1小时和闭馆后1小时;
当活动的天数大于一天时,将A0,A1求算术平均值。
进一步地,运力安排具体包括:
Step1从交通节点周边交通设施TN_TRANS_NODE_RES表中,获取交通节点周边交通工具数据:1公交站点;2地铁站点;3公共自行车网点;4停车场;A道路;
Step2以所获取的公交站点,从公交线路站点TN_BUS_LINE_STATION表中获取经过该交通节点的公交线路ID;
Step3以所获取的公交线路ID从公交班次统计TD_BUS_SHIFT_STAT表,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nbus;A1四个值为一组,按比例来货去各个小时的班次数;
Step4以该总的班车数Nbus,乘以额定载客数β=100,及满载率α=0.5,获得公交车每个小时的承担客运量Qbus=Nbus*α*β;
Step5以所获取的地铁站点,从轨道线路站点TN_SUBWAY_LINE_STA表中获取经过该交通节点的地铁线路ID;
Step6以所获取的地铁线路ID从轨道交通运行时刻TD_SUBWAY_RUNTIME,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nsb;
Step7以该总的班车数Nsb,乘以额定载客数β=2000,及满载率α=0.5,获得地铁每个小时的承担客运量Qsb=Nsb*α*β;
Step8以所获取的公共自行车网点,从公共自行车网点信息TN_PUB_BIKE_STATION表中获取总桩位数,相加得出该交通节点内总的桩位数Nbike;
Step9以该总的桩位数Nbike,乘以转换率α=1.5,获得公共自行车每个小时的承担客运量Qbike=Nbike*α;
Step10以所获取的停车场,从停车场TN_PARK_INFO表中获取每个停车场的总泊位,相加得出该交通节点内总的停车数Ncar;
Step11以该总的停车数Ncar,乘以额定载客数β=3,获得私家车每15分钟承担客运量Qcar,15=Ncar*β*A1,每四个求和,获得每小时私家车承担客运量Qcar,60;
Step12以所获得的道路信息,从城市路段TN_ROADSEG表,获取路段长度,求和得到该交通节点范围内路段长度Lroad,以每辆出租车占用5米来计算最大车辆数Ntaxi=Lroad/5;
Step13若Ntaxi<=360*θ,则每小时最多有Ntaxi辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=Ntaxi*β;若Ntaxi>360*θ,则每小时最多有360*θ辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=360*θ*β;
Step14则每小时客运承载力Qcap=Qbus+Qsb+Qcar,60+Qbike+Qtaxi
Step15当需要疏散的客流量Q60>Qcap,则另外需要安排运力的疏导量Qew=Q60-Qcap;否则,当前运力可以满足疏散要求,不需要额外安排运力;
Step16Qew>0,全部由公交车来运载,需要车次=Qew/100;全部由大巴来运载,需要车次=Qew/45;全部由地铁来运载,需要车次=Qew/2000。
由以上技术方案,本发明的方法在客流分布计算的基础上来预测和进行运力安排,为场馆交通节点的交通节点长效型活动经验比例、长效型活动疏散预测提供科学决策支撑。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是本发明的基于交通节点客流预测的运力安排方法的流程示意图。
图2是城市重要交通节点TN_TRANS_NODE的示意图。
图3是交通节点周边交通设施TN_TRANS_NODE_RES的示意图。
图4是城市重要交通节点活动TN_TRANS_NODE_EVENT的示意图。
图5是交通节点运行数据TD_TRANS_NODE_RUN_DATA示意图。
图6是公交班次统计TD_BUS_SHIFT_STAT示意图。
图7是城市路段TN_ROADSEG的示意图。
图8是轨道交通运行时刻TD_SUBWAY_RUNTIME示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图1所示,根据本发明提出一种基于交通节点客流预测的运力安排方法,包括:
步骤1、客流分布量计算;
步骤2、基于客流分布量进行运力安排。
进一步地,客流分布量计算具体包括:
Step1获取城市重要交通节点活动TN_TRANS_NODE_EVENT的开馆时间和闭馆时间;
Step2确定开馆闭馆时间之间有多少个整的15分钟,两头都是开区间,得到的15分钟的个数就是n,n大于20向下进行计算;
Step3从开馆时间开始,前三个小时的到达规律服从正态分布,设前三个小时的到达总量占全天总量的80%,从第四个小时至闭馆前一个小时,服从均匀分布,最后一个小时到达人数忽略不计:初始化到达经验比例向量:
A0=[2,4,6,8,10,10,10,10,8,6,4,2,20/(n-22),……,20/(n-22),0,0,0,0,0,0,0,0,0,0]个数=n+6
Step4从交通节点运行数据TD_TRANS_NODE_RUN_DATA获取从开馆前一小时到计算时的汇入数据,计算总的汇入量Qk=(地铁+公交+出租+自行车+私家车)汇入;
Step5从经验比例向量中获取从开馆前一小时到计算时有多少个整15分钟就是k,计算总的比例 αi是指?
Step6预测全天客流总量Q=Qk/αk;
Step7从开馆时间开始,前三个小时的离去人数忽略不计,从第4个小时至闭馆前一个小时是离开高峰期:初始化离场经验比例向量:
A1=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,3,3,80/(n-26),……,80/(n-26),3,3,3,3]个数=n+6
Step8以全天客流总量Q乘以A1,获得疏散客流全天分布量Q15;每四个求和,获得每小时疏散客流量Q60;
Step9更新经验比例向量,方法是:
当一天的活动结束后,从交通节点运行数据TD_TRANS_NODE_RUN_DATA表中获取活动影响期的汇入客流总量、汇出客流总量,分别以每个分析时刻的汇入客流总量除以活动影响期的汇入客流总量,更新A0;以每个分析时刻的汇出客流总量除以活动影响期的汇出客流总量,更新A1,所述活动影响期为开馆前1小时和闭馆后1小时;
当活动的天数大于一天时,将A0,A1求算术平均值。
进一步地,运力安排具体包括:
Step1从交通节点周边交通设施TN_TRANS_NODE_RES表中,获取交通节点周边交通工具数据:1公交站点;2地铁站点;3公共自行车网点;4停车场;A道路;
Step2以所获取的公交站点,从公交线路站点TN_BUS_LINE_STATION表中获取经过该交通节点的公交线路ID;
Step3以所获取的公交线路ID从公交班次统计TD_BUS_SHIFT_STAT表,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nbus;A1四个值为一组,按比例来货去各个小时的班次数;
Step4以该总的班车数Nbus,乘以额定载客数β=100,及满载率α=0.5,获得公交车每个小时的承担客运量Qbus=Nbus*α*β;
Step5以所获取的地铁站点,从轨道线路站点TN_SUBWAY_LINE_STA表中获取经过该交通节点的地铁线路ID;
Step6以所获取的地铁线路ID从轨道交通运行时刻TD_SUBWAY_RUNTIME,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nsb;
Step7以该总的班车数Nsb,乘以额定载客数β=2000,及满载率α=0.5,获得地铁每个小时的承担客运量Qsb=Nsb*α*β;
Step8以所获取的公共自行车网点,从公共自行车网点信息TN_PUB_BIKE_STATION表中获取总桩位数,相加得出该交通节点内总的桩位数Nbike;
Step9以该总的桩位数Nbike,乘以转换率α=1.5,获得公共自行车每个小时的承担客运量Qbike=Nbike*α;
Step10以所获取的停车场,从停车场TN_PARK_INFO表中获取每个停车场的总泊位,相加得出该交通节点内总的停车数Ncar;
Step11以该总的停车数Ncar,乘以额定载客数β=3,获得私家车每15分钟承担客运量Qcar,15=Ncar*β*A1,每四个求和,获得每小时私家车承担客运量Qcar,60;
Step12以所获得的道路信息,从城市路段TN_ROADSEG表,获取路段长度,求和得到该交通节点范围内路段长度Lroad,以每辆出租车占用5米来计算最大车辆数Ntaxi=Lroad/5;
Step13若Ntaxi<=360*θ,则每小时最多有Ntaxi辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=Ntaxi*β;若Ntaxi>360*θ,则每小时最多有360*θ辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=360*θ*β;
Step14则每小时客运承载力Qcap=Qbus+Qsb+Qcar,60+Qbike+Qtaxi
Step15当需要疏散的客流量Q60>Qcap,则另外需要安排运力的疏导量Qew=Q60-Qcah;否则,当前运力可以满足疏散要求,不需要额外安排运力;
Step16Qew>0,全部由公交车来运载,需要车次=Qew/100;全部由大巴来运载,需要车次=Qew/45;全部由地铁来运载,需要车次=Qew/2000。
本发明的上述实施例中,所使用的数据作为处理的来源和依据,包括:
城市重要交通节点TN_TRANS_NODE,如图2;
交通节点周边交通设施TN_TRANS_NODE_RES,如图3.其中设施类型:
1公交站点;2地铁站点;3公共自行车网点;4停车场;
A道路;B流量采集设备
城市重要交通节点活动TN_TRANS_NODE_EVENT,如图4;
交通节点运行数据TD_TRANS_NODE_RUN_DATA,如图5;
公交班次统计TD_BUS_SHIFT_STAT,如图6;
城市路段TN_ROADSEG,如图7
轨道交通运行时刻TD_SUBWAY_RUNTIME,如图8
经过上述客流预测和运力计算,得到的数据可以使用下述形式和格式输出:
Name | Code | DataType |
节点活动标识 | NODE_EVENT_ID | NUMBER(9) |
交通节点标识 | TRANS_NODE_ID | NUMBER(9) |
分析时间 | HOLIDAY_DATE | DATE,个数=开馆时间/15min |
数据类型 | DATA_TYPE | char(1):1-客流2-车流 |
流向 | DIRECTION | char(1):1-汇入2-汇出 |
经验比例 | RATE | NUMBER(4,2) |
生成时间 | CREATE_DATE | DATE |
存储位置:Oracle交通节点长效型活动经验比例TD_TRANS_NODE_LONG_TERM_RATE.
Name | Code | DataType |
节点活动标识 | NODE_EVENT_ID | NUMBER(9) |
预测批次 | FORECAST_SN | NUMBER(9) |
交通节点标识 | TRANS_NODE_ID | NUMBER(9) |
分析时间 | HOLIDAY_DATE | DATE,60min一个 |
疏散客流量 | VOLUME | NUMBER(9) |
公交车运力 | BUS_CAP | NUMBER(9) |
地铁运力 | SUBWAY_CAP | NUMBER(9) |
自行车运力 | BIKE_CAP | NUMBER(9) |
出租车运力 | TAXI_CAP | NUMBER(9) |
私家车运力 | CAR_CAP | NUMBER(9) |
剩余疏散量 | REST_VOLUME | NUMBER(9) |
生成时间 | CREATE_DATE | DATE |
存储位置:Oracle交通节点长效型活动疏散预测
TD_TRANS_NODE_LONG_TERM_FORECA.
Name | Code | DataType |
节点活动标识 | NODE_EVENT_ID | NUMBER(9) |
预测批次 | FORECAST_SN | NUMBER(9) |
交通节点标识 | TRANS_NODE_ID | NUMBER(9) |
分析时间 | HOLIDAY_DATE | DATE,60min一个 |
剩余疏散量 | REST_VOLUME | NUMBER(9) |
公交车辆次 | BUS_NUM | NUMBER(5) |
大巴车辆次 | M_BUS_NUM | NUMBER(5) |
地铁辆次 | SUBWAY_NUM | NUMBER(3) |
生成时间 | CREATE_DATE | DATE |
存储位置:Oracle交通节点长效型活动运力建议
TD_TRANS_NODE_LONG_TERM_TRCAP.
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (3)
1.一种基于交通节点客流预测的运力安排方法,其特征在于,包括:
步骤1、客流分布量计算;
步骤2、基于客流分布量进行运力安排。
2.根据权利要求1所述的基于交通节点客流预测的运力安排方法,其特征在于,步骤1的客流分布量计算具体包括:
Step1获取城市重要交通节点活动TN_TRANS_NODE_EVENT的开馆时间和闭馆时间;
Step2确定开馆闭馆时间之间有多少个整的15分钟,两头都是开区间,得到的15分钟的个数就是n,n大于20向下进行计算;
Step3从开馆时间开始,前三个小时的到达规律服从正态分布,设前三个小时的到达总量占全天总量的80%,从第四个小时至闭馆前一个小时,服从均匀分布,最后一个小时到达人数忽略不计:初始化到达经验比例向量:
A0=[2,4,6,8,10,10,10,10,8,6,4,2,20/(n-22),……,20/(n-22),0,0,0,0,0,0,0,0,0,0]
个数=n+6
Step4从交通节点运行数据TD_TRANS_NODE_RUN_DATA获取从开馆前一小时到计算时的汇入数据,计算总的汇入量Qk=(地铁+公交+出租+自行车+私家车)汇入;
Step5从经验比例向量中获取从开馆前一小时到计算时有多少个整15分钟就是k,计算总的比例 αi是指?
Step6预测全天客流总量Q=Qk/αk;
Step7从开馆时间开始,前三个小时的离去人数忽略不计,从第4个小时至闭馆前一个小时是离开高峰期:初始化离场经验比例向量:
A1=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,3,3,80/(n-26),……,80/(n-26),3,3,3,3]个数=n+6
Step8以全天客流总量Q乘以A1,获得疏散客流全天分布量Q15;每四个求和,获得每小时疏散客流量Q60;
Step9更新经验比例向量,方法是:
当一天的活动结束后,从交通节点运行数据TD_TRANS_NODE_RUN_DATA表中获取活动影响期的汇入客流总量、汇出客流总量,分别以每个分析时刻的汇入客流总量除以活动影响期的汇入客流总量,更新A0;以每个分析时刻的汇出客流总量除以活动影响期的汇出客流总量,更新A1,所述活动影响期为开馆前1小时和闭馆后1小时;
当活动的天数大于一天时,将A0,A1求算术平均值。
3.根据权利要求2所述的基于交通节点客流预测的运力安排方法,其特征在于,所述步骤2的运力安排具体包括:
Step1从交通节点周边交通设施TN_TRANS_NODE_RES表中,获取交通节点周边交通工具数据:1公交站点;2地铁站点;3公共自行车网点;4停车场;A道路;
Step2以所获取的公交站点,从公交线路站点TN_BUS_LINE_STATION表中获取经过该交通节点的公交线路ID;
Step3以所获取的公交线路ID从公交班次统计TD_BUS_SHIFT_STAT表,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nbus;A1四个值为一组,按比例来货去各个小时的班次数;
Step4以该总的班车数Nbus,乘以额定载客数β=100,及满载率α=0.5,获得公交车每个小时的承担客运量Qbus=Nbus*α*β;
Step5以所获取的地铁站点,从轨道线路站点TN_SUBWAY_LINE_STA表中获取经过该交通节点的地铁线路ID;
Step6以所获取的地铁线路ID从轨道交通运行时刻TD_SUBWAY_RUNTIME,获取每个小时的班次数,相加得出该交通节点每个小时内能够经过的班次数Nsb;
Step7以该总的班车数Nsb,乘以额定载客数β=2000,及满载率α=0.5,获得地铁每个小时的承担客运量Qsb=Nsb*α*β;
Step8以所获取的公共自行车网点,从公共自行车网点信息TN_PUB_BIKE_STATION表中获取总桩位数,相加得出该交通节点内总的桩位数Nbike;
Step9以该总的桩位数Nbike,乘以转换率α=1.5,获得公共自行车每个小时的承担客运量Qbike=Nbike*α;
Step10以所获取的停车场,从停车场TN_PARK_INFO表中获取每个停车场的总泊位,相加得出该交通节点内总的停车数Ncar;
Step11以该总的停车数Ncar,乘以额定载客数β=3,获得私家车每15分钟承担客运量Qcar,15=Ncar*β*A1,每四个求和,获得每小时私家车承担客运量Qcar,60;
Step12以所获得的道路信息,从城市路段TN_ROADSEG表,获取路段长度,求和得到该交通节点范围内路段长度Lroad,以每辆出租车占用5米来计算最大车辆数Ntaxi=Lroad/5;
Step13若Ntaxi<=360*θ,则每小时最多有Ntaxi辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=Ntaxi*β;若Ntaxi>360*θ,则每小时最多有360*θ辆出租车可以被利用,乘以额定载客数β=3,则出租车承担的客运量Qtaxi=360*θ*β;
Step14则每小时客运承载力Qcap=Qbus+Qsb+Qcar,60+Qbike+Qtaxi
Step15当需要疏散的客流量Q60>Qcap,则另外需要安排运力的疏导量Qew=Q60-Qcap;否则,当前运力可以满足疏散要求,不需要额外安排运力;
Step16Qew>0,全部由公交车来运载,需要车次=Qew/100;全部由大巴来运载,需要车次=Qew/45;全部由地铁来运载,需要车次=Qew/2000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512535.0A CN107403254B (zh) | 2017-06-29 | 2017-06-29 | 基于交通节点客流预测的运力安排方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710512535.0A CN107403254B (zh) | 2017-06-29 | 2017-06-29 | 基于交通节点客流预测的运力安排方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403254A true CN107403254A (zh) | 2017-11-28 |
CN107403254B CN107403254B (zh) | 2022-03-22 |
Family
ID=60405186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710512535.0A Active CN107403254B (zh) | 2017-06-29 | 2017-06-29 | 基于交通节点客流预测的运力安排方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403254B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872536A (zh) * | 2019-04-10 | 2019-06-11 | 义乌市腾飞汽车代驾服务有限公司 | 一种客流引导系统及其控制方法 |
CN111553530A (zh) * | 2020-04-27 | 2020-08-18 | 华侨大学 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350113A (zh) * | 2008-09-04 | 2009-01-21 | 上海交通大学 | 基于客流预测和自适应仿真的拥挤预警系统 |
CN102169606A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 一种城市轨道交通网络大客流影响的预测方法 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN104376716A (zh) * | 2014-11-28 | 2015-02-25 | 南通大学 | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 |
-
2017
- 2017-06-29 CN CN201710512535.0A patent/CN107403254B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350113A (zh) * | 2008-09-04 | 2009-01-21 | 上海交通大学 | 基于客流预测和自适应仿真的拥挤预警系统 |
CN102169606A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 一种城市轨道交通网络大客流影响的预测方法 |
CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
CN104376716A (zh) * | 2014-11-28 | 2015-02-25 | 南通大学 | 一种基于贝叶斯网络模型的公交时刻表动态生成方法 |
Non-Patent Citations (1)
Title |
---|
郭闯: "大型活动公交系统优化调度研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872536A (zh) * | 2019-04-10 | 2019-06-11 | 义乌市腾飞汽车代驾服务有限公司 | 一种客流引导系统及其控制方法 |
CN111553530A (zh) * | 2020-04-27 | 2020-08-18 | 华侨大学 | 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 |
CN111553530B (zh) * | 2020-04-27 | 2022-08-02 | 华侨大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN107403254B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103985247B (zh) | 基于城市叫车需求分布密度的出租车运力调度系统 | |
CN102722767B (zh) | 电动汽车充换电站布点规划系统及方法 | |
CN105279955B (zh) | 一种拼车方法及设备 | |
CN106530180A (zh) | 一种高寒地区充电服务网络规划方法 | |
CN105225472A (zh) | 一种拼车方法与设备 | |
CN106965688A (zh) | 一种电网和交通网协同环境下的电动汽车充电方法 | |
CN110751366A (zh) | 一种干线铁路与城市轨道交通运能匹配度计算方法 | |
Wagale et al. | Real-time optimal bus scheduling for a city using a DTR model | |
CN102394011A (zh) | 公交车自动化动态调度系统及方法 | |
CN111882098A (zh) | 一种基于整体协同的铁路站点客流及接驳方式预测方法 | |
CN107403254A (zh) | 基于交通节点客流预测的运力安排方法 | |
CN107451690A (zh) | 一种智能路线规划系统 | |
CN105513356A (zh) | 一种基于轨迹追踪的od矩阵估计方法与系统 | |
CN107220423A (zh) | 一种综合客运枢纽站前广场联运设施规模计算方法 | |
CN107516140A (zh) | 交通节点节假日客流预测方法 | |
Shah et al. | Assessment of Ahmedabad (India) and Shanghai (China) on smart city parameters applying the Boyd Cohen smart city wheel | |
CN115759639A (zh) | 基于小样本增量学习的非租还高发期共享单车调度方法 | |
CN107399344A (zh) | 轨道交通调度信息获取方法、车辆调度方法和系统 | |
Horák et al. | Large scale monitoring of public transport accessibility in the Czech Republic | |
CN114971136A (zh) | 一种公交及巡游小巴调度方法 | |
CN105528890A (zh) | 一种适用于大型交通枢纽处的出租车拼车方法 | |
Nicolaides et al. | An autonomous taxi service for sustainable urban transportation | |
CN102593901A (zh) | 电动汽车充电设施负荷预测系统及预测方法 | |
Jara-Díaz et al. | Modeling public transport corridors with aggregate and disaggregate demand | |
Alwesabi et al. | Energy demand estimation of electric buses considering dynamic wireless charging technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210012 room 627, Ning Shuang Road, Yuhuatai District, Nanjing, Jiangsu, 627 Applicant after: Ho whale cloud computing Polytron Technologies Inc Address before: 210012 No. 68 Bauhinia Road, Yuhuatai District, Jiangsu, Nanjing Applicant before: ZTEsoft Technology Co., Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |