CN107730893B - 一种基于乘客出行多维特征的共享巴士站点客流预测方法 - Google Patents
一种基于乘客出行多维特征的共享巴士站点客流预测方法 Download PDFInfo
- Publication number
- CN107730893B CN107730893B CN201711233503.3A CN201711233503A CN107730893B CN 107730893 B CN107730893 B CN 107730893B CN 201711233503 A CN201711233503 A CN 201711233503A CN 107730893 B CN107730893 B CN 107730893B
- Authority
- CN
- China
- Prior art keywords
- feature
- shared bus
- website
- data
- time
- 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.)
- Expired - Fee Related
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000002123 temporal effect Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于共享巴士数据的站点乘客流预测方法，首先对共享巴士数据进行预处理，然后基于共享巴士行车规律对数据进行时间划分，之后根据预测目标的特点，从时间划分后的数据中提取出预测的多维特征，包括时间特征、周次特征、位置特征、历史流量特征和时间间隔特征，随后利用上述特征对机器学习模型XGBoost进行训练，得到预测模型，最后基于预测模型，得到站点乘客流预测结果，并对预测结果进行展示和评估。本发明能够利用机器学习算法对共享巴士站点客流量进行精准地预测，特别针对于“最后一公里”问题中从居民区到其附近地铁站的细分场景，为优化共享巴士运营提供建设性意见，具有可行性强、准确率高、稳定性强的特点。
Description
技术领域
本发明涉及交通流量预测技术领域，尤其涉及一种基于乘客出行多维特征的共享巴士站点客流预测方法。
背景技术
近10年来，随着全球经济的快速发展，资源短缺问题日益严重。共享经济的出现为缓解这个问题提供了很好的解决思路。由于近年来各种网络社区的出现，基于互联网平台新的共享经济模式正在迅速发展，如Airbnb和Uber等。这也推进了共享经济在多个领域的应用推广。共享巴士、共享单车、共享汽车正是共享经济在交通领域的不同应用形式。其中，共享巴士致力于提供一种灵活实惠的公交服务。但是由于其客流波动大，不稳定，共享巴士站点客流预测成为了共享巴士发展的瓶颈。因此本发明基于共享巴士的特点，提取站点客流预测的多维特征，并提出一种基于机器学习算法的站点乘客流预测方法。作为智能城市发展的关键技术之一，交通流预测始终吸引着大量学者进行深入研究。但是在现有预测技术中，针对共享巴士运营特点的专门化的站点客流预测方法尚是空白。
发明内容
本发明的目的主要针对上述现有研究的一些不足之处，提出一种基于乘客出行多维特征的共享巴士站点客流预测方法，通过对共享巴士运营特点和乘客出行行为的分析，提取预测相关的多维特征，并基于机器学习算法对站点乘客流进行精准地预测。“最后一公里”问题是共享巴士的主要应用场景之一。特别地，这里我们针对在居民区和其附近地铁站运营的共享巴士客流进行预测。
本发明的技术方案：
一种基于乘客出行多维特征的共享巴士站点客流预测方法，步骤如下：
S1，对共享巴士数据进行预处理
S1.1，数据清洗：共享巴士数据包括订单数据和站点时间数据，数据清洗包括清除订单数据的错误记录、缺失值、噪声数据和异常值；
S1.2，数据筛选：根据预测目标，剔除现金乘客的订单记录，并提取出预测相关的字段；
S2，对步骤S1预处理得到的共享巴士数据进行时间划分；
S2.1，根据预测目标，选定研究时间范围，并筛选出研究时间范围内的订单数据；
S2.1，时间划分，根据共享巴士的行车规律，对研究时间范围进行时间划分，时间划分公式如下：
Tk＝α+(kθ，(k+1)θ)，k＝1，2，...，19
其中，Tk代表时间段，α代表起始时间，θ代表时间间隔，k代表时间序号；
S3，从步骤S2得到的时间划分后的数据中，提取出乘客出行多维特征；
S3.1，时间特征提取：时间是影响交通流量的关键因素，考虑到共享巴士的运行规律，基于时间划分结果，将时间序号作为时间特征的输入；
S3.2，周次特征提取：工作日和节假日中，共享巴士的客流变化规律有着很大的区别，为了体现流量预测中的周期性变化规律，将周一到周日映射为0到6七个数值作为周次特征的输入；
S3.3，位置特征提取：共享巴士所处不同位置的站点交通流量变化有明显的差异，将不同站点到达最终目的站点的时间作为衡量地理位置特征的参照，地理位置特征同时也在时间层面上反映站点客流变化；
S3.4，历史流量特征提取：对于流量预测而言，历史流量数据规律从本质上决定和影响着未来数据的变化趋势，对于历史流量特征，使用该站点前一天、前两天、前三天对应时间片的历史客流作为历史流量特征的输入；
S3.5，时间间隔特征提取：共享巴士的车辆数在研究时间范围内的某一时间点发生了变化，基于对各站点客流情况的分析，发现该时间点前后各站点客流规律出现明显变化，用预测目标日与该时间点的距离作为时间间隔特征的输入来衡量车辆数变化因素；
S4，利用步骤S3提取得到的多维特征对机器学习模型XGBoost进行训练，得到预测模型；
S4.1，特征处理：为过滤掉特征数据中的不稳定因素，对提取的特征进行以下处理：
S4.1.1，特征标准化：为将各个特征值处理在同一范围内，避免特征值之间差异过大影响预测效果，利用以下公式对特征进行标准化处理：
其中，x′代表标准化处理后的特征值，x代表未经处理的特征值，代表特征的平均值，S代表特征向量的标准差；
S4.1.2，离散特征处理：机器学习模型XGBoost默认其输入特征均为连续值，因此需对提取的离散特征进行处理，利用one-hot encoding编码将具有n个状态的变量转换为n维状态；
S4.1.3，多项式特征构建：多项式特征构建可扩展特征来适应特征的高维空间，不仅可增加特征数量，也可构建出在特征提取过程中忽略的特征，利用多项式函数进行数据转换，4个特征，度为2的多项式转换公式如下：
其中，x1、x2、x3、x4为原特征，x′p，p＝1，2，...，15为转换后的特征；
S4.2，机器学习模型XGBoost训练：将步骤S4.1处理过的特征输入到机器学习模型XGBoost中，并根据预测效果对机器学习模型XGBoost进行训练调参，得到共享巴士站点客流预测模型；
S5：基于步骤S4共享巴士站点客流预测模型得到站点乘客流预测结果，并对预测结果进行展示和评估；
S5.1：站点客流预测结果：基于步骤S4共享巴士站点客流预测模型得到共享巴士各个站点的预测结果；
S5.2：预测效果评估：基于S5.1得到的预测结果，利用客流预测准确率衡量指标，包括相关系数CC、均方根误差RMSE和平均绝对误差MAE，评估模型预测效果。
本发明的有益效果：本发明能够利用机器学习算法对共享巴士站点客流量进行精准地预测，特别针对于“最后一公里”问题中从居民区到其附近地铁站的细分场景，为优化共享巴士运营提供建设性意见，具有可行性强、准确率高、稳定性强的特点。
附图说明
图1为一种基于乘客出行多维特征的共享巴士站点客流预测方法流程图。
图2为6号站点客流预测数据与真实数据对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。
本发明实施例提供了一种基于乘客出行多维特征的共享巴士站点客流预测方法，流程如图1所示，该方法包括：
S1：对记录了上海市永康城共享巴士在4月1号到9月6号的订单数据进行预处理，步骤如下：
S1.1：数据清洗：共享巴士数据包括订单数据和站点时间数据，数据清洗包括清除订单数据的错误记录、缺失值、噪声数据和异常值，本方法研究上午从居民区到地铁站间运营的共享巴士站点客流预测，而在该限定条件下从地铁站(目的地站点)到永康城居民区(始发地站点)的订单记录属于异常数据，应删除；
S1.2：数据筛选：根据预测目标，剔除现金乘客的订单记录，并提取出预测相关的字段；
S2:对S1所述共享巴士数据进行时间划分，步骤如下：
S2.1：根据预测目标，选定研究时间范围为上午6:00-12:00，并筛选出研究时间范围内的订单数据；
S2.2：时间划分，根据共享巴士的行车规律，对研究时间范围进行时间划分，对于客流较为密集的时间范围，我们将10分钟作为时间段的长度，而在时间范围中刚开始的一段时间和快结束的一段时间，客流稀疏，我们将这两段作为单独的两个时间段，时间划分公式如下：
Tk＝α+(kθ，(k+1)θ)，k＝1，2，...，19
其中，Tk代表时间段，α代表起始时间，θ代表时间间隔，这里为10分钟，k代表时间序号；
S3：从S2所述时间划分后的数据提取出乘客出行多维特征，步骤如下；
S3.1：时间特征提取：时间是影响交通流量的关键因素，考虑到共享巴士的运行规律，基于时间划分结果，将时间片序号作为时间特征的输入；
S3.2：周次特征提取：工作日和节假日中，共享巴士的客流变化规律有着很大的区别，为了体现流量预测中的周期性变化规律，将周一到周日映射为0到6七个数值作为周次特征的输入；
S3.3：位置特征提取：所处不同位置的站点交通流量变化有着明显的差异，将不同站点到达最终目的站点的时间作为衡量地理位置特征的参照，该特征同时也可以在时间层面上反映站点客流变化；
S3.4：历史流量特征提取：对于流量预测而言，历史流量数据规律从本质上决定和影响着未来数据的变化趋势，对于该特征，使用该站点前一天、前两天、前三天对应时间片的历史客流作为该特征的输入；
S3.5：时间间隔特征提取：共享巴士的车辆数在研究时间范围内的某一时间点发生了变化，基于对各站点客流情况的分析，发现该时间点前后各站点客流规律出现明显变化，因此用预测目标日与该时间点的距离作为时间间隔特征的输入来衡量车辆数变化因素；
S4:利用S3所述的多维特征对机器学习模型XGBoost进行训练，得到预测模型，步骤如下；
S4.1：特征处理：为过滤掉特征数据中的不稳定因素，对提取的特征进行以下处理：
S4.1.1：特征标准化：为将各个特征值处理在同一范围内，避免特征值之间差异过大影响预测效果，利用以下公式对特征进行标准化处理：
其中，x′代表标准化处理后的特征值，x代表未经处理的特征值，代表特征的平均值，S代表特征向量的标准差；
S4.1.2：离散特征处理：机器学习模型默认其输入特征均为连续值，因此需要对提取的离散特征进行处理，利用one-hot encoding编码将具有n个状态的变量转换为n维状态，例如，对于周次特征而言，0到6这七个离散变量经过处理后变为7维变量，转换前后的数据格式如表1所示：
表1
| 周次 | 七维编码 |
| 0 | 1000000 |
| 1 | 0100000 |
| 2 | 0010000 |
| 3 | 0001000 |
| 4 | 0000100 |
| 5 | 0000010 |
| 6 | 0000001 |
S4.1.3：多项式特征构建：多项式特征构建可以扩展特征来适应特征的高维空间，不仅可以增加特征数量，也可能构建出在特征提取过程中忽略的特征，我们利用多项式函数进行数据转换，4个特征，度为2的多项式转换公式如下：
其中，x1、x2、x3、x4为原特征，x′p(p＝1，2，...，15)为转换后的特征；
S4.2：XGBoost模型训练：将S4.1处理过的特征输入到机器学习模型XGBoost中，并根据预测效果对模型进行训练调参，得到共享巴士站点客流预测模型；
S5：基于S4所述预测模型得到站点乘客流预测结果，并对预测结果进行展示和评估，步骤如下：
S5.1：站点客流预测结果：基于S4所述预测模型得到共享巴士各个站点的预测结果，其中选择了6号站点一天的预测人数和实际人数绘制对比折线图，如图2所示；
S5.2：预测效果评估：基于S5.1预测结果，利用客流预测准确率衡量指标(相关系数(Correlation Coefficient，CC)、均方根误差(Root Mean Square Error，RMSE)、平均绝对误差(Mean Absolute Error，MAE))评估模型预测效果，其中CC作为衡量预测准确率的主要参考，其值越高，表示准确率越高，而RMSE和MAE作为衡量预测稳定性的主要参考，其值越低，表示预测方法越稳定，可以看到，尽管数据不稳定性和波动性大，在某些站点的准确率达到了70％。
表2
Claims (1)
1.一种基于乘客出行多维特征的共享巴士站点客流预测方法，其特征在于，步骤如下：
S1，对共享巴士数据进行预处理
S1.1，数据清洗：共享巴士数据包括订单数据和站点时间数据，数据清洗包括清除订单数据的错误记录、缺失值、噪声数据和异常值；
S1.2，数据筛选：根据预测目标，剔除现金乘客的订单记录，并提取出预测相关的字段；
S2，对步骤S1预处理得到的共享巴士数据进行时间划分；
S2.1，根据预测目标，选定研究时间范围，并筛选出研究时间范围内的订单数据；
S2.1，时间划分，根据共享巴士的行车规律，对研究时间范围进行时间划分，时间划分公式如下：
Tk＝α+(kθ，(k+1)θ)，k＝1，2，...，19
其中，Tk代表时间段，α代表起始时间，θ代表时间间隔，k代表时间序号；
S3，从步骤S2得到的时间划分后的数据中，提取出乘客出行多维特征；
S3.1，时间特征提取：时间是影响交通流量的关键因素，考虑到共享巴士的运行规律，基于时间划分结果，将时间序号作为时间特征的输入；
S3.2，周次特征提取：工作日和节假日中，共享巴士的客流变化规律有着很大的区别，为了体现流量预测中的周期性变化规律，将周一到周日映射为0到6七个数值作为周次特征的输入；
S3.3，位置特征提取：共享巴士所处不同位置的站点交通流量变化有明显的差异，将不同站点到达最终目的站点的时间作为衡量地理位置特征的参照，地理位置特征同时也在时间层面上反映站点客流变化；
S3.4，历史流量特征提取：对于流量预测而言，历史流量数据规律从本质上决定和影响着未来数据的变化趋势，对于历史流量特征，使用该站点前一天、前两天、前三天对应时间片的历史客流作为历史流量特征的输入；
S3.5，时间间隔特征提取：共享巴士的车辆数在研究时间范围内的某一时间点发生了变化，基于对各站点客流情况的分析，发现该时间点前后各站点客流规律出现明显变化，用预测目标日与该时间点的距离作为时间间隔特征的输入来衡量车辆数变化因素；
S4，利用步骤S3提取得到的多维特征对机器学习模型XGBoost进行训练，得到预测模型；
S4.1，特征处理：为过滤掉特征数据中的不稳定因素，对提取的特征进行以下处理：
S4.1.1，特征标准化：为将各个特征值处理在同一范围内，避免特征值之间差异过大影响预测效果，利用以下公式对特征进行标准化处理：
其中，x′代表标准化处理后的特征值，x代表未经处理的特征值，代表特征的平均值，S代表特征向量的标准差；
S4.1.2，离散特征处理：机器学习模型XGBoost默认其输入特征均为连续值，因此需对提取的离散特征进行处理，利用one-hot encoding编码将具有n个状态的变量转换为n维状态；
S4.1.3，多项式特征构建：多项式特征构建可扩展特征来适应特征的高维空间，不仅可增加特征数量，也可构建出在特征提取过程中忽略的特征，利用多项式函数进行数据转换，4个特征，度为2的多项式转换公式如下：
其中，x1、x2、x3、x4为原特征，x′p，p＝1，2，...，15为转换后的特征；
S4.2，机器学习模型XGBoost训练：将步骤S4.1处理过的特征输入到机器学习模型XGBoost中，并根据预测效果对机器学习模型XGBoost进行训练调参，得到共享巴士站点客流预测模型；
S5：基于步骤S4共享巴士站点客流预测模型得到站点乘客流预测结果，并对预测结果进行展示和评估；
S5.1：站点客流预测结果：基于步骤S4共享巴士站点客流预测模型得到共享巴士各个站点的预测结果；
S5.2：预测效果评估：基于S5.1得到的预测结果，利用客流预测准确率衡量指标，包括相关系数CC、均方根误差RMSE和平均绝对误差MAE，评估模型预测效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711233503.3A CN107730893B (zh) | 2017-11-30 | 2017-11-30 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711233503.3A CN107730893B (zh) | 2017-11-30 | 2017-11-30 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107730893A CN107730893A (zh) | 2018-02-23 |
| CN107730893B true CN107730893B (zh) | 2019-08-09 |
Family
ID=61220554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711233503.3A Expired - Fee Related CN107730893B (zh) | 2017-11-30 | 2017-11-30 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107730893B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960922A (zh) * | 2018-07-09 | 2018-12-07 | 中国联合网络通信集团有限公司 | 终端的更换预测方法及装置 |
| 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 |
| CN110555989B (zh) * | 2019-08-16 | 2021-10-26 | 华南理工大学 | 一种基于Xgboost算法的交通量预测方法 |
| CN111028944A (zh) * | 2019-12-16 | 2020-04-17 | 南昌大学第二附属医院 | 一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 |
| CN111127936B (zh) * | 2019-12-25 | 2021-04-20 | 大连理工大学 | 一种共享巴士的动态车辆调度和线路规划方法 |
| CN113159364A (zh) * | 2020-12-30 | 2021-07-23 | 中国移动通信集团广东有限公司珠海分公司 | 一种大型交通场站的客流预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测系统及方法 |
| CN106297288A (zh) * | 2016-08-23 | 2017-01-04 | 同济大学 | 一种公交乘客客流数据采集与分析方法 |
| CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9785628B2 (en) * | 2011-09-29 | 2017-10-10 | Microsoft Technology Licensing, Llc | System, method and computer-readable storage device for providing cloud-based shared vocabulary/typing history for efficient social communication |
| US10417076B2 (en) * | 2014-12-01 | 2019-09-17 | Uptake Technologies, Inc. | Asset health score |
-
2017
- 2017-11-30 CN CN201711233503.3A patent/CN107730893B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105095993A (zh) * | 2015-07-22 | 2015-11-25 | 济南市市政工程设计研究院（集团）有限责任公司 | 一种轨道站点客流量预测系统及方法 |
| CN106297288A (zh) * | 2016-08-23 | 2017-01-04 | 同济大学 | 一种公交乘客客流数据采集与分析方法 |
| CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107730893A (zh) | 2018-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107730893B (zh) | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 | |
| Yu et al. | Prediction of bus travel time using random forests based on near neighbors | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN104064028B (zh) | 基于多元信息数据的公交到站时间预测方法及系统 | |
| CN102110365B (zh) | 基于时空关系的路况预测方法和系统 | |
| CN111127888A (zh) | 一种基于多源数据融合的城市交通流预测方法 | |
| CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
| CN102629418A (zh) | 基于模糊卡尔曼滤波的交通流参数预测方法 | |
| CN104134349A (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
| CN106372402A (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
| CN107845260B (zh) | 一种用户公交出行方式的识别方法 | |
| CN105512741A (zh) | 一种公交客流组合预测方法 | |
| CN112419131B (zh) | 交通起讫点需求估算方法 | |
| CN105336163A (zh) | 一种基于三层k近邻的短时交通流预测方法 | |
| CN105512447A (zh) | 一种基于Holt-Winters模型的公交客量预测方法 | |
| Chen et al. | A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways | |
| CN115440032A (zh) | 一种长短期公共交通流量预测方法 | |
| CN108734958A (zh) | 一种交通速度预测方法 | |
| CN111554118A (zh) | 一种公交车到站时间的动态预测方法及系统 | |
| CN103745602B (zh) | 一种基于滑窗平均的交通流量预测方法 | |
| CN110796315A (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
| CN113051811A (zh) | 一种基于gru网络的多模式短期交通拥堵预测方法 | |
| CN116311921A (zh) | 一种基于多空间尺度时空Transformer的交通速度预测方法 | |
| CN117076922A (zh) | 城际出行od需求量预测模型训练方法、预测方法及系统 | |
| CN114117903B (zh) | 一种基于bp神经网络的轨道交通短时客流预测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190809 |