CN107844856A - 基于车载GPS和站点WiFi的公交车客流预测方法 - Google Patents
基于车载GPS和站点WiFi的公交车客流预测方法 Download PDFInfo
- Publication number
- CN107844856A CN107844856A CN201710997610.7A CN201710997610A CN107844856A CN 107844856 A CN107844856 A CN 107844856A CN 201710997610 A CN201710997610 A CN 201710997610A CN 107844856 A CN107844856 A CN 107844856A
- Authority
- CN
- China
- Prior art keywords
- time
- bus
- mac
- real
- station
- 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 35
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 239000012535 impurity Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008520 organization 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/46—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being of a radio-wave signal type
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Signal Processing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于车载GPS和站点WiFi的公交车载客人数预测方法,通过在站点布设的WiFi检测装置以既定频率检测站点附近打开WiFi功能的移动终端的MAC地址信号,结合车载GPS系统获取的公交车实时位置信息,建立乘客上下车信号检测时间与公交车停站时间匹配模型,筛除车站附近的干扰数据,精确预测公交车离站时的实时载客人数;本发明大幅度减少了干扰数据的数量,简化数据处理方法的同时提高了数据处理结果的精度,精确预测公交车离站时的实时载客人数;可为等车乘客提供公交车实时拥挤程度信息,为市民出行和城市交通系统组织调配、发车频率优化、车辆客流实时监测提供关键信息参考。
Description
技术领域
本发明涉及智能交通管理方法,尤其涉及一种基于车载GPS定位和站点WiFi的公交车载客人数预测方法。
背景技术
随着通信技术的不断发展,城市Wi-Fi覆盖率不断提高,智能手机用户的比例也大幅度增加。城市Wi-Fi覆盖与智能手机的普及为智能交通的实现提供了新的方法和途径,在城市交通实时信息监测和城市交通组织优化等方面具有重要应用。
现有的公交车实时载客人数预测技术大多基于公交IC卡和下车踏板相结合的数据处理方式,分别根据IC卡刷卡数据和下车踏板感应统计公交车上下车乘客数量,进而得到公交车载客人数。此方法的优点是基于现有的公交车记票设备进行实时客流统计,简单易行,但存在无法实时获取公交车载客人数,数据处理滞后的弊端;现有的基于Wi-Fi检测和GPS定位的公交车实时载客人数预测方法,大多采用车载Wi-Fi采集移动终端MAC信号与车载GPS 定位相结合的杂质数据清洗模型。但由于公交车运行环境具有复杂性,周围车辆、行人、商店均在实际调查过程产生了大量的杂质数据干扰,已有的杂质数据清洗模型并不能有效的排除干扰数据,在一定程度上存在较大的预测结果误差。
发明内容
发明目的:为解决现有公交车实时载客人数预测方法精确度不足的问题,本发明提出了一种可大幅度减少干扰数据影响、简化数据处理方法并提高数据处理结果精确度的基于车载 GPS定位和站点WiFi检测的公交车实时载客人数预测方法。
技术方案:本发明的一种基于车载GPS和站点WiFi的乘客数据提取方法,包括如下步骤:
(1)数据采集:在站点布设Wi-Fi检测装置,装置可以每隔1s检测、记录一次站点设备扫描范围内的打开Wi-Fi功能的移动终端MAC地址信号和信号被检测对应的时间数据;车载GPS定位系统可以每隔1s记录一次公交车的实时GPS坐标和时间数据;
(2)数据处理统计:对上述步骤(1)检测到的MAC地址信号进行统计,得到每一个MAC信号的扫描时间列表,取MAC地址第一次被扫描到的时间作为MAC进站时刻,取最后一次被扫描到的时间作为MAC出站时刻。数据处理统计确定每一个MAC地址信号的持续时间、MAC进站时刻、MAC出站时刻;
(3)公交车停站时间确定:其具体操作步骤如下:
(31)利用ArcGIS软件平台,将站点的GPS坐标和上述步骤(1)检测到的公交车实时GPS坐标均投影到WGS48坐标系;
(32)以站点为圆心,以Wi-Fi检测装置的最大扫描长度为半径,在站点周围建立圆形站点停靠区。
(33)根据公交车实时GPS投影点,取公交车行驶方向第一个出现在站点停靠区范围内 (包括停靠区边线)的公交车GPS坐标对应的时间为公交车进站时间,取公交车行驶方向最后一个出现在站点停靠区范围内(包括停靠区边线)的公交车GPS坐标对应的时间为公交车出站时间。
(34)取公交车出站时间与公交车进站时间的差值为公交车停站时间;
(4)MAC信号持续时间筛选:根据上述步骤(3)得到的公交车停站时间,找到公交车最小停站时间,将其作为持续时间筛选的阈值,剔除持续时间小于阈值的MAC地址数据;
(5)乘客信号提取:对上述步骤(4)得到的MAC信号进一步提取,确定公交车离站时有效MAC信号数目。其具体步骤如下:
(51)将MAC进站时间和MAC出站时间与公交车进站时间和出站时间进行比对,根据时间相近关系和乘客等车时间特征进行有效数据提取;
(52)筛选出MAC信号进站时刻与公交车进站时刻相近(MAC信号进站时刻与公交车进站时刻相差不超过1s)且在上一站台可以被检测到、MAC信号出站时刻与公交车出站时刻相近(MAC信号出站时刻与公交车出站时刻相差不超过1s)的MAC信号和MAC信号进站时刻在公交车进站时刻之前、MAC信号出站时刻与公交车出站时刻相近(MAC信号出站时刻与公交车出站时刻相差不超过1s)的MAC信号
(53)对上述步骤(52)得到的MAC信号进行计数,所得即为初步预测的公交车离站时的实时载客人数;
(6)预测精准度计算:根据下一站台的Wi-Fi检测数据确定上述步骤(5)初步预测的公交车实时载客人数的精准度,其具体步骤如下:
(61)当公交车驶入下一站台停靠区时,对应Wi-Fi检测装置对车上乘客的移动终端MAC 地址信息进行记录;
(62)确定在站点出站时刻和下一站点进站时刻附近被重复检测的MAC信号个数,将其认为公交车实际载客人数;
(63)取公交车实际载客人数与上述步骤(53)初步预测公交车实时载客人数之比作为预测精准度;
(7)预测结果输出:公交车离站时刻开始进行上述数据处理过程,得到公交车实时载客人数初步预测结果,根据精准度对初步预测结果校正得到并输出公交车实时载客人数。
上述步骤(1)采用中科爱讯TZ007Wi-Fi探针设备,该设备基于Wi-Fi探测技术来识别附近已开启Wi-Fi的智能手机或者Wi-Fi终端(笔记本,平板电脑等)的AP(无线访问接入点),无需用户接入Wi-Fi,Wi-Fi探针就能够识别用户信息。该设备扫描半径为10米,能够实现每隔1s检测一次扫描范围内的开启Wi-Fi功能的移动终端MAC地址,并对数据进行记录。
上述步骤(2)根据与移动终端唯一对应的MAC地址信息区分不同的Wi-Fi检测信号,以MAC信号扫描时间为依据进行排序,获取每一个MAC地址的扫描时间列表,进而获取每一个MAC信号的持续时间、进站时间和出站时间。
上述步骤(3)基于车载GPS获取的公交车实时位置信息和站点位置信息,在ArcGIS数据处理平台进行数据处理过程。
上述步骤(4)由于公交车停站具有一定的持续时间,剔除持续时间小的MAC信号可以排除在站台经过的其他车辆和行人的干扰;基于事实,选取公交车最小停站时间作为时间阈值进行数据筛选,结果更加准确合理;
上述步骤(52)筛选出MAC信号进站时刻在公交车进站时刻附近、MAC信号出站时刻在公交车出站时刻附近的MAC信号旨在筛选出到站后未下车的公交乘客信息;筛选出MAC信号进站时刻在公交车进站时刻之前、MAC信号出站时刻在公交车出站时刻附近的MAC信号旨在筛选出到站后上车的公交乘客信息;
上述步骤(52)根据站台Wi-Fi检测频率(1秒/次)和车载GPS记录频率(1秒/次),确定车上乘客相继被检测到进站的时间差最大不超过1秒;
上述步骤(6)基于公交乘客应在两个相邻站点均可被检测的基本原理,以MAC地址识别唯一不同的乘客,判断是否存在在相邻站点被重复检测的MAC信号,被重复检测的MAC信号被认为是公交车乘客;
上述步骤(6)预测精准度计算,由于一天中不同时间段、不同路段路况交通流变化的多样性,需要计算一天中不同时间段、不同站点的公交车实时载客预测精准度。不同时间段包括:早高峰(7:00~9:00),正午(12:00~13:00)和晚高峰(17:00~19:00)。
上述步骤(7)中,公交车离站时刻开始进行数据处理得到公交车实时载客人数初步预测结果,进而采用历史统计的当前站点、当前时间段的精准度对初步预测结果进行修正,得到公交车实时载客人数最终预测结果并输出;最终预测结果计算:公交车实时载客人数=载客人数初步预测*预测精度。
有益效果:
和现有技术相比,本发明大幅度减少了干扰数据的数量,简化数据处理方法的同时提高了数据处理结果的精度,精确预测公交车离站时的实时载客人数;可为等车乘客提供公交车实时拥挤程度信息,为市民出行和城市交通系统组织调配、发车频率优化、车辆客流实时监测提供关键信息参考。
附图说明
图1为基于车载GPS定位和站点WiFi检测相结合的乘客数据提取方法流程图;
图2为站点WiFi检测示意图;
图3为数据处理统计后得到的MAC信号扫描时间列表示意图;
图4为公交车停站时间确定过程示意图;
图5为公交车离站时车上乘客信号提取方法流程图;
图6为公交车实际载客人数确定过程示意图。
具体实施方式
以下结合实例和附图对本发明作进一步的说明;
如图1所示为本发明的流程图,通过在站点布设WiFi检测装置,可以以既定频率检测站点附近打开WiFi功能的移动终端的MAC地址信号,结合车载GPS系统获取的公交车实时位置信息,建立乘客上下车信号与公交车停站时间匹配模型,筛除车站附近的干扰信号,精确预测公交车离站时的实时载客人数;图2为站点WiFi检测示意图。
本实例中,基于车载GPS和站点Wi-Fi检测的公交车实时载客人数预测方法主要分为以下七个步骤:
(1)数据采集:在站点布设Wi-Fi检测装置,装置可以每隔1s检测、记录一次站点附近设备扫描范围内的打开Wi-Fi功能的移动终端MAC地址信号和信号被检测对应的时间数据 TIME1;车载GPS定位系统可以每隔1s记录一次公交车的实时GPS坐标和时间数据TIME2;
(2)数据处理统计:对上述步骤(1)检测到的MAC地址信号进行统计,得到每一个MAC信号的扫描时间列表,取MAC地址第一次被扫描到的时间作为MAC进站时刻,取最后一次被扫描到的时间作为MAC出站时刻。数据处理统计确定每一个MAC地址信号的持续时间ΔT、MAC进站时刻T1、MAC出站时刻T2;
ΔT=T2-T1
图3为数据处理统计后得到的MAC信号扫描时间列表示意图。
(3)公交车停站时间确定:其具体操作步骤如下:
(31)利用ArcGIS软件平台,将站点的GPS坐标和上述步骤(1)检测到的公交车实时GPS坐标均投影到WGS48坐标系;
(32)以站点为圆心,以Wi-Fi检测装置的最大扫描长度为半径,在站点周围建立圆形站台停靠区。图4为公交车停站时间确定过程示意图。
(33)根据公交车实时GPS投影点,取公交车行驶方向第一个出现在站点停靠区范围内的公交车GPS坐标对应的时间为公交车进站时间t1,取公交车行驶方向最后一个出现在站点停靠区范围内的公交车GPS坐标对应的时间为公交车出站时间t2(如附图3所示)。
(34)取公交车出站时间与公交车进站时间的差值为公交车停站时间Δt,Δt=t2-t1;
(4)MAC信号持续时间筛选:根据上述步骤(3)得到的公交车停站时间,找到公交车最小停站时间Δtmin,将其作为持续时间筛选的阈值,剔除持续时间小于阈值的MAC地址数据;
(5)乘客信号提取:对上述步骤(4)得到的MAC信号进一步提取,确定公交车离站时有效MAC信号数目。其具体步骤如下:
(51)将MAC进站时间T1和MAC出站时间T2与公交车进站时间t1和出站时间t2进行比对,根据时间相近关系和乘客等车时间特征进行有效数据提取;
(52)筛选出MAC信号进站时刻在公交车进站时刻附近(|T1-t1|≤1)或公交车进站时刻之前(t1≤T1)、MAC信号出站时刻在公交车出站时刻附近(|T2-t2|≤1)的MAC信号;图5为公交车离站时车上乘客信号提取方法流程图;
(53)对上述步骤(52)得到的MAC信号进行计数,所得即为初步预测的公交车离站时的实时载客人数n1;
(6)预测精准度计算:根据下一站台的Wi-Fi检测数据确定上述步骤(5)初步预测的公交车实时载客人数的精准度,其具体步骤如下:
(61)当公交车驶入下一站台停靠区时,对应Wi-Fi检测装置对车上乘客的移动终端MAC 地址信息进行记录;
(62)确定两个站台均检测到的MAC信号个数,将其认为公交车实际载客人数n2;
(63)取公交车实际载客人数n2与上述步骤(53)初步预测公交车实时载客人数n1之比作为预测精准度k,即k=n2/n1;
(7)预测结果输出:公交车离站时刻开始进行上述数据处理过程,得到公交车实时载客人数初步预测结果,根据精准度对初步预测结果校正得到并输出公交车实时载客人数。
最终预测结果计算:公交车实时载客人数n=载客人数初步预测n1*预测精度k;图6为公交车实际载客人数确定过程示意图。
Claims (10)
1.一种基于车载GPS和站点WiFi的公交车载客人数预测方法,其特征在于,包括以下步骤:
(1)数据采集:在站点布设WiFi检测装置,装置每隔1s检测并记录扫描范围内打开WiFi功能的移动终端的MAC地址信号及信号被检测对应的时间数据;车载GPS定位系统每隔1s记录一次公交车的实时GPS坐标和时间数据;
(2)数据处理统计:对上述步骤(1)每一个站台检测到的MAC地址信号分别进行统计,得到每一个MAC信号的扫描时间列表,取MAC地址第一次被扫描到的时间作为MAC进站时刻,取最后一次被扫描到的时间作为MAC出站时刻;数据处理统计确定每一个MAC地址信号的持续时间、MAC进站时刻、MAC出站时刻;
(3)公交车停站时间确定:以ArcGIS为主要数据处理平台,将站点的GPS坐标和步骤(1)检测到的公交车实时GPS坐标均投影到WGS48坐标系;以站点位置为圆心,以WiFi检测装置的最大扫描长度为半径,建立站点停靠区;根据站点停靠区与公交车实时定位的相对位置关系,确定公交车进站时间和公交车出站时间,公交车进站时间与出站时间的差值即为公交车停站时间;
(4)MAC信号持续时间筛选:根据上述步骤(3)得到的公交车停站时间,找到公交车停站时间最小值,将其作为持续时间筛选的阈值,剔除持续时间小于阈值的MAC地址数据;
(5)乘客信号提取:将上述步骤(4)筛选后的MAC进站时间和MAC出站时间与上述步骤(3)得到的公交车进站时间和出站时间进行比对,根据时间相近关系和乘客等车时间特征进行有效数据提取;筛选出MAC信号进站时刻与公交车进站时刻相近且在上一站台可以被检测到、MAC信号出站时刻与公交车出站时刻相近的MAC信号,以得到到站后未下车的公交车原有乘客MAC信号;以及筛选出MAC信号进站时刻在公交车进站时刻之前、MAC信号出站时刻与公交车出站时刻相近的MAC信号并计数,所得即为初步预测的公交车离站时的实时载客人数,以得到到站后上车的公交乘客MAC信号;所述相近指MAC信号进站/出站时刻与公交车进站/出站时刻相差不超过1s
(6)预测精准度计算:基于下一站台的Wi-Fi检测数据确定上述步骤(5)初步预测的公交车实时载客人数的精准度;对在相邻两站台均出现且MAC信号出站、进站时刻与公交车出站、进站时刻相近的MAC信号进行计数,所得即为公交车实际载客人数;取公交车实际载客人数与上述步骤(5)初步预测公交车实时载客人数之比作为预测精准度;
(7)预测结果输出:公交车离站时刻开始进行上述数据处理过程,得到公交车实时载客人数初步预测结果,根据精准度对初步预测结果校正得到并输出公交车实时载客人数。
2.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(1)采用中科爱讯TZ007Wi-Fi探针设备,该设备基于Wi-Fi探测技术来识别附近已开启Wi-Fi的智能手机或者Wi-Fi终端的AP,无需用户接入Wi-Fi,Wi-Fi探针就能够识别用户信息。该设备扫描半径为10米,能够实现每隔1s检测一次扫描范围内的开启Wi-Fi功能的移动终端MAC地址,并对数据进行记录。
3.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(2)根据与移动终端唯一对应的MAC地址信息区分不同的Wi-Fi检测信号,以MAC信号扫描时间为依据进行排序,获取每一个MAC地址的扫描时间列表,进而获取每一个MAC信号的持续时间、进站时间和出站时间。
4.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(3)具体处理方法为:
(31)利用ArcGIS软件平台,将站点的GPS坐标和上述步骤(1)检测到的公交车实时GPS坐标均投影到WGS48坐标系;
(32)以站点为圆心,以Wi-Fi检测装置的最大扫描长度为半径,在站点周围建立圆形站点停靠区。
(33)根据公交车实时GPS投影点,取公交车行驶方向第一个出现在站点停靠区范围内的公交车GPS坐标对应的时间为公交车进站时间,取公交车行驶方向最后一个出现在站点停靠区范围内的公交车GPS坐标对应的时间为公交车出站时间;所述站点停靠区包括停靠区边线;
(34)取公交车出站时间与公交车进站时间的差值为公交车停站时间;
上述步骤基于车载GPS获取的公交车实时位置信息和站点位置信息,在ArcGIS数据处理平台进行数据处理。
5.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(4)基于公交车停站具有一定的持续时间的原理,剔除持续时间小的MAC信号,排除在站台经过的其他车辆和行人的干扰。
6.根据权利要求5所述的公交车实时载客人数预测方法,其特征在于:选取公交车最小停站时间作为时间阈值进行数据筛选。
7.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(5)根据站台WiFi检测频率和车载GPS记录频率,确定车上乘客相继被检测到进站的时间差最大不超过1秒。
8.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(6)基于公交乘客应在两个相邻站点均可被检测的基本原理,以MAC地址唯一识别不同的乘客,判断是否存在在站点出站时刻和下一站点进站时刻附近被重复检测的MAC信号,被重复检测的MAC信号被认为是公交车乘客。
9.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(6)基于一天中不同时间段、不同路段路况进行预测精准度计算;所述不同时间段包括:早高峰,正午,晚高峰;所述早高峰为7:00~9:00,所述正午为12:00~13:00,所述晚高峰为17:00~19:00。
10.根据权利要求1所述的公交车实时载客人数预测方法,其特征在于:所述步骤(7)包括:公交车离站时刻开始进行数据处理得到公交车实时载客人数初步预测结果,进而采用历史统计的当前站点、当前时间段的精准度对初步预测结果进行修正,得到公交车实时载客人数最终预测结果并输出:公交车实时载客人数=载客人数初步预测*预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710997610.7A CN107844856B (zh) | 2017-10-24 | 2017-10-24 | 基于车载GPS和站点WiFi的公交车客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710997610.7A CN107844856B (zh) | 2017-10-24 | 2017-10-24 | 基于车载GPS和站点WiFi的公交车客流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107844856A true CN107844856A (zh) | 2018-03-27 |
CN107844856B CN107844856B (zh) | 2021-05-11 |
Family
ID=61662643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710997610.7A Active CN107844856B (zh) | 2017-10-24 | 2017-10-24 | 基于车载GPS和站点WiFi的公交车客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844856B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449439A (zh) * | 2018-05-22 | 2018-08-24 | 集美大学 | 基于wifi技术的车内人数统计系统 |
CN112181629A (zh) * | 2020-11-30 | 2021-01-05 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112991568A (zh) * | 2021-02-08 | 2021-06-18 | 南昌市合迅科技有限公司 | 一种基于北斗定位的考勤数据获取方法及系统 |
CN113177586A (zh) * | 2021-04-25 | 2021-07-27 | 中铁第四勘察设计院集团有限公司 | 一种高速铁路车站最高聚集人数估计方法 |
CN113965901A (zh) * | 2021-10-22 | 2022-01-21 | 山东高速股份有限公司 | 一种基于无线探针的高速公路隧道人员监控方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1628274B1 (de) * | 2004-08-17 | 2009-07-22 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln von Verkehrsinformationen und zum Steuern des Verkehrs |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
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 |
CN106448169A (zh) * | 2016-11-23 | 2017-02-22 | 重庆交通大学 | 基于wifi的公交客流实时监测系统、数据处理方法 |
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
-
2017
- 2017-10-24 CN CN201710997610.7A patent/CN107844856B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1628274B1 (de) * | 2004-08-17 | 2009-07-22 | Siemens Aktiengesellschaft | Verfahren und System zum Ermitteln von Verkehrsinformationen und zum Steuern des Verkehrs |
CN104064028A (zh) * | 2014-06-23 | 2014-09-24 | 银江股份有限公司 | 基于多元信息数据的公交到站时间预测方法及系统 |
WO2017140175A1 (zh) * | 2016-02-18 | 2017-08-24 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
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 |
CN106448169A (zh) * | 2016-11-23 | 2017-02-22 | 重庆交通大学 | 基于wifi的公交客流实时监测系统、数据处理方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449439A (zh) * | 2018-05-22 | 2018-08-24 | 集美大学 | 基于wifi技术的车内人数统计系统 |
CN112181629A (zh) * | 2020-11-30 | 2021-01-05 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112181629B (zh) * | 2020-11-30 | 2021-05-04 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112991568A (zh) * | 2021-02-08 | 2021-06-18 | 南昌市合迅科技有限公司 | 一种基于北斗定位的考勤数据获取方法及系统 |
CN113177586A (zh) * | 2021-04-25 | 2021-07-27 | 中铁第四勘察设计院集团有限公司 | 一种高速铁路车站最高聚集人数估计方法 |
CN113965901A (zh) * | 2021-10-22 | 2022-01-21 | 山东高速股份有限公司 | 一种基于无线探针的高速公路隧道人员监控方法 |
CN113965901B (zh) * | 2021-10-22 | 2024-02-13 | 山东高速股份有限公司 | 一种基于无线探针的高速公路隧道人员监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107844856B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844856A (zh) | 基于车载GPS和站点WiFi的公交车客流预测方法 | |
CN107845259B (zh) | 公交运行情况实时反馈系统及公交实时运行数据处理方法 | |
CN107767669B (zh) | 基于WiFi和蓝牙识别的公交线路客流OD估计方法 | |
CN107798869B (zh) | 基于站点WiFi和车载GPS的公交乘客客流采集与分析方法 | |
CN102999951B (zh) | 基于无线网络接收信号强度的人员智能考勤方法 | |
CN108109423B (zh) | 基于WiFi室内定位的地下停车场智能导航方法及系统 | |
WO2021159866A1 (zh) | 一种基于人脸识别的公交路线预测方法及系统 | |
CN103810851B (zh) | 一种基于手机定位的交通出行模式识别方法 | |
CN103700174B (zh) | 一种基于wifi身份识别的公交客流数据采集及od分析方法 | |
CN106297288A (zh) | 一种公交乘客客流数据采集与分析方法 | |
CN102622798B (zh) | 一种客流统计分析系统 | |
Xiao et al. | Transportation activity analysis using smartphones | |
CN107463940A (zh) | 基于手机数据的车辆类型识别方法和设备 | |
CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
CN104899947A (zh) | 公交客流统计方法 | |
CN107564292B (zh) | 基于站点WiFi和车载移动终端的乘客等车时间规律估计方法 | |
CN107766981B (zh) | 基于站点WiFi的公交客流OD估计及短时预测方法 | |
CN103632572A (zh) | 一种智能停车方法和系统 | |
CN104616502A (zh) | 基于组合式车路视频网络的车牌识别与定位系统 | |
CN205943076U (zh) | 一种拥堵检测车载装置 | |
CN102339488A (zh) | 基于双芯rfid技术的公交客流信息采集系统及方法 | |
CN106408944A (zh) | 基于双通信数据的拥堵等级分析平台 | |
CN106448173A (zh) | 一种基于手机数据的长距离出行交通方式划分方法 | |
CN109360311B (zh) | 一种公共交通工具拥挤程度测量方法 | |
CN105096584A (zh) | 一种交通决策支持方法、装置及系统 |
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 |