CN107944700A - 基于公交app用户数据的公交乘客候车时间计算方法 - Google Patents
基于公交app用户数据的公交乘客候车时间计算方法 Download PDFInfo
- Publication number
- CN107944700A CN107944700A CN201711176844.1A CN201711176844A CN107944700A CN 107944700 A CN107944700 A CN 107944700A CN 201711176844 A CN201711176844 A CN 201711176844A CN 107944700 A CN107944700 A CN 107944700A
- Authority
- CN
- China
- Prior art keywords
- bus
- node
- time
- bus information
- user
- 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
- 238000000205 computational method Methods 0.000 title claims description 19
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000008439 repair process Effects 0.000 claims abstract description 7
- 238000003066 decision tree Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000007418 data mining Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G06Q50/40—
Abstract
本发明利用实时公交App中海量的用户数据,通过时间关联的方法,构建公交信息查询链,并结合数据挖掘的方法,从中发现用户在公交出行中的节点时刻,如规划公交出行时刻、到站时刻和离站时刻,依此计算该用户候车时间。对于无法计算候车时间的不完整公交信息查询链,如无法识别或缺失到站行为或离站行为等记录,则利用与其相似的完整公交信息查询链,采取随机森林算法对缺失的行为记录进行修补,最终实现候车时间的计算。
Description
技术领域
本发明涉及智能交通技术领域,更具体地,涉及一种基于公交APP用户数据的公交乘客候车时间计算方法。
背景技术
候车行为是公交出行行为的重要组成部分,由候车行为产生的候车时间也是评价公交系统运行情况的关键指标。若能够掌握大量、准确的候车时间,公交管理部门能够更好的理解公交乘客的候车行为,也可以更好的对公交系统运行情况做出评价,从而针对性的提升公交服务。
而同时,随着移动互联的发展,公交出行行为发生着变化。作为“互联网+公交”下的代表性产物,实时公交类App已累计帮助超过百万的公交乘客获知公交车的运行信息,包括公交车与候车站点的距离和公交车到达的时刻等,这影响了公交乘客的候车行为。此外,公交乘客在使用这一类App时,也留下了与候车行为直接相关的丰富数据,如公交服务请求数据和用户定位数据等。
如何通过挖掘实时公交类App的用户数据,理解公交乘客候车行为,从而计算得到大量、准确的公交乘客候车时间,是本发明研究的重点和目的所在。
目前国内外研究中对于公交候车时间的计算方法主要有两类,第一类是基于模型估算的方法,第二类是基于问卷调查的方法,详细如下:
第一,基于模型估算的方法。国内外学者对公交候车时间的计算方法做了大量研究,较为经典的是基于排队论模型来量化候车排队长度和候车时间。近年一些学者更全面的考虑了会对公交候车时间造成影响的外界因素,如公交车发车间隔和气候等,建立了候车行为模型,并依此计算候车时间。上述算法模型有着严格的前提假设,即公交乘客到站时间符合一定的分布规律,如均匀分布、对数正态分布和正态分布等。然而这些假设在现实中难以严格满足,因此估算结果与现实有较大差距。
第二,基于问卷调查的方法。国内外也有部分学者对公交乘客进行了问卷调查以期望得到较为准确的公交乘客候车时间。但是这些方法存在两个关键且难以被解决的问题:(1)问卷调查得到的候车时间时效性低,无法及时反映公交系统运行情况,导致公交管理者决策滞后;(2)问卷调查的方法成本过高,无法通过该方法获得大量的公交乘客候车时间,导致难以对公交系统整体做出正确评价。
发明内容
本发明利用公交App中海量的用户数据,通过时间关联的方法,构建公交信息查询链,并结合数据挖掘的方法,从中发现用户在公交出行中节点时刻,如到站时刻和离站时刻,依此计算用户的候车时间。
为实现以上发明目的,采用的技术方案是:
基于公交APP用户数据的公交乘客候车时间计算方法,包括有以下步骤:
S1.记录用户使用公交APP时留下的对应服务的请求数据和用户进行位置类服务请求留下的定位数据,若请求数据的请求时间与定位数据的请求时间相差在k秒以内,则将定位数据及请求数据进行时间关联,形成一个公交信息查询节点;
S2.记录用户使用公交APP出行留下的对应服务的请求数据和用户进行位置类服务请求留下的定位数据,然后按照步骤S1的方法进行处理,得到多个公交信息查询节点;
S3.得到的多个公交信息查询节点按发生时间顺序进行排序,形成一条公交信息查询链;
S4.根据公交信息查询链上的公交信息查询节点的定位数据分别计算各个节点与目标公交车站间的距离,以及根据定位数据确定用户在各个节点的移动速度,然后根据计算的各个节点与目标公交车站间的距离、用户在各个节点的移动速度确定公交信息查询链上的到站节点、离站节点,从而确定用户出行的到站时刻T2和离站时刻T3,从而计算得到候车时间:T候车时间=T3-T2。
优选地,所述请求数据包括用户ID、设备类型、请求时间、请求类型和请求内容;所述定位数据包括用户ID、定位时间、经纬度和速度;所述步骤S1中,将同一用户ID的定位数据及请求数据进行时间关联。
优选地,所述步骤S4中,根据计算的各个节点与目标公交车站间的距离确定用户的出行规划节点,然后根据确定的出行规划节点确定用户的出行规划时刻T1。
优选地,所述步骤S4中,计算各个节点与目标公交车站间的距离;
(1)若其中一部分节点与目标公交车站间的距离大于M,则认为用户在规划公交出行,将时间上首次满足该条件的节点作为出行规划节点;
(2)若其中一部分连续的节点与目标公交车站间的距离逐渐变小,且这部分连续的节点中存在着节点与目标公交车站间的距离小于F,且其移动速度小于G,则将时间上首次满足该条件的节点作为到站节点;
(3)若其中一部分连续的节点与目标公交车站间的距离逐渐变大,且这部分连续的节点中存在着节点与目标公交车站间的距离大于H,且其移动速度大于I,则将时间上首次满足该条件的节点作为离站节点。
优选地,所述k为10,M为2KM,F为200m,G为5m/s,H为200m,I为5m/s。
优选地,所述步骤S4计算节点与目标公交车站间的距离的具体过程如下:
其中d为节点与目标公交车站间的距离;
r为地球半径;
为节点的纬度;
为目标公交车站的纬度;
λ1为节点的经度;
λ2为目标公交车站的经度。
优选地,若步骤S4中无法寻找得到到站节点和/或离站节点,则判断公交信息查询链为不完整的公交信息查询链,此时使用(1)和/或(2)对不完整的公交信息查询链进行修复:
(1)若公交信息查询链中缺失的是离站节点,则利用目标公交车最早到达乘客所在公交站台的时刻作为离站时刻,然后利用离站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链按照步骤S4计算用户候车时间;
(2)若公交信息查询链中缺失的是到站节点,则采用随机森林算法对到站时刻进行预测,然后利用预测的到站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链按照步骤S4计算用户候车时间。
优选地,所述随机森林算法对到站时刻进行预测的具体过程如下:
S11.选取若干条与不完整的公交信息查询链相似的完整公交信息查询链作为训练集;
S12.构建第i棵决策树,i的初始值为1;
S13.从训练集中随机抽取样本子集,然后利用随机抽取的样本子集训练决策树;
S14.判断完整公交信息查询链中的到站时刻与决策树的输出值是否满足误差最小的准则,若是则执行步骤S15,否则执行步骤S13;
S15.输出第i棵决策树;
S16.若i=J,则利用J棵决策树组成随机森林;否则令i=i+1,然后执行步骤S12;
S17.将不完整的公交信息查询链作为输入输入至随机森林中,输出填补到站时刻的完整的公交信息查询链。
优选地,所述J为20
优选地,所述与不完整的公交信息查询链相似的完整公交信息查询链满足以下条件:
(1)完整公交信息查询链的节点与不完整的公交信息查询链的节点的时间差值总和在5分钟以内;
(2)完整公交信息查询链的节点与不完整的公交信息查询链的节点的经纬度距离在800米以内。
与现有技术相比,本发明的有益效果是:
本发明利用实时公交App中海量的用户数据,通过时间关联的方法,构建公交信息查询链,并结合数据挖掘的方法,从中发现用户在公交出行中的节点时刻,如规划公交出行时刻、到站时刻和离站时刻,依此计算该用户候车时间。对于无法计算候车时间的不完整公交信息查询链,如无法识别或缺失到站行为或离站行为等记录,则利用与其相似的完整公交信息查询链,采取随机森林算法对缺失的行为记录进行修补,最终实现候车时间的计算。
附图说明
图1为方法的流程示意图。
图2为时间关联的示意图。
图3为用户出行的状态转换图。
图4为公交出行行为挖掘的总体流程图。
图5为对不完整的公交信息查询链进行修复的示意图。
图6为随机森林算法对到站时刻进行预测的具体流程图。
图7为随机森林的示意图。
图8为实验的研究区域示意图。
图9为实验的结果示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示,本发明提供的方法包括有以下步骤:
(1)提取原始实时公交类APP的用户数据;
(2)将公交类APP的用户数据中的定位数据及请求数据进行时间关联,形成多个公交信息查询节点;构建用户公交信息查询链;
(3)对公交信息查询链进行公交出行行为挖掘;若公交信息查询链完整,则基于挖掘的结果计算用户候车时间;若公交信息查询链不完整则执行步骤(4);
(4)寻找与不完整的公交信息查询链相似的完整公交信息查询链;
(5)利用随机森林算法对不完整的公交信息查询链进行修复,然后基于修复的公交信息查询链计算用户候车时间。
在具体执行的时候,(2)中,若请求数据的请求时间与定位数据的请求时间相差在k秒以内,则将定位数据及请求数据进行时间关联,如图2所示。(2)中,将同一用户ID的定位数据及请求数据进行时间关联。
进行时间关联后,得到一个公交信息查询节点,多个公交信息查询节点按发生时间顺序进行排序,形成一条公交信息查询链。形成的公交信息查询链储存在数据库中,一个公交信息查询链包含多条记录,如表1所示,含有链编号、用户ID、设备类型(0为Android操作系统,1为IOS操作系统)、定位时间、请求时间、请求类型(公交相关的查询有3类:公交站点查询、公交线路查询和实时公交查询)、请求内容、经度、纬度和速度等字段。
表1公交信息查询链数据表
(3)中,公交乘客在公交出行中涵盖着3种典型的行为状态,即规划公交出行行为、候车行为和乘车行为。本发明认为不同行为间存在较明显的状态转换过程,因此可以通过识别转换状态的方式来挖掘不同的公交出行行为,如图3所示。根据候车时间的定义,公交乘客的离站时刻T3减去到站时刻T2即为公交乘客候车时间,如式(1)所示。
T候车时间=T3-T2 (1)
更进一步考虑到,如果公交乘客提前规划了公交出行,如出行前先查看目标线路车辆还有多长时间到达公交车站,则会影响公交乘客到达公交车站的时刻,最终影响到候车时间的计算。
本发明在确定规划时刻T1、到站时刻T2、离站时刻T3时,是通过以下方式确定的:
(1)利用haversine公式,如式(2)所示,计算用户当前位置与查询的目标公交车站间的距离,若距离大于2km,则认为该用户在规划公交出行,取首次满足条件的记录时刻作为规划时刻T1。
其中:
d为两个经纬度坐标间的距离;
r为地球半径,单位为千米;
为点1的纬度,以弧度制表示;
为点2的纬度,以弧度制表示;
λ1为点1的经度,以弧度制表示;
λ2为点2的经度,以弧度制表示;
(2)利用haversine公式,如式(2)所示,计算用户当前位置与查询的目标公交车站间的距离,若距离由大变小且最终距离小于200m,则认为该用户到达了公交车站,考虑到GPS定位误差及步行、乘车出行的移动速度,取距离首次小于200m且移动速度小于5m/s的记录时刻作为到站时刻T2。
(3)利用haversine公式,如式(2)所示,计算用户当前位置与查询的目标公交车站位置间的距离,若距离由小变大且最终距离大于200m,则认为该用户离开了公交车站,考虑到GPS定位误差及步行、乘车出行的移动速度,取距离首次大于200m且移动速度大于5m/s的记录时刻作为离站时刻T3。
综上,公交出行行为挖掘总体流程如图4所示。
若(3)中无法寻找得到到站时刻和/或离站时刻,则判断公交信息查询链为不完整的公交信息查询链,如图5所示,此时使用(1)和/或(2)对不完整的公交信息查询链进行修复:
(1)若公交信息查询链中缺失的是离站时刻,则利用目标公交车最早到达乘客所在公交站台的时刻作为离站时刻,然后利用离站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链计算用户候车时间;
(2)若公交信息查询链中缺失的是到站时刻,则采用随机森林算法对到站时刻进行预测,然后利用预测的到站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链计算用户候车时间。
其中,如图6所示,所述随机森林算法对到站时刻进行预测的具体过程如下:
S11.选取若干条与不完整的公交信息查询链相似的完整公交信息查询链作为训练集;
S12.构建第i棵决策树,i的初始值为1;
S13.从训练集中随机抽取样本子集,然后利用随机抽取的样本子集训练决策树;
S14.判断完整公交信息查询链中的到站时刻与决策树的输出值是否满足误差最小的准则,若是则执行步骤S15,否则执行步骤S13;
S15.输出第i棵决策树;
S16.若i=J,如图7所示,则利用J棵决策树组成随机森林;否则令i=i+1,然后执行步骤S12;
S17.将不完整的公交信息查询链作为输入输入至随机森林中,输出填补到站时刻的完整的公交信息查询链。
其中,所述与不完整的公交信息查询链相似的完整公交信息查询链满足以下条件:
(1)完整公交信息查询链的节点与不完整的公交信息查询链的节点的时间差值总和在5分钟以内;
(2)完整公交信息查询链的节点与不完整的公交信息查询链的节点的经纬度距离在800米以内。
实施例2
本实施例进行了具体的实验,选择工作日早高峰时段(7:00-9:00),广州市祥景花园公交站作为研究区域,如图8所示。该时段内研究区域具有以下特点:①早高峰时期人流量较大。该公交站点周围有多个住宅区域,早高峰时期有大量的出行者从住宅区域出发;②附近居民对公交车的依赖程度高。距离该公交站点最近的地铁站直线距离约2km,距离较远,因此附近居民公共出行主要依赖于公交车。同时选择该站点上车人数较多的706路公交作为研究对象,研究706路乘客的候车时间。
调查时段内共有143人在广州市祥景花园公交站等候并乘坐706路公交车,同时实时公交类App中共记录到该站该时段内98位用户的用户数据,覆盖率达68.53%。用户数据中的请求数据和定位数据样例如下。
表2用户请求数据样例表
表3用户定位数据样例表
为了更好的比较本发明提出的计算方法与传统模型计算方法的区别,引入平均绝对误差MAE与平均相对误差MAPE作为评价指标。其计算公式如下:
其中xi为计算值,x为实测值。
图9为实验的结果图,表格4为实验误差总结表。
表4实验误差总结表
传统模型计算 | 本发明方法计算 | |
MAE | 276.52s | 93.51s |
MAPE | 41.84% | 11.28% |
对比实验结果可以获得以下结论:①传统候车模型计算方法往往低估了真实的候车时间。这是因为在传统模型中,基本假设乘客的到站时间服从均匀分布,但是在特定情景下并非如此。如在7:00-7:30时间段内,公交乘客多为学生,该类出行者对于出行时间有较严格的研究,因此会更偏向于早到公交车站等车。该现象在本发明提出的计算方法中能得到良好的识别,并依此计算较准确的候车时间;②当公交乘客出现多次候车现象时,传统候车模型计算方法无法识别。传统模型假设所有乘客在经历一次候车后就能顺利乘车,但现实情况并非总是如此,如7:30-8:00时间段内,此时公交乘客数量迅速上升,许多乘客需要等候2-3趟车才能够顺利乘车,因此传统模型计算得到的候车时间与真实值有较大误差。而本发明提出的方法是基于乘客个体进行计算,故能够较好且及时反映候车时间变化;③本发明计算的候车时间与真实值有些许误差,这部分误差主要由不完整公交信息查询链的修复,以及实时公交App在公交乘客中未完全覆盖所引起,总体而言在可接受的范围内。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:包括有以下步骤:
S1.记录用户使用公交APP时留下的对应服务的请求数据和用户进行位置类服务请求留下的定位数据,若请求数据的请求时间与定位数据的请求时间相差在k秒以内,则将定位数据及请求数据进行时间关联,形成一个公交信息查询节点;
S2.记录用户使用公交APP出行留下的对应服务的请求数据和用户进行位置类服务请求留下的定位数据,然后按照步骤S1的方法进行处理,得到多个公交信息查询节点;
S3.得到的多个公交信息查询节点按发生时间顺序进行排序,形成一条公交信息查询链;
S4.根据公交信息查询链上的公交信息查询节点的定位数据分别计算各个节点与目标公交车站间的距离,以及根据定位数据确定用户在各个节点的移动速度,然后根据计算的各个节点与目标公交车站间的距离、用户在各个节点的移动速度确定公交信息查询链上的到站节点、离站节点,从而确定用户出行的到站时刻T2和离站时刻T3,从而计算得到候车时间:T候车时间=T3-T2。
2.根据权利要求1所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述请求数据包括用户ID、设备类型、请求时间、请求类型和请求内容;所述定位数据包括用户ID、定位时间、经纬度和速度;所述步骤S1中,将同一用户ID的定位数据及请求数据进行时间关联。
3.根据权利要求1所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述步骤S4中,根据计算的各个节点与目标公交车站间的距离确定用户的出行规划节点,然后根据确定的出行规划节点确定用户的出行规划时刻T1。
4.根据权利要求3所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述步骤S4中,计算各个节点与目标公交车站间的距离;
(1)若其中一部分节点与目标公交车站间的距离大于M,则认为用户在规划公交出行,将时间上首次满足该条件的节点作为出行规划节点;
(2)若其中一部分连续的节点与目标公交车站间的距离逐渐变小,且这部分连续的节点中存在着节点与目标公交车站间的距离小于F,且其移动速度小于G,则将时间上首次满足该条件的节点作为到站节点;
(3)若其中一部分连续的节点与目标公交车站间的距离逐渐变大,且这部分连续的节点中存在着节点与目标公交车站间的距离大于H,且其移动速度大于I,则将时间上首次满足该条件的节点作为离站节点。
5.根据权利要求4所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述k为10,M为2KM,F为200m,G为5m/s,H为200m,I为5m/s。
6.根据权利要求4所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述步骤S4计算节点与目标公交车站间的距离的具体过程如下:
其中d为节点与目标公交车站间的距离;
r为地球半径;
为节点的纬度;
为目标公交车站的纬度;
λi为节点的经度;
λ2为目标公交车站的经度。
7.根据权利要求1~6任一项所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:若步骤S4中无法寻找得到到站节点和/或离站节点,则判断公交信息查询链为不完整的公交信息查询链,此时使用(1)和/或(2)对不完整的公交信息查询链进行修复:
(1)若公交信息查询链中缺失的是离站节点,则利用目标公交车最早到达乘客所在公交站台的时刻作为离站时刻,然后利用离站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链按照步骤S4计算用户候车时间;
(2)若公交信息查询链中缺失的是到站节点,则采用随机森林算法对到站时刻进行预测,然后利用预测的到站时刻对公交信息查询链进行修复;然后基于修复的公交信息查询链按照步骤S4计算用户候车时间。
8.根据权利要求7所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述随机森林算法对到站时刻进行预测的具体过程如下:
S11.选取若干条与不完整的公交信息查询链相似的完整公交信息查询链作为训练集;
S12.构建第i棵决策树,i的初始值为1;
S13.从训练集中随机抽取样本子集,然后利用随机抽取的样本子集训练决策树;
S14.判断完整公交信息查询链中的到站时刻与决策树的输出值是否满足误差最小的准则,若是则执行步骤S15,否则执行步骤S13;
S15.输出第i棵决策树;
S16.若i=J,则利用J棵决策树组成随机森林;否则令i=i+1,然后执行步骤S12;
S17.将不完整的公交信息查询链作为输入输入至随机森林中,输出填补到站时刻的完整的公交信息查询链。
9.根据权利要求8所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述J为20。
10.根据权利要求8所述的基于公交APP用户数据的公交乘客候车时间计算方法,其特征在于:所述与不完整的公交信息查询链相似的完整公交信息查询链满足以下条件:
(1)完整公交信息查询链的节点与不完整的公交信息查询链的节点的时间差值总和在5分钟以内;
(2)完整公交信息查询链的节点与不完整的公交信息查询链的节点的经纬度距离在800米以内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711176844.1A CN107944700B (zh) | 2017-11-22 | 2017-11-22 | 基于公交app用户数据的公交乘客候车时间计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711176844.1A CN107944700B (zh) | 2017-11-22 | 2017-11-22 | 基于公交app用户数据的公交乘客候车时间计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944700A true CN107944700A (zh) | 2018-04-20 |
CN107944700B CN107944700B (zh) | 2021-08-03 |
Family
ID=61929863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711176844.1A Active CN107944700B (zh) | 2017-11-22 | 2017-11-22 | 基于公交app用户数据的公交乘客候车时间计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944700B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1988688A (zh) * | 2006-12-14 | 2007-06-27 | 华为技术有限公司 | 一种公交车信息查询方法、装置及系统 |
KR100877832B1 (ko) * | 2001-11-06 | 2009-01-12 | 엘지전자 주식회사 | 이동 통신망을 이용한 교통편 정보 제공 시스템 및 그 방법 |
CN102013163A (zh) * | 2010-11-25 | 2011-04-13 | 广州通易科技有限公司 | 使用手机基站数据与营运车辆gps数据进行公交od调查的方法 |
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN105528401A (zh) * | 2015-12-02 | 2016-04-27 | 北京奇虎科技有限公司 | 公交信息查询方法及装置 |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106897955A (zh) * | 2017-01-24 | 2017-06-27 | 华南理工大学 | 一种基于公交od数据的公交换乘识别方法 |
CN106951520A (zh) * | 2017-03-02 | 2017-07-14 | 内蒙古大学 | 一种公交乘客出行数据采集系统及其应用 |
-
2017
- 2017-11-22 CN CN201711176844.1A patent/CN107944700B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100877832B1 (ko) * | 2001-11-06 | 2009-01-12 | 엘지전자 주식회사 | 이동 통신망을 이용한 교통편 정보 제공 시스템 및 그 방법 |
CN1988688A (zh) * | 2006-12-14 | 2007-06-27 | 华为技术有限公司 | 一种公交车信息查询方法、装置及系统 |
CN102013163A (zh) * | 2010-11-25 | 2011-04-13 | 广州通易科技有限公司 | 使用手机基站数据与营运车辆gps数据进行公交od调查的方法 |
CN103810851A (zh) * | 2014-01-23 | 2014-05-21 | 广州地理研究所 | 一种基于手机定位的交通出行模式识别方法 |
CN105528401A (zh) * | 2015-12-02 | 2016-04-27 | 北京奇虎科技有限公司 | 公交信息查询方法及装置 |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106897955A (zh) * | 2017-01-24 | 2017-06-27 | 华南理工大学 | 一种基于公交od数据的公交换乘识别方法 |
CN106951520A (zh) * | 2017-03-02 | 2017-07-14 | 内蒙古大学 | 一种公交乘客出行数据采集系统及其应用 |
Non-Patent Citations (1)
Title |
---|
沈云: ""基于GPS轨迹数据的交通出行方式识别研究"", 《中国优秀硕士学位论文全文数据库(基础科学辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN107944700B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A VIKOR-based approach for assessing the service performance of electric vehicle sharing programs: A case study in Beijing | |
WO2023273292A1 (zh) | 基于多源数据融合的居民出行链生成方法及共乘查询方法 | |
Duncan | Would the replacement of park-and-ride facilities with transit-oriented development reduce vehicle kilometers traveled in an auto-oriented US region? | |
Duncan et al. | Is the provision of park-and-ride facilities at light rail stations an effective approach to reducing vehicle kilometers traveled in a US context? | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
Zhan et al. | A modified artificial bee colony algorithm for the dynamic ride-hailing sharing problem | |
Zhang | Can transit-oriented development reduce peak-hour congestion? | |
Petrović et al. | Location planning approach for intermodal terminals in urban and suburban rail transport | |
Carteni et al. | A multi-criteria analysis as a rational evaluation process for building a new highway in Italy | |
Makarova et al. | Decision-making on development of cycling infrastructure through safety assessment at design and operation stages | |
Li et al. | Trajectory-driven planning of electric taxi charging stations based on cumulative prospect theory | |
Zheng et al. | Extreme unbalanced mobility network in bike sharing system | |
Ahmed et al. | A GIS-assisted optimal Baghdad metro route selection based on multi criteria decision making | |
Gahlot et al. | Availability and accessibility assessment of public transit system in Jaipur City | |
Hasnine et al. | Mode shift impacts of optimal time-dependent congestion pricing in large networks: A simulation-based case study in the greater toronto area | |
Wei et al. | Optimal routing design of feeder transit with stop selection using aggregated cell phone data and open source GIS tool | |
CN114971085B (zh) | 一种公交站点可达性的预测方法、系统及存储介质 | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN107944700A (zh) | 基于公交app用户数据的公交乘客候车时间计算方法 | |
Dragomir | A spatial-temporal data model for choosing optimal multimodal routes in urban areas | |
Ghamami et al. | Electric Vehicle Charger Placement Optimization in Michigan: Phase II-Urban | |
Jihua et al. | A calculation method and its application of bus isochrones | |
D'Acierno et al. | The adoption of micro-mobility solutions for increasing student accessibility: The case study of the University of Naples, Italy | |
CN114925882B (zh) | 新能源充电桩分布评价方法及装置 | |
Prajapati et al. | Spatio-Temporal Analysis Of Public Transportation System Using Static Transit Accessibility Methodological Framework |
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 |