CN108694463B - 一种城市轨道交通站点进出站客流预测方法 - Google Patents
一种城市轨道交通站点进出站客流预测方法 Download PDFInfo
- Publication number
- CN108694463B CN108694463B CN201810376559.2A CN201810376559A CN108694463B CN 108694463 B CN108694463 B CN 108694463B CN 201810376559 A CN201810376559 A CN 201810376559A CN 108694463 B CN108694463 B CN 108694463B
- Authority
- CN
- China
- Prior art keywords
- station
- rail transit
- residential
- passenger flow
- residents
- 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.)
- Active
Links
Images
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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市轨道交通站点进出站客流预测方法。首先,根据自动售票系统统计既有轨道交通站点工作日平均进出站客流量;然后,分别获取既有轨道交通站点和新开轨道交通站点周边500m范围内的建成环境要素;建立既有轨道交通站点的工作日平均进出站客流数据与其周边500m范围内的建成环境要素的回归模型,将新开轨道交通站点周边500m范围内的建成环境要素代入回归模型中,得到新开轨道交通站点的工作日平均进出站客流量预测值。利用本发明可以有效分析站点周边建成环境对进出站客流的影响,进而以此为依据,预测新开站点客流量。
Description
技术领域
本发明属于轨道交通技术领域,特别涉及了一种城市轨道交通站点进出站客流预测方法。
背景技术
研究轨道交通的出行特征对于指导轨道交通的建设、提供缓解城市拥堵的解决方案、指导城市与交通规划具有重大的意义。轨道站点的客流量作为轨道交通最常被分析的出行特征,是轨道交通客流预测的重要组成部分。目前,多数轨道客流的预测方法采用的是四阶段法。四阶段法就是将研究区域划分为逐个交通小区,通过增长系数法等计算交通小区内出行的发生量和吸引量,在此基础上,通过重力模型法等方法计算各个交通小区之间的客流分布情况,对交通方式进行划分,最后将交通量在路网上进行分布。然而,“交通规划四阶段法”的设计目的在于宏观出行需求预测,其在进行站域微观用地分析方面毫无优势。为弥补四阶段法的微观分析不足,直接估计法诞生。与四阶段法出行产生、出行分布、方式划分的思路不同,直接估计模型的分析单位是单个站点,通过分析吸引范围内的土地利用、接驳特性、站点运营等因素,直接反映站点周边建成环境与乘降客流量相关性。
发明内容
为了完善现有轨道交通客流预测方法,克服现有技术的不足,本发明提供一种城市轨道交通站点进出站客流预测方法。
为了实现上述技术目的,本发明的技术方案为:
一种城市轨道交通站点进出站客流预测方法,包含以下步骤:
(1)根据自动售票系统统计既有轨道交通站点工作日平均进出站客流量;
(2)分别获取既有轨道交通站点和新开轨道交通站点周边500m范围内的建成环境要素;
(3)建立既有轨道交通站点的工作日平均进出站客流数据与其周边500m范围内的建成环境要素的回归模型,将新开轨道交通站点周边500m范围内的建成环境要素代入回归模型中,得到新开轨道交通站点的工作日平均进出站客流量预测值。
进一步地,在步骤(2)中,所述建成环境要素包括站点500m范围内住户数量、500m范围内岗位点数量、500m范围内接驳公交线路数量、500m范围内公共自行车点数量以及站点是否为端头站。
进一步地,所述站点500m范围内住户数量由电子地图上居民楼兴趣点数据和房产信息网站上居民小区数据融合获得。
进一步地,获取站点500m范围内住户数量的具体步骤如下:
(a)将房产信息网站上每个居民小区的整体住户数量和居民楼栋数相除得到每个小区内每栋居民楼理想住户数量:
popi=Ni/ni
上式中,popi为第i个居民小区内每栋居民楼理想住户数量,Ni为第i个居民小区内的整体住户数量,ni为第i个居民小区内居民楼栋数;
(b)根据各居住小区建成时间对理想住户数量进行折减,得到小区内每栋居民楼最终住户数量:
上式中,fpopi为居住小区内每栋居民楼最终住户数量,yeari为居住小区建成时间,b为预测客流当年的年份,a=b-10;
(c)将居住小区名称和电子地图获取的居民楼兴趣点名称进行配对,如果居住小区名称包含于居民楼兴趣点名称中,则配对成功,将居住小区的最终住户数量赋值给居民楼兴趣点,否则进入步骤(d);
(d)将未配对成功的居民楼兴趣点的住户数量设置为距离其最近的已配对成功的居民楼兴趣点对应的住户数量。
进一步地,在步骤(2)中,站点500m范围内岗位点数量采用电子地图POI数据中公司企业个数近似表示,站点500m范围内接驳公交线路数量通过电子地图POI公交站点属性栏对应公交线路数量获得,站点500m范围内公共自行车点数量通过爬取公共自行车官网数据获取,站点是否为端头站参考城市轨道沿线地区规划直接判断。
进一步地,所述回归模型如下:
Ridership=0.697×Household+29.257×Job+189.751×Busline
+1152.639×Bike+6895.542×Terminal-422.809
上式中,Ridership为站点客流量;Household代表站点周边500m范围内的住户数量;Job代表站点周边500m范围内的岗位点数量;Busline代表站点周边500范围内的站点的接驳公交线路数量;Bike代表站点周边500m范围内的公共自行车点数量;Terminal是一个哑元变量,表示该站点是否为端头站,是端头站则取1,不是则取0。
采用上述技术方案带来的有益效果:
(1)本发明方法可以有效预测轨道交通站点尺度的出行量。
区别于以往研究中对整条轨道线路客流的影响分析和数量的预测,本发明精确到轨道站点的尺度,通过对轨道站点周边建成环境因素的精细化研究,结合站点缓冲区内的公共交通接驳特性和站点自身的性质,有效分析出各类因素对站点客流的影响,从而更加精确的进行客流预测。
(2)本发明结合多维角度的因素对轨道客流进行预测,结果更加准确。
本发明研究重点虽在探讨建成环境因素与轨道交通站点客流之间的关系,但也引入了站点自身影响因素的考虑,即站点性质,如“是否为端头站”、“是否为换乘站”。同时还考虑了站点周边的接驳特性,即“公交线路”、“公共自行车站点数量”。考虑到多个角度的客流影响因素,并将其引入到预测方法中,能使得结果更加具有代表性和真实性。
(3)本发明巧妙采用数据融合方法,高效获取站点周边的居民住户数据。本发明将电子地图兴趣点数据与房产信息网站上数据进行融合,较为方便高效的获取到相关的住户数据,解决了其他研究中人口数据获取困难且不准确的问题。该方法极具创新性且操作简单,利用网络爬取技术对网页代码进行解析、提取和统计后,经过匹配赋值即可使用。
(4)本发明数据容易获取,计算方法简单。
本发明基于建成环境因素的考虑,利用网络爬取技术,引入电子地图POI兴趣点、房产信息网站数据等网络爬取数据,收集轨道站点周边住户数、岗位数、接驳公交线路数、公共自行车站点数量等数据。数据的真实性、可靠性高。适合一条或多条轨道线路上的站点客流的预测条件,便于更加精细化对轨道站点客流进行预测。本发明采用多元线性回归模型(OLS),构建轨道站点周边建成环境和轨道客流的直接估计模型,计算方法简单快捷,易操作,模型结果准确,适用性广。
附图说明
图1为本发明方法流程图;
图2为百度地图居民楼兴趣点和链家网居民小区的数据融合方法流程图;
图3为轨道AFC数据处理和站点客流乘降量获取方法流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
一种城市轨道交通站点进出站客流预测方法,如图1所示,具体实施步骤如下。
S11、获取轨道交通AFC交易数据,将其读入MongoDB数据库中,利用数据库查询语句,以一天为周期,统计每天各个站点的进出站客流数据,进而得到轨道站点乘降量。轨道站点乘降量指的是单位时间内轨道交通车站上车和下车的乘客数量之和(万人/d或万人/h)。
S12、轨道AFC数据处理和轨道站点乘降量的获取方法及流程参见图2。基本的步骤是通过对AFC原始数据进行一系列的处理和统计,得到最终可被直接利用的站点乘降量数据。
S21、自动售票系统(AFC,Automatic Fare Collection的缩写),是基于计算机技术、信息收集、处理技术、机械制造于一体的自动化售票、检票系统,具有很强的智能化功能。以本发明基于的南京市轨道交通2015年4月1号到30号的AFC交易数据为例,获取的AFC数据包含8个字段,分别为票类型、进站时刻、进站线路编号、进站站点编号、出站时刻、出站线路编号、出站站点编号和乘坐轨道交通总时间。
S22、基于上述字段、结合本研究对于站点乘降量与站间分布量的分析需求,依托Python将所有AFC数据读入MongoDB数据库。MongoDB数据库是一个介于关系数据库(SQL)和非关系数据库(NoSQL)之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的,查询功能强大。本发明需要同时存储处理轨道客流数据和网络爬取的POI数据等,轨道客流数据适合于采用关系型数据库,而网络爬取的数据适合采用非关系型数据库,因而MongoDB恰好能够满足两种需求。
S23、进行字段处理和统计,以1天为周期,统计每天各个站点的进出站客流数量,进而得到乘降客流数据。乘降客流数据样例见表1。由于轨道站点乘降客流具有一致性,故本发明仅以轨道站点的进站客流代表轨道站点乘降量。
表1
站点编号 | 站点名称 | 1号进站 | 1号出站 | 2号进站 | 2号出站 | …… | 30号进站 | 30号出站 |
1 | 奥体中心 | 2670 | 2867 | 2387 | 2573 | …… | 2752 | 2913 |
2 | 元通 | 13920 | 13803 | 13302 | 13335 | …… | 18134 | 17884 |
3 | 中胜 | 12756 | 12692 | 12606 | 12382 | …… | 13956 | 12685 |
…… | …… | …… | …… | …… | …… | …… | …… | …… |
S13、通过网络爬虫技术,获取网页上的站点周边建成环境数据。主要来源途径有百度开源地图、南京市公共自行车网站和链家网。从百度开源地图上获取的主要数据有:居民楼栋坐标信息、接驳公交线路信息、公交站点坐标信息和地铁站点坐标信息。从南京市公共自行车网站上获取的数据为轨道站点周边公共自行车点的数量。同时参照住房和城乡建设部于2015年11月颁布的《城市轨道沿线地区规划设计导则》,依照其中对轨道交通站点类型划分的标准,确定站点是否为端头站。从链家网上获取的主要数据有:小区名称、房屋总数、楼栋总数、建成年份和小区地址。
S14、链家网上爬取的数据需进一步处理,需要与爬取的兴趣点进行匹配后方可下一步使用,具体百度地图居民楼兴趣点和链家网居民小区的数据融合方法及流程见图3。
S31、本发明以南京市的住房信息为例,选取南京市的所有住宅小区作为研究对象,通过在链家网找小区后,可以显示南京市所有小区的建成年份、房屋总数、楼栋总数、小区均价。
S32通过对网页数据的分布和内在关系研究后,通过运用Python的BeautifulSoup、Requests库,对网页的代码解析和提取,然后写入Excel文件便可完成对链家小区的信息抓取。具体抓取步骤如下:
a.分析链家网页的数据分布和内在数据关系。链家网南京市所有的住宅小区共有4718个,并且可以按照价格、行政区划进行分类。对于在主页面显示的每一个小区,点击链接后会进入一个小区的详细介绍页面,这个页面中含有本文所需要的所有信息。通过对主页面的抓包解析可以得到该页每一个小区的详细页网络地址(URL)。
b.抓取主页面的所有网络地址(URL)。为了得到详细页的网络地址,首先要将所有主页面的网络地址进行采集。
c.抓取详细页的所有网络地址。通过对主页面的源代码进行分析,可以得到每个主页面都含有详细页的网络地址,以玄武区北京东路30号小区为例,形式如下所示:
<div class="title">
<a href="http://nj.lianjia.com/xiaoqu/1411041182705/"target="_blank">北京东路30号</a>
</div>
通过提取href的内容便可得到北京东路30号小区的详细页地址。
d.居住小区详细信息获取。通过对详细页的源代码分析,可以得到具体每个小区的楼栋数、建成年份等信息。通过对网页解析和提取,便可以得到每个小区的详细信息。
e.依据小区详细信息计算该小区平均每栋楼的住户数,折减后输出到Excel。根据每个小区的楼栋数和房屋总数(户),可以计算该小区内平均每栋楼上的居住户数,但是考虑到此数据仅仅为小区容纳的住户数量,并不是实际居住人数,根据走访和了解得知建成时间是影响入住率的一大因素。本文依据建成时间进行折减,设预测客流的当前年份为2017,折减后的结果输出到Excel如表2所示。
S33、将居住小区名称和百度地图获取的居民楼兴趣点名称进行第一次匹配,如果居住小区名称包含于居民楼兴趣点名称,则配对成功,否则进入S35;
S34、将小区的最终住户数量赋值给居民楼兴趣点。
S35、将未配对成功的居民楼兴趣点的住户数量设置为距离其最近的已配对成功的居民楼兴趣点对应的住户数量。
表2
S15、以500m作为站点缓冲区的半径,将爬取的POI数据整理(居民楼数、岗位点数、接驳公交数和公共自行车站点数)导入到ArcGIS中进行统计,利用Spatial Join工具箱,统计出缓冲区内各类建成环境的信息,并用Excel进行统计整理。
S16、采用已有成熟的最小二乘的多元线性回归模型对上述选取的建成变量因素进行建模分析。模型中因变量为“站点客流量”,自变量为“500m范围内住户数量、岗位点数量、接驳公交线路数量、公共自行车点数量、是否为端头站”。“站点客流量”为轨道交通各个站点工作日乘降量的均值,建模过程中用进站流量表示。
Ridership=0.697×Household+29.257×Job+189.751×Busline
+1152.639×Bike+6895.542×Terminal-422.809
上式中,Ridership为站点客流量(单位:人次);Household代表站点周边500m范围内的住户数量;Job代表站点周边500m范围内的岗位点数量;Busline代表站点周边500范围内的站点的接驳公交线路数量;Bike代表站点周边500m范围内的公共自行车点数量;Terminal是一个哑元变量,表示该站点是否为端头站,是端头站则取1,不是则为0。
S17、利用上述S16中的站点客流与建成环境要素回归模型,对新开站点客流进行预测。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
1.一种城市轨道交通站点进出站客流预测方法,其特征在于,包含以下步骤:
(1)根据自动售票系统统计既有轨道交通站点工作日平均进出站客流量;
(2)分别获取既有轨道交通站点和新开轨道交通站点周边500m范围内的建成环境要素;所述建成环境要素包括站点500m范围内住户数量;获取站点500m范围内住户数量的具体步骤如下:
(a)将房产信息网站上每个居民小区的整体住户数量和居民楼栋数相除得到每个小区内每栋居民楼理想住户数量:
popi=Ni/ni
上式中,popi为第i个居民小区内每栋居民楼理想住户数量,Ni为第i个居民小区内的整体住户数量,ni为第i个居民小区内居民楼栋数;
(b)根据各居住小区建成时间对理想住户数量进行折减,得到小区内每栋居民楼最终住户数量:
上式中,fpopi为居住小区内每栋居民楼最终住户数量,yeari为居住小区建成时间,b为预测客流当年的年份,a=b-10;
(c)将居住小区名称和电子地图获取的居民楼兴趣点名称进行配对,如果居住小区名称包含于居民楼兴趣点名称中,则配对成功,将居住小区的最终住户数量赋值给居民楼兴趣点,否则进入步骤(d);
(d)将未配对成功的居民楼兴趣点的住户数量设置为距离其最近的已配对成功的居民楼兴趣点对应的住户数量;
(3)建立既有轨道交通站点的工作日平均进出站客流数据与其周边500m范围内的建成环境要素的回归模型,将新开轨道交通站点周边500m范围内的建成环境要素代入回归模型中,得到新开轨道交通站点的工作日平均进出站客流量预测值。
2.根据权利要求1所述城市轨道交通站点进出站客流预测方法,其特征在于,在步骤(2)中,所述建成环境要素还包括站点500m范围内岗位点数量、500m范围内接驳公交线路数量、500m范围内公共自行车点数量以及站点是否为端头站。
3.根据权利要求2所述城市轨道交通站点进出站客流预测方法,其特征在于,在步骤(2)中,站点500m范围内岗位点数量采用电子地图POI数据中公司企业个数近似表示,站点500m范围内接驳公交线路数量通过电子地图POI公交站点属性栏对应公交线路数量获得,站点500m范围内公共自行车点数量通过爬取公共自行车官网数据获取,站点是否为端头站参考城市轨道沿线地区规划直接判断。
4.根据权利要求2所述城市轨道交通站点进出站客流预测方法,其特征在于,在步骤(3)中,所述回归模型如下:
Ridership=0.697×Household+29.257×Job+189.751×Busline+1152.639×Bike+6895.542×Terminal-422.809
上式中,Ridership为站点客流量;Household代表站点周边500m范围内的住户数量;Job代表站点周边500m范围内的岗位点数量;Busline代表站点周边500范围内的站点的接驳公交线路数量;Bike代表站点周边500m范围内的公共自行车点数量;Terminal是一个哑元变量,表示该站点是否为端头站,是端头站则取1,不是则取0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810376559.2A CN108694463B (zh) | 2018-04-25 | 2018-04-25 | 一种城市轨道交通站点进出站客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810376559.2A CN108694463B (zh) | 2018-04-25 | 2018-04-25 | 一种城市轨道交通站点进出站客流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108694463A CN108694463A (zh) | 2018-10-23 |
CN108694463B true CN108694463B (zh) | 2021-01-05 |
Family
ID=63845743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810376559.2A Active CN108694463B (zh) | 2018-04-25 | 2018-04-25 | 一种城市轨道交通站点进出站客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108694463B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447499B (zh) * | 2018-11-08 | 2022-03-22 | 中南大学 | 一种轨道交通系统成本关键要素多域交互影响分析方法 |
CN110110902B (zh) * | 2019-04-16 | 2021-03-23 | 东南大学 | 一种共享单车接驳轨道交通站点的可达性测算方法 |
CN112488419B (zh) * | 2020-12-15 | 2023-02-10 | 平安国际智慧城市科技股份有限公司 | 基于od分析的客流分布预测方法、装置、设备及存储介质 |
CN114331058B (zh) * | 2021-12-15 | 2023-04-21 | 东南大学 | 建成环境对交通运行状况影响的评估方法 |
CN114852135B (zh) * | 2022-07-08 | 2022-10-04 | 八维通科技有限公司 | 基于大数据的类轨道交通行驶预测方法 |
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 |
CN104239958A (zh) * | 2013-06-19 | 2014-12-24 | 上海工程技术大学 | 适用于城市轨道交通系统的短时客流预测方法 |
CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
CN107609706A (zh) * | 2017-09-19 | 2018-01-19 | 东南大学 | 基于网络拓扑特性构建轨道交通站点客流预测模型的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185486A1 (en) * | 2009-01-21 | 2010-07-22 | Disney Enterprises, Inc. | Determining demand associated with origin-destination pairs for bus ridership forecasting |
-
2018
- 2018-04-25 CN CN201810376559.2A patent/CN108694463B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239958A (zh) * | 2013-06-19 | 2014-12-24 | 上海工程技术大学 | 适用于城市轨道交通系统的短时客流预测方法 |
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 |
CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
CN107609706A (zh) * | 2017-09-19 | 2018-01-19 | 东南大学 | 基于网络拓扑特性构建轨道交通站点客流预测模型的方法 |
Non-Patent Citations (4)
Title |
---|
Factors influencing light-rail station boardings in the United States;Michael Kuby 等;《Transportation Research Part A: Policy and Practice》;20040331;第38卷(第3期);231-235、238 * |
Forecasting ridership for a metropolitan transit authority;Wen-Chyuan Chiang 等;《Transportation Research Part A: Policy and Practice》;20110831;第45卷(第7期);696-705 * |
王淑伟.站点周边用地特性对轨道客流影响机理研究.《中国博士学位论文全文数据库工程科技II辑》.2016,(第03期),11,19-20,37,40,50,67-71,75,83. * |
站点周边用地特性对轨道客流影响机理研究;王淑伟;《中国博士学位论文全文数据库工程科技II辑》;20160315(第03期);11,19-20,37,40,50,67-71,75,83 * |
Also Published As
Publication number | Publication date |
---|---|
CN108694463A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694463B (zh) | 一种城市轨道交通站点进出站客流预测方法 | |
CN111222744B (zh) | 基于信令数据的建成环境与轨道客流分布关系确定方法 | |
CN110753307B (zh) | 一种基于居民调查数据获取带有标签的手机信令轨迹数据方法 | |
CN110110902B (zh) | 一种共享单车接驳轨道交通站点的可达性测算方法 | |
Rodriguez et al. | Urban development around bus rapid transit stops in seven cities in Latin-America | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
CN105354770A (zh) | 一种线路类旅游产品的实时比价方法 | |
CN112734532B (zh) | 基于共享电单车借还车点数据的通勤行为识别方法 | |
CN111581315A (zh) | 一种公共服务设施可达性计算方法及装置 | |
Zheng et al. | Exploring both home-based and work-based jobs-housing balance by distance decay effect | |
CN111382330A (zh) | 一种土地用地性质识别方法、装置、电子设备及存储介质 | |
Khattak et al. | Comparative analysis of spatial knowledge and en route diversion behavior in Chicago and San Francisco: implications for advanced traveler information systems | |
CN112579718A (zh) | 一种城市用地功能的识别方法、装置及终端设备 | |
Zhao et al. | Development and validation of improved impedance functions for roads with mixed traffic using taxi GPS trajectory data and simulation | |
CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
Liu et al. | Destination estimation for bus passengers based on data fusion | |
Cheng et al. | Mining customized bus demand spots based on smart card data: A case study of the Beijing public transit system | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
Patlins et al. | The new approach for passenger counting in public transport system | |
CN104794164B (zh) | 基于开源数据识别住区车位匹配社会停车需求的方法 | |
CN112288472A (zh) | 一种基于多源大数据的街道规划需求识别方法 | |
Yao et al. | Forecasting passenger flow distribution on holidays for urban rail transit based on destination choice behavior analysis | |
CN111581318B (zh) | 一种共享单车骑行目的推断方法、装置及存储介质 | |
CN103092843A (zh) | 一种基于WebGIS的公交导乘线路信息处理方法 | |
CN104750929A (zh) | 结合网络点权的轨道交通服务效能的抗毁性测度方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Min Inventor after: Luo Jinyu Inventor after: Zhang Bin Inventor after: Wu Yunteng Inventor after: Li Guoqiang Inventor after: Li Rui Inventor before: Yang Min Inventor before: Luo Jinyu Inventor before: Wu Yunteng Inventor before: Li Guoqiang Inventor before: Li Rui |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |