CN108831147B - 一种基于数据驱动的城市公交宏观行驶波动性的观测方法 - Google Patents

一种基于数据驱动的城市公交宏观行驶波动性的观测方法 Download PDF

Info

Publication number
CN108831147B
CN108831147B CN201810510200.XA CN201810510200A CN108831147B CN 108831147 B CN108831147 B CN 108831147B CN 201810510200 A CN201810510200 A CN 201810510200A CN 108831147 B CN108831147 B CN 108831147B
Authority
CN
China
Prior art keywords
fluctuation
time
value
bus
time period
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
Application number
CN201810510200.XA
Other languages
English (en)
Other versions
CN108831147A (zh
Inventor
童长飞
徐赢颖
陈慧灵
厉旭杰
徐玉
李俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University Cangnan Research Institute
Original Assignee
Wenzhou University Cangnan Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University Cangnan Research Institute filed Critical Wenzhou University Cangnan Research Institute
Priority to CN201810510200.XA priority Critical patent/CN108831147B/zh
Publication of CN108831147A publication Critical patent/CN108831147A/zh
Application granted granted Critical
Publication of CN108831147B publication Critical patent/CN108831147B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/02Reservations, e.g. for tickets, services or events
    • G06Q10/025Coordination of plural reservations, e.g. plural trip segments, transportation combined with accommodation
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing

Landscapes

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于数据驱动的城市公交宏观行驶波动性的观测方法,包括如下步骤:S1、对所采集的公交到站数据,建立各线路的全程行驶时间数据集
Figure DDA0001672130100000011
S2、根据数据集
Figure DDA0001672130100000012
计算在时段k,百分位p上的全程行驶时间
Figure DDA0001672130100000013
S3、计算k时段线路l在p百分位下观测的全程行驶时间波动幅值
Figure DDA0001672130100000014
S4、计算k时段波动幅值满足
Figure DDA0001672130100000015
的公交线路频数Fα,p,v(k);S5、计算k时段v条件波动比值γp,v(k),γp,v(k)用于观测城市公交在k时段宏观波动值超出v阀值的比例,通过γp,v(k)可直观地观测城市公交整体的宏观波动情况。本发明具有以下优点和效果:实现基于公交数据的城市出行宏观波动性的观测,用于对比不同日期不同时段城市路网的宏观波动特点,为城市公交规划提供决策依据。

Description

一种基于数据驱动的城市公交宏观行驶波动性的观测方法
技术领域
本发明涉及智能交通领域的城市计算信息处理技术,特别涉及一种基于数据驱动的城市公交宏观行驶波动性的观测方法。
背景技术
随着信息技术的发展,国内多个城市均在公交车上安装了定位系统并建立相应云平台,实现了公交车辆的实时定位和公交到站信息的实时查询,便捷了乘客出行的信息查询,同时也提高了运营公司管理优化水平。
城市出行在工作日和周末会呈现较大的差异,在工作日的早晚高峰期呈现行驶时间高均值和高波动,在周末则呈现无明显均值峰谷但具有高波动的特点。公交行驶时间波动性的动态模型往往难以精确建模,因此当行驶时间呈现高波动性,其预报的难度将加大,增大了运营公司调度和优化的难度,进而容易导致公交班次在时空上交叉错乱,加剧公交班次在空间上分布的不均匀性。在城市中,公交行驶的波动性容易导致同一线路后班次公交追上前一班次公交,造成该时段公交密集后续较长时段无公交服务的现象,降低了公交服务质量。
当前,多数城市的公交车均实现了实时定位管理与服务,能够采集城市各线路公交的行驶数据,以此作为数据基础,需要一种有效的方法进行宏观特征刻画,用于观测城市公交的行驶波动性,进而挖掘市民的出行特点,为运营公司提供管理和优化决策。
发明内容
本发明的目的是提供一种针对各时段行驶数据的宏观特性描述方法,实现基于公交数据的城市出行宏观波动性的观测,用于对比不同日期不同时段城市路网的宏观波动特点,为城市公交规划提供决策依据。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于数据驱动的城市公交宏观行驶波动性的观测方法,包括如下步骤:
S1、对所采集的公交到站数据,建立各线路的全程行驶时间数据集
Figure BDA0001672130080000021
其中
Figure BDA0001672130080000022
指线路l具体某班次从始发站开始至终点站的行驶信息;
S2、根据数据集
Figure BDA0001672130080000023
计算在时段k,分位p上的全程行驶时间
Figure BDA0001672130080000024
分位p以百分位进行计算,p值为10,50,90;
S3、计算k时段线路l在p百分位下观测的全程行驶时间波动幅值
Figure BDA0001672130080000025
具体计算如下:
Figure BDA0001672130080000026
式(1)中,μl(k)为线路l在k时段全程行驶时间中位数值,即
Figure BDA0001672130080000027
S4、计算k时段波动幅值满足
Figure BDA0001672130080000028
的公交线路频数Fα,p,v(k),具体计算如下:
Figure BDA0001672130080000029
式(2)中,count()为计数函数,N为城市中所观测的公交线路总数,v为波动幅值的阀值;
S5、计算k时段满足v阀值条件的波动比值γp,v(k),具体计算如下:
Figure BDA0001672130080000031
式(3)中,F(k)为k时段观测集中投入运营的公交线路总数,γp,v(k)用于观测城市公交在k时段宏观波动值超出v阀值的比例,通过γp,v(k)可直观地观测城市公交整体的宏观波动情况。
进一步地,在所述步骤S1中,所述数据集
Figure BDA0001672130080000032
中,
Figure BDA0001672130080000033
具有三个维度信息,D为日期属性,可用于区分周末或工作日;T为该班次车辆始发站发车的时刻;
Figure BDA0001672130080000034
指线路l具体某班次从始发站开始至终点站的行驶时间,以分钟为单位。
进一步地,在所述步骤S2中,当p=10,时
Figure BDA0001672130080000035
的值指线路l在k时段中全程行驶时间在百分位10%时的值,代表路况良好状况下的行驶时间;当p=50时,
Figure BDA0001672130080000036
的值代表线路l在k时段全程行驶时间中位数值,反映的是k时段正常情况下行驶时间;当p=90时,
Figure BDA0001672130080000037
的值指线路l在k时段全程行驶时间在百分位90%的值,代表路况拥堵下的行驶时间。
进一步地,在所述步骤S3中,取p=90时,
Figure BDA0001672130080000038
为k时段线路l的波动上界,表示在k时段线路l在路况拥堵状况下相对正常情况需要多花的行驶时间;取p=10时,
Figure BDA0001672130080000039
为k时段线路l的波动下界,表示在k时段线路l在路况良好状况下相对正常情况少花的行驶时间。
进一步地,在所述步骤S4中,p=10计算的是波动下界超出v阀值的线路频数,p=90计算的是波动上界超出v阀值的线路频数,v阀值的常用取值为10分钟。
进一步地,在所述步骤S5中,当p=10,γp,v(k)观测的是波动下界超出v阀值的公交线路比例;当p=90,γp,v(k)观测的是波动上界超出v阀值的公交线路比例。
综上所述,本发明具有以下有益效果:根据所计算出的波动比值γp,v(k),波动比值γp,v(k)越小,代表时段k波动超出v阀值的公交线路越少,其各线路的公交行驶时间越容易被预测,有利用于管理和优化调度;波动比值γp,v(k)越大,代表该时段公交线路行驶时间超出波动阀值的比例越大,公交行驶时间越难被预测。通过γp,v(k)可直观地观测城市公交整体的宏观波动情况,可用于比较不同时段周末和工作日的波动差异,为公交运营和决策优化提供依据。其优点在于,通过百分位取值描述各时段不同路况的行驶时间,以对应时段的中位数值作为正常路况参考时间,求得良好路况和拥堵路况的行驶波动时间,并引入v阀值作为波动筛选条件,进而求得满足波动条件的公交线路频数和比值,用于观测整个城市大规模公交在不同时段上全程行驶时间的宏观波动性。本发明方法依赖参数少,适用性强,既可用于不同时段的数据对比,也可用于工作日/周末不同日期属性的数据对比,还可用于不同城市的数据对比,通过v条件波动比值可直观地观测整个城市的公交宏观波动性,为市民的出行决策、公交运营优化等提供重要的参考意义。
附图说明
图1是本发明公交宏观行驶波动性观测方法的流程步骤图;
图2是本发明公交宏观行驶波动性观测方法总流程图;
图3是本发明中苏州公交线路10根据步骤S2,在D属性为工作日不同时段k全程行驶时间
Figure BDA0001672130080000051
值曲线图;
图4是本发明中苏州公交线路10根据步骤S2,在D属性为周末不同时段k全程行驶时间
Figure BDA0001672130080000052
值曲线图;
图5是本发明中苏州公交线路根据步骤S4计算工作日不同时段k波动上界满足v条件公交线路频数Fα,p,v(k),参数p=90,v=10分钟;
图6是本发明中苏州公交线路根据步骤S4计算周末不同时段k波动上界满足v条件公交线路频数Fα,p,v(k),参数p=90,v=10分钟;
图7是本发明中苏州公交根据步骤S5计算工作日和周末不同时段k波动上界超出v条件的波动比值γp,v(k),参数p=90,v=10分钟;
图8是本发明中苏州公交根据步骤S5计算工作日和周末不同时段k波动下界超出v条件的波动比值γp,v(k),参数p=10,v=10分钟。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参考图1和图2,一种基于数据驱动的城市公交宏观行驶波动性的观测方法,其特征在于,包括如下步骤:
S1、对所采集的公交到站数据,建立各线路的全程行驶时间(从始发站到终点站的行驶时间)数据集
Figure BDA0001672130080000053
其中
Figure BDA0001672130080000054
指线路l具体某班次从始发站开始至终点站的行驶信息。
Figure BDA0001672130080000055
具有三个维度信息,D为日期属性,可用于区分周末或工作日;T为该班次车辆始发站发车的时刻;
Figure BDA0001672130080000056
指线路l具体某班次从始发站开始至终点站的行驶时间,以分钟为单位。
S2、根据数据集
Figure BDA0001672130080000061
计算在时段k,分位p上的全程行驶时间
Figure BDA0001672130080000062
并由日期属性D分为工作日数据与周末数据。时段k以20分钟为1个时隙,从整点开始计算,1小时对应3个时段。分位p以百分位进行计算,在宏观波动性观测中常用的p值为10,50,90。当p=10时
Figure BDA0001672130080000063
的值(即
Figure BDA0001672130080000064
)指线路l在k时段中全程行驶时间在百分位10%时的值,代表路况良好状况下的行驶时间;当p=50时
Figure BDA0001672130080000065
的值(即
Figure BDA0001672130080000066
)代表线路l在k时段全程行驶时间中位数值,反映的是k时段正常情况下行驶时间;当p=90时
Figure BDA0001672130080000067
的值(即
Figure BDA0001672130080000068
)指线路l在k时段全程行驶时间在百分位90%的值,代表路况拥堵下的行驶时间。
参考图3,为苏州公交线路10根据步骤S2,在D属性为工作日时不同时段下全程行驶时间
Figure BDA0001672130080000069
值,横坐标为始发站发车时刻,纵坐标为全程行驶时间百分位值,给出p值为10,50,90三条曲线,分别代表对应时段路况良好、路况正常和路况拥堵三种情况下公交从始发站至终点站的行驶时间。依据图3可见,该线路公交在工作日中,早高峰时段和晚高峰时段行驶时间大于平峰时段,且早高峰时段的路况拥堵程度要高于晚高峰时段。
参考图4,为苏州公交线路10根据步骤S2,在D属性为周末时不同时段下全程行驶时间
Figure BDA00016721300800000610
值,由图可见,在周末该线路无明显早晚高峰期。
S3、计算k时段线路l在p百分位下观测的全程行驶时间波动幅值
Figure BDA0001672130080000071
具体计算如下:
Figure BDA0001672130080000072
式(1)中,μl(k)为线路l在k时段全程行驶时间中位数值,即
Figure BDA0001672130080000073
取p=90时,
Figure BDA0001672130080000074
(即
Figure BDA0001672130080000075
)为k时段线路l的波动上界,表示k时段线路l在路况拥堵状况下相对正常情况下需要多花的行驶时间;取p=10时,
Figure BDA0001672130080000076
(即
Figure BDA0001672130080000077
)为k时段线路l的波动下界,表示k时段线路l在路况良好状况下相对正常情况下少花的行驶时间。
Figure BDA0001672130080000078
可由步骤S2计算所得。
S4、计算k时段波动幅值满足
Figure BDA0001672130080000079
条件(简称v条件)的公交线路频数Fα,p,v(k),其中p=10计算的是波动下界超出v阀值的线路频数,p=90计算的是波动上界超出v阀值的线路频数。波动幅值αp(k)由步骤S3计算所得。Fα,p,v(k)计算如下:
Figure BDA00016721300800000710
式(2)中,count()为计数函数,N为城市中所观测的公交线路总数。
参考图5,是苏州公交工作日波动上界满足v条件公交线路频数,v值取10分钟,波动上界参数取p=90,采集的数据集中公交线路数为220条线路,由图可见,在早高峰和晚高峰区间,其波动上界超出v阀值的公交线路数远高于平峰期,说明在上下班高峰期,公交在拥堵路况下全程行驶时间超出对应时段中位数值10分钟的公交线路数比平峰期要高,出行高峰增加了行驶时间的不确定性。
参考图6,是苏州公交周末波动上界满足v条件公交线路频数,v值取10分钟,波动上界参数取p=90,采集的数据集中公交线路数为220条线路,不同于工作日,周末的波动高峰出现在14:00-16:40,说明在该时段人们出行相比其他时段要活跃,进而增加了公交行驶时间的波动性。
S5、计算k时段满足v阀值条件的波动比值γp,v(k),具体计算如下:
Figure BDA0001672130080000081
式(3)中,F(k)为k时段观测集中投入运营的公交线路总数,Fα,p,v(k)通过步骤S4计算所得。γp,v(k)用于观测城市公交在k时段宏观波动值超出v阀值的比例。当p=10,γp,v(k)观测的是波动下界超出v阀值的公交线路比例;当p=90,γp,v(k)观测的是波动上界超出v阀值的公交线路比例。常用的v阀值为v=10分钟。波动比值γp,v(k)越小,代表时段k波动超出v阀值的公交线路越少,其各线路的公交行驶时间越容易被预测,有利用于管理和优化调度;波动比值γp,v(k)越大,代表该时段公交线路行驶时间超出波动阀值的比例越大,公交行驶时间越难被预测。
参考图7,是苏州公交工作日和周末不同时段下波动上界超出v条件波动比值,阀值参数v=10分钟,波动上界参数p=90。依据图7所示,在周末出现对应时段公交行驶时间波动值超出10分钟的线路数普遍大于工作日,高峰期出现在14:00-16:40发车的公交中,有约30%的线路波动上界超过10分钟;工作日中波动高峰出现在6:50-8:00发车的公交以及15:20-18:20发车的公交中。由工作日和周末的波动性比较中,虽然工作日早晚高峰的行驶均值高于周末,但是工作日早晚高峰的波动比值却比周末的下午时段低,可看出公交行驶均值与公交行驶波动性没有明确的必然联系,即某时段行驶均值高的线路未必波动也大。通俗地说,假设某路段在早晚下班高峰期普遍堵,平常通畅时段行驶只需要花10分钟,早晚高峰则需要花15分钟,从均值比较的角度,该路段早晚高峰的均值远高于平峰期,但这并不意味着该路段在早晚高峰波动很大,可能存在非常平稳的堵,具体表现在早晚高峰多数情况下都是15分钟,很少超出17分钟,也很少低于13分钟的,即高均值并不意味着高波动。例如苏州城市,在周末对应时段中多数线路的行驶时间均值低于工作日,但是周末人们出行的不可预测性使其波动变大,致使人们出行活跃期(下午至傍晚时段)公交波动上界超出阀值的线路比例远高于工作日的早晚高峰期。另一方面,由图7可见,在工作日的9:00-14:20时段发车的公交中,出现波动上界大于10分钟的线路占比非常少,所观测的210多条线路中,占比不到5%,这意味着用该时段全程行驶时间统计中位数加上10分钟作为行驶时间的上界,其统计意义上有90%的可信度,这样的线路占比可达95%以上,这为人们出行规划(例如赶火车)或公交运营公司调度提供可靠性依据。
参考图8,是苏州公交工作日和周末不同时段下波动下界超出v条件波动比值,阀值参数同图7取v=10分钟,波动下界参数p=10,反映的是路况良好情况下行驶时间超出预期的公交线路比例。由图可见,超出波动阀值的公交线路占比极低,仅在周末6:00-6:20时段路况极好的情况下有10%的线路行驶时间下界比时段中位数值低10分钟以上。这说明用时段中位数值估算各线路全程行驶时间,即使在路况最好的情况下,低于该时段中值10分钟以上的情况鲜有发生。但在路况变差的情况下(由波动上界观测),超出时段中值10分钟以上的情况发生比例则较高,尤其是在工作日的早晚高峰期和周末的下午时段,并且周末下午时段发生的比例远高于工作日时段。
参考图7和图8,进一步说明波动上界和波动下界的不对称性,波动上界具有长尾效应,在设置相同阀值的情况下,波动上界超出阀值的公交线路发生率高于波动下界。
通过γp,v(k)可直观地观测城市公交整体的宏观波动情况,可用于比较不同时段周末和工作日的波动差异,为公交运营和决策优化提供依据。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (1)

1.一种基于数据驱动的城市公交宏观行驶波动性的观测方法,其特征在于,包括如下步骤:
S1、对所采集的公交到站数据,建立各线路的全程行驶时间数据集
Figure FDA0002682804640000011
其中
Figure FDA0002682804640000012
指线路l具体某班次从始发站开始至终点站的行驶信息;
S2、根据数据集
Figure FDA0002682804640000013
计算在时段k,分位p上的全程行驶时间
Figure FDA0002682804640000014
分位p以百分位进行计算,p值为10,50,90;
S3、计算k时段线路l在p百分位下观测的全程行驶时间波动幅值
Figure FDA0002682804640000015
具体计算如下:
Figure FDA0002682804640000016
式(1)中,μl(k)为线路l在k时段全程行驶时间中位数值,即
Figure FDA0002682804640000017
S4、计算k时段波动幅值满足
Figure FDA0002682804640000018
的公交线路频数Fα,p,v(k),具体计算如下:
Figure FDA0002682804640000019
式(2)中,count()为计数函数,N为城市中所观测的公交线路总数,v为波动幅值的阀值;
S5、计算k时段满足v阀值条件的波动比值γp,v(k),具体计算如下:
Figure FDA00026828046400000110
式(3)中,F(k)为k时段观测集中投入运营的公交线路总数,γp,v(k)用于观测城市公交在k时段宏观波动值超出v阀值的比例,通过γp,v(k)可直观地观测城市公交整体的宏观波动情况;
在所述步骤S1中,所述数据集
Figure FDA0002682804640000021
中,
Figure FDA0002682804640000022
具有三个维度信息,D为日期属性,可用于区分周末或工作日;T为该班次车辆始发站发车的时刻;
Figure FDA0002682804640000023
指线路l具体某班次从始发站开始至终点站的行驶时间,以分钟为单位;
在所述步骤S2中,当p=10时,
Figure FDA0002682804640000024
的值指线路l在k时段中全程行驶时间在百分位10%时的值,代表路况良好状况下的行驶时间;当p=50时,
Figure FDA0002682804640000025
的值代表线路l在k时段全程行驶时间中位数值,反映的是k时段正常情况下行驶时间;当p=90时,
Figure FDA0002682804640000026
的值指线路l在k时段全程行驶时间在百分位90%的值,代表路况拥堵下的行驶时间;
在所述步骤S3中,取p=90时,
Figure FDA0002682804640000027
为k时段线路l的波动上界,表示在k时段线路l在路况拥堵状况下相对正常情况需要多花的行驶时间;取p=10时,
Figure FDA0002682804640000028
为k时段线路l的波动下界,表示在k时段线路l在路况良好状况下相对正常情况少花的行驶时间;
在所述步骤S4中,p=10计算的是波动下界超出v阀值的线路频数,p=90计算的是波动上界超出v阀值的线路频数,v阀值的常用取值为10分钟;
在所述步骤S5中,当p=10,γp,v(k)观测的是波动下界超出v阀值的公交线路比例;当p=90,γp,v(k)观测的是波动上界超出v阀值的公交线路比例。
CN201810510200.XA 2018-05-24 2018-05-24 一种基于数据驱动的城市公交宏观行驶波动性的观测方法 Expired - Fee Related CN108831147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810510200.XA CN108831147B (zh) 2018-05-24 2018-05-24 一种基于数据驱动的城市公交宏观行驶波动性的观测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810510200.XA CN108831147B (zh) 2018-05-24 2018-05-24 一种基于数据驱动的城市公交宏观行驶波动性的观测方法

Publications (2)

Publication Number Publication Date
CN108831147A CN108831147A (zh) 2018-11-16
CN108831147B true CN108831147B (zh) 2020-11-10

Family

ID=64145419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810510200.XA Expired - Fee Related CN108831147B (zh) 2018-05-24 2018-05-24 一种基于数据驱动的城市公交宏观行驶波动性的观测方法

Country Status (1)

Country Link
CN (1) CN108831147B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241767B (zh) * 2021-12-16 2022-11-01 深圳市鹏城交通网络股份有限公司 基于智慧交通综合数据仓城市体检数据分析方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794382A (zh) * 2010-03-12 2010-08-04 华中科技大学 一种实时公交车客流量统计的方法
CN102664805A (zh) * 2012-04-24 2012-09-12 北京航空航天大学 一种用于公交车容迟网络的预测路由方法
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN104794301A (zh) * 2015-04-30 2015-07-22 山东大学 一种探究公交车运行时间可靠性影响因素的方法
CN106448165A (zh) * 2016-11-02 2017-02-22 浙江大学 一种基于网络约租车数据的路网行程时间可靠性评价方法
CN106898142A (zh) * 2017-03-07 2017-06-27 北京航空航天大学 一种考虑路段相关性的路径行程时间可靠度计算方法
CN106935058A (zh) * 2015-12-29 2017-07-07 中国移动通信集团公司 一种公交信息推送方法、设备和系统
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6795793B2 (en) * 2002-07-19 2004-09-21 Med-Ed Innovations, Inc. Method and apparatus for evaluating data and implementing training based on the evaluation of the data
CN102956102B (zh) * 2012-11-16 2014-10-08 东南大学 一种公交车辆服务稳定性的分析方法
US20140278032A1 (en) * 2013-03-15 2014-09-18 Inrix, Inc. Traffic causality
US10664707B2 (en) * 2014-10-06 2020-05-26 Marc R. Hannah Managed access system for traffic flow optimization
CN104298881B (zh) * 2014-10-15 2017-11-17 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
US9726502B2 (en) * 2015-08-31 2017-08-08 Sap Se Route planner for transportation systems
CN106600030B (zh) * 2016-11-02 2019-11-29 浙江大学 一种基于路网行程时间可靠性的出行预留时间计算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794382A (zh) * 2010-03-12 2010-08-04 华中科技大学 一种实时公交车客流量统计的方法
CN102664805A (zh) * 2012-04-24 2012-09-12 北京航空航天大学 一种用于公交车容迟网络的预测路由方法
CN102819955A (zh) * 2012-09-06 2012-12-12 北京交通发展研究中心 基于车辆行程数据的道路网运行评价方法
CN104794301A (zh) * 2015-04-30 2015-07-22 山东大学 一种探究公交车运行时间可靠性影响因素的方法
CN106935058A (zh) * 2015-12-29 2017-07-07 中国移动通信集团公司 一种公交信息推送方法、设备和系统
CN106448165A (zh) * 2016-11-02 2017-02-22 浙江大学 一种基于网络约租车数据的路网行程时间可靠性评价方法
CN106898142A (zh) * 2017-03-07 2017-06-27 北京航空航天大学 一种考虑路段相关性的路径行程时间可靠度计算方法
CN107610469A (zh) * 2017-10-13 2018-01-19 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Timetable-based operation in urban transport: Run-time optimization and improvements in the operating process;M. Salicru, C. Fleurent, J.M. Armengol;《Transportation Research Part A: Policy and Practice》;20111031;第8卷(第45期);全文 *
基于GPS数据的公交站点区间行程时间分布与可靠性分析;汤月华;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20150815(第08期);第2.1-2.2节、第四章 *
考虑行程时间可靠性的公交可达性度量研究;张琎;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20180215(第02期);全文 *

Also Published As

Publication number Publication date
CN108831147A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
Boldrini et al. Characterising demand and usage patterns in a large station-based car sharing system
CN112990648B (zh) 一种轨道交通网络运营稳定性评估方法
CN105427594A (zh) 一种基于双向上车客流的公交断面客流量获取方法及系统
Eliasson Forecasting travel time variability
CN116051052A (zh) 一种数字可视化汽车道路救援智能管理平台
Du et al. Bus bunching identification using smart card data
Levinson et al. Assessing the benefits and costs of intelligent transportation systems: the value of advanced traveler information systems
CN108831147B (zh) 一种基于数据驱动的城市公交宏观行驶波动性的观测方法
CN112686417A (zh) 一种地铁大客流预测方法、系统及电子设备
Eliasson The relationship between travel time variability and road congestion
CN112288122A (zh) 一种基于客流od大数据的公交快速通勤线路设计方法
CN112289065B (zh) 一种基于精准od大数据的定制公交线路设计方法及系统
CN114078322B (zh) 一种公交运行状态评价方法、装置、设备及存储介质
CN117409492A (zh) 路内智慧停车无人化运营管理方法及系统
CN105550785A (zh) 一种基于换乘能力匹配的枢纽接驳公交场站设置方法
CN111367900B (zh) 基于afc数据的城市轨道交通网络常态限流强度的计算方法
CN113269957A (zh) 一种停车场车位调度系统及方法
CN110674967A (zh) 一种不确定行车时间下快递车辆路径鲁棒优化方法
Al-Deek et al. Dynamic message sign deployment and diversion behavior of travelers on Central Florida toll roads
Vu et al. Telecommuting and its impacts on vehicle-km travelled
Kimpel et al. Time point-level analysis of passenger demand and transit service reliability
CN111191922A (zh) 一种基于大数据的乘车高峰期统计方法
CN117408436B (zh) 一种公交线路站点之间客流人数估计方法及系统
CN113066304B (zh) 一种应用城市大脑云平台的交通容量配置系统
Cheng et al. A multiscale demand and supply model for oversaturated dynamic transportation queueing systems 2

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

Granted publication date: 20201110

CF01 Termination of patent right due to non-payment of annual fee