CN109034566A - 一种基于公交站点上下客流的智能调度方法及装置 - Google Patents
一种基于公交站点上下客流的智能调度方法及装置 Download PDFInfo
- Publication number
- CN109034566A CN109034566A CN201810756652.6A CN201810756652A CN109034566A CN 109034566 A CN109034566 A CN 109034566A CN 201810756652 A CN201810756652 A CN 201810756652A CN 109034566 A CN109034566 A CN 109034566A
- Authority
- CN
- China
- Prior art keywords
- website
- bus
- time
- regular bus
- passenger flow
- 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 37
- 238000007619 statistical method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 7
- 210000000352 storage cell Anatomy 0.000 claims description 7
- 238000003490 calendering Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 230000002269 spontaneous effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于公交站点上下客流的班车智能调度方法及装置,所述方法包括以下步骤:(1)对历史客流数据进行统计分析:步骤11:利用视频客流分析系统获取各个站点的历史上下客流规律,获得历史客流数据;步骤12:对具有相同条件的数个日期指标,通过历史客流数据,计算班车在各个时间点、各个站点的上下车客流量平均值;步骤13:计算站点间在不同时间段的路准时间;(2)确定第二天的车辆排班结果。本发明智能调度方法可切合市民的出行需求,有效的优化公交车的发车班次,提高运输效率和市民对公交出行的满意度,增强市民公交出行优先的意识,降低了车辆运营公司的运营成本,同时也可间接的减少车辆尾气排放及电力消耗,优化对交通突发事件的处理效率。
Description
技术领域
本发明属于交通技术领域,具体涉及一种基于公交站点上下客流的智能调度方法及装置。
背景技术
近年来,随着中国经济的飞速发展,人民生活水平的不断提升,城市化水平不断提高,越来越多的人涌入城市,导致了城市交通越来越拥堵。在国家大力倡导绿色出行下,公共交通的快速发展成为解决城市交通拥堵、汽车尾气污染最行之有效的方法。目前最为普及的公共出行方式就是公交车,但是对公交车的排班调度方面却依旧只是根据司机的驾驶经验来确定发班的时间计划,甚至是固定发班,在满足广大乘客出行需求的层面上仍有很大的提升空间。
发明内容
在现有技术的基础上,为了进一步提升乘客的出行满意度,本发明采用精准的客流统计结合站点匹配计算,结合历史数据,可以清晰的预判班车在某个具体的时间、具体的站点的具体上下车客流量,分析班车在各条线路、各个站点间的路准时间,智能调整发车间隔和发车班次,以切合乘客的乘车需求,提高班车的运输效率。
本发明的技术方案为:
一种基于公交站点上下客流的班车智能调度方法,其特征在于:包括以下步骤:
(1)对历史客流数据进行统计分析,过程为:
步骤11:利用视频客流分析系统获取各个站点的历史上下客流规律,获得历史客流数据,所述历史客流数据包括车辆的上、下车乘客数量,以及上下车时间;
步骤12:对具有相同条件的数个日期指标,通过历史客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值;
步骤13:统计站点间在所述数个日期指标中不同时间段的路准时间平均值,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
(2)确定未来某天的车辆排班结果,过程如下:
步骤21,根据已知的线路首末班时间,模拟发出第一班车;
步骤22,根据所述未来某天符合的条件,从步骤(1)获得的统计分析结果中提取对应的数据,根据预设的发车条件,依次确定始发站后续各趟班车的发车时间;
步骤23,输出所述未来某天的排班结果;
所述步骤22包括:
步骤221,根据站点间在不同时间段的所述路准时间,依次计算始发站所发班车到达后续站点的时间;当模拟发出的班车到达某一站点时,针对该班车,依次计算以下几个指标:①计算在当前站点之前,该班车已经行驶经过的所有站点在当下的总候车人数P,其中n为班车行驶经过的所有站点数,n为不小于1的自然数,pi为行驶经过的站点中的某一个站点的候车人数;②计算已经行驶过的所有站点的加权候车时间T,其中P为所述总候车人数,n为所述班车行驶经过的所有站点数,Ti为行驶经过的站点中的某一个站点的加权候车时间,其中,pj’为该驶过站点的某单位时间内产生的候车人数,tj为所述某单位时间内产生的候车人的候车时间,所述候车时间为从候车开始到上车的时间差,且所述时间差以所述单位时间为最小计时单位,k为该驶过车站候车人在当下等候的单位时间的最大量,k为不小于1的自然数;③计算车内人数,再计算车辆的实载率r,实载率r=车内人数/车辆核载人数;④计算班车自发车时起到所述某一站点的时间T’,T’为所述班车自发车时起到所述某一站点所经历的所有路准时间之和;
步骤222,针对当前班车,判断是否满足以下任意一个条件,包括:①P大于等于预设指标,②T大于等于预设指标,③r大于等于预设指标,④T’大于等于最小发车间隔,若满足任一条件,则发车,并对新发的一班车继续执行步骤221和判断是否满足发车条件;否则,判断当前班车的班次是否是已经是最后一个班次,若是,则排班结束,若否,车辆到达下一站继续步骤221和判断是否满足发车条件;
步骤223,若该班车已经达到终点时,仍然没有达到步骤222中的任意一个发车条件,则以要求的最小发车间隔发出下一班车。
在上述方案的基础上,进一步改进或优选的方案还包括:
所述的具有相同条件的数个日期指标是指同为工作日或节假日,或同为工作日/节假日的某一天,或具有相同气象条件的工作日/节假日,或具有相同气象条件的某一天。
所述的数个日期指标是指最近的6-12个具有相同条件的日期。
进一步的,所述步骤12中,计算班车在各个时间点、各个站点的上下车客流量平均值包括:将客流量以二维矩阵MF表示,MF的形状为m*1440,其中m为班车线路设置站点的数量,1440表示对历史客流数据的统计分析精度达到每一分钟。
进一步的,所述步骤13中,将所述路准时间以二维矩阵ML表示,ML的形状为144*(m-1),所述矩阵ML中的m为线路所设站点的数量,144表示对数据的统计分析精度达到每十分钟。
进一步的,所述步骤222中的发车条件,包括:①P>=13人,②高峰期T>=10min或者平峰期T>=15min,③r>=120%,④T’>=最小发车间隔40min。
一种基于公交站点上下客流的班车智能调度装置,包括视频客流分析系统和后台排班系统,所述视频客流分析系统通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,统计出各个站点上下车辆的乘客数量以及上下车的时间,其特征在于,所述后台排班系统包括:
数据存储单元,与视频客流分析系统连接,接收并存储通过视频客流分析系统获取的历史客流数据;
匹配模块,根据待排班日具备的条件,匹配出与排班日具有相同条件且最接近的数个日期;
计算单元,根据匹配模块的分析结果,以具有相同条件的数个日期为指标,从所述数据存储单元中调取对应各日期指标的历史客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值,以及统计站点间在所述数个日期指标中不同时间段的路准时间平均值,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
仿真模拟单元,根据预设的线路首末班时间,模拟发出待排班日的第一班车,以计算单元输出的结果模拟待排班日的客流数据和路准时间,根据预设的发车条件依次确定始发站后续各趟班车的发车时间,得到排班结果;
输出单元,以显示或打印的方式将仿真模拟单元的所述排班结果输出。
所述仿真模拟单元的排班过程包括:
步骤221,根据站点间在不同时间段的所述路准时间,依次计算始发站所发班车到达后续站点的时间;当模拟发出的班车到达某一站点时,针对该班车,依次计算以下几个指标:①计算在当前站点之前,该班车已经行驶经过的所有站点在当下的总候车人数P,其中n为班车行驶经过的所有站点数,n为不小于1的自然数,pi为行驶经过的站点中的某一个站点的候车人数;②计算已经行驶过的所有站点的加权候车时间T,其中P为所述总候车人数,n为所述班车行驶经过的所有站点数,Ti为行驶经过的站点中的某一个站点的加权候车时间,其中,pj’为该驶过站点的某单位时间内产生的候车人数,tj为所述某单位时间内产生的候车人的候车时间,所述候车时间为从候车开始到上车的时间差,且所述时间差以所述单位时间为最小计时单位,k为该驶过车站候车人在当下等候的单位时间的最大量,k为不小于1的自然数;③计算车内人数,再计算车辆的实载率r,实载率r=车内人数/车辆核载人数;④计算班车自发车时起到所述某一站点的时间T’,T’为所述班车自发车时起到所述某一站点所经历的所有路准时间之和;
步骤222,针对当前班车,判断是否满足以下任意一个条件,包括:①P大于等于预设指标,②T大于等于预设指标,③r大于等于预设指标,④T’大于等于最小发车间隔,若满足任一条件,则发车,并对新发的一班车继续执行步骤221和判断是否满足发车条件;否则,判断当前班车的班次是否是已经是最后一个班次,若是,则排班结束,若否,车辆到达下一站继续步骤221和判断是否满足发车条件;
步骤223,若该班车已经达到终点时,仍然没有达到步骤222中的任意一个发车条件,则以要求的最小发车间隔发出下一班车;
记录上述步骤中产生的所有满足发车条件的时间,整理出排班结果。
进一步的,所述数据存储单元包括载有气象信息的日历模块,所述日历模块与匹配模块和外部的气象信息服务系统连接,实时更新气象信息,为匹配模块提供包括未来日期气象信息的数据调用服务。
有益效果:
本发明智能调度方法及装置可切合市民的出行需求,有效的优化公交发车班次,提高运输效率和市民对公交出行的满意度,增强市民公交出行优先的意识,降低了车辆运营公司的运营成本,同时也可间接的减少车辆尾气排放及电力消耗,优化对交通突发事件的处理效率。
附图说明
图1为本发明的基于公交站点上下客流的班车智能调度方法的流程示意图。
图2为本发明的基于公交站点上下客流的班车智能调度装置的流程示意图。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面结合附图与具体实施例对本发明做详细的介绍。本实施例中,所述班车包括但不限于公交公司的公交车辆,也包括与公交车采用类似运行模式的企业班车、大巴车辆、地铁等。
实施例一:
一种基于公交站点上下客流的班车智能调度方法,包括以下步骤:
(1)对历史客流数据进行统计分析,过程如下:
步骤11:利用视频客流分析系统获取各个站点的历史上下客流规律,获得历史客流数据,所述历史客流数据包括车辆的上、下车乘客数量,以及上下车时间;
步骤12:对具有相同条件的数个日期指标,通过历史客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值;
步骤13:统计站点间在所述日期指标中不同时间段的路准时间,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
(2)确定未来某天的车辆排班结果,具体过程如下:
步骤21,根据已知的线路首末班时间,模拟发出第一班车;
步骤22,根据所述未来某天符合的条件,从步骤(1)获得的统计分析结果中提取对应的数据,根据预设的发车条件,依次确定始发站后续各趟班车的发车时间;
步骤23,输出所述未来某天的排班结果;
下面以图1所示的一种实施例,对上述方法步骤做详细的描述,本文中的“*”号表示相乘。
(1)对历史客流数据进行统计分析:
步骤11,从智能视频客流分析系统获取各个站点的历史上下客流规律,具体为:所述智能视频客流分析系统通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,通过深度学习算法进行视频客流跟踪,统计出各个站点上下车辆的乘客数量,及上下车的时间,从而获得历史客流数据,所述视频客流分析系统为现有技术,此处不再详述。所述的具有相同条件的数个日期指标是指最近的若干个相同的工作日、节假日,或具有相同气象条的工作日等,例如,统计最近的6-12个周一工作日,6-12个周日休息日,6-12个相同天气的周几等,以附加气象条件的相同日期为优选指标,例如统计最近8个下雨天的周一等。
步骤12,对具有相同条件的数个日期指标,通过历史客流数据,计算班车在各个时间点、各个站点的上下车客流量平均值,具体为:通过对所述历史客流数据进行统计分析,对所述数个相同条件下的日期指标计算各个时间点、各个站点的上下车客流量平均值,客流量以二维矩阵MF表示,MF的形状为m*1440,其中m为所述线路设置站点的数量,1440表示对历史客流数据的统计分析精度达到每一分钟(一天24小时包括1440分钟)。
例如,在过去最近的8个相同的下雨天周一,在8:01-8:10这段时间内,在站点2,上客人数依次为5,5,3,1,2,7,7,2,下客人数依次为4,0,4,2,1,3,5,5,那么这8个周一里平均每天站点2在8:01-8:10的上客人数为
(5+5+3+1+2+7+7+2)/8=4,下客人数为(4+0+4+2+1+3+5+5)/8=3。所以在站点2,8:00-8:10这个时间段,可以认为每分钟会出现0.4个人到达站点开始候车将上车,0.3个人将要下车,因此[(0.4,0.3),(0.4,0.3),(0.4,0.3),…,(0.4,0.3)]会出现在矩阵MF中,所述MF矩阵包含下述表1中的内容。
表1:不同站点不同时间的上下客流量(单位:人)
步骤13,统计站点间在不同时间段的路准时间,所述路准时间为车辆从上一个站点到相邻的下一个站点之间所用的时间,具体为:对所述历史客流数据进行统计分析,对所述的相同条件下的日期指标计算各个站点在各个时间段的路准时间平均值,路准时间以二维矩阵ML表示,ML的形状为144*(m-1),矩阵ML中的m为线路所设站点的数量,144表示对数据的统计分析精度达到每十分钟(一天24小时包括144个十分钟)。
例如在过去最近的8天相同的下雨天的周一,在时间段8:01-8:10从站点1出发的车辆,所述车辆从站点1到站点2所用的时间如下(单位:分钟):第一天,有4辆车从站点1出发,每辆车从站点1到达站点2所用的时间分别是3,2,4,5;第二天,有4辆车从站点1出发,每辆车从站点1到达站点2所用的时间分别是2,2,3,6;第三天,有5辆车从站点1出发,每辆车从站点1到达站点2所用的时间分别是4,5,6,7,8;第四天,…,第八天,有4辆车从站点1出发,每辆车从站点1到达站点2所用的时间分别是2,3,4,5。求以上数据的平均值,假设是4分钟,那么在8:01-8:10时间段内,从站点1到站点2的路准时间1为4分钟。如表2所示,其中所述路准时间1表示从站点1到站点2的时间,路准时间2表示站点2到站点3的时间,以此类推其它路准时间。
表2:不同时间的路准时间(单位:min)
(2)确定第二天的公交车排班结果:
步骤21:根据已知的线路首末班时间,模拟发出第一班车;
步骤22:判断所述第二天符合的条件,本实施例以第二天为下雨天的周一为例,从步骤(1)的统计分析结果中提取对应的数据,如表1、表2,根据预设的发车条件,模拟发车和依次确定始发站后续各趟班车的发车时间;
所述步骤22的具体过程包括:
步骤221,根据上面统计的下雨天周一各站点间在不同时间段的所述路准时间,计算始发站所发班车到达下一个站点的时间;当模拟发出的班车到达某一站点时,依次计算以下几个指标:①计算在当前站点之前,该班车已经行驶经过的所有站点在当下的总候车人数P,其中n为班车行驶经过的所有站点数,n为不小于1的自然数,pi为行驶经过的站点中的某一个站点的候车人数;②计算已经行驶过的所有站点的加权候车时间T,其中P为所述总候车人数,n为所述班车行驶经过的所有站点数,Ti为行驶经过的站点中的某一个站点的总候车时间,其中,pj’为该驶过站点的某单位时间内产生的候车人数,tj为所述某单位时间内产生的候车人的候车时间,所述候车时间为从候车开始到上车的时间差,且所述时间差以所述单位时间为最小计时单位,k为该驶过车站候车人在当下等候的单位时间的最大量,k为不小于1的自然数,这里的pi与pj’的关系为本实施例中将所述单位时间设为1分钟(参见下文中的计算过程);③计算车内人数,再计算车辆的实载率r,实载率r=车内人数/车辆核载人数;④计算班车自发车时起到所述某一站点的时间T’,T’为所述班车自发车时起到所述某一站点所经历的所有路准时间之和;
步骤222,判断是否满足以下任意一个发车条件,即①P>=13人,②高峰期T>=10min或者平峰期T>=15min,③r>=120%,④T’>=最小发车间隔,比如最小发车间隔为40min,若满足,则发车;否则,继续判断当前班次是否是已经是最后一个班次,若是,则排班结束,若否,车辆到达下一站继续步骤221;所述高峰期和所述平峰期是公交公司对客流量大小的一个定性的定义,所述高峰期一般在上午7:30-9:30和下午16:00-17:30,其它时间为所述平峰期。
表3为四项判断指标的计算结果,以下为四个参数的计算过程。
(1)班车到达某一站的时间计算:从表2中看出,假设始发站发车时间为08:01,路准时间1为4min,08:05车辆到达站点2,08:04时的路准时间2为4min,08:09车辆到达站点3,08:09时的路准时间3为6min,08:15到达站点4,08:15时的路准时间4为2mim,08:17到达站点5,08:17时的路准时间5为4min,则08:21到达站点6,……。并假设本次班次之前的上一班车发车时间在07:53,根据上述规则可以得出所述上一班车在07:57到达站点2,在08:02到达站点3,08:08到达站点4,08:10到达站点5。
(2)总候车人数P:从表1中可以看出,当车辆到达站点2时,n=1,总候车人数P为08:01-08:05在站点1的候车总人数,即为0.5+0.5+0.5+0.5+0.5=2.5人;同样的,当车辆到达站点3(08:09)时,n=2,总候车人数P为08:01-08:09在站点1的候车总人数p1加上08:05-08:09在站点2的候车人数p2,
(0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.5)+(0.4+0.4+0.4+0.4+0.4)=6.5人;同样的,当车辆到达站点4(08:15)时,总候车人数P为:08:01-08:15在站点1的候车总人数加上08:05-08:15在站点2的候车人数加上08:09-08:15在站点3的候车人数,(0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.5+0.6+0.6+0.6+0.6+0.6)+(0.4+0.4+0.4+0.4+0.4+0.4+0.5+0.5+0.5+0.5+0.5)+
(0.5++0.5+0.5+0.5+0.5+0.5+0.5)=16.4。
(3)加权候车时间T:当车辆到达站点2时,n=1,加权候车时间即(0.5*4+0.5*3+0.5*2+0.5*1+0.5*0)/(0.5+0.5+0.5+0.5+0.5)=2min;当车辆到达站点3时,n=2,站点1的总候车时间T1为08:01-08:09时间内在站点1的候车总人数乘对应的等车时间的加和,为(0.5*8+0.5*7+0.5*6+0.5*5+0.5*4+0.5*3+0.5*2+0.5*1+0.5*0)=18min,站点2的总候车时间T2为08:05-08:09在站点2的候车人数乘对应的候车时间的加和(候车时间从等车开始到上车的时间),比如在站点2,08:05有0.4人候车,如果此时触发发出下一班车,那么这0.4个人的等车时间为08:05-08:09的时间差4mim加上路准时间1的4min,即等车时间为8min。所以站点2的总候车时间T2为[0.4*(4+4)+0.4*(4+3)+0.4*(4+2)+0.4*(4+1)+0.4*(4+0)]=12min。最终得出加权候车时间T=(18+12)/6.5=4.62min。
(4)实载率r计算:当车辆到达站点2时,实载率r为车内人数/车辆核载人数,这里假设车辆核载人数为20人,站点2车内人数为站点1和站点2的上车人数-站点2的下车人数,其中站点1上车人数等于上一班车在站点1发车时间与本次班车在站点1发车时间的间隔内的候车人数,即07:53-08:01之间的候车人数,此数据可以从表1可以看出,这段时间内的候车人数为0.7*8+0.5=6.1人,即本次班车在站点1有6.1人上车,同样的,本次班车在站点2的上车人数为07:57-08:05内的在站点2的候车人数,即为0.5+0.5+0.5+0.5+0.4+0.4+0.4+0.4+0.4=4人,本次班车在站点2的下车人数为07:57-08:05内的在站点2的将要下车人数,即为0.4+0.4+0.4+0.4+0.3+0.3+0.3+0.3+0.3=3.1人;最终得出本次班车在站点2的车内人数6.1+4-3.1=7人,所以实载率r=7/20=35%。当车辆到达站点3时,车内人数为所述车辆到达站点2的车内人数+站点3的上车人数-站点3的下车人数;其中站点3的上车人数为08:02-08:09之间在站点3的候车人数,即为:0.5*8=4人,其中站点3的下车人数为08:02-08:09之间在站点3的将要下车人数,即为:0.3*8=2.4人,最终得出本次班车在站点3的车内人数7+4-2.4=8.6人,所以实载率r=8.6/20=43%。
(5)班车自发车时起到所述某一站点的时间T’,当车辆到达站点2时,T’为路准时间1即为4min;当车辆到达站点3时,T’为路准时间1加路准时间2即为4+4=8min。
表3四项判断指标的计算结果
通过对上述参数的计算,当所发班车到达站点4时(08:15),总候车时间P为16.4人,满足条件p>=13人,即08:15从始发站发出下一班车辆,上述计算过程结束,开始新一轮的计算,以从始发站发出的下一班车辆为依据,再计算下下一班车辆的发车时间。
步骤223,若所述所发班车已经达到终点时,仍然没有达到步骤(2)中的任意一个发车条件,则以要求的最小发车间隔发出下一班车。
步骤23,输出第二天智能排班的结果。
实施例二:
下面以图2所示的另一种实施例,对该发明中装置部分做详细的描述。
一种基于公交站点上下客流的班车智能调度装置,包括视频客流分析系统和后台排班系统,所述视频客流分析系统通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,统计出各个站点上下车辆的乘客数量以及上下车的时间,其特征在于,所述后台排班系统包括:
数据存储单元,与视频客流分析系统连接,接收并存储通过视频客流分析系统获取的历史客流数据,并设有载有气象信息的日历模块,所述日历模块与匹配模块和外部的气象信息服务系统连接,实时更新气象信息,为匹配模块提供包括未来日期气象信息的数据调用服务;
匹配模块,根据待排班日具备的条件,匹配出与排班日具有相同条件且最接近的数个日期,例如相同的工作日/节假日,相同天气的工作日/节假日;
计算单元,根据匹配模块的分析结果,以具有相同条件的数个日期为指标,从所述数据存储单元中调取对应各日期指标的历史客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值,以及统计站点间在所述数个日期指标中不同时间段的路准时间平均值,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
仿真模拟单元,根据预设的线路首末班时间,模拟发出待排班日的第一班车,以计算单元输出的结果模拟待排班日的客流数据和路准时间,根据预设的发车条件依次确定始发站后续各趟班车的发车时间,得到排班结果;
输出单元,以显示或打印的方式将仿真模拟单元的所述排班结果输出。
本实施例提供了用于完成实施例一方法的载体装置,步骤221至步骤223在所述仿真模拟单元中完成,仿真模拟单元记录上述步骤中产生的所有满足发车条件的时间点后,整理出排班结果,通过输出单元输出。所述计算单元对客流量及路准时间的计算方法同实施例一,此处不再复述。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,本发明要求保护范围由所附的权利要求书、说明书及其等效物界定。
Claims (9)
1.一种基于公交站点上下客流的班车智能调度方法,其特征在于,包括以下步骤:
(1)对历史客流数据进行统计分析,过程为:
步骤11:利用视频客流分析系统获取各个站点的历史上下客流规律,获得历史客流数据,所述历史客流数据包括车辆的上、下车乘客数量,以及上下车时间;
步骤12:对具有相同条件的数个日期指标,通过历史客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值;
步骤13:统计站点间在所述数个日期指标中不同时间段的路准时间平均值,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
(2)确定未来某天的车辆排班结果,过程如下:
步骤21,根据已知的线路首末班时间,模拟发出第一班车;
步骤22,根据所述未来某天符合的条件,从步骤(1)获得的统计分析结果中提取对应的数据,根据预设的发车条件,依次确定始发站后续各趟班车的发车时间;
步骤23,输出所述未来某天的排班结果;
所述步骤22包括:
步骤221,根据站点间在不同时间段的所述路准时间,依次计算始发站所发班车到达后续站点的时间;当模拟发出的班车到达某一站点时,针对该班车,依次计算以下几个指标:①计算在当前站点之前,该班车已经行驶经过的所有站点在当下的总候车人数P,其中n为班车行驶经过的所有站点数,n为不小于1的自然数,pi为行驶经过的站点中的某一个站点的候车人数;②计算已经行驶过的所有站点的加权候车时间T,其中P为所述总候车人数,n为所述班车行驶经过的所有站点数,Ti为行驶经过的站点中的某一个站点的总候车时间,其中,pj’为该驶过站点在某单位时间内产生的候车人数,tj为所述某单位时间内产生的候车人的候车时间,所述候车时间为从候车开始到上车的时间差,且所述时间差以所述单位时间为最小计时单位,k为该驶过站点候车人目前等候的单位时间的最大数量,k为不小于1的自然数;③计算车内人数,再计算车辆的实载率r,实载率r=车内人数/车辆核载人数;④计算班车自发车时起到所述某一站点的时间T’,T’为所述班车自发车时起到所述某一站点所经历的所有路准时间之和;
步骤222,针对当前班车,判断是否满足以下任意一个条件,包括:①P大于等于预设指标,②T大于等于预设指标,③r大于等于预设指标,④T’大于等于最小发车间隔,若满足任一条件,则发车,并对新发的一班车继续执行步骤221和判断是否满足发车条件;否则,判断当前班车的班次是否是已经是最后一个班次,若是,则排班结束,若否,车辆到达下一站继续步骤221和判断是否满足发车条件;
步骤223,若该班车已经达到终点时,仍然没有达到步骤222中的任意一个发车条件,则以要求的最小发车间隔发出下一班车。
2.根据权利要求1所述的一种基于公交站点上下客流的班车智能调度方法,其特征在于,所述的具有相同条件的数个日期指标是指同为工作日或节假日,或同为工作日/节假日的某一天,或具有相同气象条件的工作日/节假日,或具有相同气象条件的工作日/节假日的某一天。
3.根据权利要求1或2所述的一种基于公交站点上下客流的班车智能调度方法,其特征在于,所述的数个日期指标是指最近的6-12个具有相同条件的日期。
4.根据权利要求1所述的一种基于公交站点上下客流的班车智能调度方法,其特征在于,所述步骤12中,计算班车在各个时间点、各个站点的上下车客流量平均值:将客流量以二维矩阵MF表示,MF的形状为m*1440,其中m为班车线路设置站点的数量,1440表示对历史客流数据的统计分析精度达到每一分钟。
5.根据权利要求1所述的一种基于公交站点上下客流的班车智能调度方法,其特征在于,所述步骤13中,将所述路准时间以二维矩阵ML表示,ML的形状为144*(m-1),所述矩阵ML中的m为线路所设站点的数量,144表示对数据的统计分析精度达到每十分钟。
6.根据权利要求1所述的一种基于公交站点上下客流的班车智能调度方法,其特征在于,所述步骤222中的发车条件,包括:①P>=13人,②高峰期T>=10min或者平峰期T>=15min,③r>=120%,④T’>=最小发车间隔40min。
7.一种基于公交站点上下客流的班车智能调度装置,包括视频客流分析系统和后台排班系统,所述视频客流分析系统通过在车辆前后门安装的摄像装置识别乘客上下车图像,并分析乘客运动轨迹,统计出各个站点上下车辆的乘客数量以及上下车的时间,其特征在于,所述后台排班系统包括:
数据存储单元,与视频客流分析系统连接,接收并存储通过视频客流分析系统获取的历史客流数据;
匹配模块,根据待排班日具备的条件,匹配出与排班日具有相同条件且最接近的数个日期;
计算单元,根据匹配模块的分析结果,以具有相同条件的数个日期为指标,从所述数据存储单元中调取对应各日期指标的客流数据,计算班车在所述日期指标中的各个时间点、各个站点的上下车客流量平均值,以及统计站点间在所述数个日期指标中不同时间段的路准时间平均值,所述路准时间为班车从上一个站点到相邻的下一个站点之间所用的时间;
仿真模拟单元,根据预设的线路首末班时间,模拟发出待排班日的第一班车,以计算单元输出的结果模拟待排班日的客流数据和路准时间,并根据预设的发车条件依次确定始发站后续各趟班车的发车时间,得到排班结果;
输出单元,以显示或打印的方式将仿真模拟单元的所述排班结果输出。
8.根据权利要求7所述的一种基于公交站点上下客流的班车智能调度装置,其特征在于,所述仿真模拟单元的排班过程包括:
步骤221,根据站点间在不同时间段的所述路准时间,依次计算始发站所发班车到达后续站点的时间;当模拟发出的班车到达某一站点时,针对该班车,依次计算以下几个指标:①计算在当前站点之前,该班车已经行驶经过的所有站点在当下的总候车人数P,其中n为班车行驶经过的所有站点数,n为不小于1的自然数,pi为行驶经过的站点中的某一个站点的候车人数;②计算已经行驶过的所有站点的加权候车时间T,其中P为所述总候车人数,n为所述班车行驶经过的所有站点数,Ti为行驶经过的站点中的某一个站点的总候车时间,其中,pj’为该驶过站点的某单位时间内产生的候车人数,tj为所述某单位时间内产生的候车人的候车时间,所述候车时间为从候车开始到上车的时间差,且所述时间差以所述单位时间为最小计时单位,k为该驶过车站候车人在当下等候的单位时间的最大数量,k为不小于1的自然数;③计算车内人数,再计算车辆的实载率r,实载率r=车内人数/车辆核载人数;④计算班车自发车时起到所述某一站点的时间T’,T’为所述班车自发车时起到所述某一站点所经历的所有路准时间之和;
步骤222,针对当前班车,判断是否满足以下任意一个条件,包括:①P大于等于预设指标,②T大于等于预设指标,③r大于等于预设指标,④T’大于等于最小发车间隔,若满足任一条件,则发车,并对新发的一班车继续执行步骤221和判断是否满足发车条件;否则,判断当前班车的班次是否是已经是最后一个班次,若是,则排班结束,若否,车辆到达下一站继续步骤221和判断是否满足发车条件;
步骤223,若该班车已经达到终点时,仍然没有达到步骤222中的任意一个发车条件,则以要求的最小发车间隔发出下一班车;
记录上述步骤中产生的所有满足发车条件的时间点,整理出排班结果。
9.根据权利要求7所述的一种基于公交站点上下客流的班车智能调度装置,其特征在于,所述数据存储单元包括载有气象信息的日历模块,所述日历模块与匹配模块和外部的气象信息服务系统连接,实时更新气象信息,为匹配模块提供包括未来日期气象信息的数据调用服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810756652.6A CN109034566B (zh) | 2018-07-11 | 2018-07-11 | 一种基于公交站点上下客流的智能调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810756652.6A CN109034566B (zh) | 2018-07-11 | 2018-07-11 | 一种基于公交站点上下客流的智能调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034566A true CN109034566A (zh) | 2018-12-18 |
CN109034566B CN109034566B (zh) | 2019-06-11 |
Family
ID=64640772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810756652.6A Active CN109034566B (zh) | 2018-07-11 | 2018-07-11 | 一种基于公交站点上下客流的智能调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034566B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948902A (zh) * | 2019-02-13 | 2019-06-28 | 广州拼吧信息科技有限公司 | 对班车报名乘客和司机车辆进行智能分配的方法 |
CN110009153A (zh) * | 2019-04-04 | 2019-07-12 | 南京行者易智能交通科技有限公司 | 一种基于od客流的公交排班优化方法及系统 |
CN111161534A (zh) * | 2019-12-19 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种基于WiFi探针的公交精准OD数据的采集系统及方法 |
WO2020252395A1 (en) * | 2019-06-14 | 2020-12-17 | Uber Technologies, Inc. | Computing timing intervals for vehicles through directional route corridors |
US11056008B2 (en) | 2017-11-27 | 2021-07-06 | Uber Technologies, Inc. | Real-time service provider progress monitoring |
CN113298350A (zh) * | 2021-04-27 | 2021-08-24 | 华录智达科技股份有限公司 | 一种基于人工智能的公交综合监管与服务系统 |
CN113635945A (zh) * | 2021-07-19 | 2021-11-12 | 交控科技股份有限公司 | 列车运行图调整方法及装置 |
CN113722874A (zh) * | 2020-12-29 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 车辆排班优化方法、装置和电子设备 |
CN113742879A (zh) * | 2020-05-14 | 2021-12-03 | 南京行者易智能交通科技有限公司 | 一种基于客流仿真模拟的排班模型的设计方法、优化方法及装置 |
CN113759934A (zh) * | 2021-09-24 | 2021-12-07 | 清华大学 | 一种校园无人小巴配置和调度方法及系统 |
CN114241770A (zh) * | 2021-12-21 | 2022-03-25 | 杭州图软科技有限公司 | 基于精确实时信息的公交调度方法及系统 |
US11300416B2 (en) | 2017-11-22 | 2022-04-12 | Uber Technologies, Inc. | Dynamic route recommendation and progress monitoring for service providers |
CN114529034A (zh) * | 2021-12-28 | 2022-05-24 | 浙江中测新图地理信息技术有限公司 | 一种基于实时客流量的景区游船智能调度方法 |
US11482111B2 (en) | 2019-07-17 | 2022-10-25 | Uber Technologies, Inc. | Computing timing intervals for vehicles through directional route corridors |
CN117495059A (zh) * | 2023-12-29 | 2024-02-02 | 天津交控科技有限公司 | 一种轨道交通运行数据分析方法及储存介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737356A (zh) * | 2012-06-13 | 2012-10-17 | 西安理工大学 | 智能公交调度排班计算方法 |
CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
-
2018
- 2018-07-11 CN CN201810756652.6A patent/CN109034566B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737356A (zh) * | 2012-06-13 | 2012-10-17 | 西安理工大学 | 智能公交调度排班计算方法 |
CN103198648A (zh) * | 2013-03-26 | 2013-07-10 | 成都希盟科技有限公司 | 用于公交系统的自适应调度方法 |
CN106355276A (zh) * | 2016-08-30 | 2017-01-25 | 郑州天迈科技股份有限公司 | 基于客流仿真分析的发车时刻表生成系统 |
Non-Patent Citations (1)
Title |
---|
张拓: "公交行车计划的模型构造与应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11300416B2 (en) | 2017-11-22 | 2022-04-12 | Uber Technologies, Inc. | Dynamic route recommendation and progress monitoring for service providers |
US11948464B2 (en) | 2017-11-27 | 2024-04-02 | Uber Technologies, Inc. | Real-time service provider progress monitoring |
US11056008B2 (en) | 2017-11-27 | 2021-07-06 | Uber Technologies, Inc. | Real-time service provider progress monitoring |
US11551556B2 (en) | 2017-11-27 | 2023-01-10 | Uber Technologies, Inc. | Real-time service provider progress monitoring |
CN109948902A (zh) * | 2019-02-13 | 2019-06-28 | 广州拼吧信息科技有限公司 | 对班车报名乘客和司机车辆进行智能分配的方法 |
CN110009153A (zh) * | 2019-04-04 | 2019-07-12 | 南京行者易智能交通科技有限公司 | 一种基于od客流的公交排班优化方法及系统 |
CN110009153B (zh) * | 2019-04-04 | 2020-07-03 | 南京行者易智能交通科技有限公司 | 一种基于od客流的公交排班优化方法及系统 |
WO2020252395A1 (en) * | 2019-06-14 | 2020-12-17 | Uber Technologies, Inc. | Computing timing intervals for vehicles through directional route corridors |
US11482111B2 (en) | 2019-07-17 | 2022-10-25 | Uber Technologies, Inc. | Computing timing intervals for vehicles through directional route corridors |
CN111161534A (zh) * | 2019-12-19 | 2020-05-15 | 南京行者易智能交通科技有限公司 | 一种基于WiFi探针的公交精准OD数据的采集系统及方法 |
CN113742879A (zh) * | 2020-05-14 | 2021-12-03 | 南京行者易智能交通科技有限公司 | 一种基于客流仿真模拟的排班模型的设计方法、优化方法及装置 |
CN113742879B (zh) * | 2020-05-14 | 2024-05-03 | 南京行者易智能交通科技有限公司 | 一种基于客流仿真模拟的排班模型的设计方法、优化方法及装置 |
CN113722874A (zh) * | 2020-12-29 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 车辆排班优化方法、装置和电子设备 |
CN113298350A (zh) * | 2021-04-27 | 2021-08-24 | 华录智达科技股份有限公司 | 一种基于人工智能的公交综合监管与服务系统 |
CN113635945B (zh) * | 2021-07-19 | 2022-09-09 | 交控科技股份有限公司 | 列车运行图调整方法及装置 |
CN113635945A (zh) * | 2021-07-19 | 2021-11-12 | 交控科技股份有限公司 | 列车运行图调整方法及装置 |
CN113759934B (zh) * | 2021-09-24 | 2022-06-14 | 清华大学 | 一种校园无人小巴配置和调度方法及系统 |
CN113759934A (zh) * | 2021-09-24 | 2021-12-07 | 清华大学 | 一种校园无人小巴配置和调度方法及系统 |
CN114241770A (zh) * | 2021-12-21 | 2022-03-25 | 杭州图软科技有限公司 | 基于精确实时信息的公交调度方法及系统 |
CN114529034A (zh) * | 2021-12-28 | 2022-05-24 | 浙江中测新图地理信息技术有限公司 | 一种基于实时客流量的景区游船智能调度方法 |
CN114529034B (zh) * | 2021-12-28 | 2023-11-24 | 浙江中测时空科技有限公司 | 一种基于实时客流量的景区游船智能调度方法 |
CN117495059A (zh) * | 2023-12-29 | 2024-02-02 | 天津交控科技有限公司 | 一种轨道交通运行数据分析方法及储存介质 |
CN117495059B (zh) * | 2023-12-29 | 2024-04-12 | 天津交控科技有限公司 | 一种轨道交通运行数据分析方法及储存介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109034566B (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN110047279B (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
CN104408908B (zh) | 公交车辆越站调度方法及系统 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
Fu | A simulation model for evaluating advanced dial-a-ride paratransit systems | |
CN106503869A (zh) | 一种基于站点短时需求预测的公共自行车动态调度方法 | |
CN107358319A (zh) | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 | |
CN108776852A (zh) | 无桩车辆调度方法和系统 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN107564270A (zh) | 一种智能公交调度运营方法 | |
Li et al. | Public bus arrival time prediction based on traffic information management system | |
CN111553530B (zh) | 一种城际网约车包车出行运力预测与出行推荐方法及系统 | |
CN107545320A (zh) | 一种基于图论的城市轨道交通乘客路径规划方法及系统 | |
JP7428124B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN110555990A (zh) | 一种基于lstm神经网络的有效停车时空资源预测方法 | |
CN112990610B (zh) | 一种基于多元线性回归预测火车站出租车运力需求的方法 | |
CN114693495B (zh) | 智慧城市公共交通管理方法、物联网系统、装置及介质 | |
CN114328675A (zh) | 基于双注意力机制和双向双层lstm的公交行程时间预测方法 | |
CN111311950B (zh) | 公交车高峰期智能调度方法及系统 | |
CN103247167A (zh) | 一种获取空驶出租车信息的方法 | |
CN107330840A (zh) | 基于站台视频分析的城市公交客流调查方法及其调查系统 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN116798218A (zh) | 一种基于数字孪生的城市低碳交通大数据检测方法 | |
CN116050581A (zh) | 一种智慧城市地铁行车调度优化方法和物联网系统 | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测系统 |
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 |