CN109063970A - 基于客流仿真分析的双向自动排班系统 - Google Patents
基于客流仿真分析的双向自动排班系统 Download PDFInfo
- Publication number
- CN109063970A CN109063970A CN201810739395.5A CN201810739395A CN109063970A CN 109063970 A CN109063970 A CN 109063970A CN 201810739395 A CN201810739395 A CN 201810739395A CN 109063970 A CN109063970 A CN 109063970A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- time
- data
- module
- class
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000000926 separation method Methods 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (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)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于客流仿真分析的双向自动排班系统,包括:客流分析模块,对获取到的上、下行客流数据,根据客流的空间和时间分布规律进行客流预测;线路服务指标设置模块,用于根据客流时间分布规律和客流空间分布规律设置线路服务指标;周转时间分析模块,用于进行周转时间预测,所述周转时间为根据车辆实际运营的到站数据,计算出来的任何一个时刻点发车的总运行时间;任务量及时刻表计算模块,通过设置的线路服务指标,基于客流预测数据,首末班时间及周转时间,分别获得上下行需要的任务量及对应时刻表;排班约束及参数设置模块,用于排班约束及参数设置;排班模块,把上下行的时刻表串联起来,根据任务量及对应时刻表进行自动排班。
Description
技术领域
本发明涉及公交智能调度领域,具体的说,涉及了一种基于客流仿真分析的双向自动排班系统。
背景技术
公共交通企业以服务于公众出行为己任,进行排班安排时,首先需要了解乘客的出行需求,简单说就是有多少人需要坐公交车,坐哪路公交车,他们从哪里出发,到哪里去等信息。但是客流数据在空间和时间都存在着不均衡性,对于了解客流不能简单的通过人工经验。目前市场上存在的排班方案:
人车分离的双向排班方案
目前国外使用较多,比如加拿大,新加坡,法国等,国内一直推广不开,原因是因为国外地广人稀,车况很好,路况很少出现不可预知的拥堵情况,这些情况国内都不太具备,还有就是目前国内的管理办法都是车长对车辆进行承包管理,油耗等都是跟车长经济利益直接挂钩。
人车绑定的单向排班方案
国内有一些厂商在研究此方案,此方案针对上下行潮汐客流情况不严重的是没有问题,但是,对于一条线路,有些时候客流高峰低峰是不一致的,比如上班客流较多的线路,可能早高峰上行人多,晚高峰下行人多,如果采取单向排班方案就存在着运力的浪费。
为了解决以上存在的问题,人们一直在寻求一种理想的技术解决方案。
发明内容
本发明的目的是针对现有技术的不足,从而提供一种基于客流仿真分析的双向自动排班系统,解决了传统单向排班发车效率低,以及排班不均衡导致运力的浪费等问题。
为了实现上述目的,本发明所采用的技术方案是:
一种基于客流仿真分析的双向自动排班系统,该系统包括:
客流分析模块,对获取到的上、下行客流数据,根据客流的空间和时间分布规律进行客流预测;
线路服务指标设置模块,与所述客流分析模块连接,用于根据客流时间分布规律和客流空间分布规律设置线路服务指标,所述线路服务指标包括满载率和最大发车间隔;
周转时间分析模块,用于进行周转时间预测,所述周转时间为根据车辆实际运营的到站数据,计算出来的任何一个时刻点发车的总运行时间;
任务量及时刻表计算模块,分别与所述周转时间分析模块和所述线路服务指标设置模块连接,通过设置的线路服务指标,基于客流基础数据,首末班时间,分别获得上下行需要的任务量及对应时刻表;
排班约束及参数设置模块,与所述任务量及时刻表计算模块连接,用于排班约束及参数设置;
排班模块,与所述任务量及时刻表计算模块连接,把上下行的时刻表串联起来,根据任务量及对应时刻表进行自动排班。
基于上述,所述客流分析模块包括客流预处理模块,对获取到的客流数据,分别按天、按小时、按分钟分析客流分布情况,获得客流时间分布规律;对获取到的客流数据,以上下车饼图的形式分析客流在各站点的分布比例,根据比例的分布,获得客流空间分布规律;
客流数据分类模块,将获取的历史客流数据,以日期类型和天气类型为筛选条件,过滤获得上、下车客流数据,计算满载率,并保存为特征客流模板;
客流预测模块,基于特征客流模板,进行客流预测,预测与模板的工作日类型、天气类型相似的未来某一天的客流预测数据模板。
基于上述,所述客流预测,用以预测每日客流数据;
采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得预测的客流力度为每10分钟每个站点上下车人数情况;或者直接采用客流预测数据模板;
其中,客流预测数据模板的获得:根据特征客流模板同期数据,采用深度神经元网络模型预测一个10分钟为力度的总值X,再与历史同期10分钟的客流总和相比较,差距最小的那一天的客流详情作为客流预测数据模板的预测客流。
基于上述,所述周转时间预测采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得要预测的客流日期的周转时间数据;或者直接采用周转时间预测数据模板。
基于上述,所述排班约束及参数包括班制班型、任务量、中停时间和吃饭时间。
本发明相对现有技术具有突出的实质性特点和显著进步,具体的说,本系统对历史客流数据分上、下行进行数据挖掘,充分研究公交客流的空间和时间分布规律,预测未来一段时间的客流以及周转时间,制定符合客流规律的双向发车时刻表;实现从分析预测客流到根据客流进行自动编制排班计划,提高排班效率,并使排班结果更具有科学性与公平性,从而大幅度提高公交运营的智能化水平。
附图说明
图1是本发明的系统框图。
具体实施方式
下面通过具体实施方式,对本发明的技术方案做进一步的详细描述。
如图1所示,一种基于客流仿真分析的双向自动排班系统,该系统包括:
客流分析模块,对获取到的上、下行客流数据,根据客流的空间和时间分布规律进行客流预测;
线路服务指标设置模块,与所述客流分析模块连接,用于根据客流时间分布规律和客流空间分布规律设置线路服务指标,所述线路服务指标包括满载率和最大发车间隔;
周转时间分析模块,用于进行周转时间预测,所述周转时间为根据车辆实际运营的到站数据,计算出来的任何一个时刻点发车的总运行时间;
任务量及时刻表计算模块,分别与所述周转时间分析模块和所述线路服务指标设置模块连接,通过设置的线路服务指标,基于客流基础数据,首末班时间,分别获得上下行需要的任务量及对应时刻表;
排班约束及参数设置模块,与所述任务量及时刻表计算模块连接,用于排班约束及参数设置;所述排班约束及参数包括班制班型、任务量、中停时间和吃饭时间;
排班模块,与所述任务量及时刻表计算模块连接,把上下行的时刻表串联起来,根据任务量及对应时刻表进行自动排班。
具体的,由于每天客流存在较大的差异,客流数据分类模块自动筛选过滤出符合要求的客流数据,保存为特征客流模板:①先按日期类型,如工作日、周末、节假日等,天气类型如晴、雨、雪等,初步进行数据分类;②以初步分类后的数据为基础,以10分钟为力度,分别统计上行、下行上车客流总量。
所述客流预测,用以预测每日客流数据;采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得预测的客流力度为每10分钟每个站点上下车人数情况;或者直接采用客流预测数据模板;
客流预测数据模板的获得:根据特征客流模板同期数据,采用深度神经元网络模型预测一个10分钟为力度的总值X,再与历史同期10分钟的客流总和相比较,差距最小的那一天的客流详情作为客流预测数据模板的预测客流。在其他实施例中,客流数据分类模块根据当前使用的客流模板选择过滤数据的方式,但由于客流规律不是一成不变的,系统每日动态计算客流,与当前使用的客流模板进行比较,差异越大,说明客流规律变化越大;系统设置提醒级别,提醒用户进行客流模板的更换。
客流预测可以为后面发车时刻表的获得提供数据支撑,主要体现在计算每辆车某时刻到达某站点时上下车人数,计算满载率,从而根据满载率指导发车间隔的优化。
所述周转时间预测采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得要预测的客流日期的周转时间数据;或者直接采用周转时间预测数据模板。周转时间预测为后面发车时刻表的编制提供数据支撑。
所述自动排班:
首先生成当日发车时刻表:根据当天各个时段的发车间隔的线路日间隔,查找首班车时刻,并记录首班车发车时刻;
然后获取当前时间发车间隔,计算下一个发车时刻,如果下一时刻小于末班车时刻,则记录该发车时刻,直至下一时刻大于等于末班车时刻,使用末班车时刻作为下一时刻,并记录末班车发车时刻;
然后根据当日发车时刻表,依次进行初始化车辆排班,处理单班车的套点问题,均衡车辆的站停时间,单班车预留午饭时间,获得排班结果。更具体的自动排班方法,参见本申请人已申请专利2016104844658公交自动排班方法。
分别获得上下行需要的任务量及对应时刻表,即双向时刻表,分别对应的是上、下行的客流情况,把上、下行客流作为一个整体进行计算。由于实际场景中,上下行客流情况都会出现潮汐性,如果单向排点必然会导致要么上行乘客少,或者下行乘客少,存在着运力的浪费,双向就是为了避免这种情况,分开计算时刻表。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (6)
1.一种基于客流仿真分析的双向自动排班系统,其特征在于,该系统包括:
客流分析模块,对获取到的上、下行客流数据,根据客流的空间和时间分布规律进行客流预测;
线路服务指标设置模块,与所述客流分析模块连接,用于根据客流时间分布规律和客流空间分布规律设置线路服务指标,所述线路服务指标包括满载率和最大发车间隔;
周转时间分析模块,用于进行周转时间预测,所述周转时间为根据车辆实际运营的到站数据,计算出来的任何一个时刻点发车的总运行时间;
任务量及时刻表计算模块,分别与所述周转时间分析模块和所述线路服务指标设置模块连接,通过设置的线路服务指标,基于客流预测数据,首末班时间及周转时间,分别获得上下行需要的任务量及对应时刻表;
排班约束及参数设置模块,与所述任务量及时刻表计算模块连接,用于排班约束及参数设置;
排班模块,与所述任务量及时刻表计算模块连接,把上下行的时刻表串联起来,根据任务量及对应时刻表进行自动排班。
2.根据权利要求1所述的基于客流仿真分析的双向自动排班系统,其特征在于:所述客流分析模块包括客流预处理模块,对获取到的客流数据,分别按天、按小时、按分钟分析客流分布情况,获得客流时间分布规律;对获取到的客流数据,以上下车饼图的形式分析客流在各站点的分布比例,根据比例的分布,获得客流空间分布规律;
客流数据分类模块,将获取的历史客流数据,以日期类型和天气类型为筛选条件,过滤获得上、下车客流数据,计算满载率,并保存为特征客流模板;
客流预测模块,基于特征客流模板,进行客流预测,预测与模板的工作日类型、天气类型相似的未来某一天的客流预测数据模板。
3.根据权利要求1所述的基于客流仿真分析的双向自动排班系统,其特征在于,所述客流预测,用以预测每日客流数据;
采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得预测的客流力度为每10分钟每个站点上下车人数情况;或者直接采用客流预测数据模板;
其中,客流预测数据模板的获得:根据特征客流模板同期数据,采用深度神经元网络模型预测一个10分钟为力度的总值X,再与历史同期10分钟的客流总和相比较,差距最小的那一天的客流详情作为客流预测数据模板的预测客流。
4.根据权利要求3所述的基于客流仿真分析的双向自动排班系统,其特征在于:所述周转时间预测采用根据要预测的客流日期的类型,选择一定时期内的历史客流数据,先对客流数据用聚类的分析,再结合要预测的客流日期的天气状况,选择符合筛选条件的历史数据,采用深度神经元网络算法,获得要预测的客流日期的周转时间数据;或者直接采用周转时间预测数据模板。
5.根据权利要求3所述的基于客流仿真分析的双向自动排班系统,其特征在于:所述排班约束及参数包括班制班型、任务量、中停时间和吃饭时间。
6.根据权利要求5所述的基于客流仿真分析的双向自动排班系统,其特征在于,所述自动排班:
首先生成当日发车时刻表:根据当天各个时段的发车间隔的线路日间隔,查找首班车时刻,并记录首班车发车时刻;
然后获取当前时间发车间隔,计算下一个发车时刻,如果下一时刻小于末班车时刻,则记录该发车时刻,直至下一时刻大于等于末班车时刻,使用末班车时刻作为下一时刻,并记录末班车发车时刻;
然后根据当日发车时刻表,依次进行初始化车辆排班,处理单班车的套点问题,均衡车辆的站停时间,单班车预留午饭时间,获得排班结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739395.5A CN109063970A (zh) | 2018-07-06 | 2018-07-06 | 基于客流仿真分析的双向自动排班系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739395.5A CN109063970A (zh) | 2018-07-06 | 2018-07-06 | 基于客流仿真分析的双向自动排班系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063970A true CN109063970A (zh) | 2018-12-21 |
Family
ID=64819133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810739395.5A Pending CN109063970A (zh) | 2018-07-06 | 2018-07-06 | 基于客流仿真分析的双向自动排班系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063970A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111832845A (zh) * | 2020-09-21 | 2020-10-27 | 武汉元光科技有限公司 | 一种公交线路判定方法、装置、设备和存储介质 |
CN113962654A (zh) * | 2021-10-21 | 2022-01-21 | 天津大学 | 基于仿真的公交排班优化方法、系统及可存储介质 |
CN115320677A (zh) * | 2022-08-30 | 2022-11-11 | 江西理工大学 | 一种永磁磁浮轨道交通预约车系统 |
CN116227738A (zh) * | 2023-05-04 | 2023-06-06 | 广东电网有限责任公司 | 一种电网客服话务量区间预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520945A (zh) * | 2008-02-29 | 2009-09-02 | 厦门雅迅网络股份有限公司 | 城市公交线路自动排班方法 |
CN101789175A (zh) * | 2010-01-08 | 2010-07-28 | 北京工业大学 | 公共交通多线路静态协调调度方法 |
US20150039372A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Real-time prediction and correction of scheduled service bunching |
CN105894219A (zh) * | 2016-06-28 | 2016-08-24 | 郑州天迈科技股份有限公司 | 公交自动排班方法 |
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 |
CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
-
2018
- 2018-07-06 CN CN201810739395.5A patent/CN109063970A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520945A (zh) * | 2008-02-29 | 2009-09-02 | 厦门雅迅网络股份有限公司 | 城市公交线路自动排班方法 |
CN101789175A (zh) * | 2010-01-08 | 2010-07-28 | 北京工业大学 | 公共交通多线路静态协调调度方法 |
US20150039372A1 (en) * | 2013-07-31 | 2015-02-05 | International Business Machines Corporation | Real-time prediction and correction of scheduled service bunching |
CN105894219A (zh) * | 2016-06-28 | 2016-08-24 | 郑州天迈科技股份有限公司 | 公交自动排班方法 |
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 |
CN107153924A (zh) * | 2017-05-11 | 2017-09-12 | 厦门卫星定位应用股份有限公司 | 一种公交智能排班生成方法 |
CN107248280A (zh) * | 2017-08-07 | 2017-10-13 | 江苏南大苏富特智能交通科技有限公司 | 一种基于实时客流预测的公交车发车调度方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754326A (zh) * | 2020-06-24 | 2020-10-09 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111754326B (zh) * | 2020-06-24 | 2024-04-05 | 中国银行股份有限公司 | 一种风险预警方法及装置 |
CN111832845A (zh) * | 2020-09-21 | 2020-10-27 | 武汉元光科技有限公司 | 一种公交线路判定方法、装置、设备和存储介质 |
CN111832845B (zh) * | 2020-09-21 | 2020-12-11 | 武汉元光科技有限公司 | 一种公交线路判定方法、装置、设备和存储介质 |
CN113962654A (zh) * | 2021-10-21 | 2022-01-21 | 天津大学 | 基于仿真的公交排班优化方法、系统及可存储介质 |
CN113962654B (zh) * | 2021-10-21 | 2023-10-31 | 天津大学 | 基于仿真的公交排班优化方法、系统及可存储介质 |
CN115320677A (zh) * | 2022-08-30 | 2022-11-11 | 江西理工大学 | 一种永磁磁浮轨道交通预约车系统 |
CN116227738A (zh) * | 2023-05-04 | 2023-06-06 | 广东电网有限责任公司 | 一种电网客服话务量区间预测方法及系统 |
CN116227738B (zh) * | 2023-05-04 | 2023-12-08 | 广东电网有限责任公司 | 一种电网客服话务量区间预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063970A (zh) | 基于客流仿真分析的双向自动排班系统 | |
CN105575108B (zh) | 一种智能公交调度运营方法 | |
CN106448233B (zh) | 基于大数据的公交线路时刻表协同优化方法 | |
CN106355276A (zh) | 基于客流仿真分析的发车时刻表生成系统 | |
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN105719019A (zh) | 一种考虑用户预约数据的公共自行车高峰期需求预测方法 | |
CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及系统 | |
CN109993408B (zh) | 一种基于服务区域划分的网约车运力调配方法 | |
CN103810849A (zh) | 一种基于浮动车数据的交通流变化趋势提取方法 | |
Poku-Boansi et al. | The determinants of demand for public transport services in Kumasi, Ghana | |
CN106530810A (zh) | 一种基于停车场信息的交通诱导系统 | |
CN106355905B (zh) | 一种基于卡口数据的高架信号控制方法 | |
CN111739287A (zh) | 一种车路协同智慧站台智能调度系统 | |
CN109774750A (zh) | 一种基于虚拟耦合模式的动态调度时空决策方法 | |
Arnott et al. | Information and usage of free-access congestible facilities with stochastic capacity and demand | |
CN110084505A (zh) | 一种基于客流的智能排班方法及装置、移动端设备、服务器 | |
CN106844594A (zh) | 一种基于大数据的电力优化配置方法 | |
CN109214577A (zh) | 一种综合运输通道客运分担率预测方法 | |
Dolya | Modeling of intercity passenger transportation system | |
Shen et al. | Exploring the effect of the telephone/online booking system on taxi service: Case study of Suzhou City in China | |
CN110148297A (zh) | 一种使用班车接驳的停车换乘系统及优化方法 | |
CN109308539A (zh) | 实时估算轨道交通线网中换乘站的乘客滞留状态的方法 | |
CN110020799A (zh) | 一种基于时空基准的城管网格资源配置 | |
D’Acierno et al. | Replanning public transport services in the case of budget reductions |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |