CN109102114A - 一种基于数据融合的公交出行下车站点估计方法 - Google Patents
一种基于数据融合的公交出行下车站点估计方法 Download PDFInfo
- Publication number
- CN109102114A CN109102114A CN201810870652.9A CN201810870652A CN109102114A CN 109102114 A CN109102114 A CN 109102114A CN 201810870652 A CN201810870652 A CN 201810870652A CN 109102114 A CN109102114 A CN 109102114A
- Authority
- CN
- China
- Prior art keywords
- bus
- passenger
- station
- public
- bus station
- 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 22
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 230000001680 brushing effect Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001373 regressive effect Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据融合的公交出行下车站点估计方法,通过对公交线路数据、公交车GPS数据以及公交IC卡刷卡数据的融合获取用户的上车和公交车的到站信息,并引入回归和探索机制,回归机制考虑用户的历史访问站点,探索机制则结合居民公交出行距离的一般规律并融入公交站点的公交吸引度实现对用户公交出行落客点的预测。本方法通过对多种交通数据的融合,能够对用户的乘车站点和乘车线路信息等进行有效的提取。
Description
技术领域
本发明属于交通技术领域,具体涉及一种基于数据融合的公交出行下车站点估计方法。
背景技术
随着我国经济的迅速发展与城市化进程的加快,城市道路各类车辆日益增多,给城市交通带来了极大的压力。公交出行作为一种绿色节能的出行方式被政府所大力提倡,也是城市居民出行最重要的交通方式之一。因此,了解居民的公交出行特征对城市公交线路的规划、公交调度以及土地布局等都具有十分重要的意义。现阶段几乎所有的城市公交车都装有公交刷卡机,居民可以上车刷卡实现公交出行,但是目前国内绝大多数城市的公交系统不需要下车刷卡,公交刷卡机只能记录居民的上车车次以及上车时刻,而下车时间或位置并不能获取。随着对公交出行的日益重视,各种对居民公交出行特征的研究也不断增多,利用人工调查或各种居民出行数据均能有效揭露居民的公交出行规律,并在居民公交出行OD预测上取得了极大进展,同时,居民公交出行距离规律以及公交出行链等的发现能够有效改进居民公交落客点估计的准确度。但是,现有的方法仍然存在如下问题:
1)当前的大部分居民出行OD研究主要是对城市进行区域划分,集中于宏观性的区域OD分析,但难以在微观层次针对乘客的公交上下车站点进行有效预测;
2)根据人类的活动习惯,居民的出行具有重要的回归性特征,即居民倾向于往返于几个最常访问的地点,现有研究主要是对居民公交出行构建公交出行链而未考虑居民回归出行这一重要内在特征。
发明内容
本发明所解决的技术问题是,提供了一种基于数据融合的公交出行下车站点估计方法,通过对公交线路数据、公交车GPS数据以及公交IC卡刷卡数据的融合获取居民公交出行的上车站点、上车时间与公交出行线路等信息。并引入回归和探索思想,回归思想主要考虑居民出行对其最常访问地点的动态回归特征,探索思想则综合考虑居民出行距离的泊松分布规律与公交站点的公交吸引程度。并以回归优先探索的机制对居民的公交出行下车点进行了估计。
一种基于数据融合的公交出行下车站点估计方法,包括以下步骤:
步骤1:依据城市公交线路,构建城市公交网络图;
步骤2:提取公交乘客乘车信息;
利用公交车GPS数据,提取各公交车在行驶过程中,到达城市公交网络中各站点的时间信息;同时,从公交乘客刷卡数据中,提取公交乘客在各公交站点的上车时间和上车站点信息;在指定时间内,统计同一公交线路上的站点总数,同一公交乘客在同一公交线路上各公交站点的所有访问次数,同一公交站点上客流数据;
所述同一公交站点上的客流数据包括在公交站点所有公交乘客的历史刷卡次数;
所述对公交站点的访问是指公交乘客在某公交站点上车;
步骤3:基于公交乘客历史公交出行数据,构建公交乘客从一公交站点上车到另一公交站点下车的回归预测模型;
其中:Rij为公交乘客在公交站点i上车并在公交站点j的回归下车概率,i和j为公交线路按公交站点顺序排列的站点序列编号,mj为在指定时间内,该公交乘客对公交站点j的历史访问次数,n为该公交乘客在其所乘公交线路的公交站点总数,为在指定时间内,公交乘客对公交站点i后续不同公交站点的历史访问次数之和;
步骤4:基于公交乘客本次上车公交站点i,选取最大回归下车概率对应的公交站点作为公交乘客出行的估计下车站点,同时对公交站点i及距离该公交站点100米以内的所有公交站点的公交乘客的访问次数进行加1更新以及对所选公交站点的客流数据进行加1更新,返回步骤2;
mr=mr+1 r∈{S,dis(r,i)<100m}
bi=bi+1;
其中:mr为公交乘客对公交站点r的历史访问次数,i为公交乘客该次公交出行的上车站点,S为公交站点集合,dis(r,i)为公交站点r与公交站点i间的直线距离,r∈S;bi表示公交站点i的客流数据。
统计公交乘客历史所到不同站点的访问次数,访问次数越多,则认为该公交站点位置的回归概率越大。
进一步地,若公交乘客从未访问过任何公交站点,则基于公交乘客本次上车公交站点i,选取最大探索下车概率对应的公交站点作为公交乘客出行的估计下车站点,同时对公交站点i及距离该公交站点100米以内的所有公交站点的公交乘客的访问次数进行加1更新以及对公交站点i客流数据进行加1更新,返回步骤2;
所述探索下车概率是利用公交乘客在公交线路上公交乘客出行站数的泊松分布规律与历史出行数据,构建公交乘客从一公交站点上车到另一公交站点下车的探索预测模型进行预测获得;
其中,Sij为公交乘客在公交站点i上车并在公交站点j的探索下车概率,为公交乘客在公交站点i上车并在公交站点j下车的归一化泊松概率,Bij为公交乘客在公交站点i上车并在公交站点j下车的公交吸引概率,α表示下车的归一化泊松概率的权值,取值范围为(0,1);
其中,λ为在当前城市公交网络中所有公交乘客的公交出行平均乘坐站点数,n为公交乘客所乘公交线路的总公交站点数;bj为在指定时间内,公交乘客所乘公交线路上所有公交乘客在公交站点j的历史公交刷卡次数,为在指定时间内,公交乘客所乘公交线路上所有公交乘客对公交站点i之后各公交站点的历史刷卡次数之和。
若公交乘客历史数据中没有访问过其上车站点之后的任意站点,则融入泊松分布概率与公交站点的公交吸引概率对用户的下车点进行预测。一般情况下公交乘客的公交出行站数服从泊松分布;
对于某条公交线路,该线路上公交站点的历史公交乘客刷卡次数(历史客流)越多,表明站点对乘坐该公交线路公交乘客的吸引程度越大;
融合泊松概率与公交吸引概率,构建探索预测模型对用户的下车点进行估计;
进一步地,所述指定时间为至少连续20天。
进一步地,所述下车的归一化泊松概率的权值α的取值为0.5。
有益效果
本发明提供了一种基于数据融合的公交出行下车站点估计方法,通过对公交线路数据、公交车GPS数据以及公交IC卡刷卡数据的融合获取用户的上车和公交车的到站信息,并引入回归和探索机制,回归机制考虑公交乘客的历史访问站点,探索机制则结合公交乘客公交出行距离的一般规律并融入公交站点的公交吸引度实现对公交乘客公交出行下车站点的预测。
本方法通过对多种交通数据的融合,能够对公交乘客的乘车站点和乘车线路信息等进行有效的提取。
同时,本方法提出公交乘客公交出行的回归和探索预测机制,充分体现了人类活动的回归倾向性,能够有效反映居民出行活动的内在规律。
本方法在探索机制预测中融入公交站点的公交吸引概率,充分考虑了历史公交线路各站点对公交乘客的吸引程度,能够将历史公交客流数据进行有效的融入。
本方法对回归和探索预测模型均实现动态的构建,并且相互结合,在预测过程中相互提升,不仅能够增加模型学习训练的样本,也能够为用户的公交出行落客点实现更有效的估计。
本方法对城市居民公交出行进行下车点估计,能够了解居民的公交出行特征,并为城市公交线路的规划与城市土地的利用提供良好的借鉴。
附图说明
图1为本发明所述基于多种数据融合对公交乘客公交落客点进行估计的流程图;
图2为由回归机制对公交乘客公交下车站点进行预测的概率示意图;
图3为由探索机制对公交乘客公交下车站点进行预测的概率示意图;
图4为通过本发明所述方法获得的公交乘客上下车点分布示意图,(a)为由回归机制获得的公交乘客上下车站点分布图,(b)为由探索机制获得的公交乘客上下车站点分布图。
具体实施方式
本发明提出了一种基于数据融合的公交出行下车站点估计方法,如图1所示,并以深圳市路网和公交线路网为例,对深圳市的公交乘客公交出行下车站点进行了估计。首先对公交车GPS轨迹与公交站点进行位置匹配,获取公交车在各个站点的到站时间。然后融入公交乘客公交IC刷卡数据,将公交IC刷卡数据与公交车到站信息进行时间匹配,从而实现对公交乘客上车刷卡站点、刷卡时间以及所乘公交线路等信息的提取。最后引入回归和探索机制,基于历史居民公交刷卡数据构建动态回归预测模型,结合公交乘客公交出行距离的一般规律并融入公交线路历史客流数据构建动态探索预测模型,从而实现对居民公交出行下车站点的预测。
所述深圳市路网为深圳市简化版道路网,由21115条路段组成。
所述深圳市公交线路网为深圳市的公交线路数据,共有1516条公交线路和9114个公交站点。
所述公交IC卡刷卡数据为2014年10月11日至10月31日共21天的用户刷卡数据,经过筛选,共得到293个用户的14109个用户出行数据(21天内有80%以上天数都有公交出行的用户)。其中,前16天包含293个用户的10458个用户数据,后5天包含293个用户的3651个用户数据。将前16天的数据作为历史数据进行学习,对后5天的用户公交出行进行下车站点预测。
所述公交车GPS轨迹与公交站点的融合,通过对公交站点与距离其最近的公交GPS轨迹点进行匹配,从而获取公交车的到站时间等信息。并将公交车到站时间与公交乘客公交IC刷卡时间进行匹配,从而获取公交的上车刷卡站点、刷卡时间以及所乘公交线路等信息。对公交线路数据、公交车GPS数据以及公交IC卡刷卡数据的融合过程如图1虚线框内所示。
所述回归模型基于公交乘客的历史公交刷卡数据进行构建,统计公交乘客历史公交出行数据(前16天用户刷卡数据)的各公交乘客访问公交站点及站点访问次数,对于预测数据集(后5天用户刷卡数据),首先提取公交乘客的公交出行线路,然后寻找该线路在该公交乘客上车站点之后各站点的历史访问站点及访问次数,若存在历史访问站点,则计算各历史访问站点的回归概率,并根据不同站点的回归概率选取一个站点作为该用户该次公交出行下车点的估计。其不同历史访问站点的回归概率公式为:
每次进行预测后,并对该公交乘客的历史访问站点及次数进行动态更新,即:
mr=mr+1 r∈{S,dis(r,i)<100m}
同时对该公交乘客上车的公交站点的公交客流数据进行更新,即:
bi=bi+1
回归模型的示意图如图2所示。
所述探索模型结合公交乘客公交出行站点数的泊松分布规律与公交线路各站点的公交吸引度,泊松分布概率的计算公式为:
其中,λ为公交乘客的公交出行平均乘坐站点数,其值随不同城市而有所区别,本实例中将其取值确定为10。
并对公交乘客下车站点的泊松概率作归一化处理,得到:
不同线路的公交客流信息首先同样从前16天的历史数据中提取,对于某次公交乘客出行,首先获取该公交乘客在上车站点之后各站的历史客流数据(每个公交站点的历史上车总人数),从而得到公交吸引度的计算公式为:
每次进行预测后,同样对该线路的公交客流数据进行动态更新,即
bi=bi+1
同时对公交乘客的历史访问站点及次数进行更新,即:
mr=mr+1 r∈{S,dis(r,i)<100m}
最后,对泊松概率与公交吸引概率进行融合,构建探索预测模型对公交乘客的下车点进行估计,并根据不同的探索概率选取一个站点估计为该公交乘客的该次公交出行下车站点。探索预测模型公式如下:
其中,α和(1-α)分别表示泊松概率与公交吸引概率的权值,可视不同的预测效果而定,此处认为泊松概率与公交吸引概率同等重要,故将α的取值定为0.5。
探索模型的示意图如图3所示。由多种数据融合并通过用户回归-探索机制进行预测得到的深圳市居民公交上车点及下车点分布示意图如图4所示。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述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等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于数据融合的公交出行下车站点估计方法,其特征在于,包括以下步骤:
步骤1:依据城市公交线路,构建城市公交网络图;
步骤2:提取公交乘客乘车信息;
利用公交车GPS数据,提取各公交车在行驶过程中,到达城市公交网络中各站点的时间信息;同时,从公交乘客刷卡数据中,提取公交乘客在各公交站点的上车时间和上车站点信息;在指定时间内,统计同一公交线路上的站点总数,同一公交乘客在同一公交线路上各公交站点的所有访问次数,同一公交站点上客流数据;
所述同一公交站点上的客流数据包括在公交站点所有公交乘客的历史刷卡次数;
步骤3:基于公交乘客历史公交出行数据,构建公交乘客从一公交站点上车到另一公交站点下车的回归预测模型;
其中:Rij为公交乘客在公交站点i上车并在公交站点j的回归下车概率,i和j为公交线路按公交站点顺序排列的站点序列编号,mj为在指定时间内,该公交乘客对公交站点j的历史访问次数,n为该公交乘客在其所乘公交线路的公交站点总数,为在指定时间内,公交乘客对公交站点i后续不同公交站点的历史访问次数之和;
步骤4:基于公交乘客本次上车公交站点i,选取最大回归下车概率对应的公交站点作为公交乘客出行的估计下车站点,同时对公交站点i及距离该公交站点100米以内的所有公交站点的公交乘客的访问次数进行加1更新以及对所选公交站点的客流数据进行加1更新,返回步骤2;
mr=mr+1 r∈{S,dis(r,i)<100m}
bi=bi+1;
其中:mr为公交乘客对公交站点r的历史访问次数,i为公交乘客该次公交出行的上车站点,S为公交站点集合,dis(r,i)为公交站点r与公交站点i间的直线距离,r∈S;bi表示公交站点i的客流数据。
2.根据权利要求1所述的方法,其特征在于,若公交乘客从未访问过任何公交站点,则基于公交乘客本次上车公交站点i,选取最大探索下车概率对应的公交站点作为公交乘客出行的估计下车站点,同时对公交站点i及距离该公交站点100米以内的所有公交站点的公交乘客的访问次数进行加1更新以及对公交站点i客流数据进行加1更新,返回步骤2;
所述探索下车概率是利用公交乘客在公交线路上公交乘客出行站数的泊松分布规律与历史出行数据,构建公交乘客从一公交站点上车到另一公交站点下车的探索预测模型进行预测获得;
其中,Sij为公交乘客在公交站点i上车并在公交站点j的探索下车概率,为公交乘客在公交站点i上车并在公交站点j下车的归一化泊松概率,Bij为公交乘客在公交站点i上车并在公交站点j下车的公交吸引概率,α表示下车的归一化泊松概率的权值,取值范围为(0,1);
其中,λ为在当前城市公交网络中所有公交乘客的公交出行平均乘坐站点数,n为公交乘客所乘公交线路的总公交站点数;bj为在指定时间内,公交乘客所乘公交线路上所有公交乘客在公交站点j的历史公交刷卡次数,为在指定时间内,公交乘客所乘公交线路上所有公交乘客对公交站点i之后各公交站点的历史刷卡次数之和。
3.根据权利要求1或2所述的方法,其特征在于,所述指定时间为至少连续15天。
4.根据权利要求3所述的方法,其特征在于,所述下车的归一化泊松概率的权值α的取值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870652.9A CN109102114B (zh) | 2018-08-02 | 2018-08-02 | 一种基于数据融合的公交出行下车站点估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810870652.9A CN109102114B (zh) | 2018-08-02 | 2018-08-02 | 一种基于数据融合的公交出行下车站点估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102114A true CN109102114A (zh) | 2018-12-28 |
CN109102114B CN109102114B (zh) | 2022-04-05 |
Family
ID=64848508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810870652.9A Active CN109102114B (zh) | 2018-08-02 | 2018-08-02 | 一种基于数据融合的公交出行下车站点估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102114B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148225A (zh) * | 2019-04-26 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 交通站点确定方法及装置、设备及存储设备 |
CN110348614A (zh) * | 2019-06-24 | 2019-10-18 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
CN110400037A (zh) * | 2019-04-26 | 2019-11-01 | 财付通支付科技有限公司 | 一种下车站点确定方法和装置 |
CN111046288A (zh) * | 2019-12-11 | 2020-04-21 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN112052276A (zh) * | 2020-08-19 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 乘车路线的挖掘方法和装置 |
CN113658433A (zh) * | 2021-08-18 | 2021-11-16 | 苏州工业园区测绘地理信息有限公司 | 一种基于公交刷卡扫码数据提取客流特征的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120010803A1 (en) * | 2010-07-07 | 2012-01-12 | International Business Machines Corporation | Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction |
CN103198565A (zh) * | 2013-04-12 | 2013-07-10 | 王铎源 | 一种公交ic卡收费与客流信息采集方法 |
CN104303014A (zh) * | 2012-05-14 | 2015-01-21 | 株式会社日立制作所 | 交通路径分担率控制系统以及交通路径分担率控制方法 |
JP5852721B1 (ja) * | 2014-10-08 | 2016-02-03 | 株式会社コロプラ | 路線バス運行分析評価システム、分析評価方法、および、プログラム |
CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
CN107146013A (zh) * | 2017-04-28 | 2017-09-08 | 国网北京市电力公司 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
CN107545730A (zh) * | 2017-09-08 | 2018-01-05 | 哈尔滨工业大学 | 一种基于公交ic卡数据的站点上下车乘客数估计方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
-
2018
- 2018-08-02 CN CN201810870652.9A patent/CN109102114B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120010803A1 (en) * | 2010-07-07 | 2012-01-12 | International Business Machines Corporation | Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction |
CN104303014A (zh) * | 2012-05-14 | 2015-01-21 | 株式会社日立制作所 | 交通路径分担率控制系统以及交通路径分担率控制方法 |
CN103198565A (zh) * | 2013-04-12 | 2013-07-10 | 王铎源 | 一种公交ic卡收费与客流信息采集方法 |
JP5852721B1 (ja) * | 2014-10-08 | 2016-02-03 | 株式会社コロプラ | 路線バス運行分析評価システム、分析評価方法、および、プログラム |
CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
CN107146013A (zh) * | 2017-04-28 | 2017-09-08 | 国网北京市电力公司 | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 |
CN107545730A (zh) * | 2017-09-08 | 2018-01-05 | 哈尔滨工业大学 | 一种基于公交ic卡数据的站点上下车乘客数估计方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
Non-Patent Citations (5)
Title |
---|
SIMON K. POON等: "Analysis of Structural Change Point in Multivariate Regression Models: An Application on IT Productivity Impact", 《2008 IEEE 8TH INTERNATIONAL CONFERENCE ON COMPUTER AND INFORMATION TECHNOLOGY WORKSHOPS》 * |
章玉: "基于数据挖掘的动态公交客流OD获取方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡继华等: "结合出行链的公交IC 卡乘客下车站点判断概率模型", 《交通运输系统工程与信息》 * |
陈伟荣: "基于区域CORS增强的实时PPP关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 * |
陈竹青: "基于公交AVL数据和AFC数据的常规公交服务可靠性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148225A (zh) * | 2019-04-26 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 交通站点确定方法及装置、设备及存储设备 |
CN110400037A (zh) * | 2019-04-26 | 2019-11-01 | 财付通支付科技有限公司 | 一种下车站点确定方法和装置 |
CN110148225B (zh) * | 2019-04-26 | 2022-02-08 | 创新先进技术有限公司 | 交通站点确定方法及装置、设备及存储设备 |
CN110400037B (zh) * | 2019-04-26 | 2024-06-11 | 财付通支付科技有限公司 | 一种下车站点确定方法和装置 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
CN110348614A (zh) * | 2019-06-24 | 2019-10-18 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN110348614B (zh) * | 2019-06-24 | 2022-04-01 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN111046288A (zh) * | 2019-12-11 | 2020-04-21 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN111046288B (zh) * | 2019-12-11 | 2024-04-19 | Oppo广东移动通信有限公司 | 内容推荐方法、装置、终端及存储介质 |
CN112052276A (zh) * | 2020-08-19 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 乘车路线的挖掘方法和装置 |
CN112052276B (zh) * | 2020-08-19 | 2024-04-30 | 腾讯科技(深圳)有限公司 | 乘车路线的挖掘方法和装置 |
CN113658433A (zh) * | 2021-08-18 | 2021-11-16 | 苏州工业园区测绘地理信息有限公司 | 一种基于公交刷卡扫码数据提取客流特征的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109102114B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102114A (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
Renne | From transit-adjacent to transit-oriented development | |
Holguı et al. | User rationality and optimal park-and-ride location under potential demand maximization | |
CN106652434B (zh) | 一种基于轨道交通协调的公交调度方法 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
Duncan | Would the replacement of park-and-ride facilities with transit-oriented development reduce vehicle kilometers traveled in an auto-oriented US region? | |
CN105142106A (zh) | 基于手机信令数据的出行者职住地识别与出行链刻画方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN107316098A (zh) | 一种基于用户行为分析的汽车租赁点选址方法 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
CN110264706A (zh) | 一种基于大数据挖掘的空载出租车辅助系统 | |
CN109543895A (zh) | 一种出基于出租客流转化的公交线网优化方法 | |
CN108549976A (zh) | 智慧旅游大数据分析方法 | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
CN108260087A (zh) | 一种基于wiifi长短时记忆的室内人流分布预测方法 | |
CN115809378A (zh) | 一种基于手机信令数据的医疗短缺区识别及布局优化方法 | |
CN114519454A (zh) | 一种基于游客时空行为模式挖掘的景区客流实时预测方法 | |
Sun et al. | Solving demand-responsive feeder transit service design with fuzzy travel demand: A collaborative ant colony algorithm approach | |
Bikdeli et al. | Accessibility modeling for land use, population and public transportation in Mashhad, NE Iran | |
Ding et al. | The optimization of airport management based on collaborative optimization of flights and taxis | |
Gholami et al. | Economic conditions for minibus usage in a multimodal feeder network | |
Wei et al. | Optimal routing design of feeder transit with stop selection using aggregated cell phone data and open source GIS tool | |
Sierpiński et al. | The model of modal split organisation in wide urban areas using contemporary telematic systems |
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 |