CN109543883A - 一种基于多源数据融合的枢纽客流时空分布预测建模方法 - Google Patents
一种基于多源数据融合的枢纽客流时空分布预测建模方法 Download PDFInfo
- Publication number
- CN109543883A CN109543883A CN201811258765.XA CN201811258765A CN109543883A CN 109543883 A CN109543883 A CN 109543883A CN 201811258765 A CN201811258765 A CN 201811258765A CN 109543883 A CN109543883 A CN 109543883A
- Authority
- CN
- China
- Prior art keywords
- data
- hinge
- website
- road
- section
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 55
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000005192 partition Methods 0.000 claims abstract description 3
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G06Q50/40—
Abstract
本发明一种基于多源数据融合的枢纽客流时空分布预测建模方法,包括以下步骤:创建多源数据融合数据库,数据库数据对象包括手机数据、WIFI数据、交通卡数据、票务数据、道路数据等基础交通及交通相关数据;创建枢纽客流时空分布模型宏观对象,宏观对象分别为区域、道路、节点、路段、站点,并对宏观对象进行语义关联;对宏观对象进行划分获得中观对象,包括枢纽内与枢纽外,并对相应多源数据进行关联;将中观区域按照规则划分为微观对象小区,创建小区与对象间的关联关系;融合后的数据形成数据库。本发明由历史数据融合获得历史数据库,通过数据更新与历史数据对比,对未来枢纽客流时空分布进行预测,本方法具有标准化、高校精准等特点。
Description
技术领域
本发明涉及一种基于多源数据融合的枢纽客流时空分布预测建模方法,特别是一种涉及手机数据、WIFI数据、交通卡数据、票务数据、道路数据在枢纽客流时空分布中的对象类型、对象的时空属性、对象的全生命周期的静动态属性、对象语义关系的建模方法。
背景技术
枢纽客流时空分布由多种传统数据构成,如轨道交通网络、道路交通网络。近年来随着科技的进步产生了多种新兴技术及与交通相关数据,将传统各个专业、各业务模块的交通数据与交通相关数据进行分类汇总、集中存储、科学管理,开战大数据的分析挖掘工作。
传统交通数据与新兴交通相关数据往往存在数据对象结构不标准,数据互动性差,编码多样化等局限性,形成数据关联分析难度大、标准无法统一的难点。
要实现资源共享,实现信息完整、联动、统一的展现,需要对多源数据进行重新建模,包括统一的对象规格和定义、标准化的数据组织和集成,形成多源数据融合平台。
发明内容
本发明的目的是提供一种基于多源数据融合的枢纽客流时空分布预测建模方法,对多源数据对象进行合理建模。
为了达到上述目的,本发明的数据方案是提供了一种基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,包括以下步骤:
步骤1:创建多源数据融合数据库,数据库数据对象包括手机数据、WIFI数据、交通卡数据、票务数据、道路数据;
步骤2:创建多源数据融合数据库对象间语义关系;
步骤3:在所述多源数据融合数据库内,创建枢纽客流时空分布模型宏观对象,宏观对象分别为区域、道路、节点、路段、站点;
步骤4:创建枢纽客流时空分布模型宏观对象间语义关系;
步骤5:创建枢纽客流时空分布模型中观对象,所属的枢纽客流时空分布中观对象可分为枢纽内与枢纽外,枢纽内中观对象包括候车室客流、闸机内客流、枢纽出入口客流、枢纽进站客流;枢纽内中观对象包括全市客流分布、枢纽周边道路客流。手机数据中观对象分为移动基站对象化包含站点位置、区域划分、周边POI点;WIFI数据中观对象分为WIFI-AP基站对象化包含AP位置、内部出入口;交通卡数据中观对象分为轨道站点周边信息对象化包含出道路、周边POI点;票务数据中观对象分为高铁站对象化包含高铁站点;
步骤6:创建枢纽客流时空分布网络中观对象间语义关系;
步骤7:创建枢纽客流时空分布模型微观对象,将城市空间按交通小区划分规则分切为多个给定规则的小区,创建小区基础对象,枢纽客流时空分布模型微观对象分为空间对象、设备对象;
步骤8:创建小区属性,创建小区基础属性、连接关系属性、空间位置属性;
步骤9:创建枢纽客流时空分布模型设备对象,可分为设施类、设备类。根据多源数据的特性,交通卡数据、票务数据、电磁线圈数据的设备对象为设施类;手机数据、WIFI数据的设备对象为设备类;
步骤10:对步骤1建立的多源数据融合数据库建立基础属性,建立历史数据、动态属性,所述的静态历史为多源数据的历史数据包含不同时段区域人流量、出行结构、分类特性;所述的不同时段区域客流量包括分时段枢纽客流量、分时段枢纽客流输出小区;所述的出行结构包括分时段旅客进入枢纽的不同交通方式占比;所述的分类特性包含不同交通工具进入枢纽对枢纽客流造成的影响;所述的动态属性包含期限特性、所有特性、数据特性;所述期限特性包含当前时段客流;所述的所有特性包含所述站点描述、当前管理者、使用特性;所述的数据特性包含设备编号、时间点、数据项。
所述步骤3中的多源数据融合数据库所述的多源数据包含区域编码、区域描述、区域分时段客流、节点编码、节点描述、节点所属区域、道路编码、道路描述、道路所属区域、道路分时段客流、路段编码、路段描述、路段分时段客流、路段所属道路、路段所属区域、站点编码、站点描述、站点分时段客流、站点所属路段、站点所属区域。
所述手机数据包含区域编码,区域分时段客流、常用户筛选;
所述交通卡数据包含区域编码、站点编码、站点所属线路、站点分时段刷卡量;
所述票务数据包含枢纽外部交通分时段到达客流历史数据、分时段发送旅客历史数据、排班计划;
所述道路特征数据包括地面交通分时段到达旅客量、分时段离港旅客量;
所述WIFI数据包含枢纽内部分时段乘客分布、分时段枢纽内热点区域;
所述区域包括区域编码、区域描述、区域分时段客流;
所述节点包括节点编码、节点描述、节点所属区域;
所述节点与所述路段分为上行与下行,所述节点与所述路段相互连接;
所述节点属于多种方式站点与路口,普通站点内部节点存在交互关系,换乘站点中节点存在换乘关系;
所述站点包含站点编码、站点描述、站点分时段客流、站点所属路段、站点所属区域
所述站点为公共交通站点,地铁站、公交站、出租车站点;
所述路段包含路段编号、路段描述、路段分时段客流、路段所属道路、路段所属区域、上游节点、下游节点;
所述道路包含道路编码、道路描述、道路所属区域;
在所述步骤4中,所述路段指路段所在地面的空间位置,具有较为固定的坐标地位信息;所述道路指由多条路段组成的同一道路;所述站点指公共交通站点空间位置;所述节点指由两条道路的交叉口或所述站点的空间位置;所述区域指按规则划分区域的空间位置。
在所述步骤5中,所述枢纽包含多个所述出入口,所述出入口位置地面道路为所述道路,所述周边POI点位于地面道路。
在所述步骤7中,所述城市空间,按照交通小区划分标准(一是城镇现状及规划土地利用情况,二是城镇功能分区和空间结构;三是地形地貌特殊区域,如景区、环境保护地区等;四是公共交通发展模式及公交走廊布局)为界切分为多个给定规则的单元格,根据所述的单元格对象创建小区,上方可叠加其他所述对象,包括所述步骤3中创建的区域、道路、节点、路段等对象;
所述空间对象包含功能区域、连接关系、空间位置;
所述功能区域分为枢纽内部区域、枢纽外部区域;
所述连接关系指不同单元区之间的连通性及空间位置,以东、南、西、北、南北、北东、东南、南西、南北来表示;
所述空间位置指该单元区的绝对位置信息,包含X、Y、Z点的坐标信息。
与现有技术相比,本发明具有融合手机数据与WIFI数据等具有交通信息数据的优点,较传统方法预测数据更为全面。
本发明具有标准化、高校精准、适用性强、功能强大、运用前景广泛的特点
(1)标准化:本方法的实施能够达到统一的,在拥有手机数据、WIFI数据、交通卡数据、票务数据、道路数据的环境下,能够建立统一表转化框架,满足和支撑已有以及可能的数据组织及业务需求。
(2)高效精准:与传统的建模方法相比,本方法中虽然采用多源数据,但在标准化标准下达到统一,使用方法逻辑清晰,且在多源数据的基础上数据更为完善获取结果更为精准。
(3)适用性强:相比传统数据组织,本模型建立后不仅支撑传统的结构化数据库存储,同样可支撑大数据存储,具有优良的适用性。
(4)功能强大:本模型不仅能够支撑传统的客流分析,同样能够满足交通信息监测、车辆追踪、室内导航、出行路径规划、应急疏散、枢纽预警、出行信息服务等多种多样的应用。
(5)运用前景广泛:本方法使用方便,便于操作,通用性、规范性强,具有广泛的运用前景,且能够实现与轨道交通网络、城市公共交通网络、地面道路网络的互联互通。
附图说明
图1为本方法中涉及的枢纽客流时空分布建模数据处理示意图;
图2为本方法中涉及的宏观枢纽客流时空分布建模示意图;
图3为本方法中涉及的中观枢纽客流时空分布建模示意图;
图4为本方法中涉及的枢纽客流时空分布客流预测示意图。
具体实施方式
为使本发明更显易懂,下面结合附图对本发明的实施例做详细说明:本实施例在本发明技术方案下进行实施,给出了本发明的实施过程和试试效果。本发明的保护范围不限于下述的实施例。
本发明需要建立枢纽客流时空分布宏观层对象、中观层对象、微观层对象。
枢纽客流时空分布宏观对象可分区域、道路、节点、路段、站点。
所述区域包括区域编码、区域描述、区域分时段客流;
所述节点包括节点编码、节点描述、节点所属区域;
所述节点与所述路段分为上行与下行,所述节点与所述路段相互连接;
所述节点属于多种方式站点与路口,普通站点内部节点存在交互关系,换乘站点中节点存在换乘关系;
所述站点包含站点编码、站点描述、站点分时段客流、站点所属路段、站点所属区域
所述站点为公共交通站点,地铁站、公交站、出租车站点;
所述路段包含路段编号、路段描述、路段分时段客流、路段所属道路、路段所属区域、上游节点、下游节点;
所述的枢纽客流时空分布中观对象可分为枢纽内与枢纽外。枢纽内中观对象包括候车室客流、闸机内客流、枢纽出入口客流、枢纽进站客流;枢纽内中观对象包括全市客流分布、枢纽周边道路客流。
所述的道路指,指全市地面道路的空间位置,具有较为固定的坐标地位信息,包含道路编码、道路描述、道路所属区域。
所述的枢纽客流时空分布微观对象可分为空间对象、设备对象
所述的空间对象将城市空间按交通小区划分规则分切为多个给定规则的小区,创建小区基础对象。
所述的空间对象包含小区基础属性、层级区域属性、连接关心属性、空间位置属性。
所述的备对象,可分为设施类、设备类。根据多源数据的特性,交通卡数据、票务数据、电磁线圈数据的设备对象为设施类;手机数据、WIFI数据的设备对象为设备类;
本发明提供的一种基于多源数据融合的枢纽客流时空分布预测建模方法包括以下步骤:
步骤1:如图1所示,创建枢纽客流时空分布多源数据融合数据库,数据库数据对象包括手机数据、WIFI数据、交通卡数据、票务数据、道路数据;
步骤2:如图1所示,创建多源数据融合数据库对象间语义关系;
步骤3:如图2所示,创建枢纽客流时空分布宏观层对象,创建的的对象有区域、道路、节点、路段、站点。
步骤4:如图2所示,创建枢纽客流时空分布宏观层对象间语义关系。
步骤5:如图3所示,创建枢纽客流时空分布中观层对象,创建的对象包含枢纽内与枢纽外。枢纽内中观对象包括候车室客流、闸机内客流、枢纽出入口客流、枢纽进站客流;枢纽内中观对象包括全市客流分布、枢纽周边道路客流。
步骤6:如图3所示,创建枢纽客流时空分布网络中观对象间语义关系;
步骤7:创建枢纽客流时空分布模型微观对象,将城市空间按交通小区划分规则分切为多个给定规则的小区,创建小区基础对象,枢纽客流时空分布模型微观对象分为空间对象、设备对象;
步骤8:创建小区属性,创建小区基础属性、连接关心属性、空间位置属性;
步骤9:创建枢纽客流时空分布模型设备对象,可分为设施类、设备类。根据多源数据的特性,交通卡数据、票务数据、电磁线圈数据的设备对象为设施类;手机数据、WIFI数据的设备对象为设备类;
步骤10:如图4所示,对步骤1建立的多源数据融合数据库建立基础属性,建立历史数据、动态属性,所述的静态历史为多源数据的历史数据包含不同时段区域人流量、出行结构、分类特性;所述的不同时段区域客流量包括分时段枢纽客流量、分时段枢纽客流输出小区;所述的出行结构包括分数段旅客进入枢纽的不同交通方式占比;所述的分类特性包含不同交通工具进入枢纽对枢纽客流造成的影响;所述的动态属性包含期限特性、所有特性、数据特性;所述期限特性包含当前时段客流;所述的所有特性包含所述站点描述、当前管理者、使用特性;所述的数据特性包含设备编号、时间点、数据项。
完成步骤后可完成枢纽客流时空分布建模,本方法标准化、高校精准、适用性强、功能强大、运用前景广泛,支持枢纽交通出行需求分析、枢纽与城市时间空间可达性分析、枢纽对外交通预警与综合信息服务等应用。
Claims (5)
1.一种基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,包括以下步骤:
步骤1:创建多源数据融合数据库,数据库数据对象包括手机数据、WIFI数据、交通卡数据、票务数据、道路数据;
步骤2:创建多源数据融合数据库对象间语义关系;
步骤3:在所述多源数据融合数据库内,创建枢纽客流时空分布模型宏观对象,宏观对象分别为区域、道路、节点、路段、站点;
步骤4:创建枢纽客流时空分布模型宏观对象间语义关系;
步骤5:创建枢纽客流时空分布模型中观对象,所属的枢纽客流时空分布中观对象可分为枢纽内与枢纽外,枢纽内中观对象包括候车室客流、闸机内客流、枢纽出入口客流、枢纽进站客流;枢纽内中观对象包括全市客流分布、枢纽周边道路客流;
手机数据中观对象分为移动基站对象化包含站点位置、区域划分、周边POI点;WIFI数据中观对象分为WIFI-AP基站对象化包含AP位置、内部出入口;交通卡数据中观对象分为轨道站点周边信息对象化包含出道路、周边POI点;票务数据中观对象分为高铁站对象化包含高铁站点;
步骤6:创建枢纽客流时空分布网络中观对象间语义关系;
步骤7:创建枢纽客流时空分布模型微观对象,将城市空间按交通小区划分规则分切为多个给定规则的小区,创建小区基础对象,枢纽客流时空分布模型微观对象分为空间对象、设备对象;
步骤8:创建小区属性,创建小区基础属性、连接关系属性、空间位置属性;
步骤9:创建枢纽客流时空分布模型设备对象,可分为设施类、设备类;
根据多源数据的特性,交通卡数据、票务数据、电磁线圈数据的设备对象为设施类;手机数据、WIFI数据的设备对象为设备类;
步骤10:对步骤1建立的多源数据融合数据库建立基础属性,建立历史数据、动态属性,所述的静态历史为多源数据的历史数据包含不同时段区域人流量、出行结构、分类特性;所述的不同时段区域客流量包括分时段枢纽客流量、分时段枢纽客流输出小区;所述的出行结构包括分时段旅客进入枢纽的不同交通方式占比;所述的分类特性包含不同交通工具进入枢纽对枢纽客流造成的影响;所述的动态属性包含期限特性、所有特性、数据特性;所述期限特性包含当前时段客流;所述的所有特性包含所述站点描述、当前管理者、使用特性;所述的数据特性包含设备编号、时间点、数据项。
2.如权利要求1所述的基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,所述步骤3中的多源数据融合数据库所述的多源数据包含区域编码、区域描述、区域分时段客流、节点编码、节点描述、节点所属区域、道路编码、道路描述、道路所属区域、道路分时段客流、路段编码、路段描述、路段分时段客流、路段所属道路、路段所属区域、站点编码、站点描述、站点分时段客流、站点所属路段、站点所属区域;
所述手机数据包含区域编码,区域分时段客流、常用户筛选;
所述交通卡数据包含区域编码、站点编码、站点所属线路、站点分时段刷卡量;
所述票务数据包含枢纽外部交通分时段到达客流历史数据、分时段发送旅客历史数据、排班计划;
所述道路特征数据包括地面交通分时段到达旅客量、分时段离港旅客量;
所述WIFI数据包含枢纽内部分时段乘客分布、分时段枢纽内热点区域;
所述区域包括区域编码、区域描述、区域分时段客流;
所述节点包括节点编码、节点描述、节点所属区域;
所述节点与所述路段分为上行与下行,所述节点与所述路段相互连接;
所述节点属于多种方式站点与路口,普通站点内部节点存在交互关系,换乘站点中节点存在换乘关系;
所述站点包含站点编码、站点描述、站点分时段客流、站点所属路段、站点所属区域
所述站点为公共交通站点,地铁站、公交站、出租车站点;
所述路段包含路段编号、路段描述、路段分时段客流、路段所属道路、路段所属区域、上游节点、下游节点;
所述道路包含道路编码、道路描述、道路所属区域。
3.如权利要求1所述的基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,在所述步骤4中,所述路段指路段所在地面的空间位置,具有较为固定的坐标地位信息;所述道路指由多条路段组成的同一道路;所述站点指公共交通站点空间位置;所述节点指由两条道路的交叉口或所述站点的空间位置;所述区域指按规则划分区域的空间位置。
4.如权利要求1所述的基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,在所述步骤5中,所述枢纽包含多个所述出入口,所述出入口位置地面道路为所述道路,所述周边POI点位于地面道路。
5.如权利要求1所述的基于多源数据融合的枢纽客流时空分布预测建模方法,其特征在于,在所述步骤7中,所述城市空间,按照交通小区划分标准为界切分为多个给定规则的单元格,根据所述的单元格对象创建小区,上方叠加其他所述对象,包括所述步骤3中创建的区域、道路、节点、路段对象;
所述空间对象包含功能区域、连接关系、空间位置;
所述功能区域分为枢纽内部区域、枢纽外部区域;
所述连接关系指不同单元区之间的连通性及空间位置,以东、南、西、北、南北、北东、东南、南西、南北来表示;
所述空间位置指该单元区的绝对位置信息,包含X、Y、Z点的坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811258765.XA CN109543883A (zh) | 2018-10-26 | 2018-10-26 | 一种基于多源数据融合的枢纽客流时空分布预测建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811258765.XA CN109543883A (zh) | 2018-10-26 | 2018-10-26 | 一种基于多源数据融合的枢纽客流时空分布预测建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109543883A true CN109543883A (zh) | 2019-03-29 |
Family
ID=65845272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811258765.XA Pending CN109543883A (zh) | 2018-10-26 | 2018-10-26 | 一种基于多源数据融合的枢纽客流时空分布预测建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109543883A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245198A (zh) * | 2019-06-18 | 2019-09-17 | 北京百度网讯科技有限公司 | 多源售票数据管理方法及系统、服务器和计算机可读介质 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN113393079A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009105044A1 (en) * | 2008-02-22 | 2009-08-27 | Agency For Science, Technology And Research (A*Star) | Mesenchymal stem cell particles |
CN101866546A (zh) * | 2010-05-18 | 2010-10-20 | 南京市城市与交通规划设计研究院有限责任公司 | 基于差别化策略与规划的城市交通分区方法 |
CN102393928A (zh) * | 2011-11-22 | 2012-03-28 | 广州市交通规划研究所 | 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统 |
CN103038795A (zh) * | 2009-12-24 | 2013-04-10 | 旅行者保险公司 | 使用繁忙度的风险评估和控制、保险费确定及其他应用 |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
ITMI20121023A1 (it) * | 2012-06-12 | 2013-12-13 | Eni Spa | "sistema di previsione della temperatura dal breve al lungo termine per la produzione, gestione e vendita di risorse energetiche" |
CN104134343A (zh) * | 2014-06-23 | 2014-11-05 | 上海城市交通设计院有限公司 | 一种基于交通卡数据的乘客上下车时间和位置的获取方法 |
CN108009973A (zh) * | 2017-11-15 | 2018-05-08 | 上海电科智能系统股份有限公司 | 一种全息城市轨道交通对象时空化建模方法 |
-
2018
- 2018-10-26 CN CN201811258765.XA patent/CN109543883A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009105044A1 (en) * | 2008-02-22 | 2009-08-27 | Agency For Science, Technology And Research (A*Star) | Mesenchymal stem cell particles |
CN103038795A (zh) * | 2009-12-24 | 2013-04-10 | 旅行者保险公司 | 使用繁忙度的风险评估和控制、保险费确定及其他应用 |
CN101866546A (zh) * | 2010-05-18 | 2010-10-20 | 南京市城市与交通规划设计研究院有限责任公司 | 基于差别化策略与规划的城市交通分区方法 |
CN102393928A (zh) * | 2011-11-22 | 2012-03-28 | 广州市交通规划研究所 | 基于宏、中、微观交通仿真平台交互使用的交通仿真集成系统 |
ITMI20121023A1 (it) * | 2012-06-12 | 2013-12-13 | Eni Spa | "sistema di previsione della temperatura dal breve al lungo termine per la produzione, gestione e vendita di risorse energetiche" |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
CN104134343A (zh) * | 2014-06-23 | 2014-11-05 | 上海城市交通设计院有限公司 | 一种基于交通卡数据的乘客上下车时间和位置的获取方法 |
CN108009973A (zh) * | 2017-11-15 | 2018-05-08 | 上海电科智能系统股份有限公司 | 一种全息城市轨道交通对象时空化建模方法 |
Non-Patent Citations (4)
Title |
---|
朱鲤: "上海公共交通发展现状及大数据背景下的线网优化思路", 《交通与运输》 * |
朱鲤: "上海公共交通发展现状及大数据背景下的线网优化思路", 《交通与运输》, 25 May 2017 (2017-05-25) * |
罗静等: "本体技术在城市规划异构数据集成中的应用研究", 《计算机工程与应用》 * |
罗静等: "本体技术在城市规划异构数据集成中的应用研究", 《计算机工程与应用》, 30 December 2008 (2008-12-30) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245198A (zh) * | 2019-06-18 | 2019-09-17 | 北京百度网讯科技有限公司 | 多源售票数据管理方法及系统、服务器和计算机可读介质 |
CN111126713A (zh) * | 2019-12-31 | 2020-05-08 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN111126713B (zh) * | 2019-12-31 | 2023-05-09 | 方正国际软件(北京)有限公司 | 基于卡口数据的时空热点预测方法、装置及控制器 |
CN113393079A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
CN113393079B (zh) * | 2021-05-07 | 2024-01-09 | 杭州数知梦科技有限公司 | 一种基于公交数据的交通小区划分方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peponis et al. | The structure of urban space, movement and co-presence: The case of Atlanta | |
CN106503843A (zh) | 一种基于手机信令数据的常规公交线网优化与调整方法 | |
Lin et al. | Intelligent generation of indoor topology (i-GIT) for human indoor pathfinding based on IFC models and 3D GIS technology | |
CN109543883A (zh) | 一种基于多源数据融合的枢纽客流时空分布预测建模方法 | |
CN108009973B (zh) | 一种全息城市轨道交通对象时空化建模方法 | |
Levinson et al. | A positive theory of network connectivity | |
CN110136457A (zh) | 基于微观交通仿真的城市交叉口群协调优化方法 | |
Elshater et al. | From typology concept to smart transportation hub | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
Ji-hua et al. | A research of pedestrian evacuation simulation for BRT station based on fine grid method | |
Wei et al. | Establishment and analysis of the supernetwork model for Nanjing metro transportation system | |
Bezbradica et al. | Understanding urban mobility and pedestrian movement | |
Cartenì et al. | Congested urban areas with high interactions between vehicular and pedestrian flows: A cost-benefit analysis for a sustainable transport policy in Naples, Italy | |
Schaap et al. | Towards a 3D geo-data model to support pedestrian routing in multimodal public transport travel advices | |
Li et al. | Distribution characteristics of the transportation network in China at the county level | |
Ye et al. | The spatial flaws of new towns: Morphological comparison between a Chinese new and old town through the application of space syntax, spacematrix and mixed use index | |
Roy et al. | High-speed rail station location optimization using customized utility functions | |
Ueno et al. | An analysis of pedestrian movement in multilevel complex by space syntax theory-in the case of Shibuya station | |
Lei et al. | How to locate urban–rural transit hubs from the viewpoint of county integration? | |
Chmielewski et al. | Hexagonal Zones in Transport Demand Models | |
Vlasov | Regulatory support of sustainable intermodal transport transit hub system development | |
Galiza et al. | Modelling pedestrian circulation in rail transit stations using micro-simulation | |
CN101441675A (zh) | 基于城市地下构筑物的连通路径建立方法 | |
Zhang et al. | Workflow of data integrating and parametric modelling in urban design regulation | |
Woo | Accessibility Impacts of Transit Development Areas in Seoul |
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 |