CN109670540A - 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 - Google Patents
基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 Download PDFInfo
- Publication number
- CN109670540A CN109670540A CN201811474704.7A CN201811474704A CN109670540A CN 109670540 A CN109670540 A CN 109670540A CN 201811474704 A CN201811474704 A CN 201811474704A CN 109670540 A CN109670540 A CN 109670540A
- Authority
- CN
- China
- Prior art keywords
- data
- predicted
- day
- resident
- short
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011664 signaling Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000013316 zoning Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- QVRVXSZKCXFBTE-UHFFFAOYSA-N n-[4-(6,7-dimethoxy-3,4-dihydro-1h-isoquinolin-2-yl)butyl]-2-(2-fluoroethoxy)-5-methylbenzamide Chemical compound C1C=2C=C(OC)C(OC)=CC=2CCN1CCCCNC(=O)C1=CC(C)=CC=C1OCCF QVRVXSZKCXFBTE-UHFFFAOYSA-N 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,该方法如下:通过检测系统实时获取客运枢纽区域驻留情况数据;根据待预测日的日期特性,选取与待预测日相似的m个历史样本作为预测的样本空间;对历史样本中的异常数据和噪声进行预处理;确定待预测日和历史样本对应待预测时间段的特征空间,计算历史样本与待预测日在特征空间上数据的增量比标准差,找出增量比标准差最小的k天数据作为k邻近样本;计算k邻近样本的增量比系数,根据增量比系数预测区域驻留人数变化趋势;以当前区域驻留人数为基准,计算区域驻留人数短时预测值。本发明能利用历史数据精准预测短时区域驻留人数变化趋势,从而基于当前区域驻留人数计算得到较高精度的短时区域驻留人数预测结果。本发明适用于智能交通领域。
Description
技术领域
本发明涉及智能交通领域,更具体的,涉及一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法。
背景技术
客运枢纽,作为交通场站设施的综合体,能够为乘客提供多种服务,以满足乘客的多种需求,致力于让乘客感到便捷和舒适。客运枢纽内的驻留乘客数量直接反映了枢纽内的人群密度和拥挤程度,是客流组织方案和疏运管理方案的最重要参考指标之一,精准的驻留乘客数量短时预测对于紧急实施分级预案与安保管理具有重要意义。
由于客运枢纽乘客驻留人数受多种影响因素综合作用,其间的关系也错综复杂,因而为影响因素的选取带来了一定的困扰。此外,由于在预测过程中某些相关因素本身就具有不确定性,加上每逢节假日与春运,客运枢纽区域人群聚集具有明显的临时性、突发性等特征,因此要进行精确的短时预测具有较大的难度。在此情况下,不分开考虑各个因素对客运枢纽未来驻留人数的影响,而直接利用与待预测日相似的历史数据及其潜在数据关系进行预测,往往能够取得准确度较高的预测效果。因此,本发明提出一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法。
kNN(k-Nearest Neighbor)算法,作为一种经典的模式识别统计算法,被广泛应用于分类,同样也可用于预测。kNN算法先将待测样本进行归类,再利用类内数据对待测日进行预测,具有较高的运行效率,且在历史数据规律性较明显的情况下能取得较高的预测精度。由于客运班次密度安排相对均匀,乘客的出行习惯也相对稳定,区域驻留人数变化趋势将具有一定的规律性,因此与待预测日变化趋势最接近的样本将能够较好反映待预测日客流量的变化趋势,并且不受枢纽区域人数数值大小的影响。由此可见,基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法能够取得较好的短时预测效果。
发明内容
本发明为了解决客运枢纽乘客驻留人数受多种因素影响,以及各因素之间关系错综复杂,不易精准的预测驻留人数变化的问题,提供了一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,其通过选取与待预测日的特征空间变化趋势相似的历史样本作为邻近样本,对待预测日区域驻留人数的变化趋势进行短时预测,在历史样本有限的情况下消除了历史样本与待预测日数据水平差异的影响,保证了短时预测精度,对于紧急实施分级预案与安保管理具有重要意义。
为实现上述本发明目的,采用的技术方案如下:一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,所述预测方法步骤如下:
S1:通过检测系统实时获取客运枢纽区域驻留情况数据;
S2:根据待预测日的日期特性,选取与待预测日相似的m个历史样本作为预测的样本空间;
S3:对历史样本中的异常数据和噪声进行预处理;
S4:确定待预测日和历史样本对应待预测时间段的特征空间:若预测某天一段短时间内的区域驻留人数X=(x1,x2,…,xl);根据预测时间段之前的n个已知连续驻留人数数据Y=(y1,y2,…,yn),计算其差值向量作为特征向量;对于m个历史样本,样本i对应特征向量Y同时间段的n个数据时间点的驻留人数Qi=(q1,q2,…,qn)i的差值向量为
其中:i=1,2,...,m;xr表示待预测日待预测时段内时间点r的区域驻留人数,r=1,2,…,l;yj表示待预测日待预测时段之前的n个时间点中时间点j的区域驻留人数,j=1,2,…,n;(qj)i表示样本i对应特征向量Y时间点j的驻留人数,i=1,2,…,m,j=1,2,…,n;
寻找k邻近样本:根据差值向量计算历史样本与待预测日的数据在特征空间上数据的增量比标准差找出增量比标准差最小的k天数据作为k邻近样本;
其中:i=1,2,...,m;表示待预测日与历史样本i在特征空间内数据增量比的均值,且规定为增量比系数;
S5:计算k邻近样本的增量比系数,根据增量比系数预测区域驻留人数变化趋势:根据步骤S4所选的k邻近样本,得到相应的增量比系数为所选k邻近样本对应的与待预测数据X=(x1,x2,…,xl)同时间段的数据向量的相邻数据差值向量为则待预测数据X的相邻数据差值向量为对于第一个待预测值与其前一个已知值yn之间的差值表示为
其中:t=1,2,...,k;(pr)(t)表示k近邻样本t与待预测数据X中xr的时间点对应的驻留人数,r=1,2,…,l,t=1,2,…,k;
S6:根据上述步骤,以当前区域驻留人数yn为基准,计算区域驻留人数短时预测值得到短时区域驻留人数预测结果X=(x1,x2,…,xl);
其中:r=1,2,...,l;表示第r个预测点xr与yn的差值。
优选地,步骤S1所述检测系统包括客流检测器、手机信令,所述检测系统用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
优选地,步骤S2所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
优选地,步骤S3对历史样本中的异常数据,增加数据检查机制,自动判别异常数据并进行报错及修正,以保证数据的可靠性与预测的精度,完成预处理。
对于历史样本中的噪声,使用“五点三次平滑法”对预测数据曲线进行平滑以去除噪声,消除各种干扰所引起的数据突变,以保证预测精度。
本发明的有益效果如下:本发明通过选取m个与待预测日相似的历史样本作为样本空间,对历史样本中的异常数据和噪声进行预处理,提高了历史样本数据的准确性与可靠性;本发明通过计算历史样本与待预测日数据在特征空间上数据的增量比标准差,找出增量比标准差最小的k天数据作为k邻近样本,计算k邻近样本的增量比系数根据增量比系数预测区域驻留人数变化趋势,消除了历史样本与待预测日数据水平差异的影响,并以当前区域驻留人数为基准,计算区域驻留人数短时预测值,保证了短时预测精度。
附图说明
图1是本发明的步骤流程图。
图2是2017年1月1日9:00-10:55某火车站广场以5分钟为数据采集时间间隔的区域驻留人数记录图。
图3是应用本发明对某火车站广场2018年2月13日9:00-11:55的区域驻留人数短时预测结果分析图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示,一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,所述预测方法步骤如下:
S1:通过检测系统实时获取客运枢纽区域驻留情况数据;
本实施例所述检测系统包括客流检测器、手机信令,所述检测系统用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
本实施例以5分钟作为数据采集间隔时间,通过检测手机信令获取到2017年1月1日至2018年2月12日某火车站广场的区域驻留情况历史数据,记录该火车站广场2017年1月1日9:00-10:55各数据时间点的区域驻留人数如图2所示。由此,为预测某火车站广场2018年2月13日9:00-11:55每5分钟的驻留人数,首先获取自2018年2月13日0:00起某火车站广场每5分钟的驻留情况数据。
S2:根据待预测日的日期特性,选取与待预测日相似的m个历史样本作为预测的样本空间;
所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
本实施例中预测日2018年2月13日为春节(2月16日是大年初一)前三天,属于春运期间,与节假日同样具有客流量大的特点。因此,根据日期特性选取春运、节假日样本作为历史样本空间,具体包括2017年春运高峰日(1月13日-1月24日)、元旦假日(1月1日-1月2日)、清明节假日(4月2日-4月4日)、劳动节假日(4月29日-5月1日)、端午节假日(5月28日-5月30日)和国庆中秋假日(10月1日-10月8日),2018年元旦假日(2017年12月30日-2018年1月1日)以及待预测日前同属春运期间的样本(2月1日-2月12日),共46天,进而确定区域驻留人数预测的样本空间。
S3:对历史样本中的异常数据和噪声进行预处理;
为了保证样本数据中数据的准确性与可靠性,因此需要对上述的所选历史样本数据进行数据处理和数据平滑去噪,即缺失值用插值法补全,若连续缺失半个小时及以上数据,则剔除该天数据;将异常值当成缺失值进行处理,从而完成对历史样本中的异常数据的预处理;对于历史样本中的噪声,使用“五点三次平滑法”对预测数据曲线进行平滑以去除噪声,消除各种干扰所引起的数据突变,以保证预测精度。
S4:确定待预测日和历史样本对应待预测时间段的特征空间:为预测2018年2月13日9:00-11:55三个小时的区域驻留数据X=(x1,x2,…,x36),需要选取2018年2月13日9:00之前的24个(7:00~8:55)已知连续驻留人数数据Y=(y1,y2,…,y24),计算其差值向量作为特征向量;该差值向量实为驻留人数单位时间间隔的变化率,反映驻留人数随时间变化曲线的增长速度。对于区域驻留人数样本空间的46个样本,样本i对应特征向量Y同时间段的24个数据时间点的驻留人数Qi=(q1,q2,…,q24)i的特征向量为(qj)i(j=1,2,...,24;i=1,2,...,46)表示样本i对应特征向量Y时间点j的驻留人数。
寻找k邻近样本:由于历史样本与待预测日在特征向量上的相近度将一定程度地反映短时区域驻留人数变化趋势的相近度,因此根据特征向量计算历史样本与待预测日的数据在特征空间上数据的增量比标准差用于来量化与在向量方向上的相似性,从而度量样本i与待预测日的区域驻留人数变化趋势相近性,增量比标准差按大小顺序排序,找出增量比标准差最小的3(k=3)天数据作为k邻近样本;
其中,表示待预测日与历史样本i在特征空间内数据增量比的均值,且规定为增量比系数。
S5:计算k邻近样本的增量比系数,根据增量比系数预测区域驻留人数变化趋势:根据步骤S4所选的k邻近样本,得到相应的增量比系数相应当前(8:55)的区域客流人数q24(1)、q24(2)、q24(3),以及所选k邻近样本对应的与待预测数据X=(x1,x2,…,x36)同时间段的数据向量 相邻数据差值向量为则待预测数据X的相邻数据差值向量为对于第一个待预测值与其前一个已知值yn之间的差值表示为本实施例中8:55-9:00的预测增量
其中:(pr)(t)(r=1,2,…,36;t=1,2,3)表示k近邻样本t与待预测数据X中xr的时间点对应的驻留人数。
S6:根据上述步骤,以当前(8:55)区域驻留人数y24为基准,计算区域驻留人数短时预测值得到短时区域驻留人数预测结果X=(x1,x2,…,x36),其中:表示第r个预测点xr与y24的差值。
本实施例2018年2月13日9:00-11:55三个小时的短时预测效果如图3所示,从图中可以看出预测值与实际值之间的相对误差很少,预测值与实际值变化趋势基本相同。本实施例的预测结果可以作为制定客运枢纽区域组织分流和疏运管理方案的重要依据,对于实施紧急安保措施具有重要指导意义。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,其特征在于:所述预测方法步骤如下:
S1:通过检测系统实时获取客运枢纽区域驻留情况数据;
S2:根据待预测日的日期特性,选取与待预测日相似的m个历史样本作为预测的样本空间;
S3:对历史样本中的异常数据和噪声进行预处理;
S4:确定待预测日和历史样本对应待预测时间段的特征空间:若预测某天一段短时间内的区域驻留人数X=(x1,x2,…,xl);根据预测时间段之前的n个已知连续驻留人数数据Y=(y1,y2,…,yn),计算其差值向量作为特征向量;对于m个历史样本,样本i对应特征向量Y同时间段的n个数据时间点的驻留人数Qi=(q1,q2,…,qn)i的差值向量为
其中:i=1,2,...,m;xr表示待预测日待预测时段内时间点r的区域驻留人数,r=1,2,…,l;yj表示待预测日待预测时段之前的n个时间点中时间点j的区域驻留人数,j=1,2,…,n;(qj)i表示样本i对应特征向量Y时间点j的驻留人数,i=1,2,…,m,j=1,2,…,n;
寻找k邻近样本:根据差值向量计算历史样本与待预测日的数据在特征空间上数据的增量比标准差找出增量比标准差最小的k天数据作为k邻近样本;
其中:i=1,2,...,m;表示待预测日与历史样本i在特征空间内数据增量比的均值,且规定为增量比系数;
S5:计算k邻近样本的增量比系数,根据增量比系数预测区域驻留人数变化趋势:根据步骤S4所选的k邻近样本,得到相应的增量比系数为所选k邻近样本对应的与待预测数据X=(x1,x2,…,xl)同时间段的数据向量的相邻数据差值向量为则待预测数据X的相邻数据差值向量为对于第一个待预测值与其前一个已知值yn之间的差值表示为
其中:t=1,2,...,k;(pr)(t)表示k近邻样本t与待预测数据X中xr的时间点对应的驻留人数,r=1,2,…,l;
S6:根据上述步骤,以当前区域驻留人数yn为基准,计算区域驻留人数短时预测值得到短时区域驻留人数预测结果X=(x1,x2,…,xl);
其中:r=1,2,...,l;表示第r个预测点xr与yn的差值。
2.根据权利要求1所述的基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,其特征在于:步骤S1所述检测系统包括客流检测器、手机信令,所述检测系统用于采集与估测各个时间间隔内客运枢纽的区域驻留人数,得到历史与当前的区域驻留情况数据;所述驻留情况数据包括区域驻留人数以及对应采集时间。
3.根据权利要求1所述的基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,其特征在于:步骤S2所述待预测日的日期特性是指客运枢纽一天内区域驻留人数的数值水平和变化趋势在相同日期类型中具有相似性,具体表现在节假日与非节假日驻留人数水平和一天内驻留人数的变化趋势不相同,因此需要对历史样本进行分类,选取与待预测日相同日期类型的历史样本作为样本空间进行预测。
4.根据权利要求1所述的基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法,其特征在于:步骤S3对历史样本中的异常数据,增加数据检查机制,自动判别异常数据并进行报错及修正,以保证数据的可靠性与预测的精度,完成预处理。
对于历史样本中的噪声,使用“五点三次平滑法”对预测数据曲线进行平滑以去除噪声,消除各种干扰所引起的数据突变,以保证预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474704.7A CN109670540B (zh) | 2018-12-04 | 2018-12-04 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811474704.7A CN109670540B (zh) | 2018-12-04 | 2018-12-04 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109670540A true CN109670540A (zh) | 2019-04-23 |
CN109670540B CN109670540B (zh) | 2021-07-16 |
Family
ID=66144640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811474704.7A Active CN109670540B (zh) | 2018-12-04 | 2018-12-04 | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670540B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337080A (zh) * | 2019-06-19 | 2019-10-15 | 同济大学 | 手机信令数据的空间偏差识别及纠正方法 |
CN112528867A (zh) * | 2020-12-14 | 2021-03-19 | 上海工程技术大学 | 一种地铁车站突发大客流预警方法及其应用 |
CN112767028A (zh) * | 2021-01-20 | 2021-05-07 | 每日互动股份有限公司 | 一种活跃用户数量的预测方法、计算机设备及存储介质 |
CN113673757A (zh) * | 2021-08-17 | 2021-11-19 | 杭州企智互联科技有限公司 | 智慧食堂就餐规律预测方法及装置 |
CN114330850A (zh) * | 2021-12-21 | 2022-04-12 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050031188A1 (en) * | 2003-08-10 | 2005-02-10 | Luu Victor Van | Systems and methods for characterizing a sample |
CN106650620A (zh) * | 2016-11-17 | 2017-05-10 | 华南理工大学 | 一种应用无人机监测的目标人员识别追踪方法 |
CN107194560A (zh) * | 2017-05-12 | 2017-09-22 | 东南大学 | Lbsn中基于好友聚类的社交搜索评价方法 |
CN107506692A (zh) * | 2017-07-21 | 2017-12-22 | 天津大学 | 一种基于深度学习的密集人群计数与人员分布估计方法 |
-
2018
- 2018-12-04 CN CN201811474704.7A patent/CN109670540B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050031188A1 (en) * | 2003-08-10 | 2005-02-10 | Luu Victor Van | Systems and methods for characterizing a sample |
CN106650620A (zh) * | 2016-11-17 | 2017-05-10 | 华南理工大学 | 一种应用无人机监测的目标人员识别追踪方法 |
CN107194560A (zh) * | 2017-05-12 | 2017-09-22 | 东南大学 | Lbsn中基于好友聚类的社交搜索评价方法 |
CN107506692A (zh) * | 2017-07-21 | 2017-12-22 | 天津大学 | 一种基于深度学习的密集人群计数与人员分布估计方法 |
Non-Patent Citations (1)
Title |
---|
王锦添 等: "基于K近邻非参数回归的短时公交客流预测", 《东莞理工学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337080A (zh) * | 2019-06-19 | 2019-10-15 | 同济大学 | 手机信令数据的空间偏差识别及纠正方法 |
CN112528867A (zh) * | 2020-12-14 | 2021-03-19 | 上海工程技术大学 | 一种地铁车站突发大客流预警方法及其应用 |
CN112528867B (zh) * | 2020-12-14 | 2021-07-20 | 上海工程技术大学 | 一种地铁车站突发大客流预警方法及其应用 |
CN112767028A (zh) * | 2021-01-20 | 2021-05-07 | 每日互动股份有限公司 | 一种活跃用户数量的预测方法、计算机设备及存储介质 |
CN112767028B (zh) * | 2021-01-20 | 2022-08-26 | 每日互动股份有限公司 | 一种活跃用户数量的预测方法、计算机设备及存储介质 |
CN113673757A (zh) * | 2021-08-17 | 2021-11-19 | 杭州企智互联科技有限公司 | 智慧食堂就餐规律预测方法及装置 |
CN114330850A (zh) * | 2021-12-21 | 2022-04-12 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
CN114330850B (zh) * | 2021-12-21 | 2023-11-17 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109670540B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670540B (zh) | 基于kNN算法的客运枢纽区域驻留人数变化趋势短时预测方法 | |
Toqué et al. | Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks | |
Aslam et al. | City-scale traffic estimation from a roving sensor network | |
CN108346292B (zh) | 基于卡口数据的城市快速路实时交通指数计算方法 | |
CN109635859B (zh) | 数值和趋势k近邻的客运枢纽区域驻留人数组合预测方法 | |
Jenelius | Data-driven metro train crowding prediction based on real-time load data | |
CN105374209B (zh) | 一种城市区域路网运行状态特征信息提取方法 | |
CN107194491A (zh) | 一种基于公交客流和站间行程时间预测的动态调度方法 | |
CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
CN115953186B (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
CN106203505A (zh) | 一种利用手机定位数据判断用户移动与停留状态的方法 | |
Dypvik Landmark et al. | Mobile phone data in transportation research: methods for benchmarking against other data sources | |
CN114501336B (zh) | 一种公路出行量测算方法、装置、电子设备及存储介质 | |
CN117314504B (zh) | 一种公共交通客流预测方法及系统 | |
Ha et al. | Estimating annual average daily traffic using daily adjustment factor | |
Kwigizile et al. | Integrating crowdsourced data with traditionally collected data to enhance estimation of bicycle exposure measure | |
Hasani et al. | Developing models for matching of short-term and long-term data collection sites to improve the estimation of average annual daily bicyclists | |
Pamuła | Traffic flow analysis based on the real data using neural networks | |
Chen et al. | Container throughput estimation leveraging ship GPS traces and open data | |
Xu et al. | A real‐time traffic index model for expressways | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
Bollenbach et al. | Using machine learning to predict POI occupancy to reduce overcrowding | |
Li-Jun et al. | Evaluation of the reliability of bus service based on gps and smart card data | |
Liu et al. | Optimization Models for Estimating Transit Network Origin-Destination Flows with AVL/APC Data |
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 |