CN109993215B - 一种基于交通大数据的路径诱导方法 - Google Patents
一种基于交通大数据的路径诱导方法 Download PDFInfo
- Publication number
- CN109993215B CN109993215B CN201910178230.XA CN201910178230A CN109993215B CN 109993215 B CN109993215 B CN 109993215B CN 201910178230 A CN201910178230 A CN 201910178230A CN 109993215 B CN109993215 B CN 109993215B
- Authority
- CN
- China
- Prior art keywords
- user
- travel
- speed
- trip
- vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000006698 induction Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
-
- G06Q50/40—
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于交通大数据的路径诱导方法。该方法在限行规则的基础上实行通行券出行,并且根据每位用户不同的出行特征进行积分、通行券互换机制,使得新的限行规则更加灵活,更加贴合居民的出行需求;同时通过对用户出行路径诱导,通过积分奖励引导用户选择顺畅的道路出行;另外对用户出行起讫点进行匹配,实现共享出行,缓解城市交通压力。
Description
技术领域
本发明涉及一种基于交通大数据的路径诱导方法,是一种解决城市交通拥堵问题的柔性限行机制,辅助调整现有车牌限行政策,属于路政管理领域。
背景技术
由于城市居民的出行需求与有限的道路资源之间存在矛盾,路面行车数量过载与其不均匀的时空分布为城市交通带来了很大的压力。道路拥堵不仅破坏城市交通质量,影响参与者的行驶感受,消耗燃油浪费时间,还大幅增加了交通管理难度。因此,加强交通管理、优化管理方案对城市拥堵治理方法的探究与改善尤为重要。
发明内容
本发明在原本限行规则的基础上进行调整,实行通行券出行,根据每位用户不同的出行特征进行积分互换机制,使得新的限行规则更加灵活,更加贴合居民的出行需求;同时通过对用户出行路径诱导,通过积分奖励引导用户选择顺畅的道路出行;另外对用户出行起讫点进行匹配,实现共享出行,缓解城市交通压力。
本方法的基本步骤如下:
一种基于交通大数据的路径诱导方法,该方法包括以下步骤:
c1、根据车辆车牌尾号发放通行券;
c2、根据用户出行信息得到用户特征,将用户分别根据出行行为惯性强弱、出行时刻选择弹性度进行分类;
c3、建立通行券与积分的互换机制,各用户依据步骤c2的分类结果获得相应具体兑换机制;
c4、根据车辆出行起终点进行路径推荐;
c5、根据车辆出行的路径选择进行不同的积分奖励;
c6、根据起讫点匹配实现用户间共享出行。
上述技术方案中,步骤c1包括:
c11、根据车辆的车牌尾号进行分类;
c12、根据车辆的车牌尾号发放通行券,每周四张,工作日中一日限行;
c13、用户在限行日高峰时段出行需消耗对应的通行券,若无对应的通行券则无法出行。
步骤c2包括:
c21、对卡口平台数据筛选得到用户出行信息,包括用户出行时间、行程时间、行程距离;
c22、基于用户出行时间及距离,对用户进行聚类操作,得到用户出行行为惯性强弱分类;
具体步骤为:首先利用Z-score标准化方法对用户数据中的“distance”和“time”两个属性进行归一化处理,再分别以“distance”和“time”属性作为横纵坐标绘制所有用户的分布图,观察数据分布情况结合实际情况,选择集群数量,即K值,最后,基于“distance”和“time”两个属性利用kmeans法进行聚类及数据标记,将用户分类;
c23、利用卡口数据,对用户出发时刻选择弹性度进行计算及刻画;首先,将用户首次出行时间划分为早于限行时段、在限行时段和晚于限行时段,即共有3种选择;进行各时间段频次统计和用户出发时刻选择弹性度计算,选择弹性度K(D)计算公式如下:
其中n为样本总体数,Pi为选择第i种选择的概率;
对出行用户出发时刻选择弹性度进行区间间隔为0.1的划分,并对落在各区间的数目进行计数,做出分布图及累计分布图,根据用户累计分布图的曲线特点,从拐点对用户进行分类,并按类别进行数值标记。
步骤c3中,考虑到用户出行的个性化需求,对用户的行为期望按照先后顺序排序为:乘公共交通、合乘他人、搭乘出行、私家车出行,同时为使运营成本最小,建立如下通行券与积分的互换机制:
一张通行券可兑换积分为20+4X+4Y,其中X为用户的出行行为惯性强弱类别对应数值标记,Y为用户的出发时刻选择弹性度类别对应的数值标记;
30积分可兑换一张通行券;
一张通行券价值20元;
合乘一名乘客可以获取7积分;
进行一次搭乘活动需支付10积分。
步骤c4包括:
c41、用户选择出行的起点与终点;
c42、根据用户的起终点,向用户推荐不同的出行路径,路径推荐包括拥堵最少、时间最短、空间最短、大路优先、历史常规等。
步骤c5包括:
若车辆在相对畅通路段行驶,它对城市交通总体运行速度的良性影响为:
若车辆在拥堵路段行驶,它对城市交通总体运行速度的恶劣影响为:
从而得到各速度段车辆对于城市交通总体运行速度的影响:
c53、根据c52计算公式,求出各速度段车辆对城市交通总体运行速度的影响,并得到各速度段影响比例关系,以小于平均速度速度段车辆影响为基数,其负面影响与一次限行出行一致,即该负面影响可与一张出行券对应,利用积分兑券汇率,计算出基础速度段与积分对应关系。并以此经由上述比例关系计算出其余速度段积分奖励;
对于原来出行速度就高于平均速度的市民,其选择畅通路段出行成本较低,但仍需要对他进行一些鼓励,鼓励程度需要降低,可以券兑积分汇率为参照计算积分奖励。
步骤c6的过程包括:
c61、根据卡口平台数据分析得到各用户通勤出行起讫点;
c62、对具有相同起讫点的用户,可进行匹配实现共享出行,
c63、共享出行时,乘客需要支付积分10分,驾驶员每搭乘一名乘客可获得积分7分。
本发明具有的有益效果是:
本发明灵活度高,互换机制根据不同用户的出行特征定制,用户可以通过利用通行券与积分的互换,可以达到更加灵活的出行,可以在一定程度上提高人们对限行政策的接受程度。
本发明对于用户有较大的收益,用户选择公交出行或搭乘他人出行可以获得较大的收益,有利于培养用户绿色出行的习惯。
本发明有较大的社会效益,通过对用户出行路径的诱导,以及用户之间的合乘出行,可以缓解交通拥堵,同时可以减少汽车尾气排放,在交通拥堵的大城市效益更加明显。
附图说明
图1是本发明的一种具体方法流程框图;
图2是用户数据聚类前后;
图3是用户出发时刻选择弹性度分布图;
图4是用户出行时刻选择弹性度累计分布图;
图5是本发明的积分兑换机制示意图;
图6是共享出行机制示意图。
具体实施方式
本发明的一种基于交通大数据的路径诱导方法,包括以下步骤:
c1、根据车辆车牌尾号发放通行券;
c2、根据用户出行信息得到用户特征;
c3、建立通行券与积分的互换机制;
c4、根据车辆出行起终点进行路径推荐;
c5、根据车辆出行的路径选择进行不同的积分奖励;
c6、根据起讫点匹配实现用户间共享出行。
其中,步骤c1具体为:
c11、根据车辆的车牌尾号进行分类;如尾号1、9为一组,2、8为二组,3、7为三组,4、6为四组,5、0为五组;
c12、根据车辆的车牌尾号发放通行券,每周四张,如一组车辆发放周二、三、四、五的通行券,二组车辆发放轴一、三、四、五的通行券,递推;
c13、用户在限行日高峰时段出行需消耗对应的通行券,若无对应的通行券则无法出行。
步骤c2包括:
c21、对卡口平台数据筛选得到用户出行信息,包括用户出行时间,行程时间、行程距离等;
c22、基于用户出行时间及距离,对用户进行聚类操作,得到用户出行行为惯性强弱分类。
具体实现步骤为:首先利用Z-score标准化方法对用户数据中的“distance”和“time”两个属性进行归一化处理。在对数据进行标准化之后,分别以“distance”和“time”作为横纵坐标绘制所有用户的分布图,观察数据分布情况,并且结合实际情况,选择集群数量,即K值。最后,基于“distance”和“time”利用kmeans法进行聚类,及数据标记,并可视化输出,观察聚类效果(附图2)。根据最后的聚类结果,可将用户分为三类,类别分别标记为0,1,2,分别对应出行行为惯性强、中、弱。
c23、利用卡口数据,对用户出发时刻选择弹性度进行计算及刻画。首先,将用户首次出行时间划分为早于限行时段、在限行时段和晚于限行时段;进行各时间段频次统计和用户出发时刻选择弹性度计算,计算公式如下:
其中n为样本总体数,Pi为选择第i种选择的概率。
对某市出行用户出发时刻选择弹性度进行区间间隔为0.1的划分,并对落在各区间的数目进行计数,做出分布图(附图3)及累计分布图(附图4),根据用户累计分布图的曲线特点,选择其两个拐点,将分布曲线分为3个部分,分别对应于3个类别的出发时刻选择弹性度——出发时刻选择弹性度刚性、出发时刻选择弹性度中性、出发时刻选择弹性度弹性。
步骤c3包括:
c31、通行券、积分兑换关系推导如下:
对用户的行为期望按照先后顺序排序为:乘公共交通、合乘他人、搭乘出行、私家车出行,同时希望运营成本降至最低。
设1张券可以更换x积分,价值是y元,根据前期卡口数据和调研显示:车主平均出行距离3.5km,每公里油耗0.8元。
c32、列出一周工作日期间各种出行方式能获得的收益。
(1)公共交通
时间成本12rmb/h,平均时间(超出自己出行)15min,公共费用一天5元。
(2)合乘他人
设合乘一名乘客可获取z分,每天两次,平均一次1.5名乘客,
情形一:合乘4天,最后一天公交出行。
情形二:合乘5天,其中用券兑换。
两种情形收益为:
(3)搭乘出行(最后一天公交)
4*3.5*0.8*2-5=17.4
(4)自驾私家车出行
-5-4*3.5*0.8*2=-27.4
利用动态规划理论求解,解得
为了使得用户选择公共交通有更大的吸引力,并且为了数值的取值交易的简洁性,取x=20,y=20,z=7。
c33、考虑到用户个体差异,在进行通行券至积分的兑换时,采取个性化方案,根据前文中的出行行为惯性强弱以及出发时刻选择弹性度,每张券兑换20+4X+4Y积分。(X,Y分别为出行行为惯性、出发时刻选择弹性度用户类别数值标记)
综上所述,最终的通行券、积分兑换机制为:通行券积分按1:20+4X+4Y;积分兑券按照30:1兑换;一张通行券价值20元。合乘一名乘客可以获取7积分。乘客需支付10积分来进行一次搭乘活动。
步骤c4包括:
c41、用户选择出行的起点与终点;
c42、系统根据用户的起终点,向用户推荐不同的出行路径,路径推荐分为拥堵最少、时间最短、空间最短、大路优先、历史常规等。
步骤c5包括:
若车辆在相对畅通路段行驶,它对城市交通总体运行速度的良性影响为:
若车辆在拥堵路段行驶,它对城市交通总体运行速度的恶劣影响为:
代入相关数据,得到各速度段车辆对于城市交通总体运行速度的影响;
c53、根据c52计算公式,求出各速度段车辆对城市交通总体运行速度的影响,并得到各速度段影响比例关系,以小于平均速度速度段车辆影响为基数,其负面影响与一次限行出行一致,即该负面影响可与一张出行券对应,利用积分兑券汇率,计算出基础速度段与积分对应关系。并以此经由上述比例关系计算出其余速度段积分奖励。
对于原来出行速度就高于平均速度的市民,其选择畅通路段出行成本较低,但仍需要对他进行一些鼓励,鼓励程度需要降低,可以券兑积分汇率为参照计算积分奖励。制定的一种具体奖励机制如图1中所示。
步骤c6包括:
c61、根据卡口平台数据分析得到各用户通勤出行起讫点;
c62、对具有相同起讫点的用户,可进行匹配实现共享出行。
c63、共享出行时,乘客需要支付积分10分,驾驶员每搭乘一名乘客可获得积分7分。
本发明通过设置互换机制,对用户出行路径进行诱导,根据不同用户的出行特征定制,用户可以通过利用通行券与积分的互换,可以达到更加灵活的出行,可以缓解交通拥堵,减少汽车尾气排放,在交通拥堵的大城市效益更加明显。
Claims (5)
1.一种基于交通大数据的路径诱导方法,其特征在于该方法包括以下步骤:
c1、根据车辆车牌尾号发放通行券;
c2、根据用户出行信息得到用户特征,将用户分别根据出行行为惯性强弱、出行时刻选择弹性度进行分类;包括:
c21、对卡口平台数据筛选得到用户出行信息,包括用户出行时间、行程时间、行程距离;
c22、基于用户出行时间及距离,对用户进行聚类操作,得到用户出行行为惯性强弱分类;
具体步骤为:首先利用Z-score标准化方法对用户数据中的“distance”和“time”两个属性进行归一化处理,再分别以“distance”和“time”属性作为横纵坐标绘制所有用户的分布图,观察数据分布情况结合实际情况,选择集群数量,即K值,最后,基于“distance”和“time”两个属性利用kmeans法进行聚类及数据标记,将用户分类;
c23、利用卡口数据,对用户出发时刻选择弹性度进行计算及刻画;首先,将用户首次出行时间划分为早于限行时段、在限行时段和晚于限行时段,即共有3种选择;进行各时间段频次统计和用户出发时刻选择弹性度计算,选择弹性度K(D)计算公式如下:
其中n为样本总体数,Pi为选择第i种选择的概率;
对出行用户出发时刻选择弹性度进行区间间隔为0.1的划分,并对落在各区间的数目进行计数,做出分布图及累计分布图,根据用户累计分布图的曲线特点,从拐点对用户进行分类,并按类别进行数值标记;
c3、建立通行券与积分的互换机制,各用户依据步骤c2的分类结果获得相应具体兑换机制;
c4、根据车辆出行起终点进行路径推荐;
c5、根据车辆出行的路径选择进行不同的积分奖励;包括:
若车辆在相对畅通路段行驶,它对城市交通总体运行速度的良性影响为:
若车辆在拥堵路段行驶,它对城市交通总体运行速度的恶劣影响为:
从而得到各速度段车辆对于城市交通总体运行速度的影响:
c53、根据c52计算公式,求出各速度段车辆对城市交通总体运行速度的影响,并得到各速度段影响比例关系,以小于平均速度速度段车辆影响为基数,其负面影响与一次限行出行一致,即该负面影响可与一张出行券对应,利用积分兑券汇率,计算出基础速度段与积分对应关系,并以此经由上述比例关系计算出其余速度段积分奖励;
c6、根据起讫点匹配实现用户间共享出行。
2.根据权利要求1所述的路径诱导方法,其特征在于,步骤c1包括:
c11、根据车辆的车牌尾号进行分类;
c12、根据车辆的车牌尾号发放通行券,每周四张,工作日中一日限行;
c13、用户在限行日高峰时段出行需消耗对应的通行券,若无对应的通行券则无法出行。
3.根据权利要求1所述的路径诱导方法,其特征在于,步骤c3中,考虑到用户出行的个性化需求,对用户的行为期望按照先后顺序排序为:乘公共交通、合乘他人、搭乘出行、私家车出行,同时为使运营成本最小,建立如下通行券与积分的互换机制:
一张通行券可兑换积分为20+4X+4Y,其中X为用户的出行行为惯性强弱类别对应数值标记,Y为用户的出发时刻选择弹性度类别对应的数值标记;
30积分可兑换一张通行券;
一张通行券价值20元;
合乘一名乘客可以获取7积分;
进行一次搭乘活动需支付10积分。
4.根据权利要求1所述的路径诱导方法,其特征在于,步骤c4包括:
c41、用户选择出行的起点与终点;
c42、根据用户的起终点,向用户推荐不同的出行路径,路径推荐包括拥堵最少、时间最短、空间最短、大路优先、历史常规。
5.根据权利要求1所述的路径诱导方法,其特征在于,步骤c6的过程包括:
c61、根据卡口平台数据分析得到各用户通勤出行起讫点;
c62、对具有相同起讫点的用户,可进行匹配实现共享出行,
c63、共享出行时,乘客需要支付积分10分,驾驶员每搭乘一名乘客可获得积分7分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178230.XA CN109993215B (zh) | 2019-03-08 | 2019-03-08 | 一种基于交通大数据的路径诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910178230.XA CN109993215B (zh) | 2019-03-08 | 2019-03-08 | 一种基于交通大数据的路径诱导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109993215A CN109993215A (zh) | 2019-07-09 |
CN109993215B true CN109993215B (zh) | 2021-08-24 |
Family
ID=67129616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910178230.XA Active CN109993215B (zh) | 2019-03-08 | 2019-03-08 | 一种基于交通大数据的路径诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993215B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523562B (zh) * | 2020-03-20 | 2021-06-08 | 浙江大学 | 一种基于车牌识别数据的通勤模式车辆识别方法 |
CN112634616A (zh) * | 2020-12-17 | 2021-04-09 | 湖北工业大学 | 一种基于交通可持续发展的合乘方法 |
CN112884622B (zh) * | 2021-01-08 | 2024-02-02 | 重庆交通大学 | 高峰期城市上班族时空均衡出行的诱导系统 |
CN112991005A (zh) * | 2021-02-08 | 2021-06-18 | 同济大学 | 一种交通需求管理策略下的拼车出行管理方法 |
CN115240454B (zh) * | 2022-06-21 | 2023-08-22 | 山东新工科信息技术有限公司 | 一种疏解交通拥堵的物联网平台及基于它的疏解方法 |
CN115115283B (zh) * | 2022-08-26 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种城市关键基础设施的管理方法、电子设备及存储介质 |
CN116579905A (zh) * | 2023-07-11 | 2023-08-11 | 新唐信通(北京)科技有限公司 | 一种基于生态通行指数改善交通的方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430825A (zh) * | 2008-12-08 | 2009-05-13 | 施文武 | 一种机动车限行的柔性管理方法 |
CN102054356A (zh) * | 2011-01-25 | 2011-05-11 | 南京信息工程大学 | 基于gps/gprs实现交通流量统计及车辆柔性限行方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
CN105575140A (zh) * | 2014-10-10 | 2016-05-11 | 江苏子扬交通科技有限公司 | 一种基于rfid电子标签的城市车辆限行方法 |
CN105654415A (zh) * | 2016-01-21 | 2016-06-08 | 浙江大学 | 一种面向交通管理者的路网通行效率变化率计算方法 |
CN106529703A (zh) * | 2016-10-31 | 2017-03-22 | 浙江大学 | 一种基于行使权分配的城市交通高峰错行方法 |
CN107331166A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种基于路径分析的动态限行方法 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN108921964A (zh) * | 2018-06-14 | 2018-11-30 | 重庆同济同枥信息技术有限公司 | 一种道路通行电子券共享方法及平台 |
CN109190837A (zh) * | 2018-09-17 | 2019-01-11 | 江苏满运软件科技有限公司 | 优化运输路线的方法、装置、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7912574B2 (en) * | 2006-06-19 | 2011-03-22 | Kiva Systems, Inc. | System and method for transporting inventory items |
-
2019
- 2019-03-08 CN CN201910178230.XA patent/CN109993215B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430825A (zh) * | 2008-12-08 | 2009-05-13 | 施文武 | 一种机动车限行的柔性管理方法 |
CN102054356A (zh) * | 2011-01-25 | 2011-05-11 | 南京信息工程大学 | 基于gps/gprs实现交通流量统计及车辆柔性限行方法 |
CN105575140A (zh) * | 2014-10-10 | 2016-05-11 | 江苏子扬交通科技有限公司 | 一种基于rfid电子标签的城市车辆限行方法 |
CN105185115A (zh) * | 2015-09-07 | 2015-12-23 | 华迪计算机集团有限公司 | 一种交通预测方法和预测系统 |
CN105654415A (zh) * | 2016-01-21 | 2016-06-08 | 浙江大学 | 一种面向交通管理者的路网通行效率变化率计算方法 |
CN106529703A (zh) * | 2016-10-31 | 2017-03-22 | 浙江大学 | 一种基于行使权分配的城市交通高峰错行方法 |
CN107331166A (zh) * | 2017-07-25 | 2017-11-07 | 中南大学 | 一种基于路径分析的动态限行方法 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN108921964A (zh) * | 2018-06-14 | 2018-11-30 | 重庆同济同枥信息技术有限公司 | 一种道路通行电子券共享方法及平台 |
CN109190837A (zh) * | 2018-09-17 | 2019-01-11 | 江苏满运软件科技有限公司 | 优化运输路线的方法、装置、电子设备、存储介质 |
Non-Patent Citations (3)
Title |
---|
Designing Vehicle Turning Restrictions Based on the Dual Graph Technique;Lihui Zhang 等;《Mathematical Problems in Engineering》;20170406;第1-12页 * |
基于 ARM11 的机动车柔性限行管理系统设计;张凯 等;《电子器件》;20141020;第37卷(第5期);第953-957页 * |
天津市交通指数及其在双限政策评估中的应用;蒋寅 等;《城市交通》;20151125;第46-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109993215A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993215B (zh) | 一种基于交通大数据的路径诱导方法 | |
US8055534B2 (en) | Variable rate travel fee based upon vehicle occupancy | |
Wirasinghe et al. | Bus rapid transit–a review | |
Navidi et al. | Comparison between ad-hoc demand responsive and conventional transit: a simulation study | |
CN106504522A (zh) | 一种基于大数据的智慧交通管理系统 | |
Barabino et al. | Bus crash risk evaluation: An adjusted framework and its application in a real network | |
US20100153191A1 (en) | Variable toll fee selection from geographic indicia | |
CN110633558B (zh) | 一种城市交通系统建模系统 | |
Xiong et al. | Understanding operation patterns of urban online ride-hailing services: A case study of Xiamen | |
Shahikhaneh et al. | Modeling the transport mode choice behavior of motorcyclists | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
Chen et al. | Exploring the operational performance discrepancies between online ridesplitting and carpooling transportation modes based on DiDi data | |
Alemi et al. | Simulation of ridesourcing using agent-based demand and supply regional models: potential market demand for first-mile transit travel and reduction in vehicle miles traveled in the San Francisco Bay Area. | |
Ippisch | Telematics data in motor insurance: creating value by understanding the impact of accidents on vehicle use | |
CN116129651A (zh) | 一种基于居民出行行为选择的交通容量计算方法 | |
Mckinnon | Operational and safety-based analyses of varied toll lane configurations | |
Nurhidayat et al. | Impact of Traffic Volume on the Pollution Cost, Value of Time, and Travel Time Cost in Jakarta City Centre Area | |
CN112990360A (zh) | 一种基于K-means的网约车载客特征分析方法 | |
CP et al. | Performance prediction model for urban dual carriageway using travel time-based indices | |
Samy et al. | Using semantic features for enhancing car pooling system | |
Chaudhary | A model for the benefits of electronic toll collection System | |
Mishra | Evaluating the Impacts of Existing Priority and Developing a Passenger Based Transit Signal Priority | |
Qiu et al. | Exploring the Non-linear Relationship between E-scooter Ridership and the Built Environment | |
Quaye et al. | Delivery of urban transport in sub‐saharan africa case study of accra, ghana | |
Chowdhury | Investigation of road intersection operation using micro-simulation technique |
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 |