CN110009153B - 一种基于od客流的公交排班优化方法及系统 - Google Patents

一种基于od客流的公交排班优化方法及系统 Download PDF

Info

Publication number
CN110009153B
CN110009153B CN201910268502.5A CN201910268502A CN110009153B CN 110009153 B CN110009153 B CN 110009153B CN 201910268502 A CN201910268502 A CN 201910268502A CN 110009153 B CN110009153 B CN 110009153B
Authority
CN
China
Prior art keywords
passenger flow
directional
peak
station
data
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
Application number
CN201910268502.5A
Other languages
English (en)
Other versions
CN110009153A (zh
Inventor
薛雨聪
周金明
韩晓春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xingzheyi Intelligent Transportation Technology Co ltd
Original Assignee
Nanjing Xingzheyi Intelligent Transportation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xingzheyi Intelligent Transportation Technology Co ltd filed Critical Nanjing Xingzheyi Intelligent Transportation Technology Co ltd
Priority to CN201910268502.5A priority Critical patent/CN110009153B/zh
Publication of CN110009153A publication Critical patent/CN110009153A/zh
Application granted granted Critical
Publication of CN110009153B publication Critical patent/CN110009153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于OD客流的公交排班优化方法，其特征在于，包括以下步骤，步骤1，获取OD客流数据；步骤2，根据OD客流数据与时间关系，划分客流高峰平峰时段，并得出高峰总客流；步骤3，确定最佳定向站点集合，步骤4，确定高峰定向公交的班次数；步骤5，确定两种类型班次的发车间隔，并输出新的排班结果。通过对OD客流数据规律的分析，准确掌握高峰时间段客流的基本走向，找出客流流向集中的两个或者多个站点称为定向站点集合；针对定向站点集合设置定向公交，使得排班更加贴合客流规律，均匀化了客流，缓解了拥堵不堪的现象，有效解决高峰时段上下班的定向客流运载问题，提升了公众公共出行的满意度。

Description

一种基于OD客流的公交排班优化方法及系统
技术领域
本发明涉及智能交通研究领域，尤其是根据公交客流大数据进行智能排班优化，具体涉及一种基于OD客流的公交排班优化方法及系统。
背景技术
我国各大城市为了缓解交通拥堵，均在积极规划和优化公交排班，使其更加符合客流规律。但是上下班高峰公交拥堵问题一直困扰着公众，为了解决这个问题，目前存在通过ic卡或图像识别方式统计出客流和时间的分布规律，但是无法准确掌握高峰时段大众客流的流向规律，虽然在附件有地铁站口的公交站点存在客流流向集中的现象，但是依然不能准确得出相互站点间定向客流的数据，导致高峰时段发班车辆运载效率低下，无法有效的解决客流定向运载的问题。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于OD客流的公交排班优化方法及系统，该方法提高了客流高峰排班的合理性，有效解决高峰时段上下班的定向客流运载问题，提升了公众公共出行的满意度。
为达到上述目的，本发明是通过以下的技术方案来实现的。
步骤1，获取OD客流数据
步骤11，通过客流采集模块获取客流数据，所述客流数据包括乘客上下车时的GPS点信息、停站时间、上下车客流人数、上下车图像等；
步骤12，根据所述GPS点信息和站点经纬度位置匹配所述客流数据的站点信息，所述站点信息包括站点名称、站点方向；
优选的，所述根据所述GPS点信息和站点经纬度位置匹配所述客流数据的站点信息，具体为：(1)先根据GPS点匹配站点，判断某GPS点与某站点的距离是否小于10～500m，若存在与多个站点的距离都小于10～500m，则取距离最小的站点为所述某GPS点的站点名称；若不存在距离小于10～500m的站点，则认为GPS发生漂移；(2)若某客流数据的GPS漂移或丢失，则根据其停站时间和其前后已经匹配的站点名称推断该站点名称；
步骤13，获取OD客流数据：通过图像识别技术把同一人在两个GPS点或两个站点的上、下车图像关联起来，从而关联出乘客上、下车时所属的两条客流数据，即是OD客流；
优选的，还包括对所述OD客流数据中有误数据进行更正，实际乘车时，OD客流数据中往往会存在某乘客在X站没能够下车，等车辆返回经过X站时再下车的情况，即若OD客流数据中存在某乘客上车站点方向和下车站点方向位于不同公交方向，则根据上车站点方向更正OD客流数据中的下车站点方向。
优选的，还包括对所述OD客流数据中无效数据的去除，去除上下车站点距离为0的OD客流数据：实际乘车环境下，往往存在乘客上车问路后立即下车的情况，或者司机上下，车辆清洁人员、机务人员、保养人员等非正常乘客的上下车，通过去除上下车站点距离为0的OD客流数据，即可有效过滤掉无效乘客。
进一步去除上下客站点未能匹配站点信息的OD客流数据；即所述OD客流数据中关联了乘客上下车位置的两条客流数数据中有一条或者两条客流数据未能匹配出站点信息。
步骤2，根据OD客流数据与时间关系，划分客流高峰平峰时段，并根据高峰时段跨度选出高峰OD客流的集合，即高峰OD客流矩阵peakD(i，j)，其中i，j∈线路上任一站点，根据高峰OD客流矩阵peakD得出高峰总客流FP
优选的，所述根据高峰时段跨度选出高峰OD客流的集合，具体为：所述OD客流数据包含了乘客从上车到下车的一个时间段，只要OD客流数据的时间段中的任一点或任一段时间落入高峰时段即可算为高峰OD客流；
步骤3，确定最佳定向站点集合，所述定向站点为客流流向集中的两个或者多个站点，具体如下：
Figure GDA0002474641590000021
Figure GDA0002474641590000022
其中
Figure GDA0002474641590000023
……；设置定向客流比例
Figure GDA0002474641590000024
且
Figure GDA0002474641590000025
所述高峰时段的定向客流是定向站点相互之间的同一方向的OD客流总量；
首先查找是否存在
Figure GDA0002474641590000026
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意2站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为M1，其组合记为P1(N1，M1)，其N1对应的两个站点为定向站点集合；若直到M1取值
Figure GDA0002474641590000031
时也没有符合条件，则P1为空。
其次查找是否存在
Figure GDA0002474641590000032
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意3站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M2值，记为M2，其组合记为P2(N2，M2),其N2对应的3个站点为定向站点集合；若直到M2取值
Figure GDA0002474641590000033
时也没有符合条件，则P2为空。
按照上述方法，依次轮询N的取值，直到N取值
Figure GDA0002474641590000034
即查找是否存在
Figure GDA0002474641590000035
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意INT(n/2)个站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为MINT(n/2)-1，其组合记为PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)，其对应的
Figure GDA0002474641590000036
个站点为定向站点集合；否则PINT(n/2)-1为空；
根据查找到的组合P(N,M)＝{P1(N1，M1)、P2(N2，M2)、……PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)}，根据N与M的取值以及结合实际情况，选出最佳组合记Px(Nx,Mx)或不存在最佳结果，当存在最佳组合时，其对应Nx的x+1个站点即为最佳定向站点集合，其对应Mx的高峰时段定向客流为所述最佳定向站点组合对应的定向客流，当不存在最佳结果时，不进行排班优化；
优选的，所述选出最佳结果Px(Nx,Mx)为取结果集合P(N,M)中
Figure GDA0002474641590000037
值最大的一组为最佳结果，其中P(N,M)＝{P1(N1，M1)、P2(N2，M2)、……PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)}；
优选的，所述确定最佳定向站点集合时，结合实际情况包括站点附件是否有地铁站口的情况；
步骤4，确定高峰定向公交的班次数
优选的，可根据所述最佳定向站点集合和所述定向客流比例M，以及原有高峰总班次数，得出高峰定向公交的班次数和高峰非定向公交的班次数，进一步，高峰非定向公交的班次数＝原有高峰总班次数-高峰定向公交的班次数；确定高峰定向公交的班次数并不限于上述方法，
步骤5，确定两种类型班次的发车间隔并输出新的排班结果
根据高峰非定向公交的班次数对高峰时段进行相对均匀排班，根据高峰定向公交的班次数对高峰时段内的超高峰时段均匀排班，两种班次可互不干扰；
输出新的高峰排班结果。
本发明还提供了一种基于OD客流的公交排班优化系统，该系统可以执行一种基于OD客流的公交排班优化方法的步骤，该系统包括数据获取模块，数据分析模块，排班优化模块，上述模块依次电连接；
所述数据获取模块执行一种基于OD客流的公交排班优化方法的步骤1的步骤，所述数据分析模块依次执行一种基于OD客流的公交排班优化方法的步骤2、步骤3的步骤，所述排班优化模块依次执行一种基于OD客流的公交排班优化方法的步骤4、步骤5的步骤。
需要说明的是本发明的排班优化方法所依据的客流数据为连续多天相同环境条件下的客流数据的统计均值。
与现有技术相比，本发明具有如下有益效果：
通过对OD客流数据规律的分析，准确掌握高峰时间段客流的基本走向，找出客流流向集中的两个或者多个站点称为定向站点集合；通过对部分原有高峰班次变更为针对定向站点集合的定向公交，使得排班更加贴合客流规律，同时缓解了高峰拥堵；对于定向站点集合内的客流而言，由于定向公交停靠站点少节省了时间；对于非定向站点集合内的客流而言，不再出现因车辆满载而不能上车的情形；对于整体高峰班次而言，均匀化了客流，缓解了拥堵不堪的现象，有效解决高峰时段上下班的定向客流运载问题，提升了公众公共出行的满意度。
具体实施方式
下面结合具体实施例对本发明作进一步的详细说明，目的是使得本领域的技术人员对本发明的构思、技术方案有更完整、准确和深入的理解。本发明的排班优化方法所依据的客流数据为连续8个下雨天的周一的客流数据的统计均值。
一种基于OD客流的公交排班优化方法主要包括以下步骤：
步骤1，获取OD客流数据
通过客流采集模块获取8天非下雨天气下的周一的客流数据，所述客流数据包括乘客上下车时的GPS点信息、停站时间、上下车客流人数、上下车图像；
根据所述GPS点信息和站点经纬度位置匹配所述客流数据的站点信息，所述站点信息包括站点名称、站点方向；具体为：
(1)先根据GPS点匹配站点，判断某GPS点与某站点的距离是否小于10～500m，若存在与多个站点的距离都小于500m，则取距离最小的站点为所述某GPS点的站点名称；若不存在距离小于500m的站点，则认为GPS发生漂移；
(2)若某客流数据的GPS漂移或丢失，则根据其停站时间和其前后已经匹配的站点名称推断该站点名称；如08:00的客流数据的GPS消失，则根据其前一站的07:55的客流数据匹配的站点1、其后一站08:10的客流数据匹配的站点3，推断08:00的客流数据对应的是站点2；
获取OD客流数据：通过图像识别技术把同一人在两个GPS点或两个站点的上、下车图像关联起来，从而关联出乘客上、下车时所属的两条客流数据，即是OD客流；所述OD客流数据为多天中OD客流的统计均值；
(1)对所述OD客流数据中有误数据进行更正，实际乘车时，OD客流数据中往往会存在某乘客在X站没能够下车，等车辆返回经过X站时再下车的情况，即若OD客流数据中存在某乘客上车站点方向和下车站点方向位于不同公交方向，则根据上车站点方向更正OD客流数据中的下车站点方向。
(2)对所述OD客流数据中无效数据的去除，去除上下车站点距离为0的OD客流数据：实际乘车环境下，往往存在乘客上车问路后立即下车的情况，或者司机上下，车辆清洁人员、机务人员、保养人员等非正常乘客的上下车，通过去除上下车站点距离为0的OD客流数据，即可有效过滤掉无效乘客。
步骤2，根据OD客流数据与时间关系，划分客流高峰平峰时段，并根据高峰时段跨度选出高峰OD客流的集合，即高峰OD客流矩阵peakD(i，j)，其中i，j∈线路上任一站点，根据高峰OD客流矩阵peakD得出高峰总客流FP；
所述根据高峰时段跨度选出高峰OD客流的集合，具体为：所述OD客流数据包含了乘客从上车到下车的一个时间段，只要OD客流数据的时间段中的任一点或任一段时间落入高峰时段即可算为高峰OD客流；如早高峰总客流FP为07:00-09:00之间出发的所有客流OD数据。
步骤3，确定最佳定向站点集合，所述定向站点为客流流向集中的两个或者多个站点，具体如下：
Figure GDA0002474641590000061
Figure GDA0002474641590000062
其中
Figure GDA0002474641590000063
……；设置定向客流比例
Figure GDA0002474641590000064
且
Figure GDA0002474641590000065
所述高峰时段的定向客流是定向站点相互之间的同一方向的OD客流总量；
首先查找是否存在当
Figure GDA0002474641590000066
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意2站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为M1，其组合记为P1(N1，M1)，N1对应的两个站点为定向站点集合；若直到M1取值
Figure GDA0002474641590000067
时也没有符合条件，则P1为空。
其次查找是否存在当
Figure GDA0002474641590000068
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意3站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M2的取值，直到查找到第一个符合条件的M值，记为M2，其组合记为P2(N2，M2),其N2对应的3个站点为定向站点集合；若直到M2取值
Figure GDA0002474641590000069
时也没有符合条件，则P2为空。
按照上述方法，依次轮询增加N的取值，直到N取值
Figure GDA0002474641590000071
对第一个符合条件的组合记为PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)，其对应的
Figure GDA0002474641590000072
个站点为定向站点集合；
根据查找到的组合P(N,M)＝{P1(N1，M1)、P2(N2，M2)、……PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)}，根据N与M的取值以及结合实际情况，选出最佳组合记Px(Nx,Mx)，最佳结果为取结果集合P(N,M)中
Figure GDA0002474641590000073
值最大的一组；其对应Mx的高峰时段定向客流为所述最佳定向站点组合对应的定向客流，当不存在最佳结果时，不进行排班优化；
步骤4，确定高峰定向公交的班次数
根据所述最佳定向站点集合和所述定向客流比例M，以及原有高峰总班次数，得出高峰定向公交的班次数和高峰非定向公交的班次数，如所述定向客流比例M为20％，原有高峰总班次数为20班，则高峰定向公交班次数可以为4班，高峰非定向公交的班次数为16班。
步骤5，确定两种类型班次的发车间隔并输出新的排班结果
根据高峰非定向公交的班次数对高峰时段进行相对均匀排班，如高峰时间段为07:00-09:00，高峰非定向公交的班次数为16班，高峰总客流量为3200人次，则可以按照时间平均分布，每隔8分钟发车一班，也可以按照每间隔200人次的客流量平均分布排班。
根据高峰定向公交的班次数4班对高峰时段内的超高峰时段07:30-08:00均匀排班，则07:30、07:40、07:50、08:00个发出一班，两种班次可互不干扰；输出新的高峰排班结果。
基于相同的技术构思，本发明实施例提供的一种基于OD客流的公交排班优化系统，该系统可以执行一种基于OD客流的公交排班优化方法的步骤，该系统包括数据获取模块，数据分析模块，排班优化模块，上述模块依次电连接；
所述数据获取模块执行一种基于OD客流的公交排班优化方法的步骤1的步骤，所述数据分析模块依次执行一种基于OD客流的公交排班优化方法的步骤2、步骤3的步骤，所述排班优化模块依次执行一种基于OD客流的公交排班优化方法的步骤4、步骤5的步骤。
以上对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。

Claims (10)

1.一种基于OD客流的公交排班优化方法，其特征在于，包括以下步骤，
步骤1，获取OD客流数据
步骤11，通过客流采集模块获取客流数据，所述客流数据包括乘客上下车时的GPS点信息、停站时间、上下车客流人数、上下车图像；
步骤12，根据所述GPS点信息和站点经纬度位置匹配所述客流数据的站点信息，所述站点信息包括站点名称、站点方向；
步骤13，获取OD客流数据：通过图像识别技术把同一人在两个GPS点或两个站点的上、下车图像关联起来，从而关联出乘客上、下车时所属的两条客流数据，即是OD客流数据；
步骤2，根据OD客流数据与时间关系，划分客流高峰平峰时段，并根据高峰时段跨度选出高峰OD客流的集合，即高峰OD客流矩阵peakD(i，j)，其中i，j∈线路上任一站点，根据高峰OD客流矩阵peakD得出高峰总客流FP；
步骤3，确定最佳定向站点集合，所述定向站点为客流流向集中的两个或者多个站点，具体如下：
设置定向站点比例
Figure FDA0002474641580000011
且
Figure FDA0002474641580000012
Figure FDA0002474641580000013
其中
Figure FDA0002474641580000014
……；设置定向客流比例
Figure FDA0002474641580000015
且
Figure FDA0002474641580000016
所述高峰时段的定向客流是定向站点相互之间的同一方向的OD客流总量；确定每个定向站点比例对应的定向客流比例，记其组合为P(N，M)；
首先查找是否存在
Figure FDA0002474641580000017
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意2站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为M1，其组合记为P1(N1，M1)，其N1对应的两个站点为定向站点集合；若直到M1取值
Figure FDA0002474641580000018
时也没有符合条件，则P1为空；
其次查找是否存在
Figure FDA0002474641580000021
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意3站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为M2，其组合记为P2(N2，M2),其N2对应的3个站点为定向站点集合；若直到M2取值
Figure FDA0002474641580000022
时也没有符合条件，则P2为空；
依次轮询N的取值，直到N取值
Figure FDA0002474641580000023
即查找是否存在
Figure FDA0002474641580000024
时，定向客流比例≥M＝90％的定向站点集合，即在n站中查找任意INT(n/2)个站的定向客流比例大于等于90％的定向站点集合，若不存在，则依次缩小M的取值，直到查找到第一个符合条件的M值，记为MINT(n/2)-1，其组合记为PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)，其对应的
Figure FDA0002474641580000025
个站点为定向站点集合；否则PINT(n/2)-1为空；
根据查找到的组合P(N,M)＝{P1(N1，M1)、P2(N2，M2)、……PINT(n/2)-1(NINT(n/2)-1，MINT(n/2)-1)}，根据N与M的取值以及结合实际情况，选出最佳组合记Px(Nx,Mx)或不存在最佳结果，当存在最佳组合时，其对应Nx的x+1个站点即为最佳定向站点集合，其对应Mx的高峰时段定向客流为所述最佳定向站点组合对应的定向客流；当不存在最佳结果时，不进行排班优化；
步骤4，确定高峰定向公交的班次数；
步骤5，确定两种类型班次的发车间隔，并输出新的排班结果。
2.根据权利要求1所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤12中所述根据所述GPS点信息和站点经纬度位置匹配所述客流数据的站点信息，具体为：
(1)先根据GPS点匹配站点，判断某GPS点与某站点的距离是否小于10～500m，若存在与多个站点的距离都小于10～500m，则取距离最小的站点为所述某GPS点的站点名称；若不存在距离小于10～500m的站点，则认为GPS发生漂移；
(2)若某客流数据的GPS漂移或丢失，则根据其停站时间和其前后已经匹配的站点名称推断该站点名称。
3.根据权利要求2所述的一种基于OD客流的公交排班优化方法，其特征在于，对步骤13中所述OD客流数据中的有误数据进行更正，若OD客流数据中上车站点方向和下车站点方向位于不同公交方向，则根据上车站点方向更正OD客流数据中的下车站点方向。
4.根据权利要求3所述的一种基于OD客流的公交排班优化方法，其特征在于，对步骤13中所述OD客流数据进行无效数据的去除，去除上下车站点距离为0的OD客流数据。
5.根据权利要求1-4任一项所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤2中所述根据高峰时段跨度选出高峰OD客流的集合，具体为：所述OD客流数据包含了乘客从上车到下车的一个时间段，只要OD客流数据的时间段中的任一点或任一段时间落入高峰时段即可算为高峰OD客流。
6.根据权利要求1-4任一项所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤3中所述选出最佳结果，具体为取组合P(N,M)中
Figure FDA0002474641580000031
值最大的一组为最佳结果。
7.根据权利要求6所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤3中所述结合实际情况，具体为结合站点附近 是否有地铁站口的情况。
8.根据权利要求7所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤4中所述确定高峰定向公交的班次数，具体为，根据所述最佳定向站点集合、所述定向客流比例M，以及原有高峰总班次数，得出高峰定向公交的班次数和高峰非定向公交的班次数。
9.根据权利要求8所述的一种基于OD客流的公交排班优化方法，其特征在于，步骤5中所述确定两种类型班次的发车间隔，具体为，根据高峰非定向公交的班次数对高峰时段进行相对均匀排班，根据高峰定向公交的班次数对高峰时段内的超高峰时段均匀排班，两种班次可互不干扰；最后输出新的高峰排班结果。
10.一种基于OD客流的公交排班优化系统，其特征在于，包括数据获取模块，数据分析模块，排班优化模块，上述模块依次电连接；
所述数据获取模块执行权利要求1至9中任一项所述的一种基于OD客流的公交排班优化方法的步骤1的步骤；
所述数据分析模块依次执行权利要求1至9中任一项所述的一种基于OD客流的公交排班优化方法的步骤2、步骤3的步骤；
所述排班优化模块依次执行权利要求1至9中任一项所述的一种基于OD客流的公交排班优化方法的步骤4、步骤5的步骤。
CN201910268502.5A 2019-04-04 2019-04-04 一种基于od客流的公交排班优化方法及系统 Active CN110009153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910268502.5A CN110009153B (zh) 2019-04-04 2019-04-04 一种基于od客流的公交排班优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910268502.5A CN110009153B (zh) 2019-04-04 2019-04-04 一种基于od客流的公交排班优化方法及系统

Publications (2)

Publication Number Publication Date
CN110009153A CN110009153A (zh) 2019-07-12
CN110009153B true CN110009153B (zh) 2020-07-03

Family

ID=67169820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910268502.5A Active CN110009153B (zh) 2019-04-04 2019-04-04 一种基于od客流的公交排班优化方法及系统

Country Status (1)

Country Link
CN (1) CN110009153B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417939A (zh) * 2019-08-21 2021-02-26 南京行者易智能交通科技有限公司 基于图像识别的客流od数据获取方法、装置、移动端设备、服务器及模型训练方法
CN112541374B (zh) * 2019-09-20 2024-04-30 南京行者易智能交通科技有限公司 一种基于深度学习的乘客属性的获取方法、装置及模型训练方法
CN111340406B (zh) * 2020-05-22 2020-10-13 广州交信投科技股份有限公司 基于od客流的公交动态编排模型的实现方法及系统
CN111882856B (zh) * 2020-07-30 2022-10-04 航天物联网技术有限公司 一种基于固定排班模式的公交智能调度系统及方法
CN114742426B (zh) * 2022-04-20 2023-07-25 北京化工大学 公交线路车辆排班计划两阶段生成方法及程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898872A (zh) * 2018-09-12 2018-11-27 南京行者易智能交通科技有限公司 基于车载智能终端设备和历史客流大数据的班次调整方法
CN109034566A (zh) * 2018-07-11 2018-12-18 南京行者易智能交通科技有限公司 一种基于公交站点上下客流的智能调度方法及装置
CN109166303A (zh) * 2018-08-30 2019-01-08 北京航天控制仪器研究所 一种公交排班调度的方法及系统
CN109460936A (zh) * 2018-11-21 2019-03-12 深圳市都市数据技术有限公司 一种公交车辆智能排班方法、智能终端及存储介质
CN109544901A (zh) * 2018-11-26 2019-03-29 南京行者易智能交通科技有限公司 一种基于历史客流大数据的公交智能排班方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034566A (zh) * 2018-07-11 2018-12-18 南京行者易智能交通科技有限公司 一种基于公交站点上下客流的智能调度方法及装置
CN109166303A (zh) * 2018-08-30 2019-01-08 北京航天控制仪器研究所 一种公交排班调度的方法及系统
CN108898872A (zh) * 2018-09-12 2018-11-27 南京行者易智能交通科技有限公司 基于车载智能终端设备和历史客流大数据的班次调整方法
CN109460936A (zh) * 2018-11-21 2019-03-12 深圳市都市数据技术有限公司 一种公交车辆智能排班方法、智能终端及存储介质
CN109544901A (zh) * 2018-11-26 2019-03-29 南京行者易智能交通科技有限公司 一种基于历史客流大数据的公交智能排班方法及装置

Also Published As

Publication number Publication date
CN110009153A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110009153B (zh) 一种基于od客流的公交排班优化方法及系统
CN108151756B (zh) 一种城市公共交通系统的行程时间计算方法和装置
US11578983B2 (en) Route search system, route search apparatus, route search method, and computer program
CN107564270A (zh) 一种智能公交调度运营方法
CN114743401B (zh) 一种基于公交数字化转型的数据可视化公交调度管理平台
CN103531018A (zh) 公交车发车调度方法及公交车发车调度系统
CN110458331B (zh) 一种基于od客流数据的过绕公交线路的拉直优化方法及装置
CN110288829B (zh) 一种港湾式公交停靠站停车泊位数量设置判别方法
CN112907936A (zh) 一种智能公共交通基于客流的调度方法
CN113177742A (zh) 基于智能交通的公交服务方法、系统、终端及存储介质
CN111311950B (zh) 公交车高峰期智能调度方法及系统
CN112396823A (zh) 一种公交调度中心联动方法及其系统
CN105513432B (zh) 用于加油调度的航班信息处理方法及系统
CN109816183B (zh) 一种精准公交客流大数据的优化方法及装置
CN114971136A (zh) 一种公交及巡游小巴调度方法
CN115841745A (zh) 一种车辆调度方法、装置及电子设备
CN117037481A (zh) 一种高速公路路网可视化监控管理系统
CN115730781A (zh) 一种基于大数据分析的公交线路优化系统
CN115423220B (zh) 一种基于地铁轨道交通车辆运维监控系统
CN113936496B (zh) 基于乘客识别的智能交互交通排程方法及系统
CN112287293B (zh) 一种客流数据的修复方法及装置
CN115966079A (zh) 一种基于数据分析的交通道路安全运行监测管理平台
CN113053119A (zh) 一种基于公交运行历史数据的圈次时间预测方法
CN113283724A (zh) 一种基于物联网的乘车出行控制系统及控制方法
CN106846807B (zh) 一种公交路链速度确定方法及装置

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