CN110175713A - 分时租赁汽车用户出行目的预测方法 - Google Patents
分时租赁汽车用户出行目的预测方法 Download PDFInfo
- Publication number
- CN110175713A CN110175713A CN201910430152.8A CN201910430152A CN110175713A CN 110175713 A CN110175713 A CN 110175713A CN 201910430152 A CN201910430152 A CN 201910430152A CN 110175713 A CN110175713 A CN 110175713A
- Authority
- CN
- China
- Prior art keywords
- user
- candidate destination
- destination
- probability
- trip purpose
- 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
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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种分时租赁汽车用户出行目的预测方法,包括:确定用户的最大行走半径,进而确定用户对应的可行走区域内的候选目的地;根据候选目的地对用户的出行目的进行分类;基于贝叶斯概率公式,计算已知下车时间及地点条件下用户访问各个候选目的地的概率;根据用户出行目的的分类结果以及候选目的地的访问概率预测用户的出行目的。本方法考虑了用户到达目的地的距离约束、时间约束以及地理环境约束,有效提高了预测结果的准确性。
Description
技术领域
本发明涉及城市交通管理技术领域,尤其涉及一种分时租赁汽车用户出行目的预测方法。
背景技术
随着城市化建设的加快以及私家车保有量的快速增长,在满足居民多样化出行需求的同时,平衡资源、效率和公平性已成为一个极其困难的挑战。分时租赁汽车是私家车与公共交通之间一种新的交通方式,它既能提供私家车的机动性和灵活性,同时又减轻公共交通的压力。近年来,分时租赁汽车公司数量与规模大幅增长,据统计,2013年中国的分时租赁汽车仅为780辆,其中旗下超过50辆车的公司仅五家;而目前中国拥有的分时租赁汽车超过4.5万辆,40余家业务运营商。预计到2025年,中国分时租赁汽车数量将保持约45%的年复合增长率。
分时租赁汽车出行的快速发展正在深刻影响人们的出行行为,并且对城市道路交通和城市管理等相关领域产生积极影响。分时租赁汽车可以提升出行体验,缓解城市交通拥挤问题,并且能提高公共资源利用效率,还可以改善社会平等,为买不起汽车的人提供更加便利的出行选择。因此,基于分时租赁汽车运营数据的研究是必要的,它可以反映用户的使用情况,有助于更好地分析和发展该出行模式。
分时租赁汽车运营数据一般包括订单数据和GPS数据,订单数据能反映用户的一些个人属性和用车情况,而GPS数据能直接反映用户的行车轨迹,从中可以得到用户的出行信息。目前基于GPS数据的研究相对较少,主要的研究有:通过比较GPS轨迹来确定类似的行程,达到减少交通拥堵的目的;利用GPS数据得到用户的出行特征,基于特征指标对用户的使用模式进行聚类,进而帮助分时租赁汽车公司制定合理的发展策略等。GPS数据能直接反映用户在车上的时间位置信息,但却缺乏用户下车后的出行目的信息。通常情况下,用户的停车点并不是其最终目的地,虽然两个地点的距离很近,但是当停车点周围有很多可选目的地时,用户的最终目的地仍难以确定。因此,出行目的推断具有一定困难。出行目的的预测可以在许多领域中得到运用,例如能够为分时租赁汽车站点的合理选址提供依据,协助分时租赁汽车用户的出行调查,给用户推荐定制广告。此外,预测结果也为用户不同的活动模式提供了更详细的信息,有助于更好的城市交通管理。
目前,用户出行目的研究在分时租赁汽车领域还没有引起关注,而大部分的研究是基于手机数据、社交媒体数据以及出租车数据;其中,基于出租车GPS数据的研究与基于分时租赁汽车轨迹数据的研究最相似,主要是将出租车乘客的下车点位置信息与兴趣点的数据结合,计算乘客的访问概率来推断其活动目的,并且将结果与出行调查数据对比,证明方法的可行性。但是,与基于出租车数据的研究相比,对分时租赁汽车用户的目的推断要考虑更多的因素,比如:前后活动之间的关系,活动的持续时间等。
因此,亟需一种可以预测分时租赁汽车的用户出行目的的方法。
发明内容
本发明提供了一种分时租赁汽车用户出行目的预测方法,以有效提高预测结果的准确性。
为了实现上述目的,本发明采取了如下技术方案。
本发明提供了一种分时租赁汽车用户出行目的预测方法,其特征在于,包括:
确定用户的最大行走半径,进而确定用户对应的可行走区域内的候选目的地;
根据所述候选目的地对用户的出行目的进行分类;
基于贝叶斯概率公式,计算已知下车时间及地点条件下用户访问各个候选目的地的概率;
根据用户出行目的的分类结果以及所述候选目的地的访问概率预测用户的出行目的。
优选地,用户的最大行走半径为450m。
优选地,根据用户出行目的的分类结果以及所述候选目的地的访问概率预测用户的出行目的,包括:最终选择概率最高的候选目的地对应的分类目的作为用户的出行目的。
优选地,基于贝叶斯概率公式,计算已知下车时间及地点条件下用户访问各个候选目的地的概率,包括:根据下述公式(1)的贝叶斯概率公式计算已知下车时间及地点条件下用户访问各个候选目的地的概率:
其中,P(t)是用户在t时下车的概率,它取决于时段的划分;P(Ol|t)是用户在t时选择候选目的地Ol的概率;P((x,y)|Ol,t)表示用户在t时访问候选目的地Ol,则其在(x,y)处下车的概率。
优选地,确定用户对应的可行走区域内的候选目的地,包括:以下车点为圆心,以最大行走半径为半径,取对应圆内的兴趣点作为候选目的地。
优选地,停车时间t属于时段k,则P(Ol|t)可以表示为下式(2)所示:
其中,l为候选目的地编号,j为候选目的地的类别编号,Al(k)为k时段的候选目的地Ol的吸引力,Nj为与候选目的地Ol同类别的候选目的地数量。
优选地,P((x,y)|Ol,t)根据下式(3)的潜力模型来进行估计则:
P((x,y)|Ol,k)=Al(k)d((x,y),Ol)-β (3)
其中,停车时间t属于时段k,Al(k)为k时段的候选目的地Ol的吸引力,d((x,y),Ol)为停车位置与候选目的地的距离,β是距离衰减系数。
优选地,β为1.5。
由上述本发明的分时租赁汽车用户出行目的预测方法提供的技术方案可以看出,本发明根据用户的最大行走距离来确定其候选目的地集合,将分时租赁汽车用户的轨迹数据和兴趣点数据相结合,然后利用贝叶斯公式和潜力模型来求解不同停车时段内用户到各候选目的地的概率,并确定最终目的地;考虑了用户到达目的地的距离约束、时间约束以及地理环境约束,有效提高了预测结果的准确性。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例的一种分时租赁汽车用户出行目的预测方法示意图;
图2为候选兴趣点集在最大行走半径在0-600m之间变化时非空的停止点比例变化曲线图;
图3为不同时段内各出行目的的吸引力等级示意图;
图4为利用本发明方法推断最终出行目的的过程示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明。
本实施例选取“北京出行”分时租赁汽车系统中的2017年7月1日-2017年9月29日的订单数据和GPS轨迹数据进行分析。车载GPS设备以约10s为间隔返回分时租赁汽车的时空信息。根据车辆编号、日期和时间,可以将订单与其对应的轨迹数据匹配。最终,一条轨迹数据包含的字段有订单编号、车辆编号、日期、时间、瞬时速度、经度和纬度。
由于本实施例需要确定用户的最终目的地(即兴趣点),因此,这里还使用了北京市2017年的兴趣点数据。每条兴趣点数据包含的信息有地区、类别、经度、纬度、地址和电话。
图1为本实施例的一种分时租赁汽车用户出行目的预测方法示意图,参照图1,该方法包括:
S1确定用户的最大行走半径,进而确定用户对应的可行走区域内的候选目的地。
分时租赁汽车用户在某时某一位置停车的信息可以从运营数据中得到,然而停车位置并不是用户的最终目的地,虽然这两个位置的距离较近,但是当停车点周围的可选目的地很多时,最终目的地仍然难以确定。因此,可以利用最大行走距离得到用户的可行走区域,在可行走区域内的目的地是候选目的地。
本实施例通过计算确定用户的最大行走半径δ,以δ为半径的圆形区域认为是用户的可行走区域。在该区域外的目的地的访问概率为0。以停车点为圆心,以最大行走半径为半径,取对应圆形区域内的兴趣点作为候选目的地。图2为候选兴趣点集在最大行走半径在0-600m之间变化时非空的停止点比例变化曲线图,参照图2,该曲线先快速增长而后保持稳定,当最大行走半径为450m时,约有99%的停车点有候选兴趣点。因此,最大行走半径优选为450m,以停车点为圆心,450m为半径的圆形区域内的兴趣点都是该停车点的候选目的地。
S2根据所述候选目的地对用户的出行目的进行分类。
为了简单的说明本实施例的内容,研究三种出行目的:回家、工作和休闲娱乐,对应只保留了11类主要的兴趣点数据。兴趣点类别与出行目的的对应关系如下表1所示,其中工作还包含上班和出差。
表1兴趣点类别与出行目的的对应关系
S3基于贝叶斯概率公式,计算已知下车时间及地点的条件下用户访问各个候选目的地的概率。
根据下述公式(1)的贝叶斯概率公式计算已知下车时间及地点的条件下用户访问各个候选目的地的概率:
其中,P(t)是用户在t时下车的概率,它取决于时段的划分。将一天划分成k个时段,在不同时段下车的概率用P(k)表示,其中,T是一天内小时总数,Tk是第k个时段内的小时数。本发明将一天以两小时为间隔划分成k=12个时段,因此:
P(Ol|t)是在t时选择目的地Ol的概率,它取决于不同活动目的的时间分布。例如,在1:00-6:00回家的概率高于去娱乐场所的概率。本实施例利用t时目的地Ol的吸引力和数量Nj来计算这一概率,认为目的地的吸引力越大数量越多,则访问概率越大。当停车时间t属于时段k,则P(Ol|t)可以表示为下式(2)所示:
其中,l为候选目的地编号,j为候选目的地的类别编号,Al(k)为k时段的候选目的地Ol的吸引力,Nj为与候选目的地Ol同类别的候选目的地数量。
P((x,y)|Ol,t)表示已知用户在t时访问目的地Ol,则其在(x,y)下车的概率。本实施例考虑了两个因素:停车位置与候选目的地的距离以及候选目的地在t时的吸引力。当停车时间t属于时段k,P((x,y)|Ol,t)可以根据下式(3)的潜力模型来进行估计:
P((x,y)|Ol,k)=Al(k)d((x,y),Ol)-β (3)
其中,d((x,y),Ol)为停车位置与候选目的地的距离,Al(k)为k时段的候选目的地Ol的吸引力,β是距离衰减系数。一般情况下,距离越近的目的地访问概率也越高,随着距离的增加伴有衰减效应。优选地,β为1.5。
本实施例考虑了用户到达目的地的距离约束、时间约束以及地理环境约束来计算其访问概率。对于停车点((x,y),t),各候选目的地的访问概率P(Ol|(x,y),t)在0-1之间,每个停止点的所有候选目的地的访问概率之和为1。
目的地的吸引力与时间相关,例如,凌晨时段家的吸引力最大,中午时段餐馆的吸引力最大。因此,本实施例将一天划分为多个时段,不同停车时段内目的地的吸引力水平不同。图3为不同时段内各出行目的的吸引力等级示意图,如图3所示,吸引力水平分为1、2和3三个等级,对应的吸引力值为1、3和5。
S4根据用户出行目的的分类结果以及所述候选目的地的访问概率预测用户的出行目的。
最终选择访问概率最高的兴趣点(即候选目的地)对应的分类目的作为用户的出行目的。
图4为利用本发明方法推断最终出行目的的过程示意图,参照图4,可以看到在12:00有一个停车点(空心圆表示);以最大行走距离确定候选目的地集,虚线圈内为候选目的地,共有四个(黑心圆表示),圆的大小代表这个时段目的地的吸引力水平;图中还标出了停止点与候选目的地的距离,如果只考虑距离,则公司是用户最可能的目的地。但是,本实施例在计算访问概率时考虑了目的地的距离,吸引力以及数量。因此,用户候选目的地的访问概率排名应该为餐厅1、商场、公司、餐厅2,而最终目的地应该为餐厅1,对应的用户出行目的为休闲娱乐。
进一步地,本实施例又选取了实际数据中的一个停车点A来对用户最终目的的推算过程进行展示,如下表2所示,标黑的候选目的地的访问概率最大,因此,用户的最终目的地应该为商务住宅,对应的出行目的为回家。
表2一个停止点的最终目的地推算表
本领域技术人员应能理解上述示例的应用类型仅为举例,其他现有的或今后可能出现的应用类型如可适用于本发明的实施例,也应包含在本发明保护范围以内,并在此以引用方式包含于此。
本领域技术人员应能理解,图3仅为简明起见而示出的各类出行目的的数量可能小于一个实际出行目的数量,但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。
本领域技术人员应能理解,上述所举的根据用户信息决定调用策略仅为更好地说明本发明实施例的技术方案,而非对本发明实施例作出的限定。任何根据用户属性来决定用户出行目的分类的方法,均包含在本发明实施例的范围内。
用本发明实施例的方法进行分时租赁汽车用户出行目的预测的具体过程与前述方法实施例类似,此处不再赘述。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种分时租赁汽车用户出行目的预测方法,其特征在于,包括:
确定用户的最大行走半径,进而确定用户对应的可行走区域内的候选目的地;
根据所述候选目的地对用户的出行目的进行分类;
基于贝叶斯概率公式,计算已知下车时间及地点条件下用户访问各个候选目的地的概率;
根据用户出行目的的分类结果以及所述候选目的地的访问概率预测用户的出行目的。
2.根据权利要求1所述的方法,其特征在于,所述的用户的最大行走半径为450m。
3.根据权利要求1所述的方法,其特征在于,所述的根据用户出行目的的分类结果以及所述候选目的地的访问概率预测用户的出行目的,包括:最终选择概率最高的候选目的地对应的分类目的作为用户的出行目的。
4.根据权利要求1所述的方法,其特征在于,所述的基于贝叶斯概率公式,计算已知下车时间及地点条件下用户访问各个候选目的地的概率,包括:根据下述公式(1)的贝叶斯概率公式计算已知下车时间及地点条件下用户访问各个候选目的地的概率:
其中,P(t)是用户在t时下车的概率,它取决于时段的划分;P(Ol|t)是用户在t时选择候选目的地Ol的概率;P((x,y)|Ol,t)表示用户在t时访问候选目的地Ol,则其在(x,y)处下车的概率。
5.根据权利要求1所述的方法,其特征在于,所述的确定用户对应的可行走区域内的候选目的地,包括:以下车点为圆心,以最大行走半径为半径,取对应圆内的兴趣点作为候选目的地。
6.根据权利要求4所述的方法,其特征在于,所述的停车时间t属于时段k,则P(Ol|t)可以表示为下式(2)所示:
其中,l为候选目的地编号,j为候选目的地的类别编号,Al(k)为k时段的候选目的地Ol的吸引力,Nj为与候选目的地Ol同类别的候选目的地数量。
7.根据权利要求4所述的方法,其特征在于,所述的P((x,y)|Ol,t)根据下式(3)的潜力模型来进行估计则:
P((x,y)|Ol,k)=Al(k)d((x,y),Ol)-β(3)
其中,停车时间t属于时段k,Al(k)为k时段的候选目的地Ol的吸引力,d((x,y),Ol)为停车位置与候选目的地的距离,β是距离衰减系数。
8.根据权利要求7所述的方法,其特征在于,所述的β为1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430152.8A CN110175713B (zh) | 2019-05-22 | 2019-05-22 | 分时租赁汽车用户出行目的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910430152.8A CN110175713B (zh) | 2019-05-22 | 2019-05-22 | 分时租赁汽车用户出行目的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175713A true CN110175713A (zh) | 2019-08-27 |
CN110175713B CN110175713B (zh) | 2021-03-30 |
Family
ID=67691874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910430152.8A Active CN110175713B (zh) | 2019-05-22 | 2019-05-22 | 分时租赁汽车用户出行目的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175713B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010942A1 (en) * | 2004-10-29 | 2007-01-11 | Bill David S | Determining a route to a destination based on partially completed route |
CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
CN107749020A (zh) * | 2017-10-23 | 2018-03-02 | 重庆大学 | 一种基于推测出租车乘客出行目的的推荐系统 |
-
2019
- 2019-05-22 CN CN201910430152.8A patent/CN110175713B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010942A1 (en) * | 2004-10-29 | 2007-01-11 | Bill David S | Determining a route to a destination based on partially completed route |
CN105045858A (zh) * | 2015-07-10 | 2015-11-11 | 湖南科技大学 | 基于投票的出租车载客点推荐方法 |
CN107749020A (zh) * | 2017-10-23 | 2018-03-02 | 重庆大学 | 一种基于推测出租车乘客出行目的的推荐系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647929A (zh) * | 2019-09-19 | 2020-01-03 | 京东城市(北京)数字科技有限公司 | 用于预测出行目的地的方法、及用于训练分类器的方法 |
CN111179589A (zh) * | 2019-12-06 | 2020-05-19 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN111179589B (zh) * | 2019-12-06 | 2021-06-29 | 北京中交兴路信息科技有限公司 | 车辆od预测的方法、装置、设备及存储介质 |
CN112990548A (zh) * | 2021-02-08 | 2021-06-18 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN112990548B (zh) * | 2021-02-08 | 2024-04-19 | 北京嘀嘀无限科技发展有限公司 | 位置点确定方法、装置、电子设备和可读存储介质 |
CN115545759A (zh) * | 2022-09-27 | 2022-12-30 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
CN115545759B (zh) * | 2022-09-27 | 2023-05-19 | 暨南大学 | 一种基于动态定价机制的乘客出行意图挖掘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110175713B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175713A (zh) | 分时租赁汽车用户出行目的预测方法 | |
Simic et al. | An integrated CRITIC and MABAC based type-2 neutrosophic model for public transportation pricing system selection | |
Sadhukhan et al. | Commuters’ perception towards transfer facility attributes in and around metro stations: experience in Kolkata | |
EP3258430A1 (en) | Transport capacity scheduling method and system | |
Saneinejad et al. | Modelling the impact of weather conditions on active transportation travel behaviour | |
CN106063067B (zh) | 电力需求预测装置、供电系统、电力需求预测方法及介质 | |
CN102132132B (zh) | 为聚合来自个人设备的数据的服务增强隐私并降低通信开销的关于所感测的数据的共享的本地决策策略 | |
Lee et al. | Urban spatiotemporal analysis using mobile phone data: Case study of medium-and large-sized Korean cities | |
Zegras | Sustainable urban mobility: exploring the role of the built environment | |
Szeto et al. | A time-dependent logit-based taxi customer-search model | |
CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
Guo et al. | Modeling the preference of electric shared mobility drivers in choosing charging stations | |
Shiftan et al. | Effect of auto restraint policies on travel behavior | |
US20150006255A1 (en) | Determining demographic data | |
Meng et al. | Environmental sustainability with free-floating carsharing services: An on-demand refueling recommendation system for Car2go in Seattle | |
Duan et al. | Bi-level programming model for resource-shared parking lots allocation | |
US20150005007A1 (en) | Displaying demographic data | |
CN114092176A (zh) | 一种基于公交车的城市通勤班车规划方法 | |
Lyu et al. | A multiscale spatial analysis of taxi ridership | |
Zwick et al. | Ride‐pooling in the light of COVID‐19: Determining spatiotemporal demand characteristics on the example of MOIA | |
Arreeras et al. | Factors Affecting Mode Choice in Accessing Railway Station Study in Nakhon Ratchasima | |
Orvin et al. | Modeling the demand for shared e-scooter services | |
Mahdi et al. | Supporting scheduling decisions by using genetic algorithm based on tourists’ preferences | |
Arp et al. | Dynamic macro scale traffic flow optimisation using crowd-sourced urban movement data | |
Morton et al. | Competition in Multi-Airport Regions: Measuring airport catchments through spatial interaction models |
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 |