CN110222884A - 基于poi数据和客流量的车站可达性评估方法 - Google Patents
基于poi数据和客流量的车站可达性评估方法 Download PDFInfo
- Publication number
- CN110222884A CN110222884A CN201910434660.3A CN201910434660A CN110222884A CN 110222884 A CN110222884 A CN 110222884A CN 201910434660 A CN201910434660 A CN 201910434660A CN 110222884 A CN110222884 A CN 110222884A
- Authority
- CN
- China
- Prior art keywords
- station
- accessibility
- time
- poi
- passenger
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于POI数据和客流量的车站可达性评估方法,包括:当前时间段内,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间;计算车站与其他车站之间的通行时间;根据乘客走行时间和通行时间,基于POI数据采用改进的机会模型对车站进行可达性计算;根据所述的可达性计算结果,识别出不同类型的车站。本方法可以弥补传统可达性测量中的不足,提高了识别精度。
Description
技术领域
本发明涉及交通规划技术领域,尤其涉及一种基于POI数据和客流量的车站可达性评估方法。
背景技术
随着中国城市人口逐渐增加,私家车拥有量逐渐上升,城市尾气污染和交通拥堵问题日益严重,采用公共交通出行是大城市缓解交通拥堵的重要手段。公共交通的可达性直接影响着人们对其的依赖程度,较高水平的可达性公共交通更容易或得人们的认同。公交车站和地铁车站作为公交和地铁的停靠站,其可达性的衡量一直是现代交通学者研究的热点问题。
在现有交通可达性评价的方法中,潜力模型和机会模型的应用最为广泛,但是机会模型没有考虑距离衰减因素,而潜力模型对于出行时间的范围没有明确的界定。另外,针对于乘客的走行时间的测量,主要采用的方法有两种,一种是直接将走行时间忽略;另一种是根据调查问卷得出的结果设置为统一的经验值,但是第一种方法明显降低了准确度,第二种方法的虽然能够保证一定的精度,但是文献调查问卷的数量通常都是数量较大,获取的成本较高,而且回收周期较长。
车站(公交车站和地铁车站统称为车站)的可达性直接关系到人们对于公交车站的选择程度,车站的建设均需要安排线路和车辆,如果设置的车站流量较大,但可达性较差,那么就会导致很多人出行不便,或者设置的车站流量较小,但可达性较高,那么就会导致交通资源的浪费(除特殊照顾区域之外)。识别高流量低可达性的车站和低流量高可达性的车站,其中,对于高流量低可达性的车站,说明交通供给不足可以采用增加公共交通线路、提高发车频率等措施以改善车站的可达性,提升人们出行的便捷程度;对于低流量高可达性的车站,说明交通供给过剩或者因特殊区域的需求,供给过剩的车站可以采用减少公共交通线路、降低发车频率等措施以减少不必要的交通供给,提高交通设施的使用效率。从而可以有效评估车站的建设水平,为交通管理部门提供参考意见,以制定合理的公共交通规划和建设政策。
因此,亟需一种可以进行车站可达性评估的方法。
发明内容
本发明提供了一种基于POI数据和客流量的车站可达性评估方法,以解决现有技术中存在的问题。
为了实现上述目的,本发明采取了如下技术方案。
本发明提供了一种基于POI数据和客流量的车站可达性评估方法,其特征在于,包括:
当前时间段内,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间;
计算所述车站与其他车站之间的通行时间;
根据所述乘客走行时间和通行时间,基于POI数据采用改进的机会模型对所述车站进行可达性计算;
根据所述的可达性计算结果,识别出不同类型的车站。
优选地,当前时间段分为高峰时段和平峰时段;所述的高峰时段为7:00-9:00和17:00-19:00,其余时段为所述平峰时段。
优选地,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间,包括:将距离POI最小的车站作为为POI提供服务的所述对应车站。
优选地,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间,包括:所述的乘客走行时间为:POI到对应车站的欧氏距离乘以道路绕行比例,然后除以乘客的平均走行速度。
优选地,计算所述车站与其他车站之间的通行时间,包括:计算所述车站的上车刷卡时间和终点其他车站的下车刷卡时间之间差值的绝对值,求取对应时段内多次出行的绝对值的平均值作为车站与其他车站之间的通行时间,若其中的换乘时间大于一定阈值,则不作为通行时间的计算。
优选地,根据所述走行时间和通行时间,采用改进的机会模型对车站进行可达性计算,包括根据下式(1)的改进的机会模型对车站进行可达性计算:
其中,Ai表示车站i的可达性;Mj表示车站j的机会数目,即车站一定范围内POI数量,Ti,j表示车站i到车站j的出行时间,其值等于一定范围内的POI到对应车站i的乘客走行时间与车站i到车站j的通行时间之和,单位为分钟,TH表示出行时间预算,f(Ti,j)表示出行时间Ti,j的函数。
优选地,根据所述的计算结果,识别出不同类型的车站,包括:根据所述的计算结果,对相应的车站以及对应车站的客流流出量排序并分别按照等分原则进行级别划分,根据车站以及对应客流流出量的级别差值识别出不同类型的车站。
优选地,一定范围为600m。
优选地,道路绕行比例为1.312,所述的乘客的平均走行速度为4.8km/h。
优选地,若其中的换乘时间大于一定阈值,则不作为通行时间的计算,包括:换乘地铁时间的一定阈值为20分钟,换乘公交时间的一定阈值为30分钟。
由上述本发明的基于POI数据和客流量的车站可达性评估方法提供的技术方案可以看出,本发明提出的方法在现有机会可达性计算的基础上,考虑走行时间的影响,并通过POI数据,计算每个车站的走行时间,提高了可达性的计算精度,同时提出了改进的机会模型,将车站的流量和可达性划分等级,同时考虑早晚高峰的影响,将出行时间划分为高峰出行时间和平峰出行时间两个部分进行识别,可以弥补传统可达性测量中的不足,提高了识别精度,有效地识别出高流量低可达性的车站;本发明方法适用于各种规模的城市,可以为城市公共交通车站规划与建设提供大量有效信息,辅助交通管理部门合理进行车站布设,最终减少高流量低可达性车站的数量,提高出行者的便利性,对公共交通车站规划与管理具有一定的指导作用,吸引更多的人采用公共交通出行。
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为本实施的基于POI数据和客流量的车站可达性评估方法流程图;
图2为本实施例的研究范围示意图;
图3为采用本实施例的方法可达性评估后的高流量低可达性结果示意图。
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。
目前学者尚未对可达性形成统一的定义,通常可达性可以理解为两点之间相互作用的便利程度。本文研究公共交通车站的可达性,将车站的可达性定义为:车站服务区域到达机会的便利程度。机会一般采用人口数量、GDP等,本专利考虑社会活动的影响,将兴趣点(POI,Point Of Interest)的数量作为机会。可达性评估方法按照网络结构可以分为两类,一种是地理网络可达性评估模型,主要包括潜力模型、累积机会模型、效用模型、空间阻隔模型、时空约束模型等;另一种是拓扑网络模型,主要包括空间语句模型等。采用基于POI数据和客流量的车站可达性评估方法,可以识别高流量低可达性的车站和低流量高可达性的车站,其中,对于高流量低可达性的车站,说明交通供给不足可以采用增加公共交通线路、提高发车频率等措施,以改善车站的可达性,提升人们出行的便捷程度;对于低流量高可达性的车站,说明交通供给过剩或者因特殊区域的需求,供给过剩的车站可以采用减少公共交通线路、降低发车频率等措施以减少不必要的交通供给,提高交通设施的使用效率。
在公共和地铁建设中,车站(公交车站和地铁车站统称为车站)的可达性与流量之间一般具有相同的变化趋势,可达性高的车站其客流量一般比较高,否则,反之。然而也存在可达性低的车站具有较高的客流量,那么就会导致很多人通过公共交通方式出行不便。
针对包括上述所提出的问题,本实施例提供了一种基于兴趣点(POI,Point ofInterest)数据和客流量的车站可达性评估方法,由于识别高流量低可达性车站与识别低流量高可达性车站方法相同,因此本实施例以识别高流量低可达性车站为例进行说明,图1为本实施的基于POI数据和客流量的车站可达性评估方法流程图,参照图1,该方法包括:
S1当前时间段内,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间。
公共交通中一般具有明显的出行高峰、平峰特征,不同的出行时间,相同车站之间的通行时间不同,本实施例将公共交通出行时间划分为高峰出行和平峰出行两类,高峰出行时间为7:00-9:00,17:00-19:00,其余时间属于平峰出行时间。分高峰和平峰两个时段分别识别可达性车站。
可达性计算中,人们到车站的走行时间是其中一个重要因素,不同车站走行时间不同。
将车站的服务范围设置为600m,采用高德地图中的POI数据,一个POI可能位于多个车站的服务范围内,将距离POI最小的车站设置为该POI提供服务的车站,即为POI提供服务的所述对应车站,从而计算乘客的走行时间:计算POI到对应车站的欧氏距离乘以道路绕行比例1.312,然后除以人平均走行速度4.8km/h,其结果为乘客在对应车站的走行时间。
S2计算所述车站与其他车站之间的通行时间。
在一次包含换乘的出行中,换乘时间小于等于相应的时间阈值,则认为车站之间衔接成功,只保留起点站和终点站数据,删除中间环节。计算所述车站的上车刷卡时间和终点其他车站的下车刷卡时间之间差值的绝对值,求取对应时段内多次出行的绝对值的平均值作为车站与其他车站之间的通行时间,若其中的换乘时间大于一定阈值,则不作为通行时间的计算。
换乘地铁时间的一定阈值为20分钟,换乘公交时间的一定阈值为30分钟。当换乘地铁的时间大于20分钟,则舍弃该通行时间的计算,换乘公交的时间大于30分钟,则舍弃该通行时间的计算。
S3根据所述乘客走行时间和通行时间,基于POI数据采用改进的机会模型对所述车站进行可达性计算。
根据下式(1)的改进的机会模型对车站进行可达性计算:
其中,Ai表示车站i的可达性;Mj表示车站j的机会数目,即车站一定范围内POI数量,Ti,j表示车站i到车站j的出行时间,其值等于一定范围内的POI到对应车站i的乘客走行时间与车站i到车站j的通行时间之和,单位为分钟,TH表示出行时间预算(TTB,TravelTime Budget),f(Ti,j)表示出行时间Ti,j的函数。其中,TH通常取值为30分钟,60分钟或120分钟。
传统的潜力模型中,没有考虑出行时间预算的影响,而机会模式则忽略了机会随距离衰减的特性,本实施例针对两者的不足,将距离摩擦系数设定为出行时间Ti,j的函数f(Ti,j),如果出行时间Ti,j小于TH,其值为1,否则为+∞。现实生活中,相同的机会,距离越远,其价值越小,距离越近,其价值越大,PO模型与传统的机会模型相比,它考虑了距离对机会的影响,体现了空间维度特性;同时机会模型具有的时间阈值限定功能,体现了时间维度特性,PO模型更能反映出可达性的时空特性。根据本发明提出的PO模型计算每个车站的可达性数值。
S4根据所述的可达性计算结果,识别出不同类型的车站。
根据所述的计算结果,对相应的车站以及对应车站的客流流出量排序并分别按照等分原则进行级别划分,根据车站以及对应客流流出量的级别差值识别出不同类型的车站。
统计每个车站的客流量,将全部车站的可达性数值按照从小到大的顺序排列,按照数量等分原则,分为6个级别,可达性级别(LA,the Level of Accessibility)别记为1,2,3,4,5,6级,遇小数时,四舍五入。将全部车站的客流流出量按从小到大的顺序排列,按照数量等分原则,分为6个级别,客流流出量级别(LF,the level of Flow)别记为1,2,3,4,5,6级,遇小数时,四舍五入。本实施例将满足条件可达性数值与客流流出量的差值大于或等于3的车站评估为高流量低可达性车站。一般情况下,流量与可达性之间是成正相关的,大多可达性数值的级别和车站的客流流出量的级别同属于一个级别或者相差级别不大。因此设定级别差距阈值为3,大于等于该阈值时,认为说明车站的可达性与流量之间存在着较大差异,将车站评估为高流量低可达性车站。
为了验证本实施例的效果,我们选取北京2015年8月3日-8月7日五个工作日的公交和地铁刷卡数据进行分析,研究范围以北京4环为主体,限定范围为:东经116.251度至东经116.495度、北纬39.819度至北纬39.993度。图2为本实施例的研究范围示意图,参照图2,图中黑点为车站。
在计算之前,首先进行数据清洗,删除下车时间大于等于上车时间的数据以及交易信息不完整的数据。以该研究范围内的车站为例,进行说明。
公共交通中一般具有明显的出行高峰、平峰特征,不同的出行时间,相同车站对之间的通行时间不同,将公共交通出行时间划分为高峰出行和平峰出行两类,划分结果如下表1所示。
表1出行期间划分结果
选择高峰出行时间,以研究区域(东经116.251度至东经116.495度、北纬39.819度至北纬39.993度)内的车站为例进行高流量低可达性车站评估,高峰期间共计有效出行记录为5116622条,取出行时间预算TH为0.5小时,识别结果如图3所示,图3中黑点为高流量低可达性车站;流量与可达性的差值对应的车站数目如下表2所示,出行时间预算为0.5小时时,计算得出高流量低可达性车站的比例为3.00%。
表2客流流出量与可达性的差值对应的车站数目
用本发明实施例的方法进行基于POI数据的可达性车站评估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 (10)
1.一种基于兴趣点POI数据和客流量的车站可达性评估方法,其特征在于,包括:
当前时间段内,基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间;
计算所述车站与其他车站之间的通行时间;
根据所述乘客走行时间和通行时间,基于POI数据采用改进的机会模型对所述车站进行可达性计算;
根据所述的可达性计算结果,识别出不同类型的车站。
2.根据权利要求1所述的方法,其特征在于,所述的当前时间段分为高峰时段和平峰时段;所述的高峰时段为7:00-9:00和17:00-19:00,其余时段为所述平峰时段。
3.根据权利要求1所述的方法,其特征在于,所述的基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间,包括:将距离POI最小的车站作为为POI提供服务的所述对应车站。
4.根据权利要求1所述的方法,其特征在于,所述的基于POI数据计算车站的一定范围内的POI到对应车站的乘客走行时间,包括:所述的乘客走行时间为:POI到对应车站的欧氏距离乘以道路绕行比例,然后除以乘客的平均走行速度。
5.根据权利要求1所述的方法,其特征在于,所述的计算所述车站与其他车站之间的通行时间,包括:计算所述车站的上车刷卡时间和终点其他车站的下车刷卡时间之间差值的绝对值,求取对应时段内多次出行的绝对值的平均值作为车站与其他车站之间的通行时间,若其中的换乘时间大于一定阈值,则不作为通行时间的计算。
6.根据权利要求1所述的方法,其特征在于,所述的根据所述走行时间和通行时间,采用改进的机会模型对车站进行可达性计算,包括根据下式(1)的改进的机会模型对车站进行可达性计算:
其中,Ai表示车站i的可达性;Mj表示车站j的机会数目,即车站一定范围内POI数量,Ti,j表示车站i到车站j的出行时间,其值等于一定范围内的POI到对应车站i的乘客走行时间与车站i到车站j的通行时间之和,单位为分钟,TH表示出行时间预算,f(Ti,j)表示出行时间Ti,j的函数。
7.根据权利要求1所述的方法,其特征在于,所述的根据所述的可达性计算结果,识别出不同类型的车站,包括:根据所述的计算结果,对相应的车站以及对应车站的客流流出量排序并分别按照等分原则进行级别划分,根据车站以及对应客流流出量的级别差值识别出不同类型的车站。
8.根据权利要求1所述的方法,其特征在于,所述的一定范围为600m。
9.根据权利要求4所述的方法,其特征在于,所述的道路绕行比例为1.312,所述的乘客的平均走行速度为4.8km/h。
10.根据权利要求5所述的方法,其特征在于,所述的若其中的换乘时间大于一定阈值,则不作为通行时间的计算,包括:换乘地铁时间的一定阈值为20分钟,换乘公交时间的一定阈值为30分钟。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434660.3A CN110222884B (zh) | 2019-05-23 | 2019-05-23 | 基于poi数据和客流量的车站可达性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434660.3A CN110222884B (zh) | 2019-05-23 | 2019-05-23 | 基于poi数据和客流量的车站可达性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110222884A true CN110222884A (zh) | 2019-09-10 |
CN110222884B CN110222884B (zh) | 2021-02-26 |
Family
ID=67817864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434660.3A Active CN110222884B (zh) | 2019-05-23 | 2019-05-23 | 基于poi数据和客流量的车站可达性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222884B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111985687A (zh) * | 2020-07-16 | 2020-11-24 | 北京交通大学 | 公交地铁乘客绕行行为的识别方法 |
CN115169764A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169512A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 基于时间窗约束的城市轨道交通网络动态可达性计算方法 |
CN103208034A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种轨道交通客流分布预测模型建立及预测方法 |
CN105787586A (zh) * | 2016-02-23 | 2016-07-20 | 中山大学 | 一种最大化时空可达性的公交线路站点优化布设方法 |
CN109583714A (zh) * | 2018-11-16 | 2019-04-05 | 浩鲸云计算科技股份有限公司 | 一种基于出租车od分布挖掘公交微循环线路的方法 |
-
2019
- 2019-05-23 CN CN201910434660.3A patent/CN110222884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102169512A (zh) * | 2010-02-26 | 2011-08-31 | 同济大学 | 基于时间窗约束的城市轨道交通网络动态可达性计算方法 |
CN103208034A (zh) * | 2013-03-22 | 2013-07-17 | 北京交通大学 | 一种轨道交通客流分布预测模型建立及预测方法 |
CN105787586A (zh) * | 2016-02-23 | 2016-07-20 | 中山大学 | 一种最大化时空可达性的公交线路站点优化布设方法 |
CN109583714A (zh) * | 2018-11-16 | 2019-04-05 | 浩鲸云计算科技股份有限公司 | 一种基于出租车od分布挖掘公交微循环线路的方法 |
Non-Patent Citations (2)
Title |
---|
张天然 等: "伦敦公共交通可达性分析方法及应用", 《城市交通》 * |
赵星姣: "基于公交网络的城市空间可达性研究", 《中国优秀硕士学位论文全文数据库信息科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581315A (zh) * | 2020-04-30 | 2020-08-25 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111581315B (zh) * | 2020-04-30 | 2023-07-14 | 南京数城未来信息科技有限公司 | 一种公共服务设施可达性计算方法及装置 |
CN111985687A (zh) * | 2020-07-16 | 2020-11-24 | 北京交通大学 | 公交地铁乘客绕行行为的识别方法 |
CN111985687B (zh) * | 2020-07-16 | 2024-03-05 | 北京交通大学 | 公交地铁乘客绕行行为的识别方法 |
CN115169764A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
CN115169764B (zh) * | 2022-09-08 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种可达性计算方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110222884B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Helmus et al. | A data driven typology of electric vehicle user types and charging sessions | |
Deveci et al. | WASPAS and TOPSIS based interval type-2 fuzzy MCDM method for a selection of a car sharing station | |
Tu et al. | OCD: Online crowdsourced delivery for on-demand food | |
Vanoutrive et al. | What determines carpooling to workplaces in Belgium: location, organisation, or promotion? | |
CN108133302B (zh) | 一种基于大数据的公共自行车潜在需求预测方法 | |
Liao et al. | Constructing personalized transportation networks in multi-state supernetworks: a heuristic approach | |
CN110222884A (zh) | 基于poi数据和客流量的车站可达性评估方法 | |
CN106529711A (zh) | 用户行为预测方法及装置 | |
Guo et al. | Modeling the preference of electric shared mobility drivers in choosing charging stations | |
Xing et al. | Modelling driving and charging behaviours of electric vehicles using a data-driven approach combined with behavioural economics theory | |
CN110175713B (zh) | 分时租赁汽车用户出行目的预测方法 | |
CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
Ding et al. | Accessibility measure of bus transit networks | |
Lyu et al. | R-sharing: Rendezvous for personalized taxi sharing | |
Straub et al. | Forecasting the spatial and temporal charging demand of fully electrified urban private car transportation based on large-scale traffic simulation | |
Mepparambath et al. | A novel modelling approach of integrated taxi and transit mode and route choice using city-scale emerging mobility data | |
Bi et al. | Real trip costs: Modelling intangible costs of urban online car-hailing in Haikou | |
McArdle et al. | City-scale traffic simulation from digital footprints | |
Yuan et al. | Taxi high-income region recommendation and spatial correlation analysis | |
Ma et al. | Modeling the impact of transit fare change on passengers’ accessibility | |
Yan et al. | Catcharger: Deploying in-motion wireless chargers in a metropolitan road network via categorization and clustering of vehicle traffic | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
Baranwal et al. | A multi-criteria framework for smart parking recommender system | |
Shirmohammadli et al. | Developing a location model for fast charging infrastructure in urban areas | |
Lv et al. | Hardness of and approximate mechanism design for the bike rebalancing problem |
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 |