CN110245788B - 一种基于刷卡数据的地铁客流短期预测方法 - Google Patents

一种基于刷卡数据的地铁客流短期预测方法 Download PDF

Info

Publication number
CN110245788B
CN110245788B CN201910460660.0A CN201910460660A CN110245788B CN 110245788 B CN110245788 B CN 110245788B CN 201910460660 A CN201910460660 A CN 201910460660A CN 110245788 B CN110245788 B CN 110245788B
Authority
CN
China
Prior art keywords
matrix
travel
prediction
rigid
elastic
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
CN201910460660.0A
Other languages
English (en)
Other versions
CN110245788A (zh
Inventor
吴中
黎昕攻
陶思雨
刘婷
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910460660.0A priority Critical patent/CN110245788B/zh
Publication of CN110245788A publication Critical patent/CN110245788A/zh
Application granted granted Critical
Publication of CN110245788B publication Critical patent/CN110245788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (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刷卡数据的地铁客流短期预测方法，包括以下步骤：S01，从地铁售检票系统客流数据库中提取采集过的客流数据；S02，划分刚性乘客、中性乘客和弹性乘客；S03，计算刚性出行矩阵各元素与弹性出行矩阵中相应元素之比的变化率预测突发性客流是否产生；S04，通过突发性客流是否发生选择定性预测或者S05中的定量预测；S05，将一周内七天分为两类，其中第一类包括周二、周三、周四和周五，第二类包括周一、周六和周日，分别计算两类日期预测阶段的总体出行OD矩阵以及刚性出行OD矩阵和弹性出行OD矩阵。本发明提供的一种基于刷卡数据的地铁客流短期预测方法，通过对已有客流数据的计算处理，能够对规律性的日常客流和突发性客流进行准确预测。

Description

一种基于刷卡数据的地铁客流短期预测方法
技术领域
本发明涉及一种基于刷卡数据的地铁客流短期预测方法，属于城市轨道交通地铁技术领域。
背景技术
城市轨道交通中地铁系统作为公共交通的重要环节，发挥着日益重要的作用。地铁在建设规划期就需要对其未来的客流量进行预测，然而由于各种环境条件的复杂性，早期预测往往与实际运营的客流量有一定出入，而对于已建成并投入实际运营的地铁系统，目前只能做到对未来客流的大范围整体性预测，无法将预测精度进一步缩小，给突发状况时的紧急调度增加难度。同时现有的技术方法对突发性客流无法做到准确的预测且不能够对随机的突发性客流进行提早的预警，也给临时调度带来很大的困难。
发明内容
本发明要解决的技术问题是，克服现有技术的缺陷，提供一种通过对已有客流数据的计算处理，能够对规律性的日常客流和突发性客流进行准确预测的基于刷卡数据的地铁客流短期预测方法。
为解决上述技术问题，本发明采用的技术方案为：
一种基于刷卡数据的地铁客流短期预测方法，包括以下步骤：
S01，从地铁售检票系统客流数据库中提取采集过的客流数据；
S02，据乘客一周内在相同时段相同站点出行的次数，划分刚性乘客、中性乘客和弹性乘客；
S03，计算刚性出行矩阵各元素与弹性出行矩阵中相应元素之比的变化率预测突发性客流是否产生；
S04，通过突发性客流是否发生选择定性预测或者S05中的定量预测；
S05，将一周内七天分为两类，其中第一类包括周二、周三、周四和周五，第二类包括周一、周六和周日，分别计算两类日期预测阶段的总体出行OD矩阵以及刚性出行OD矩阵和弹性出行OD矩阵。
S04中，定性预测的具体计算方法为：
Figure BDA0002077977380000021
式中，γ为刚弹比变化率；Gi-1为预测时段前一个15分钟刚性出行OD矩阵分布量；
Figure BDA0002077977380000022
为预测时段前一周同日前一个15分钟刚性出行OD矩阵分布量；Ti-1为预测时段前一个15分钟弹性出行OD矩阵分布量；
Figure BDA0002077977380000023
为预测时段前一周同日前一个15分钟弹性出行OD矩阵分布量。
规定当|γ|≥0.3，预测客流的结构开始出现异常，突发性客流可能会发生。
S05中，第一类日期的总体出行OD预测计算方式如下：
Figure BDA0002077977380000024
Figure BDA0002077977380000025
Figure BDA0002077977380000026
第二类日期的总体出行OD预测计算方式如下：
Vi＝α(Vi-1+Vi-2) (5)
式中，Vi为预测时段的总体出行OD矩阵；
Figure BDA0002077977380000027
为预测日前一周同日同时段的三个15分钟总体出行OD矩阵；Vi-2、Vi-1为与预测时段临近的前两个15分钟的总体出行OD矩阵；
Figure BDA0002077977380000028
为预测日前一天的同时段的三个15分钟的总体出行OD矩阵；α为总体预测模型系数一；β为总体出行预测模型系数二。
S05中，计算刚性出行OD矩阵和弹性出行OD矩阵前，先将中性出行OD矩阵按照刚性与弹性出行矩阵的比例划分给原始刚性出行OD矩阵和原始弹性出行OD矩阵，得到更新刚性出行OD矩阵和更新弹性出行OD矩阵，具体方式如下：
Figure BDA0002077977380000029
Figure BDA00020779773800000210
式中，G为任意时段的更新刚性出行OD矩阵；G′为任意时段的原始刚性出行OD矩阵；Z′为任意时段的原始中性出行OD矩阵；T为任意时段的更新弹性出行OD矩阵；T′为任意时段的原始弹性出行OD矩阵。
第一类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算方式如下：
Vi＝Gi+Ti (8)
Figure BDA0002077977380000031
Figure BDA0002077977380000032
Figure BDA0002077977380000033
Figure BDA0002077977380000034
Figure BDA0002077977380000035
Figure BDA0002077977380000036
第二类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算方式如下：
Vi＝Gi+Ti (15)
Gi＝αg(Gi-1+Gi-2) (16)
Ti＝αt(Ti-1+Ti-2) (17)
式中，Vi为预测日预测时段的总体出行OD矩阵；Gi为预测日预测时段的刚性出行OD矩阵；Ti为测日预测时段的弹性出行OD矩阵；
Figure BDA0002077977380000037
为预测日前一周同日同时段的三个15分钟刚性出行OD矩阵；
Figure BDA0002077977380000038
为预测日前一日同时段的三个15分钟的刚性出行OD矩阵；Gi-2为与预测日预测时段临近的前两个15分钟的刚性出行OD矩阵；
Figure BDA0002077977380000039
为预测日前一周同日同时段的三个15分钟弹性出行OD矩阵；
Figure BDA00020779773800000310
为预测日前一日同时段的三个15分钟的弹性出行OD矩阵；Ti-2、Ti-1为与预测日预测时段临近的前两个15分钟的弹性出行OD矩阵；αg为刚性出行预测模型系数一；βg为刚性出行预测模型系数二；αt为弹性出行预测模型系数一；βt为弹性出行预测模型系数二。
本发明的有益效果：本发明提供一种基于刷卡数据的地铁客流短期预测方法，通过对已有客流数据的计算处理，实现对未来客流的准确预测，其特征在于，无论是具有规律性的日常客流，还是突发性客流都可以准确预测，且预测的精度可达到特定线路的特定站点。
附图说明
图1为本发明中∣γ∣<0.3时的客流量预测检验对比图；
图2为本发明中≥0.3时的客流量预测检验对比图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开一种基于刷卡数据的地铁客流短期预测方法，包括以下步骤：步骤一，从地铁售检票系统客流数据库中提取采集过的客流数据。步骤二，根据对数据分类的要求，划分客流性质。步骤三，通过对客流性质的划分选择步骤四中的定性预测或者步骤五中的定量预测。
步骤四，计算刚性出行矩阵各元素与弹性出行矩阵中相应元素之比的变化率预测突发性客流是否产生。步骤四里的定性预测目的在于预测突发性客流是否产生。由于突发性客流地产生是源于弹性人群的突变，因此密切关注弹性人群的变化规律，以便灵敏地感知是否有突发性客流产生，具体计算方法为：
Figure BDA0002077977380000041
式中，γ为刚弹比变化率；Gi-1为预测时段前一个15分钟刚性出行OD矩阵分布量；
Figure BDA0002077977380000042
为预测时段前一周同日前一个15分钟刚性出行OD矩阵分布量；Ti-1为预测时段前一个15分钟弹性出行OD矩阵分布量；
Figure BDA0002077977380000043
为预测时段前一周同日前一个15分钟弹性出行OD矩阵分布量。规定当|γ|≥0.3，预测客流的结构开始出现异常，突发性客流可能会发生。
步骤五，将一周内七天分为两类，其中第一类包括周二、周三、周四和周五，第二类包括周一、周六和周日，分别计算两类日期预测阶段的总体出行OD矩阵以及刚性出行OD矩阵和弹性出行OD矩阵。定量预测是预测未来15分钟内的具体客流量(精确到所有站点间的OD对)。首先，受到步行时耗、出入口流量限制等影响，地铁客流量(包括突发性客流)的产生具有非瞬时性，因此未来15分钟内的客流量与和它相邻时间的流量具有十分紧密的联系。基于此联系，采用与它最相邻的前两个15分钟的流量作为基数，可以保证短时预测的准确性。其次，从流量随时间变化的角度分析，昨天与今天最为毗邻，因此用昨天同时间的流量变化规律作为变化系数预测今日流量。最后，考虑到一周中相邻的两天可能是工作日与非工作日的关系，工作日的流量变化规律基本吻合，但工作日与非工作日的流量变化规律相差较大。从日期分类来看，第一类为与前一天流量变化规律相近的日期，包括周二、周三、周四、周五，第二类为与前一天流量变化规律差异较大的日期，包括周一、周六、周日。根据时间最临近日期与性质最相似日期的流量变化规律，采用前一天同时期的变化系数与上周同一天的变化系数取平均值，得到第一类日期的流量随时间变化的系数。第二类日期流量随时间变化的系数由上周同一天的变化系数获得。
第一类日期的总体出行OD预测计算方式如下：
Figure BDA0002077977380000051
Figure BDA0002077977380000052
Figure BDA0002077977380000053
第二类日期的总体出行OD预测计算方式如下：
Vi＝α(Vi-1+Vi-2) (5)
式中，Vi为预测时段(15分钟)的总体出行OD矩阵；
Figure BDA0002077977380000054
为预测日前一周同日同时段的三个15分钟总体出行OD矩阵；Vi-2、Vi-1为与预测时段临近的前两个15分钟的总体出行OD矩阵；
Figure BDA0002077977380000055
为预测日前一天的同时段的三个15分钟的总体出行OD矩阵；α为总体预测模型系数一；β为总体出行预测模型系数二。
计算刚性出行OD矩阵和弹性出行OD矩阵前，先将原始刚性出行OD矩阵和原始弹性出行OD矩阵进行更新，得到更新刚性出行OD矩阵和更新弹性出行OD矩阵，具体方式如下：
Figure BDA0002077977380000056
Figure BDA0002077977380000057
式中，G为任意时段的更新刚性出行OD矩阵；G′为任意时段的原始刚性出行OD矩阵；Z′为任意时段的原始中性出行OD矩阵；T为任意时段的更新弹性出行OD矩阵；T′为任意时段的原始弹性出行OD矩阵。
第一类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算均采用更新后的刚弹性出行OD矩阵，具体方式如下：
Vi＝Gi+Ti (8)
Figure BDA0002077977380000061
Figure BDA0002077977380000062
Figure BDA0002077977380000063
Figure BDA0002077977380000064
Figure BDA0002077977380000065
Figure BDA0002077977380000066
第二类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算方式如下：
Vi＝Gi+Ti (15)
Gi＝αg(Gi-1+Gi-2) (16)
Ti＝αt(Ti-1+Ti-2) (17)
式中，Vi为预测日预测时段(15分钟)的总体出行OD矩阵；Gi为预测日预测时段(15分钟)的刚性出行OD矩阵；Ti为测日预测时段(15分钟)的弹性出行OD矩阵；
Figure BDA0002077977380000067
为预测日前一周同日同时段的三个15分钟刚性出行OD矩阵；
Figure BDA0002077977380000068
为预测日前一日同时段的三个15分钟的刚性出行OD矩阵；Gi-2为与预测日预测时段临近的前两个15分钟的刚性出行OD矩阵；
Figure BDA0002077977380000069
为预测日前一周同日同时段的三个15分钟弹性出行OD矩阵；
Figure BDA00020779773800000610
为预测日前一日同时段的三个15分钟的弹性出行OD矩阵；Ti-2、Ti-1为与预测日预测时段临近的前两个15分钟的弹性出行OD矩阵；αg为刚性出行预测模型系数一；βg为刚性出行预测模型系数二；αt为弹性出行预测模型系数一；βt为弹性出行预测模型系数二。
预测实例验证：
(1)∣γ∣<0.3时的客流量预测检验：以南京市2017年9月21日8:00-8:15地铁流量后预测检验，如图1所示。
(2)∣γ∣≥0.3时的客流量预测检验：以模拟突发性大客流数据后预测检验。如图2所示。
验证结果表明，当∣γ∣<0.3时以总体OD进行预测更准确。因此∣γ∣<0.3时以总体OD预测方法为主；∣γ∣≥0.3时以刚弹性分别进行OD预测更加合理，因此∣γ∣≥0.3时以刚弹性OD预测方法为主。图2表达出刚弹性预测质量不低于总体预测的质量。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于刷卡数据的地铁客流短期预测方法，其特征在于：包括以下步骤：
S01，从地铁售检票系统客流数据库中提取采集过的客流数据；
S02，据乘客一周内在相同时段相同站点出行的次数，划分刚性乘客、中性乘客和弹性乘客；
S03，计算刚性出行矩阵各元素与弹性出行矩阵中相应元素之比的变化率预测突发性客流是否产生；
S04，通过突发性客流是否发生选择定性预测或者S05中的定量预测；
S05，将一周内七天分为两类，其中第一类包括周二、周三、周四和周五，第二类包括周一、周六和周日，分别计算两类日期预测阶段的总体出行OD矩阵以及刚性出行OD矩阵和弹性出行OD矩阵；
第一类日期的总体出行OD预测计算方式如下：
Figure FDA0003695073540000011
Figure FDA0003695073540000012
Figure FDA0003695073540000013
第二类日期的总体出行OD预测计算方式如下：
Vi＝α(Vi-1+Vi-2) (5)
式中，Vi为预测时段的总体出行OD矩阵；
Figure FDA0003695073540000014
为预测日前一周同日同时段的三个15分钟总体出行OD矩阵；Vi-2、Vi-1为与预测时段临近的前两个15分钟的总体出行OD矩阵；
Figure FDA0003695073540000015
为预测日前一天的同时段的三个15分钟的总体出行OD矩阵；α为总体预测模型系数一；β为总体出行预测模型系数二；
计算刚性出行OD矩阵和弹性出行OD矩阵前，先将中性出行OD矩阵按照刚性与弹性出行矩阵的比例划分给原始刚性出行OD矩阵和原始弹性出行OD矩阵，得到更新刚性出行OD矩阵和更新弹性出行OD矩阵，具体方式如下：
Figure FDA0003695073540000016
Figure FDA0003695073540000017
式中，G为任意时段的更新刚性出行OD矩阵；G′为任意时段的原始刚性出行OD矩阵；Z′为任意时段的原始中性出行OD矩阵；T为任意时段的更新弹性出行OD矩阵；T′为任意时段的原始弹性出行OD矩阵；
第一类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算方式如下：
Vi＝Gi+Ti (8)
Figure FDA0003695073540000021
Figure FDA0003695073540000022
Figure FDA0003695073540000023
Figure FDA0003695073540000024
Figure FDA0003695073540000025
Figure FDA0003695073540000026
第二类日期的刚性出行OD矩阵和弹性出行OD矩阵的计算方式如下：
Vi＝Gi+Ti (15)
Gi＝αg(Gi-1+Gi-2) (16)
Ti＝αt(Ti-1+Ti-2) (17)
式中，Vi为预测日预测时段的总体出行OD矩阵；Gi为预测日预测时段的刚性出行OD矩阵；Ti为测日预测时段的弹性出行OD矩阵；
Figure FDA0003695073540000027
为预测日前一周同日同时段的三个15分钟刚性出行OD矩阵；
Figure FDA0003695073540000028
为预测日前一日同时段的三个15分钟的刚性出行OD矩阵；Gi-2为与预测日预测时段临近的前两个15分钟的刚性出行OD矩阵；
Figure FDA0003695073540000029
为预测日前一周同日同时段的三个15分钟弹性出行OD矩阵；
Figure FDA00036950735400000210
为预测日前一日同时段的三个15分钟的弹性出行OD矩阵；Ti-2、Ti-1为与预测日预测时段临近的前两个15分钟的弹性出行OD矩阵；αg为刚性出行预测模型系数一；βg为刚性出行预测模型系数二；αt为弹性出行预测模型系数一；βt为弹性出行预测模型系数二。
2.根据权利要求1所述的一种基于刷卡数据的地铁客流短期预测方法，其特征在于：S04中，定性预测的具体计算方法为：
Figure FDA0003695073540000031
式中，γ为刚弹比变化率；Gi-1为预测时段前一个15分钟刚性出行OD矩阵分布量；
Figure FDA0003695073540000032
为预测时段前一周同日前一个15分钟刚性出行OD矩阵分布量；Ti-1为预测时段前一个15分钟弹性出行OD矩阵分布量；
Figure FDA0003695073540000033
为预测时段前一周同日前一个15分钟弹性出行OD矩阵分布量。
3.根据权利要求2所述的一种基于刷卡数据的地铁客流短期预测方法，其特征在于：规定当|γ|≥0.3，预测客流的结构开始出现异常，突发性客流可能会发生。
CN201910460660.0A 2019-05-30 2019-05-30 一种基于刷卡数据的地铁客流短期预测方法 Active CN110245788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910460660.0A CN110245788B (zh) 2019-05-30 2019-05-30 一种基于刷卡数据的地铁客流短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910460660.0A CN110245788B (zh) 2019-05-30 2019-05-30 一种基于刷卡数据的地铁客流短期预测方法

Publications (2)

Publication Number Publication Date
CN110245788A CN110245788A (zh) 2019-09-17
CN110245788B true CN110245788B (zh) 2022-08-12

Family

ID=67885489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910460660.0A Active CN110245788B (zh) 2019-05-30 2019-05-30 一种基于刷卡数据的地铁客流短期预测方法

Country Status (1)

Country Link
CN (1) CN110245788B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796301B (zh) * 2019-10-23 2022-11-11 广东岭南通股份有限公司 一种基于ic卡数据的乘客流量预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984993A (zh) * 2014-05-13 2014-08-13 东南大学 一种轨道交通客流od分布实时推测方法
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984993A (zh) * 2014-05-13 2014-08-13 东南大学 一种轨道交通客流od分布实时推测方法
CN106960250A (zh) * 2017-03-03 2017-07-18 陕西师范大学 一种动态预测旅游景点客流的方法
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于IC卡信息的居民公交出行动态特性;韩秀华等;《吉林大学学报(工学版)》;20090315;全文 *
铁路短期客流时序规律分析;马彦祥等;《铁道运输与经济》;20100215(第02期);全文 *

Also Published As

Publication number Publication date
CN110245788A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
Chen et al. Analyzing travel time distribution based on different travel time reliability patterns using probe vehicle data
CN103065205A (zh) 三维智能交通枢纽客流时空分析与预测系统
Chen et al. Data analytics approach for travel time reliability pattern analysis and prediction
US9836979B2 (en) Method and system for latent demand modeling for a transportation system
Wilson et al. The potential impact of automated data collection systems on urban public transport planning.
Yan et al. Performance evaluation of bus routes using automatic vehicle location data
Xie et al. Modelling the effects of road pricing on traffic using ERP traffic data
Yap et al. Taking the path less travelled: Valuation of denied boarding in crowded public transport systems
CN112150802B (zh) 基于地面公交运行状态可靠性的城市道路等级划分方法
CN114331234A (zh) 基于乘客出行信息的轨道交通客流预测方法和系统
CN110245788B (zh) 一种基于刷卡数据的地铁客流短期预测方法
Agarwal et al. Labor Supply Decisions of Singaporean Cab Drivers
CN111260926A (zh) 一种公交到站时间预测结果可靠度的评价和提示方法
Yang et al. Potential of low-frequency automated vehicle location data for monitoring and control of bus performance
Graffagnino Ensuring timetable stability with train traffic data
Nayak Estimation of the impact of single airport and multi-airport system delay on the national airspace system using multivariate simultaneous models
Chu et al. Reproducing longitudinal in-vehicle traveler experience and the impact of a service reduction with public transit smart card data
Al-Deek et al. Dynamic message sign deployment and diversion behavior of travelers on Central Florida toll roads
Chen et al. Historical travel time based bus-arrival-time prediction model
Henderson A planning model for optimizing locations of changeable message signs
US20120319867A1 (en) Methods and apparatus for traffic signal timing
CN114049770B (zh) 多模式交通系统断路后流量预测方法及系统
Grabau et al. Simulation analysis of an expressway toll plaza
Nosal et al. Incorporating weather: a comparative analysis of Average Annual Daily Bicyclist estimation methods 2
CN114580787B (zh) 一种基于公交地铁接驳站点的客流量预测方法及装置

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