CN110263993B - 一种用于城市轨交乘客走行时间的实时预测方法 - Google Patents
一种用于城市轨交乘客走行时间的实时预测方法 Download PDFInfo
- Publication number
- CN110263993B CN110263993B CN201910517235.0A CN201910517235A CN110263993B CN 110263993 B CN110263993 B CN 110263993B CN 201910517235 A CN201910517235 A CN 201910517235A CN 110263993 B CN110263993 B CN 110263993B
- Authority
- CN
- China
- Prior art keywords
- passenger
- time
- platform
- area
- waiting area
- 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 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 70
- 238000001514 detection method Methods 0.000 claims description 39
- 230000004807 localization Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 241000135164 Timea Species 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
Description
技术领域
本发明属于城市轨交智能管理的技术领域,具体涉及一种用于城市轨交乘客走行时间的实时预测方法。
背景技术
随着社会经济的快速发展和地铁线网规模的不断扩展,地铁客流量持续增长。早晚高峰时期或突发事件下,地铁车站出入口、闸机、楼扶梯等易发生拥堵排队现象,可以通过适当延长乘客进出站的走行时间即乘客从地铁非换乘站某一出入口至站台候车点的走行时间来缓解拥堵。因此,对乘客拥挤条件下的进出站的走行时间进行准确预测,可为解析高峰时段站内乘客的交通特征、仿真与预测站内乘客的时空分布、优化地铁车站客运组织方案、启动车站大客流预案等提供参数依据,对于提高地铁车站大客流管理水平、保障乘客出行安全具有重要作用。
目前针对计算地铁车站乘客走行时间的方法主要有人工跟随、数理统计方法、以及BPR(路阻函数)模型等,但都处于基于历史数据的离线研究阶段,实效性差,准确度低,且费时费力,尚未见到一种基于实时数据的地铁车站乘客走行时间预测方法。
发明内容
本发明提供了一种用于城市轨交乘客走行时间的实时预测方法,解决了现有走行时间的计算方法实效性差,准确度低,且费时费力等问题。
本发明可通过以下技术方案实现:
一种用于城市轨交乘客走行时间的实时预测方法,包括以下步骤:
步骤一、将某号线城市轨交地铁的某个高峰时段等时间间隔划分成N个统计周期;
步骤三、利用神经网络,以在特征日p的第t-1个统计周期内的客流量对应从m号出入口到站台候客区的走行时间以及在上一个特征日p-1的第t个统计周期内的客流量对应从m号出入口到站台候客区的走行时间作为输入,对在特征日p的第t个统计周期对应从m号出入口到站台候客区的走行时间进行预测;
步骤四,重复步骤二至三,完成某个高峰时段N个统计周期对应的各个从m号出入口到站台候客区的走行时间的预测。
进一步,将站台候客区以WIFI探针探测半径为间隔,沿长度上进行等间隔分区,在每个区域内设置三个WIFI探针,以乘客对应的MAC地址作为检测对象,利用三角质心定位算法,判断乘客是否到达站台候客区,并记录到达时刻,取乘客在各个区域的最早到达时刻作为到达站台候客区时刻,计算所有乘客的进站时刻与对应的到达站台候客区时刻的差值,以及所有差值的平均值,则所述平均值即为在特征日p的第t个统计周期从m号出入口到达站台候客区对应的走行时间
进一步,先根据在特征日p的第t-1个统计周期内到达站台候客区的所有乘客对应的MAC地址,从第t个统计周期内到达站台候客区的所有乘客对应的MAC地址中,将与之相同的MAC地址去除;再对比在特征日p的第t个统计周期所有乘客的进站时刻和到达站台候客区时刻,若进站时刻晚于到达站台时刻,则将对应乘客的MAC地址从第t个统计周期内到达站台候客区的所有乘客的MAC地址中去除,剩余的MAC地址用于走行时间的计算。
进一步,在所述m号出入口处选取检测区域,所述检测区域设置为方形区域,其宽度设置为m号出入口的通道宽度a,长度设置为指定值,三个所述WIFI探针分别设置在宽度方向的同侧上的两个顶角和相对侧的边上;对于所述站台候客区的每个区域,三个所述WIFI探针分别设置在长度方向的同侧上的两个顶角和相对侧的边上,但所述相对侧的边上的WIFI探针均位于站台候客区在长度方向上同一侧,相邻两个区域重合的顶角上的WIFI探针仅保留一个。
进一步,利用三角质心定位算法,判断乘客是否进站的方法包括以下步骤:
步骤Ⅰ、以所述m号出入口处的检测区域建立直角坐标系,确定三个WIFI探针的位置坐标;
步骤Ⅱ、以三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算三个所述圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤Ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据检测区域的坐标范围,判断质心D(xd,yd)是否处于检测区域内,进而判断所述某一乘客是否进站。
进一步,利用三角质心定位算法,判断乘客是否到达站台候客区的方法包括以下步骤:
步骤ⅰ、以所述站台候客区建立直角坐标系,确定各个区域内的每个WIFI探针的位置坐标;
步骤ⅱ、以各个区域内的三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算三个所述圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据各个区域的坐标范围,判断质心D(xd,yd)是否处于对应的区域内,进而判断所述某一乘客是否到达站台候客区。
本发明有益的技术效果在于:
通过在出入口和站台候客区设置多个WIFI探针,利用三角质心定位算法,以乘客对应的MAC地址作为检测对象,判断乘客是否进站、到达站台候客区,进而统计该出入口的客流量和对应的走行时间,再以当前特征日高峰时段上一个统计周期的客流量和对应的走行时间,以及上一个特征日相同高峰时段当前统计周期的客流量和对应的走行时间作为输入,利用神经网络对当前特征日高峰时段当前统计周期对应的走行时间进行预测,从而完成对高峰时段各个统计周期对应的走行时间的实时预测,节省了大量的人力、物力,同时提高了乘客站内走行时间的预测精度,为站台工作人员通过延长乘客走行时间来缓解高峰拥堵提供了数据依据,为解析高峰时段站内乘客的交通特征、仿真与预测站内乘客的时空分布、优化地铁车站客运组织方案、启动车站大客流预案等提供参数依据,对于提高地铁车站大客流管理水平、保障乘客出行安全具有重要作用。
附图说明
图1是本发明的总体流程示意图;
图2是本发明的出入口的WIFI探针分布示意图;
图3是本发明的站台候客区的WIFI探针分布示意图;
图4是本发明的三角质心定位算法的原理示意图;
图5是本发明的神经网络模型示意图;
图6是采用本发明的方法预测得到的走行时间和实际走行时间的对比示意图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
随着通讯技术的发展,手机和WIFI等通讯工具的应用已经越来越普遍,如今,在我们的生活中到处充满WiFi。拿起手机,打开WiFi连接,然后手机屏幕上就会显示一列可用WLAN列表,有各种各样的WiFi。而wifi探针是指基于wifi探测技术,自动识别特定范围内已开启wifi接收装置的智能终端设备如Android或IOS智能手机、手提电脑、平板等,并获取该移动终端设备MAC地址的一种硬件。由于WIFI探针可主动实时嗅探一定范围内WIFI终端的设备MAC地址、时间戳与信号强度,具有覆盖范围广、采样频次高、可连续追踪等优点,而作为WIFI终端的手机也几乎人手一个,因此,本发明提出一种利用WIFI探针的检测数据进行地铁车站乘客进出站走行时间实时预测的方法,如图1所示,主要包括以下步骤:
步骤一、将某号线城市轨交地铁的特征日p某个高峰时段等时间间隔划分成N个统计周期,其编号依次设置为t,其中,t=1,2,…N,可以选取高峰时段在乘客进站过程中存在常发性拥堵点的地铁车站,统计周期的时长可根据预测需求或实际情况取值,如5min、1~2个发车间隔等,但一定要大于乘客走行时间,为了确保预测模型的精度,建议用于训练的统计周期的数量不小于120,特征日p可以是工作日或者双休日,比如周三、周六。
首先,在m号出入口处选取检测区域,该检测区域可设置为方形区域,其宽度设置为m号出入口的通道宽度a,长度设置为指定值,在该检测区域设置三个WIFI探针,可以按照三角质心定位算法的要求设置,优选分别设置在宽度方向的同侧上的两个顶角和相对侧的边上,如图2所示;同理,对于站台候客区,为了保障检测精度,以WIFI探针探测半径为间隔,沿其长度上进行等间隔分区,在每个区域内也设置三个WIFI探针,可以按照三角质心定位算法的要求设置,优选地,每个区域内的三个WIFI探针也分别设置在长度方向的同侧上的两个顶角和相对侧的边上,但相对侧的边上的WIFI探针均位于站台候客区在长度方向上同一侧,相邻两个区域重合的顶角上的WIFI探针仅保留一个,如图3所示。
为了提高计算精度,需要对进站和到达站台候客区的乘客对应的MAC地址进行筛选,得到适用于客流量和乘客走行时间计算的有效数据集,具体如下:
根据WIFI探针获取数据的格式,如下表所示,针对m号出入口的WIFI探针获取的MAC地址数据和站台候客区全部WIFI探针获取的MAC地址数据,剔除仅被出入口或站台处的WIFI探针探测到的数据样本,即同时被出入口和站台处的WIFI探针至少各探测一次的数据为可用于乘客走行时间计算的有效数据。
(2)根据在特征日p的第t-1个统计周期内到达站台候客区的所有乘客对应的MAC地址,从第t个统计周期内到达站台候客区的所有乘客对应的MAC地址中,将与之相同的MAC地址去除,该部分数据为地铁车站工作人员或乘客滞留数据。
(3)对比在特征日p的第t个统计周期所有乘客的进站时刻和到达站台候客区时刻,若进站时刻晚于到达站台时刻,则将对应乘客的MAC地址从第t个统计周期内到达站台候客区的所有乘客的MAC地址中去除,该部分数据不符合逻辑。
其次,对于上述有效数据集,以乘客对应的MAC地址作为检测对象,利用三角质心定位算法,判断乘客是否处于m号出入口,即判断乘客是否进站,并记录各个乘客的进站时刻,进而统计在特征日p的第t个统计周期内的客流量具体如下:
步骤Ⅰ、以m号出入口处的检测区域建立直角坐标系,确定三个WIFI探针的位置坐标;
步骤Ⅱ、以三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算三个圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤Ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据检测区域的坐标范围,判断质心D(xd,yd)是否处于检测区域内,如图4所示,进而判断上述某一乘客是否进站。
步骤ⅰ、以站台候客区建立直角坐标系,确定各个区域内的每个WIFI探针的位置坐标;
步骤ⅱ、以各个区域内的三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算三个所述圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据各个区域的坐标范围,判断质心D(xd,yd)是否处于对应的区域内,进而判断上述某一乘客是否到达站台候客区,并记录到达时刻,取乘客在各个区域的最早到达时刻作为到达站台候客区时刻。
由于站台候客区的乘客基本都是通过楼扶梯或者自动扶梯到达的,也可以在对应的楼扶梯或者自动扶梯的出口处采用与进出口类似的方法布置WIFI探针,检测乘客通过楼扶梯或者自动扶梯的出口处的到达时刻作为到达站台候客区时刻,利用上述方法进行从m号出入口到达站台候客区对应的走行时间的计算。
步骤三、利用神经网络,如图5所示,以在特征日p的第t-1个统计周期内的客流量对应的走行时间以及在上一个特征日p-1的第t个统计周期内的客流量对应的走行时间作为输入,对在特征日p的第t个统计周期对应的走行时间进行预测。
在进行预测之前,首先需要对神经网络进行训练,其训练数据采用同一特征日不同统计周期的客流量、走行时间作为输入,对应的不同统计周期的实际走行时间作为输出对神经网络进行训练,当数量不够时,可以采用不同时段的高峰时期的数据或者相邻特征日同意高峰时段的数据进行补充,或者采用不同特征日同一统计周期的客流量、走行时间作为输入,对应的不同特征日同一统计周期的实际走行时间作为输出对神经网络进行训练,或者两种方式的数据都采用对神经网络进行训练,作为输出的实际走行时间可以通过人工跟随的方法对大量乘客进行统计,计算平均值获得,作为输入的客流量、走行时间通过上述方法计算得到。
步骤四,重复步骤二至三,完成某个高峰时段N个统计周期对应的各个走行时间的预测。
至于出站的走行时间,可以采用与上述方法类似的方法进行预测。
以上海地铁9号线松江大学城站为例,详细描述本发明的方法。
步骤1:已知WIFI探针探测范围为5m,松江大学城站出入口平通道的宽度为6m,共4个出入口,出入口编号m,其中,m=1,2,3,4,设定1号出入口检测区域的面积为12m2;站台候客区的长度为120m,宽度为8m,将站台候客区按照WIFI探针探测范围分区,各个区域的面积为192m2,按图2、3在出入口和站台候客区各个区域布设WIFI探针。
步骤2:对特征日2018年11月19日周一早高峰时期7:00-9:00各个统计周期进行走行时间预测,设置统计周期的时长为5min,则早高峰时段被均分为24个统计周期,用于模型训练的WIFI探针采集数据的总时长仅包括高峰时段不应低于600min。
步骤3:对上述探针在特征日2018年11月19日周一早高峰时期7:00-9:00两小时内采集的数据进行筛选,得到适用于乘客走行时间预测的有效数据集,进而分别按以下方法计算得到特征日p第t个统计周期的1号出入口进站的客流量以及1号出入口到站台候客区的乘客进站的走行时间
(1)针对1号出入口的WIFI探针数据和站台候客区全部WIFI探针数据,剔除仅被出入口或站台候客区的WIFI探针探测到的数据样本,即同时被出入口和站台处的探针至少各探测一次的数据样本才可用于乘客走行时间预测的有效数据。
(2)筛选第一个统计周期与第二个统计周期内的MAC地址,剔除在两个统计周期内重复出现的MAC地址即为地铁车站工作人员或乘客滞留数据。以此类推分别剔除第t-1个统计周期与第t个统计周期内重复出现的MAC地址。
(3)进一步筛选可用于1号出入口进站走行时间预测的有效样本数据为:站台候客区WIFI探针检测到的MAC地址的时间戳迟于出入口检测到同一MAC地址的时间戳。
(4)采用三角质心定位算法分别对各出入口的进站乘客进行定位,确定乘客通过各出入口的时刻,在此基础上可统计各出入口在各统计周期内的进站客流量。以1号出入口为例,在检测区域建立直角坐标系,将三个WIFI探针A(3,2)、B(0,0)、C(6,0))同时探测到某一乘客对应的MAC地址的RSSI信号值转化为距离,记为rA=3,rB=3.3,rC=4.5,分别以WIFI探针的位置点为圆心,以各自的距离为半径作圆,三个圆重叠区域构成△EFG,计算各交点坐标及质心坐标,分别为(2.3,2.6)、(1.5,-0.7)、(3.4,-1),其质心坐标为D(2.4,0.3),根据检测区域的坐标范围,判定质心位于检测区域内,判定该乘客进入1号出入口,其对应的WIFI探针数据时间戳则为该乘客通过该出入口的时刻,进一步统计计数可获得1号出入口在各个统计周期内的进站客流量
(5)同理,可应用三角质心定位算法对站台候客区的乘客进行定位,选取乘客定位在站台候客区上某一区域的最早时刻为乘客到达站台的时刻。
步骤4:通过人工跟随的方法,获取该地铁车站在2018年11月12日、5日、2018年10月29日往上类推对应周一早高峰时期7:00-9:00内第t个统计周期的1号出入口到站台的实际走行时间Y1 t,或者2018年11月16日、15日、14日往上类推对应周一早高峰时期7:00-9:00内各个统计周期的1号出入口到站台的实际走行时间,或者两种方式结合到一起,只要足够的样本数量就可以。取样本数量为144,采集的部分数据如下表所示。
步骤5:建立预测模型,以特征日p第t-1个统计周期1号出入口进站客流量上个特征日p-1第t个统计周期1号出入口进站客流量特征日p第t-1个统计周期1号出入口乘客进站走行时间上个特征日p-1第t个统计周期1号出入口乘客进站走行时间WIFI估计值作为输入,以对特征日p第t个统计周期1号出入口乘客进站的实际走行时间Y1t作为输出。
步骤6:采用BP算法和traingdx学习规则,随机选取115组样本数据对BP神经网络进行学习和训练,剩下的29组数据作为测试数据,对预测数据结果的精度进行分析,如图6所示。从图中可知,松江大学城站1号口进站走行时间的实际值与预测值曲线吻合度很高,进站走行时间最大绝对误差为7s,平均绝对相对误差率为4.53%。
步骤7:利用训练好的BP神经网络预测模型,输入2018.11.12周一预测时段7:00-9:00的第11个统计周期与2018.11.19周一预测时段7:00-9:00的第10个统计周期的1号出入口进站客流量2018.11.12周一预测时段7:00-9:00的第11个统计周期与2018.11.19周一预测时段7:00-9:00的第10个统计周期的1号出入口进站走行时间预测2018.11.19周一第11个统计周期即7:50-7:55的1号出入口进站走行时间,其预测值
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (7)
1.一种用于城市轨交乘客走行时间的实时预测方法,其特征在于包括以下步骤:
步骤一、将某号线城市轨交地铁的某个高峰时段等时间间隔划分成N个统计周期;
步骤三、利用神经网络,以在特征日p的第t-1个统计周期内的客流量对应从m号出入口到站台候客区的走行时间以及在上一个特征日p-1的第t个统计周期内的客流量对应从m号出入口到站台候客区的走行时间作为输入,对在特征日p的第t个统计周期对应从m号出入口到站台候客区的走行时间进行预测;
步骤四,重复步骤二至三,完成某个高峰时段N个统计周期对应的从m号出入口到站台候客区的走行时间的预测。
5.根据权利要求3所述的用于城市轨交乘客走行时间的实时预测方法,其特征在于:在所述m号出入口处选取检测区域,所述检测区域设置为方形区域,其宽度设置为m号出入口的通道宽度,长度设置为指定值,三个所述WIFI探针分别设置在宽度方向的同侧上的两个顶角和相对侧的边上;对于所述站台候客区的每个区域,三个所述WIFI探针分别设置在长度方向的同侧上的两个顶角和相对侧的边上,但所述相对侧的边上的WIFI探针均位于站台候客区在长度方向上同一侧,相邻两个区域重合的顶角上的WIFI探针仅保留一个。
6.根据权利要求5所述的用于城市轨交乘客走行时间的实时预测方法,其特征在于利用三角质心定位算法,判断乘客是否进站的方法包括以下步骤:
步骤Ⅰ、以所述m号出入口处的检测区域建立直角坐标系,确定三个WIFI探针的位置坐标;
步骤Ⅱ、以三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算所述三个圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤Ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据检测区域的坐标范围,判断质心D(xd,yd)是否处于检测区域内,进而判断所述某一乘客是否进站
7.根据权利要求5所述的用于城市轨交乘客走行时间的实时预测方法,其特征在于利用三角质心定位算法,判断乘客是否到达站台候客区的方法包括以下步骤:
步骤ⅰ、以所述站台候客区建立直角坐标系,确定各个区域内的每个WIFI探针的位置坐标;
步骤ⅱ、以各个区域内的三个WIFI探针同时探测到某一乘客对应的MAC地址的RSSI信号值对应的距离为半径,三个WIFI探针的位置为圆心,画三个圆,计算所述三个圆彼此的交点坐标,记为E(xe,ye),F(xf,yf),G(xg,yg);
步骤ⅲ、利用如下方程式,计算三角形△EFG对应的质心D(xd,yd),根据各个区域的坐标范围,判断质心D(xd,yd)是否处于对应的区域内,进而判断所述某一乘客是否到达站台候客区
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517235.0A CN110263993B (zh) | 2019-06-14 | 2019-06-14 | 一种用于城市轨交乘客走行时间的实时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910517235.0A CN110263993B (zh) | 2019-06-14 | 2019-06-14 | 一种用于城市轨交乘客走行时间的实时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263993A CN110263993A (zh) | 2019-09-20 |
CN110263993B true CN110263993B (zh) | 2022-07-01 |
Family
ID=67918441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910517235.0A Active CN110263993B (zh) | 2019-06-14 | 2019-06-14 | 一种用于城市轨交乘客走行时间的实时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263993B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111696242B (zh) * | 2020-06-28 | 2021-08-03 | 广东君略科技咨询有限公司 | 一种基于大数据的区块链身份信息认证系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217129B (zh) * | 2014-09-22 | 2018-02-02 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN106779190B (zh) * | 2016-12-02 | 2020-03-31 | 东南大学 | 一种城市轨道交通乘客出行路径建议方法及系统 |
CN108151756B (zh) * | 2017-12-21 | 2021-06-29 | 深圳市综合交通运行指挥中心 | 一种城市公共交通系统的行程时间计算方法和装置 |
CN109242181A (zh) * | 2018-09-04 | 2019-01-18 | 中国联合网络通信集团有限公司 | 乘车等候时间预测方法、装置及系统 |
-
2019
- 2019-06-14 CN CN201910517235.0A patent/CN110263993B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110263993A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778836B (zh) | 基于手机信令数据质量感知的高速公路交通状态识别方法 | |
CN106297288B (zh) | 一种公交乘客客流数据采集与分析方法 | |
CN109308546B (zh) | 乘客公交出行下车站点预测方法及系统 | |
CN110493816B (zh) | 一种用于轨交地铁车站客流量的实时预测方法 | |
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
CN111724595B (zh) | 一种基于收费数据的高速公路断面流量估计方法 | |
CN107845259B (zh) | 公交运行情况实时反馈系统及公交实时运行数据处理方法 | |
CN104318324B (zh) | 基于出租车gps记录的机场巴士站点及路线规划方法 | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
US20120115475A1 (en) | System and method for population tracking, counting, and movement estimation using mobile operational data and/or geographic information in mobile network | |
CN105632222B (zh) | 预报到站时间的方法及其系统 | |
CN104064024A (zh) | 一种基于历史数据的公交车辆到站时间预测方法 | |
CN108322891A (zh) | 基于用户手机信令数据的区域拥堵识别方法 | |
GB2569752A (en) | Method for detecting human traffic in public place by using Wi-Fi probe | |
CN106448173B (zh) | 一种基于手机数据的长距离出行交通方式划分方法 | |
CN108810808A (zh) | 一种基于手机信令数据的区域客流饱和度计算方法 | |
CN107818332B (zh) | 高速公路互通立交服务范围分析方法及装置 | |
Xing et al. | Traffic volume estimation in multimodal urban networks using cell phone location data | |
CN108665178A (zh) | 一种基于afc的地铁站内楼扶梯客流量预测方法 | |
CN110263993B (zh) | 一种用于城市轨交乘客走行时间的实时预测方法 | |
CN107993437B (zh) | 新增公交路线的方法、装置、计算机设备和存储介质 | |
Erdelić et al. | A model of speed profiles for urban road networks using G-means clustering | |
CN114723480B (zh) | 一种针对乡村旅游的客流量预测方法及货物调度系统 |
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 |