CN110276474A - 一种城市轨道交通车站短时客流预测方法 - Google Patents

一种城市轨道交通车站短时客流预测方法 Download PDF

Info

Publication number
CN110276474A
CN110276474A CN201910430943.0A CN201910430943A CN110276474A CN 110276474 A CN110276474 A CN 110276474A CN 201910430943 A CN201910430943 A CN 201910430943A CN 110276474 A CN110276474 A CN 110276474A
Authority
CN
China
Prior art keywords
passenger flow
short
term
data
track traffic
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.)
Pending
Application number
CN201910430943.0A
Other languages
English (en)
Inventor
马灵玲
毕涛
叶茂
王博
赵隽如
邢宗义
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 University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201910430943.0A priority Critical patent/CN110276474A/zh
Publication of CN110276474A publication Critical patent/CN110276474A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开了一种城市轨道交通车站短时客流预测方法，运用Spark并行计算框架，统计站点预测日期前每日的进出站客流量；以周为单位，对各日客流量数据进行谱聚类分析，将七天划分成不同的日期类型，选择与预测日期对应的日期类型作为训练数据；选择预测因子，确定神经网络预测模型的输入向量；运用Spark并行计算框架，训练神经网络预测模型；预测站点在目标时间段的进出站客流数据。本发明通过使用聚类分析和相关性分析对数据进行处理分析，保证了训练数据的可靠性和合理性，提高了预测精度；通过采用Spark并行计算框架进行数据统计和模型训练，提高了预测效率。

Description

一种城市轨道交通车站短时客流预测方法
技术领域
本发明涉及城市轨道交通站点短时客流预测技术，特别涉及一种城市轨道交通车站短时客流预测方法。
背景技术
随着轨道交通运营的网络化发展，运营规模急剧增加，客运量持续攀升。为了保证轨道交通资源需求与供给平衡、提高运营效率，避免资源浪费，在城市轨道交通大力发展的同时，需要有效调配系统资源，及时调整运营策略。
短时客流预测能够反映客流短时段内的变化规律，是轨道交通服务水平、系统运行状态评价的重要决策指标，也是站台拥挤管理、应急响应的重要依据，准确、可靠地预测短时段客流，对于轨道交通运营资源的配置和调度至关重要。目前常运用人工神经网络进行短时客流预测，但是存在过度训练、局部最优化和高计算负担的问题。此外，由于神经网络模型是数据驱动模型，只有当历史数据样本足够大时，客流预测的精度才能达到要求，但是数据样本的增大必然会导致神经网络模型训练时间变长，收敛速度变慢，因此该方法无法兼顾轨道交通客流预测的效率和精度。
发明内容
本发明的目的在于提供一种能够兼顾预测的效率和精度的城市轨道交通车站短时客流预测方法。
实现本发明目的的技术解决方案为：一种城市轨道交通车站短时客流预测方法，包括如下步骤：
步骤1、运用Spark并行计算框架，统计站点预测日期前每日的进出站客流量；
步骤2、以周为单位，对各日客流量数据进行谱聚类分析，将七天划分成不同的日期类型，选择与预测日期对应的日期类型作为训练数据；
步骤3、选择预测因子，确定神经网络预测模型的输入向量；
步骤4、运用Spark并行计算框架，训练神经网络预测模型；
步骤5、预测站点在目标时间段的进出站客流数据。
本发明与现有技术相比，其显著优点为：1)本发明运用了Spark大数据平台对大量客流数据进行统计，加快了进出站客流统计的速度，加快了处理大数据的效率；2)本发明针对城市轨道交通客流特性设计短时客流预测方案，并使用聚类分析和相关性分析对数据进行处理分析，保证了输入数据和输出数据的可靠性和合理性；3)本发明结合Spark并行计算框架的特点，提出基于Spark并行计算框架的并行神经网络模型，有效缩短了神经网络的训练时间；4)本发明运用遗传算法对Elman神经网络的初始权值与阈值进行优化，能够避免神经网络陷入局部最优，提高了短时客流的预测精度。
附图说明
图1为本发明方法的流程图。
图2为一周内每日客流谱聚类结果图。
图3为时间维度进站客流向量组织形式。
图4为基于Spark的神经网络模型训练示意图。
图5为Elman神经网络结构图。
图6为运用遗传算法优化神经网络的流程图。
图7为嘉禾望岗站周一进站客流预测结果图。
图8为嘉禾望岗站周二进站客流预测结果图。
图9为嘉禾望岗站周三进站客流预测结果图。
图10为嘉禾望岗站周四进站客流预测结果图。
图11为嘉禾望岗站周五进站客流预测结果图。
图12为嘉禾望岗站周六进站客流预测结果图。
图13为嘉禾望岗站周日进站客流预测结果图。
具体实施方式
下面结合附图和具体实施例，进一步说明本发明方案。
本发明城市轨道交通车站短时客流预测方法，基于Spark并行计算框架构建并行人工神经网络模型，采用遗传算法对模型进行优化，降低模型陷入局部最优的概率，最终实现对车站短时客流的高精度预测，为行车运营组织提供参考，提高轨道交通的运营效率。如图1所示，具体步骤如下：
步骤1、客流数据预处理，运用Spark并行计算框架，以15min为时间粒度，对预测站点的预测日期前一段时间内每日进出站客流量进行统计。由于城市轨道交通每天运营时间段一般为6:00-23:00，因此每天的客流数据整理成如表1所示。
表1 XX站X年X月X日客流量统计表
步骤2、以周为单位对不同日期的客流数据进行谱聚类分析，将七天划分成不同的日期类型，按不同类型分别进行预测。
客流在周之间呈现一定的规律性，周一至周五基本体现为以通勤为目的的出行，周六周日以娱乐购物为目的的出行，但对于一周内的各天而言，其规律性不明显。为了能够准确预测不同日期的客流量，有必要以周为单位对各天划分日期类型，根据不同的预测时段选取对应日期类型的历史数据信息作为网络的训练数据与输入数据。因此，本发明运用基于类簇中心距离最小化原则的层次聚类算法，以周为单位对不同日期的客流数据进行谱聚类分析，将七天划分成不同的日期类型，按不同类型分别进行预测。
层次聚类算法计算类簇内每个样本与其他所有样本间的距离，选择距离和最小的样本作为新的类簇中心，进而完成聚类，步骤如下：
a、把一天内的列车运营时间分成为d小段，将一周内各天的客流组织成向量的形式，向量的每个元素代表该时间段内的客流量；
b、将数据集中的每个样本向量看作一个初始聚类簇；
c、根据式(1)计算不同聚类簇之间的相似度，并利用式(2)描述的相似度-距离转换得到聚类簇之间的距离，其中a∈(0,1)；
Dis＝100*loga(Similar) (2)
式中xi表示聚类簇的中心；
d、筛选距离小于设定阈值的聚类簇；
e、将距离最近的两个类簇进行合并，根据式(3)描述的聚类簇中心距离最小化原则，更新合并聚类簇的中心；
其中，Ci表示第i个类簇，xk表示Ci中的任一样本，xi表示更新后的类簇中心，xj表示Ci的临时类簇中心；
f、重复步骤c-e，直至类簇间距离不能满足合并条件。
以设定阈值等于11为例，最终的谱聚类结果如图2示，根据谱系图可以将一周内的日期类型划分为{星期一}、{星期二至星期四}、{星期五}、{星期六至星期日}四类。在运用神经网络进行客流预测时，可以选取对应日期类型的历史数据信息作为网络的输入数据。
步骤3、选择预测因子，确定神经网络预测模型的输入，具体内容如下：
计算预测目标点与各个因子之间的时空相关性，考虑到进站客流在空间维度上没有较强的相关性，因此，计算其时间维度上的相关性，包括(预测时段，前一个十五分钟)、(预测时段，前两个十五分钟)、(预测时段，前三个十五分钟)、(预测时段，前四个十五分钟)、(预测时段，上周同一个十五分钟)、(预测时段，上周前一个十五分钟)、(预测时段，上周前两个十五分钟)、(预测时段，上周后一个十五分钟)、(预测时段，上周后两个十五分钟)，选择相关性高的预测因子作为模型的输入；
采用Spearman相关系数作为相关性度量指标，Spearman相关系数公式：
b、结合相关性分析选择的预测因子，将客流数据组织成预测所需的向量形式。
步骤4、将选取的预测因子作为神经网络的输入，将预测时段的客流量作为神经网络的输出，运用Spark并行计算框架训练进站短时客流预测模型，保证网络性能的同时缩短了神经网络的训练时间，如图4所示。模型训练具体内容如下：
a、网络结构设计
采用Elman神经网络作为城市轨道交通车站短时客流预测模型，分为输入层、隐含层、承接层以及输出层四层。Elman神经网络模型结构如图5示。
b、网络训练算法设计
在前向计算过程中，选用Morlet小波函数作为网络隐含层的激活函数；在方向传播过程中，采用误差反向传播算法对网络的权值及阈值调整，即梯度下降法。
c、运用遗传算法优化神经网络的权值和阈值选取
神经网络模型的初始权值、阈值大多都是随机产生的，若该参数选取不当，在训练过程中易陷入局部最优的问题，因此采用具有全局搜索能力的遗传算法来优化网络初始权值、阈值，具体过程如图6示。
步骤5、采用训练的神经网络模型，预测目标站点在目标时间段内的进出站客流数据。
本发明在Spark并行计算框架上构建并行化的神经网络模型，使得神经网络模型在数据样本巨大的情况下，有效地缩短网络训练的时间，同时保证了轨道交通客流预测的快速性与准确性。
实施例
为了验证本发明方案的有效性，以广州地铁2号线的嘉禾望岗站2015年4月和5月的客流作为实验数据，用来预测2015年5月25日(星期一)的客流数据。进站短时客流预测，具体包括以下五大步骤：
步骤1、运用Spark并行计算框架，统计嘉禾望岗站20150401-20150531每天(运营时间为6:00-23:00)的进出站客流数据，部分数据如表2所示：
表2嘉禾望岗站2015年4月1日进出站客流量统计表
步骤2、设置聚类阈值为11，运用层次聚类算法以周为单位对不同日期的客流数据进行谱聚类分析，将七天划分成{星期一}、{星期二至星期四}、{星期五}、{星期六至星期日}四类，用2015年4月和5月前七周星期一所属日期类型的客流数据作为网络的输入数据训练神经网络模型。
步骤3、采用Spearman相关系数公式，计算预测目标点各因子的相关性，相关性系数如表3所示。
表3嘉禾望岗站进站客流相关性系数
前一 前二 前三 前四 上周同一 上周前一 上周前二 上周后一 上周后二
周一 0.903900 0.788546 0.668933 0.545444 0.902141 0.869226 0.752120 0.864222 0.779559
周二 0.892699 0.766915 0.660633 0.523865 0.930428 0.878009 0.773373 0.874300 0.776088
周三 0.898208 0.785827 0.670372 0.540169 0.941332 0.892373 0.790314 0.894022 0.793958
周四 0.905058 0.789585 0.677015 0.539474 0.892131 0.835360 0.747930 0.840896 0.752707
周五 0.909690 0.788395 0.685778 0.566030 0.924080 0.879826 0.716702 0.813862 0.722852
周六 0.910308 0.797571 0.730958 0.618133 0.917069 0.867976 0.731850 0.804166 0.746483
周日 0.912923 0.799968 0.794275 0.713027 0.851005 0.837042 0.799328 0.842815 0.794343
选择相关度大于0.8的预测因子，即前一十五分钟、上周同一十五分钟、上周前一十五分钟、上周后一十五分钟的客流数据，组成预测所需的向量形式如图3所示。
步骤4、将选取的预测因子作为神经网络的输入，将预测时段的客流量作为神经网络的输出，运用Spark并行计算框架训练进站短时客流预测模型；
步骤5、采用训练的神经网络模型，预测目标站点在目标时间段内的进出站客流数据，预测结果如图7所示。客流预测结果图中横坐标表示预测时刻，每个预测时刻代表一个15min预测时间段，纵坐标表示客流量，预测时段为每天的6:00-23:00。
采用同样的方法对该周其余各天进行进站客流预测，结果如图8-13所示。
平均绝对百分误差公式为：
利用公式(5)描述的平均绝对百分误差公式计算客流预测的误差，得到周一的预测误差为9.3％，周二的预测误差为9.7％，周三的预测误差为9.5％，周四的预测误差为7.8％，周五的预测误差为9.7％，周六的预测误差为10.4％，周日的预测误差为7.8％，预测精度在90％左右，本发明方法是提高城市轨道交通车站短时客流预测的有效方法。

Claims (8)

1.一种城市轨道交通车站短时客流预测方法，其特征在于，包括如下步骤：
步骤1、运用Spark并行计算框架，统计站点预测日期前每日的进出站客流量；
步骤2、以周为单位，对各日客流量数据进行谱聚类分析，将七天划分成不同的日期类型，选择与预测日期对应的日期类型作为训练数据；
步骤3、选择预测因子，确定神经网络预测模型的输入向量；
步骤4、运用Spark并行计算框架，训练神经网络预测模型；
步骤5、预测站点在目标时间段的进出站客流数据。
2.根据权利要求1所述的城市轨道交通车站短时客流预测方法，其特征在于，步骤1中，以15min为时间粒度，对每日运营时间段的客流数据进行整理，如表1所示；
表1 XX站X年X月X日客流量统计表
3.根据权利要求1所述的城市轨道交通车站短时客流预测方法，其特征在于，步骤2中，采用层次聚类算法进行日期分类，具体步骤如下：
a、把一天内的列车运营时间分成为d小段，将一周内各天的客流组织成向量的形式，向量的每个元素代表该时间段内的客流量；
b、将数据集中的每个样本向量看作一个初始聚类簇；
c、根据式(1)计算不同聚类簇之间的相似度，并利用式(2)描述的相似度-距离转换得到聚类簇之间的距离，其中a∈(0,1)；
Dis＝100*loga(Similar) (2)
式中xi表示聚类簇的中心；
d、筛选距离小于设定阈值的聚类簇；
e、将距离最近的两个类簇进行合并，根据式(3)描述的聚类簇中心距离最小化原则，更新合并聚类簇的中心；
其中，Ci表示第i个类簇，xk表示Ci中的任一样本，xi表示更新后的类簇中心，xj表示Ci的临时类簇中心；
f、重复步骤c-e，直至类簇间距离不能满足合并条件。
4.根据权利要求1所述的城市轨道交通车站短时客流预测方法，其特征在于，步骤3中，计算预测目标点在时间维度上的相关性，包括(预测时段，前一时刻)、(预测时段，前两时刻)、(预测时段，前三时刻)、(预测时段，前四时刻)、(预测时段，上周同一时刻)、(预测时段，上周前一时刻)、(预测时段，上周前两时刻)、(预测时段，上周后一时刻)、(预测时段，上周后两时刻)，选择相关性大于阈值的预测因子作为预测模型的输入数据。
5.根据权利要求4所述的城市轨道交通车站短时客流预测方法，其特征在于，采用Spearman相关系数作为相关性度量指标，Spearman相关系数公式：
6.根据权利要求1所述的城市轨道交通车站短时客流预测方法，其特征在于，步骤4中，采用Elman神经网络作为城市轨道交通车站短时客流预测模型，分为输入层、隐含层、承接层以及输出层四层。
7.根据权利要求6所述的城市轨道交通车站短时客流预测方法，其特征在于，在前向计算过程中，选用Morlet小波函数作为网络隐含层的激活函数；在方向传播过程中，采用误差反向传播算法对网络的权值及阈值调整，即梯度下降法。
8.根据权利要求6所述的城市轨道交通车站短时客流预测方法，其特征在于，采用遗传算法优化神经网络初始权值和阈值。
CN201910430943.0A 2019-05-22 2019-05-22 一种城市轨道交通车站短时客流预测方法 Pending CN110276474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910430943.0A CN110276474A (zh) 2019-05-22 2019-05-22 一种城市轨道交通车站短时客流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910430943.0A CN110276474A (zh) 2019-05-22 2019-05-22 一种城市轨道交通车站短时客流预测方法

Publications (1)

Publication Number Publication Date
CN110276474A true CN110276474A (zh) 2019-09-24

Family

ID=67960106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910430943.0A Pending CN110276474A (zh) 2019-05-22 2019-05-22 一种城市轨道交通车站短时客流预测方法

Country Status (1)

Country Link
CN (1) CN110276474A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619422A (zh) * 2019-11-04 2019-12-27 广东工业大学 一种智能车站客流状况预测方法和系统
CN111062536A (zh) * 2019-12-17 2020-04-24 朱玲 基于大数据的中央空调负荷预测系统及方法
CN111144696A (zh) * 2019-11-28 2020-05-12 国电南瑞科技股份有限公司 一种基于大数据的轨道交通数据分析方法
CN111553737A (zh) * 2020-04-30 2020-08-18 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111581325A (zh) * 2020-07-13 2020-08-25 重庆大学 一种基于时空影响距离的K-means站点区域划分方法
CN112149902A (zh) * 2020-09-23 2020-12-29 吉林大学 一种基于客流特征分析的地铁短时进站客流预测方法
CN112749836A (zh) * 2020-12-22 2021-05-04 蓝海（福建）信息科技有限公司 一种基于客流时间序列的定制客运智能运力调配方法
CN113112076A (zh) * 2021-04-14 2021-07-13 北京航空航天大学 一种客流集散模式发现及预测方法
CN113723687A (zh) * 2021-08-30 2021-11-30 深圳大学 一种基于时空特征的地铁短时客流预测方法
CN114091579A (zh) * 2021-11-03 2022-02-25 深圳技术大学 城市轨道交通客流预警系统和方法
WO2023056696A1 (zh) * 2021-10-08 2023-04-13 南威软件股份有限公司 基于循环神经网络的城市轨道交通短时客流预测方法
CN116051173A (zh) * 2023-03-30 2023-05-02 安徽交欣科技股份有限公司 一种客流量预测方法、系统及公交派车方法
CN117575684A (zh) * 2024-01-15 2024-02-20 杭州路过网络有限公司 一种客流量预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
CN106485359A (zh) * 2016-10-13 2017-03-08 东南大学 一种基于列车运行时刻表的城市轨道交通断面客流推测方法
CN109583656A (zh) * 2018-12-06 2019-04-05 重庆邮电大学 基于a-lstm的城市轨道交通客流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨磊: "基于出行模式和神经网络的地铁短时客流预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619422A (zh) * 2019-11-04 2019-12-27 广东工业大学 一种智能车站客流状况预测方法和系统
CN111144696A (zh) * 2019-11-28 2020-05-12 国电南瑞科技股份有限公司 一种基于大数据的轨道交通数据分析方法
CN111062536A (zh) * 2019-12-17 2020-04-24 朱玲 基于大数据的中央空调负荷预测系统及方法
CN111553737A (zh) * 2020-04-30 2020-08-18 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111553737B (zh) * 2020-04-30 2023-08-22 北京金山安全软件有限公司 一种营业时间预测方法和装置
CN111581325A (zh) * 2020-07-13 2020-08-25 重庆大学 一种基于时空影响距离的K-means站点区域划分方法
CN112149902A (zh) * 2020-09-23 2020-12-29 吉林大学 一种基于客流特征分析的地铁短时进站客流预测方法
CN112749836A (zh) * 2020-12-22 2021-05-04 蓝海（福建）信息科技有限公司 一种基于客流时间序列的定制客运智能运力调配方法
CN113112076B (zh) * 2021-04-14 2022-06-03 北京航空航天大学 一种客流集散模式发现及预测方法
CN113112076A (zh) * 2021-04-14 2021-07-13 北京航空航天大学 一种客流集散模式发现及预测方法
CN113723687A (zh) * 2021-08-30 2021-11-30 深圳大学 一种基于时空特征的地铁短时客流预测方法
CN113723687B (zh) * 2021-08-30 2024-02-06 深圳大学 一种基于时空特征的地铁短时客流预测方法
WO2023056696A1 (zh) * 2021-10-08 2023-04-13 南威软件股份有限公司 基于循环神经网络的城市轨道交通短时客流预测方法
CN114091579A (zh) * 2021-11-03 2022-02-25 深圳技术大学 城市轨道交通客流预警系统和方法
CN116051173A (zh) * 2023-03-30 2023-05-02 安徽交欣科技股份有限公司 一种客流量预测方法、系统及公交派车方法
CN117575684A (zh) * 2024-01-15 2024-02-20 杭州路过网络有限公司 一种客流量预测方法及系统
CN117575684B (zh) * 2024-01-15 2024-04-05 杭州路过网络有限公司 一种客流量预测方法及系统

Similar Documents

Publication Publication Date Title
CN110276474A (zh) 一种城市轨道交通车站短时客流预测方法
Wu et al. Simulation-based robust optimization of limited-stop bus service with vehicle overtaking and dynamics: A response surface methodology
US10977585B2 (en) Order allocation system and method
Yaghini et al. Railway passenger train delay prediction via neural network model
US9177473B2 (en) Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction
CN110555990B (zh) 一种基于lstm神经网络的有效停车时空资源预测方法
US20180032964A1 (en) Transportation system and method for allocating frequencies of transit services therein
Hans et al. Real-time bus route state forecasting using particle filter and mesoscopic modeling
Kato et al. Comparative analysis of transit assignment: evidence from urban railway system in the Tokyo Metropolitan Area
Zhao et al. An integrated approach of train scheduling and rolling stock circulation with skip-stopping pattern for urban rail transit lines
CN110400015A (zh) 一种时间估计方法及其装置、设备
Arjona et al. Improving parking availability information using deep learning techniques
CN115953186B (zh) 一种网约车需求模式识别与短时需求预测方法
Terekhov et al. A concept of forecasting origin-destination air passenger demand between global city pairs using future socio-economic scenarios
Zhou et al. A scalable vehicle assignment and routing strategy for real-time on-demand ridesharing considering endogenous congestion
Wang et al. Joint optimization for the locations of time control points and corresponding slack times for a bus route
CN110490365B (zh) 一种基于多源数据融合预测网约车订单量的方法
Dalmau et al. A machine learning approach to predict the evolution of air traffic flow management delay
Erdmann et al. Combining immediate customer responses and car–passenger reassignments in on-demand mobility services
Schmaranzer et al. Population-based simulation optimization for urban mass rapid transit networks
Chudy-Laskowska et al. Seasonal forecasting for air passenger trafic
Abdelghany et al. The limitation of machine-learning based models in predicting airline flight block time
CN113469451B (zh) 基于启发式算法的定制公交线路生成方法
Nguyen et al. Understanding Determinants of Making Airline Entry and Exit Decisions: Application of Logit Models
CN112183863A (zh) 基于引力模型的细粒度出租车路线推荐方法、系统及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190924