CN110334858A - 一种公交车剩余座位智能预测方法与装置 - Google Patents
一种公交车剩余座位智能预测方法与装置 Download PDFInfo
- Publication number
- CN110334858A CN110334858A CN201910539456.8A CN201910539456A CN110334858A CN 110334858 A CN110334858 A CN 110334858A CN 201910539456 A CN201910539456 A CN 201910539456A CN 110334858 A CN110334858 A CN 110334858A
- Authority
- CN
- China
- Prior art keywords
- passenger
- getting
- compartment
- bus
- seat
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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"
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种公交车剩余座位预测方法及装置。其方法包括:采用wifi获取乘客的手机mac地址信息;根据获取mac信息的时间,确定乘客上下车的信息,构建特征矩阵,训练乘客上下车预测模型,进行上下车预测;根据wifi信号,获取乘客在车厢中的位置;分析乘客在车厢中的分布及密度;推荐乘客密度小的车厢,提示乘客向这些车厢走,或推荐最近的座位给乘客。本发明能够帮助乘客在公交车上找到座位或预测什么时候会有座位。
Description
技术领域
本发明涉及计算机应用技术与数据处理领域,尤其涉及一种公交车剩余座位智能预测方法与装置。
背景技术
目前获取公交客流乘客起落点的信息获取办法主要有以下几种:
1) 人工采集: 由专人或乘客自己记录出发点及目的地,如小票等。其缺点是不仅费时费力,而且计数的准确率容易受人工主观因素的影响。
2) 利用客流自动计数设备: 包括 踏板式、红外式、视频分析等计数方式。这些方式在客流较少时比较准确,但当客流高峰时,准确率均比较低,并且只能识 别上下车人数,但无法得知谁在何处上下车。
3) 基于公交集成电路卡( Integrated Circuit Card,IC 卡)或公交 IC 卡 +投币机的客流计数方式。这种方式是假设公交乘客中使用 IC 卡的比例是固定的,这样由IC 卡刷卡数量除以其所占比例即可得出公交乘客数量。但由于许多城市采用的一票制,下车不需要刷卡,因此很难得到下车信息。
随着智能手机应用的普及以及公交wifi地跌wifi等的普及。越来越多的城市在公交车和地铁内都提供了免费无线WiFi服务,公交乘客持带有 WiFi 功能智能手机的比例也越来越高。在公交车也能提供 WiFi 服务,就可利用智能手机 WiFi 远程识别的特性,对乘客进行身份识别,并采集每位乘客的上下车站点 等信息。可实现更为准确的客流统计及起落点与乘客个性化信息分析。
WiFi按 照 802. 11 标 准,其物理组件分为四部分,分 别 是 工 作 站 (station) 、接 入 点 ( Access Point,AP) 、无 线 媒 介 ( Wireless medium) 和分布式系统( Distribution system) 。
公共交通车上经常具有较多的人流。本发明所指的公交车包括,公共汽车、地铁、火车高铁等,具有较大人流,并且人流具有到站上下车的特点的公交车。这类交通工具,尤其是地铁上,因为车厢较多,人们也没有办法查看完所有车型。因此经常出现有些座位没有人座,而有些地方又很挤的情况。这种具有较长或较多座位,并且座位情况时常变得的情况,会造成座位浪费,或者给人们出行带来不便。
因为大部分人的住所固定,职业及作息时间较固定,因此出行是较有规律的。本发明采用wifi 监测技术预测每一趟车的座位情况,并协助人们寻找到座位。
发明内容
本发明提供了一种公交车剩余座位智能预测方法与装置,用于让乘客可以找到公交车上的座位。
本发明提供了一种公交车剩余座位智能预测方法,主要包括以下步骤:
采用公交wifi获取乘客的手机mac地址信息;
根据获取mac信息的时间,确定乘客上下车的信息;根据所述乘客上下车的信息构建特征矩阵,训练乘客上下车预测模型,进行上下车预测;
根据wifi信号,获取乘客在车厢中的位置;
分析乘客在车厢中的分布及密度;
推荐乘客密度小的车厢,提示乘客向这些车厢走,或推荐最近的座位给乘客;
或者,预测即将空缺的位置,让乘客等待位置就坐。
进一步可选地,如上所述的方法中,所述采用公交wifi获取乘客的手机mac地址信息,主要包括:
对接入到公交车wifi的手机,通过读取其通信过程中数据帧中的 MAC 地址来确定其身份;
对未接入到公交车wifi的手机,如果手机采用被动扫描模式,可以在其进行身份验证时读取 Authentication 帧中的 MAC 地址,确定其身份;
对未接入到公交车wifi的手机,如果手机采用主动扫描模式,可通过读取其 Proberequest 帧中的 MAC 地址,确定其身份。
进一步可选地,如上所述的方法中,所述根据获取mac信息的时间,确定乘客上下车的信息,主要包括:
统计各个mac 地址接入网络的时间和被网络删除的时间。将该时间作为乘客上车时间和下车时间。
在获取时间的时候,如果公交车,
刚好到站时,以该站时间和地点,做为乘客的起始站点或到达地点;
若未到站时,在联入网络时,取当前时刻两站点中的,更前面的一个站点为起始地点;离开网络时,取当前时刻两站点中,更后面的一个站点为离开地点。
进一步可选地,如上所述的方法中,所述根据所述乘客上下车的信息构建特征矩阵,构建特征矩阵,主要包括:
所述特征矩阵,用于预测乘客的上下车地点,包括如下特征:
手机Mac地址、上车时间、下车时间、上车地点、经过车站、下车地点、是否工作日、是否换成车站;
进一步可选地,如上所述的方法中,所述进行上下车预测,主要包括:
采用基于循环神经网络的模型进行乘客上下车时间地点的预测;
进一步可选地,如上所述的方法中,所述根据wifi信号,获取乘客在车厢中的位置,主要包括:
首先,在待定位区域中合理的布置 n 个 AP 接入点,然后对待定位区域按照一定的距离布置若干个采样点,在每个采样点上乘客手持移动终端对AP 的信号强度进行采集,将采集的信号强度 RSSI 与其对应的物理位置一起保存起来,建立位置数据库;
位置获取时,在待定位区域随机选取待定位点,然后乘客手持移动终端在待定位点检测各 AP 的信号强度 RSSI,然后将实时检测到的信号强度 RSSI 与位置数据库中的数据按照位置指纹的匹配算法进行匹配,从而估算出待定位点的位置;
进一步可选地,如上所述的方法中,所述分析乘客在车厢中的分布及密度,主要包括:
根据位置指纹,判定在座位位置的手机接入数;判定各个车厢的手机接入数;得到各个车厢的乘客人数;对车上的乘客进行目的地到达概率进行计算;获得当前时刻的下一站各个车厢内的下车人数。
进一步可选地,如上所述的方法中,所述推荐乘客密度小的车厢,提示乘客向这些车厢走,并推荐座位,主要包括:
计算每个车厢的乘客密度是否大于座位个数,若车厢座位个数大于乘客密度,则通过广播提醒,第几节车厢人数较少,还有座位,推荐有需要的乘客过去坐。
进一步可选地,如上所述的方法中,所述预测即将空缺的位置,让乘客等待位置就坐,主要包括:
乘客通过手机连接公交车wifi,获得实时的乘客上下车数据,系统通过广播或者向客户手机客户端推送信息,提醒乘客还需要在哪个站,才可能有位置坐,以及应该向什么车厢或者公交车的什么方向走,才能找到座位;
本发明提供了一种公交车剩余座位智能预测装置,所述装置包括:
手机mac地址获取模块,用于构建wifi环境,获取乘客的信息;
上下车信息特征提取与构建模块,用于构建不同乘客坐车的信息特征;
乘客上下车预测模块,预测乘客的上下车时间;
车箱内乘客密度计算模块,用于基于wifi位置指纹,分析各车箱内乘客的人数或密度;
座位预测与乘客引导模块,用于指导乘客找到最近的座位。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明能够帮助乘客在公交车上找到座位或预测什么时候会有座位。
附图说明
图1为本发明的公交车剩余座位预测方法实施例的流程图;
图2为本发明的公交车剩余座位预测装置实施例的结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
步骤101,采用 wifi 获取地铁或公交上的手机mac 信息。
每一个乘客手机都可以当成一个工作站,由于每个工作站都有一个全球唯一的48 位的介质访问控制( Medium Access Control,MAC) 地址,并且发出的每个帧都包含有该 MAC 地址,因此网络中的 AP 可以通过读取帧中 的 MAC 地址来对工作站进行 WiFi身份识别。身份识别的方法根据不同的情况可分为以下三种。
1) 对接入到本网中的工作站,可通过读取其通信过程中 数据帧中的 MAC 地址来确定其身份。
2) 对未接入到本网中的工作站,如果工作站采用被动扫描模式,可以在其进行身份验证时读取 Authentication 帧中的 MAC 地址,确定其身份。采用这种方法,即使该工作站没有接入本网络的权限,也可对其身份进行识别。
3) 对未接入到本网中的工作站,如果工作站采用主动扫描模式,可通过读取其Probe request 帧中的 MAC 地址,确定其身份。采用这种方法,即使该工作站不接入本网络,也可对其身份进行识别。
在实际工作过程中,可同时采用上述三种方法对工作站进行身份识别,以确定工作站是否在网络中。其工作流程如下: 首先,AP 中需要建立一个 MAC 地址列表,然后 AP利用上述三种方法不断读取数据帧中的 MAC 地址。如果读取到 MAC 地址不在列表中,则认为有新的工作站进入网络,此时需要将该MAC 地址加入列表中; 如果 MAC 地址已经存在于列表中,则可认为对应的工作站在网络中; 如果列表中的某个 MAC 地址在一段时间(例如20秒) 内一直没有被读取到,则可认为对应的工作站离开了网络,此时需要将此 MAC地址从列表中删除。
步骤102 ,获得各个信息的mac码,并统计上下车时段和时间。根据所述手机工作站接入网络的时间。统计各个mac 地址接入网络的时间和被网络删除的时间。将该时间作为乘客上车时间和下车时间。在获取时间的时候,如果公交车,刚好到站时,以该站时间和地点,做为乘客的起始站点或到达地点;若未到站时,在联入网络时,取当前时刻两站点中的,更前面的一个站点为起始地点;离开网络时,取当前时刻两站点中,更后面的一个站点为离开地点。并将乘客手机mac 信息,以及以上信息存入数据库中。
步骤103,根据历史上下车地点,及时间段。预测乘客下车或转站的可能性。
通过数据库中记录的乘客上下车时间地点,作为特征,构建矩阵。输入机器学习算法中进行分类。其中每一条记录包含如下特征:Mac地址、
上车时间、下车时间、上车地点、经过车站、下车地点、是否工作日、是否换成车站;
步骤104,基于以上数据特征,可以把下车地点作为标注地点。进行机器学习训练。选择任意模型进行分类预测。
因为人流数据巨大,而且频次很高,因此公交上有足够的训练数据来训练大规模的机器学习算法。
本实例采用基于循环神经网络的模型进行目的地预测。
将时间+联入位置信息+相同时间地点出行惯例+经过的站点,作为特征。将连出车站作为预测值。有了训练的因素和目标结果的标注,就可以进行机器学习的分类。训练循环神经网络考虑乘客经过的所有站点的特征,包括换乘特征。训练神经网络模型。
当乘客再次搭乘公交时,每一个乘客的到站概率都可以被预测。即使该模型并不能达到百分之百的正确率,但是因为车内乘客规模较大,所以可以大致的判断出下一站或后面的站点的下车乘客数。
步骤105,获取乘客在车厢中的位置。
信号源从发射点的方向向四面八方呈现球面形状投射出去,这是在没有任何障碍物的自由空间中才能实现的状态,在现实生活中是不存在这样的情况。生活中产生各种信号的干扰,因此信号在传播过程中容易受到多种干扰、障碍物、甚至人员的走动等多种因素的影响,从而导致了信号强度随着增加传播距离而快速衰减。为了克服这种定位的不准确性,需要用位置指纹来进行乘客在车厢中的位置精确定位。
离线采集阶段:主要是采集待定位区域中的 Wi Fi 信号强度 RSSI,建立信号强度 RSSI与物理位置一一对应的位置指纹数据库。首先在待定位区域中例如车厢里,合理的布置 n 个 AP 接入点,然后对待定位区域按照一定的距离布置若干个采样点,在每个采样点上乘客手持移动终端对AP 的信号强度进行采集,将采集的信号强度 RSSI 与其对应的物理位置一起保存起来,即建立了位置指纹数据库。
在线定位阶段:首先在待定位区域随机选取待定位点,然后乘客手持移动终端在待定位点检测各 AP 的信号强度 RSSI,然后将实时检测到的信号强度 RSSI 与位置指纹数据库中的指纹数据按照特定的匹配算法进行匹配,从而估算出待定位点的位置。
采用位置指纹的方法获取乘客或手机乘客的位置信息数据。该方法可以首先对车厢的长宽高等进行度量,并测量各个接入点 ( Access Point,AP)的位置。通过计算每个AP位置的信号强度,将数据记录下来并保存,之后的数据都从这个已经收集过的环境数据集中通过上面的方法估算获取。这样就可以根据乘客的信号来判定它当前在车厢中的什么位置。 因为位置指纹在障碍物不复杂的情况,可以达到两三米的误差,因此可以知道该乘客是否正在座位区域附近,还是在车厢过道区域。
步骤106,统计车厢中乘客的密度。并统计车厢中座位区域的乘客换乘下车概率。
根据位置指纹,判定在座位位置的手机接入数。判定各个车厢的手机接入数。得到各个车厢的乘客人数。对车上的乘客进行目的地到达概率进行计算。获得当前时刻的下一站各个车厢内的下车人数。
步骤107,推荐密度最小的车厢给乘客,并提示其向该车厢走。
计算车厢中乘客密度是否小于车厢内的座位数,如果小于座位数,说明还有空着的座位,可以通过广播提醒乘客,第几节车厢人数较少,推荐有需要的乘客过去。
步骤108,乘客通过手机连接公交车wifi,获得实时的乘客上下车数据,可以推断他到哪个站的时候,就可能有位置坐,以及可以根据自己现在的位置,获取去目标车厢的相对位置,了解自己应该向什么车厢或者车的什么方向走,才能找到该座位。并等待下车的人走后,可以去座位上坐。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,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所述的方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种公交车剩余座位预测方法,其特征在于,所述方法包括:
采用公交wifi获取乘客的手机mac地址信息;
根据获取mac信息的时间,确定乘客上下车的信息;根据所述乘客上下车的信息构建特征矩阵,训练乘客上下车预测模型,进行上下车预测;
根据wifi信号,获取乘客在车厢中的位置;
分析乘客在车厢中的分布及密度;
推荐乘客密度小的车厢,提示乘客向这些车厢走,或推荐最近的座位给乘客;
或者,预测即将空缺的位置,让乘客等待位置就坐。
2.根据权利要求1所述的方法,其中,所述采用公交wifi获取乘客的手机mac地址信息,主要包括:
对接入到公交车wifi的手机,通过读取其通信过程中数据帧中的 MAC 地址来确定其身份;
对未接入到公交车wifi的手机,如果手机采用被动扫描模式,可以在其进行身份验证时读取 Authentication 帧中的 MAC 地址,确定其身份;
对未接入到公交车wifi的手机,如果手机采用主动扫描模式,可通过读取其 Proberequest 帧中的 MAC 地址,确定其身份。
3.根据权利要求1所述的方法,其中,所述根据获取mac信息的时间,确定乘客上下车的信息,主要包括:
统计各个mac 地址接入网络的时间和被网络删除的时间;将该时间作为乘客上车时间和下车时间;
在获取时间的时候,如果公交车,刚好到站时,以该站时间和地点,做为乘客的起始站点或到达地点;
若未到站时,在联入网络时,取当前时刻两站点中的,更前面的一个站点为起始地点;离开网络时,取当前时刻两站点中,更后面的一个站点为离开地点。
4.根据权利要求1所述的方法,其中,所述根据所述乘客上下车的信息构建特征矩阵,构建特征矩阵,主要包括:
所述特征矩阵,用于预测乘客的上下车地点,包括如下特征:
Mac地址、上车时间、下车时间、上车地点、经过车站、下车地点、是否工作日、是否换成车站。
5.根据权利要求1所述的方法,其中,所述进行上下车预测,主要包括:
采用基于循环神经网络的模型进行乘客上下车时间地点的预测。
6.根据权利要求1所述的方法,其中,所述根据wifi信号,获取乘客在车厢中的位置,主要包括:
首先,在待定位区域中合理的布置 n 个 AP 接入点,然后对待定位区域按照一定的距离布置若干个采样点,在每个采样点上乘客手持移动终端对AP 的信号强度进行采集,将采集的信号强度 RSSI 与其对应的物理位置一起保存起来,建立位置数据库;
位置获取时,在待定位区域随机选取待定位点,然后乘客手持移动终端在待定位点检测各 AP 的信号强度 RSSI,然后将实时检测到的信号强度 RSSI 与位置数据库中的数据按照位置指纹的匹配算法进行匹配,从而估算出待定位点的位置。
7.根据权利要求1所述的方法,其中,所述分析乘客在车厢中的分布及密度,主要包括:
根据位置指纹,判定在座位位置的手机接入数;判定各个车厢的手机接入数;得到各个车厢的乘客人数;对车上的乘客进行目的地到达概率进行计算;获得当前时刻的下一站各个车厢内的下车人数。
8.根据权利要求1所述的方法,其中,所述推荐乘客密度小的车厢,提示乘客向这些车厢走,并推荐座位,主要包括:
计算每个车厢的乘客密度是否大于座位个数,若车厢座位个数大于乘客密度,则通过广播提醒,第几节车厢人数较少,还有座位,推荐有需要的乘客过去坐。
9.根据权利要求1所述的方法,其中,所述预测即将空缺的位置,让乘客等待位置就坐,主要包括:
乘客通过手机连接公交车wifi,获得实时的乘客上下车数据,系统通过广播或者向客户手机客户端推送信息,提醒乘客还需要在哪个站,才可能有位置坐,以及应该向什么车厢或者公交车的什么方向走,才能找到座位。
10.一种公交车剩余座位预测装置,其特征在于,所述装置包括:
手机mac地址获取模块,用于构建wifi环境,获取乘客的信息;
上下车信息特征提取与构建模块,用于构建不同乘客坐车的信息特征;
乘客上下车预测模块,预测乘客的上下车时间;
车箱内乘客密度计算模块,用于基于wifi位置指纹,分析各车箱内乘客的人数或密度;
座位预测与乘客引导模块,用于指导乘客找到最近的座位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539456.8A CN110334858A (zh) | 2019-06-20 | 2019-06-20 | 一种公交车剩余座位智能预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910539456.8A CN110334858A (zh) | 2019-06-20 | 2019-06-20 | 一种公交车剩余座位智能预测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110334858A true CN110334858A (zh) | 2019-10-15 |
Family
ID=68142455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910539456.8A Withdrawn CN110334858A (zh) | 2019-06-20 | 2019-06-20 | 一种公交车剩余座位智能预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334858A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144476A (zh) * | 2019-12-22 | 2020-05-12 | 上海眼控科技股份有限公司 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
CN113129583A (zh) * | 2019-12-31 | 2021-07-16 | 浙江宇视科技有限公司 | 一种乘车方法和乘车系统 |
CN113191223A (zh) * | 2021-04-15 | 2021-07-30 | 宁波市民卡运营管理有限公司 | 一种乘客密度评估方法、装置、计算机设备和存储介质 |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700174A (zh) * | 2013-12-26 | 2014-04-02 | 中国电子科技集团公司第三十三研究所 | 一种基于wifi身份识别的公交客流数据采集及od分析方法 |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
JP2015219716A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 降車駅予測方法、降車駅予測装置および降車駅予測プログラム |
CN105574503A (zh) * | 2015-12-16 | 2016-05-11 | 陕西科技大学 | 实时查询地铁乘客分布及满座率的装置及其方法 |
CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
CN108394428A (zh) * | 2018-01-18 | 2018-08-14 | 南京熊猫电子股份有限公司 | 基于手机imsi检测技术的地铁车厢客流引导系统及方法 |
-
2019
- 2019-06-20 CN CN201910539456.8A patent/CN110334858A/zh not_active Withdrawn
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700174A (zh) * | 2013-12-26 | 2014-04-02 | 中国电子科技集团公司第三十三研究所 | 一种基于wifi身份识别的公交客流数据采集及od分析方法 |
JP2015219716A (ja) * | 2014-05-16 | 2015-12-07 | 日本電信電話株式会社 | 降車駅予測方法、降車駅予測装置および降車駅予測プログラム |
CN104463364A (zh) * | 2014-12-04 | 2015-03-25 | 中国科学院深圳先进技术研究院 | 一种地铁乘客实时分布和地铁实时密度预测方法及系统 |
CN105574503A (zh) * | 2015-12-16 | 2016-05-11 | 陕西科技大学 | 实时查询地铁乘客分布及满座率的装置及其方法 |
CN105792356A (zh) * | 2016-04-22 | 2016-07-20 | 西安理工大学 | 一种基于wifi的位置指纹定位方法 |
CN108394428A (zh) * | 2018-01-18 | 2018-08-14 | 南京熊猫电子股份有限公司 | 基于手机imsi检测技术的地铁车厢客流引导系统及方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144476A (zh) * | 2019-12-22 | 2020-05-12 | 上海眼控科技股份有限公司 | 车厢座位的检测方法、装置、电子设备及可读存储介质 |
CN113129583A (zh) * | 2019-12-31 | 2021-07-16 | 浙江宇视科技有限公司 | 一种乘车方法和乘车系统 |
CN113191223A (zh) * | 2021-04-15 | 2021-07-30 | 宁波市民卡运营管理有限公司 | 一种乘客密度评估方法、装置、计算机设备和存储介质 |
CN113779384A (zh) * | 2021-08-23 | 2021-12-10 | 广州百奕信息科技有限公司 | 一种基于客户画像的航班推荐系统 |
CN113779384B (zh) * | 2021-08-23 | 2022-07-05 | 广州百奕信息科技有限公司 | 一种基于乘客画像的航班推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334858A (zh) | 一种公交车剩余座位智能预测方法与装置 | |
CN107391603B (zh) | 用于移动终端的用户画像建立方法及装置 | |
WO2021159865A1 (zh) | 一种基于数据校准的公交路线预测方法及系统 | |
CN105869388B (zh) | 一种公交客流数据采集及起讫点的分析方法及系统 | |
Marra et al. | Developing a passive GPS tracking system to study long-term travel behavior | |
CN103700174B (zh) | 一种基于wifi身份识别的公交客流数据采集及od分析方法 | |
Dunlap et al. | Estimation of origin and destination information from Bluetooth and Wi-Fi sensing for transit | |
CN104169990B (zh) | 用于提供关于空闲停车位的驻车信息的方法 | |
JP4796167B2 (ja) | イベント判断装置 | |
CN107818411A (zh) | 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法 | |
CN109410623A (zh) | 停车导航方法及装置 | |
CN107402397B (zh) | 基于移动终端的用户活动状态确定方法、装置及移动终端 | |
CN109145982A (zh) | 驾驶员的身份识别方法及装置、存储介质、终端 | |
JP6675860B2 (ja) | データ処理方法およびデータ処理システム | |
CN109387212A (zh) | 信息处理系统以及信息处理方法 | |
CN107330840B (zh) | 基于站台视频分析的城市公交客流调查方法及其调查系统 | |
CN107396306A (zh) | 基于移动终端的用户活动状态识别方法、装置及移动终端 | |
CN107277154A (zh) | 信息推送方法、装置及移动终端 | |
JP2013210870A (ja) | 動線情報計測システムおよび方法、並びに情報処理装置 | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
Mishalani et al. | Use of mobile device wireless signals to determine transit route-level passenger origin–destination flows: Methodology and empirical evaluation | |
CN107844856A (zh) | 基于车载GPS和站点WiFi的公交车客流预测方法 | |
CN110321982A (zh) | 一种轨道交通断面客流量实时计算方法 | |
CN113766428B (zh) | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 | |
Wang et al. | GPS‐data‐driven dynamic destination prediction for on‐demand one‐way carsharing system |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191015 |
|
WW01 | Invention patent application withdrawn after publication |