CN110400016B - 一种基于大客流监测的地铁票务清分方法 - Google Patents

一种基于大客流监测的地铁票务清分方法 Download PDF

Info

Publication number
CN110400016B
CN110400016B CN201910680668.8A CN201910680668A CN110400016B CN 110400016 B CN110400016 B CN 110400016B CN 201910680668 A CN201910680668 A CN 201910680668A CN 110400016 B CN110400016 B CN 110400016B
Authority
CN
China
Prior art keywords
transfer
strategy
station
passenger flow
strategies
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
CN201910680668.8A
Other languages
English (en)
Other versions
CN110400016A (zh
Inventor
史聪灵
车洪磊
徐圆飞
何竞择
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.)
Beijing Hangxing Machinery Manufacturing Co Ltd
China Academy of Safety Science and Technology CASST
Original Assignee
Beijing Hangxing Machinery Manufacturing Co Ltd
China Academy of Safety Science and Technology CASST
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 Beijing Hangxing Machinery Manufacturing Co Ltd, China Academy of Safety Science and Technology CASST filed Critical Beijing Hangxing Machinery Manufacturing Co Ltd
Priority to CN201910680668.8A priority Critical patent/CN110400016B/zh
Publication of CN110400016A publication Critical patent/CN110400016A/zh
Application granted granted Critical
Publication of CN110400016B publication Critical patent/CN110400016B/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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明涉及一种基于大客流监测的地铁票务清分方法，属于地铁票务清分技术领域，解决了现有清分算法复杂、清分时间长、清分权值难以确定的问题。步骤如下：以线网中任一换乘站点为基准，得到经过换乘站点的多种换乘策略，并确定各换乘策略初始权值；获取采用各换乘策略、从任一进站站点至任一出站站点经过换乘站点的次数，以及周期内实际从进站站点进站、出站站点出站的客流量数据，得到周期内经过换乘站点的次数之和；采集周期内在换乘站点发生的换乘数量，得到票务清分误差及换乘站点对应的各换乘策略初始权值的修正系数；基于线网中所有换乘站点对应的各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价。

Description

一种基于大客流监测的地铁票务清分方法
技术领域
本发明涉及地铁票务清分技术领域，尤其涉及一种基于大客流监测的地铁票务清分方法。
背景技术
随着地铁线路的不断发展，线网规模不断扩大、结构越来越复杂；同时地铁的运营商也慢慢的从多线路单运营商模式变成多线路多运营商模式，运营商之间利益的分配也显得越来越重要。
所谓清分，就是把服务接受者(包括乘客、票卡等运营对象和收益，是利益的贡献者，即系统的清分对象)所上缴的全部收益，按照各服务提供者(包括车、站、线、运营分部等运营实体，是利益的分配者，即利益的分配主体)的贡献进行有效的利益分配。简而言之，轨道交通票务清分的实质就是：依据一定的原则，计算并分配轨道线网中各运营实体的经济贡献。
但是，现有的清分算法普遍较为复杂，清分票务需要花大量时间，清分权值难以确定。因此，急需一种能够实现快速清分的地铁票务清分方法。
发明内容
鉴于上述的分析，本发明旨在提供一种基于大客流监测的地铁票务清分方法，用以解决现有的清分算法普遍较为复杂、清分票务需要花大量时间、清分权值难以确定的问题。
本发明的目的主要是通过以下技术方案实现的：
一种基于大客流监测的地铁票务清分方法，包括以下步骤：
以线网中任一换乘站点为基准，得到经过所述换乘站点的多种换乘策略，并确定各换乘策略的初始权值；
获取采用各换乘策略、从任一进站站点至任一出站站点经过所述换乘站点的次数，以及周期内实际从所述进站站点进站、所述出站站点出站的客流量数据，得到周期内经过所述换乘站点的次数之和；
采集周期内在所述换乘站点发生的对应方向的换乘数量，并基于所述周期内经过所述换乘站点的次数之和，得到票务清分误差；
基于所述票务清分误差，得到所述换乘站点对应的各换乘策略初始权值的修正系数；
按照上述方式获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价。
在上述方案的基础上，本发明还做了如下改进：
进一步，所述换乘策略为最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略中至少两种策略的组合。
优选地，通过以下公式得到周期内经过所述换乘站点的次数之和：
Figure BDA0002144671640000021
其中，kP、kI、kT、kC、kR分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的初始权值；i表示进站站点，j表示出站站点；nP(ij)、nI(ij)、nT(ij)、nC(ij)、nR(ij)分别表示采用最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略从i站点进站、j站点出站时经过所述换乘站点的次数；Xij表示周期内从i站点进站、j站点出站的客流量数据。
进一步，根据以下公式得到票务清分误差：
Edef＝Pdef-Qdef
其中，所述Pdef表示周期内在所述换乘站点发生的对应方向的换乘数量，通过安装于所述换乘站点激光计数器采集得到。
进一步，通过以下方式各换乘策略初始权值的修正系数：
Figure BDA0002144671640000031
Figure BDA0002144671640000032
Figure BDA0002144671640000033
其中，εP(def)、εI(def)、εT(def)、εC(def)、εR(def)分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的修正系数；所述η表示学习率。
7、进一步，所述获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价，包括：
通过以下公式获得所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值：
εP＝Avg(εP(k))；εI＝Avg(εI(k))；εT＝Avg(εT(k))；
εC＝Avg(εC(k))；εR＝Avg(εR(k))；
其中，所述k表示所经过的换乘站点；
比较所述各换乘策略的修正系数平均值，将修正系数平均值最大的换乘策略作为最优换乘策略；
利用所述最优换乘策略对应的换乘方式及初始权值清分票价。
进一步，通过抽样调查或专家评价方式获得所述各换乘策略对应的初始权值。
进一步，通过调取乘客的刷卡记录，获取所述客流量数据；
进一步，通过调取乘客的刷卡记录，获取所述客流量数据。
进一步，通过以下方式确定躲避拥挤策略：
获取所述进站站点、出站站点的断面客流量及可能的各换乘站点的客流量，得出各线路的拥挤程度，将拥挤程度最低的线路作为躲避拥挤策略。
进一步，所述随机换乘策略为最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略中的任意一种。
本发明有益效果如下：
1、本方案基于大客流监测系统，根据大客流检测对地铁线路之间的路线进行分析，从而将站点之间换乘票务进行分析，求出根据最短路径、最少换乘、最短时间、躲避拥挤和随机换乘这五种换乘策略对应的换乘方案的修正系数，从而对票务进行合理清分。
2、根据大客流检测数据，合理的求出了根据最短路径、最少换乘、最短时间、躲避拥挤和随机换乘这五种换乘策略对应的换乘方案的权值，对票务进行了准确的票务清分矫正。解决了当今现有技术难以解决的技术问题，算法方便快捷。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中基于大客流监测的地铁票务清分方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于大客流监测的地铁票务清分方法，流程图如图1所示，包括以下步骤：
步骤S1：以线网中任一换乘站点为基准，得到经过所述换乘站点的多种换乘策略，并确定各换乘策略的初始权值；
在本实施例中，多种换乘策略具体包括最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略。实际应用中可根据需要增加或减少换乘策略。可通过抽样调查或专家评价方式获得所述各换乘策略对应的初始权值。通过以下方式确定躲避拥挤策略：获取所述进站站点、出站站点的断面客流量及可能的各换乘站点的客流量，得出各线路的拥挤程度，将拥挤程度最低的线路作为躲避拥挤策略。所述随机换乘策略为最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略中的任意一种。其中，本实施例中需要采集的客流量数据，可借助于现有大客流监控系统得到。
步骤S2：获取采用各换乘策略、从任一进站站点至任一出站站点经过所述换乘站点的次数，以及周期内实际从所述进站站点进站、所述出站站点出站的客流量数据，得到周期内经过所述换乘站点的次数之和；
具体地，通过以下公式得到周期内经过所述换乘站点的次数之和：
Figure BDA0002144671640000061
其中，kP、kI、kT、kC、kR分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的初始权值；i表示进站站点，j表示出站站点；nP(ij)、nI(ij)、nT(ij)、nC(ij)、nR(ij)分别表示采用最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略从i站点进站、j站点出站时经过所述换乘站点的次数；Xij表示周期内从i站点进站、j站点出站的客流量数据，客流量数据可通过调取乘客的刷卡记录。
步骤S3：采集周期内在所述换乘站点发生的对应方向的换乘数量，并基于所述周期内经过所述换乘站点的次数之和，得到票务清分误差；
具体地，可根据以下公式得到票务清分误差：
Edef＝Pdef-Qdef
其中，所述Pdef表示周期内在所述换乘站点发生的对应方向的换乘数量，通过安装于所述换乘站点激光计数器采集得到。
步骤S4：基于所述票务清分误差，得到所述换乘站点对应的各换乘策略初始权值的修正系数；
通过以下方式各换乘策略初始权值的修正系数：
Figure BDA0002144671640000071
Figure BDA0002144671640000072
Figure BDA0002144671640000073
其中，εP(def)、εI(def)、εT(def)、εC(def)、εR(def)分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的修正系数；所述η表示学习率。
步骤S5：按照上述方式获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘方案清分票价。
8、所述获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价，包括：
通过以下公式获得所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值：
εP＝Avg(εP(k))；εI＝Avg(εI(k))；εT＝Avg(εT(k))；
εC＝Avg(εC(k))；εR＝Avg(εR(k))；
其中，所述k表示所经过的换乘站点；
比较所述各换乘策略的修正系数平均值，将修正系数平均值最大的换乘策略作为最优换乘策略；
利用所述最优换乘策略对应的换乘方式及初始权值清分票价。
与现有技术相比，本发明提供的基于大客流监测的地铁票务清分方法，基于大客流监测系统，根据大客流检测对地铁线路之间的路线进行分析，从而将站点之间换乘票务进行分析，求出根据最短路径、最少换乘、最短时间、躲避拥挤和随机换乘这五种换乘策略对应的换乘方案的修正系数，从而对票务进行合理清分。根据大客流检测数据，合理的求出了根据最短路径、最少换乘、最短时间、躲避拥挤和随机换乘这五种换乘策略对应的换乘方案的权值，对票务进行了准确的票务清分矫正。解决了当今现有技术难以解决的技术问题，算法方便快捷。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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。

Claims (8)

1.一种基于大客流监测的地铁票务清分方法，其特征在于，包括以下步骤：
步骤S1：以线网中任一换乘站点为基准，得到经过所述换乘站点的多种换乘策略，并确定各换乘策略的初始权值；所述换乘策略为最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略中至少两种策略的组合；
步骤S2：获取采用各换乘策略、从任一进站站点至任一出站站点经过所述换乘站点的次数，以及周期内实际从所述进站站点进站、所述出站站点出站的客流量数据，得到周期内经过所述换乘站点的次数之和；包括：
Figure FDA0002444017070000011
其中，kP、kI、kT、kC、kR分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的初始权值；i表示进站站点，j表示出站站点；nP(ij)、nI(ij)、nT(ij)、nC(ij)、nR(ij)分别表示采用最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略从i站点进站、j站点出站时经过所述换乘站点的次数；Xij表示周期内从i站点进站、j站点出站的客流量数据；
步骤S3：采集周期内在所述换乘站点发生的对应方向的换乘数量，并基于所述周期内经过所述换乘站点的次数之和，得到票务清分误差；
步骤S4：基于所述票务清分误差，得到所述换乘站点对应的各换乘策略初始权值的修正系数；
步骤S5：重复步骤S1-S4，获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价。
2.根据权利要求1所述的基于大客流监测的地铁票务清分方法，其特征在于，根据以下公式得到票务清分误差：
Edef＝Pdef-Qdef
其中，所述Pdef表示周期内在所述换乘站点发生的对应方向的换乘数量，通过安装于所述换乘站点激光计数器采集得到。
3.根据权利要求2所述的基于大客流监测的地铁票务清分方法，其特征在于，通过以下方式各换乘策略初始权值的修正系数：
Figure FDA0002444017070000021
Figure FDA0002444017070000022
Figure FDA0002444017070000023
其中，εP(def)、εI(def)、εT(def)、εC(def)、εR(def)分别表示最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略和随机换乘策略对应的修正系数；所述η表示学习率。
4.根据权利要求3所述的基于大客流监测的地铁票务清分方法，其特征在于，所述获取线网中所有换乘站点对应的各换乘策略初始权值的修正系数，并基于所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值，判断各换乘策略优劣，并利用最优换乘策略清分票价，包括：
通过以下公式获得所述所有换乘站点对应的、各换乘策略初始权值的修正系数平均值：
εP＝Avg(εP(k))；εI＝Avg(εI(k))；εT＝Avg(εT(k))；
εC＝Avg(εC(k))；εR＝Avg(εR(k))；
其中，所述k表示所经过的换乘站点；
比较所述各换乘策略的修正系数平均值，将修正系数平均值最大的换乘策略作为最优换乘策略；
利用所述最优换乘策略对应的换乘方式及初始权值清分票价。
5.根据权利要求1所述的基于大客流监测的地铁票务清分方法，其特征在于，通过抽样调查或专家评价方式获得所述各换乘策略对应的初始权值。
6.根据权利要求1所述的基于大客流监测的地铁票务清分方法，其特征在于，通过调取乘客的刷卡记录，获取所述客流量数据。
7.根据权利要求1所述的基于大客流监测的地铁票务清分方法，其特征在于，通过以下方式确定躲避拥挤策略：
获取所述进站站点、出站站点的断面客流量及可能的各换乘站点的客流量，得出各线路的拥挤程度，将拥挤程度最低的线路作为躲避拥挤策略。
8.根据权利要求1所述的基于大客流监测的地铁票务清分方法，其特征在于，所述随机换乘策略为最短路径策略、最少换乘策略、最短时间策略、躲避拥挤策略中的任意一种。
CN201910680668.8A 2019-07-26 2019-07-26 一种基于大客流监测的地铁票务清分方法 Active CN110400016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910680668.8A CN110400016B (zh) 2019-07-26 2019-07-26 一种基于大客流监测的地铁票务清分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910680668.8A CN110400016B (zh) 2019-07-26 2019-07-26 一种基于大客流监测的地铁票务清分方法

Publications (2)

Publication Number Publication Date
CN110400016A CN110400016A (zh) 2019-11-01
CN110400016B true CN110400016B (zh) 2020-06-26

Family

ID=68325117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910680668.8A Active CN110400016B (zh) 2019-07-26 2019-07-26 一种基于大客流监测的地铁票务清分方法

Country Status (1)

Country Link
CN (1) CN110400016B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495301B (zh) * 2021-12-15 2023-11-21 广州新科佳都科技有限公司 一种地铁票务处理方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306243A (zh) * 2011-07-27 2012-01-04 高新现代智能系统股份有限公司 在轨道交通中的换乘客流清分方法
CN107301492A (zh) * 2017-05-16 2017-10-27 华南理工大学 一种基于高斯混合模型的地铁票务清分方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101231718A (zh) * 2008-02-15 2008-07-30 上海申通轨道交通研究咨询有限公司 轨道交通换乘的票务清分方法
CN102279950A (zh) * 2011-08-02 2011-12-14 中国铁道科学研究院电子计算技术研究所 基于数据挖掘和神经网络的轨道交通清分方法
CN109308543B (zh) * 2018-08-20 2021-10-22 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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306243A (zh) * 2011-07-27 2012-01-04 高新现代智能系统股份有限公司 在轨道交通中的换乘客流清分方法
CN107301492A (zh) * 2017-05-16 2017-10-27 华南理工大学 一种基于高斯混合模型的地铁票务清分方法

Also Published As

Publication number Publication date
CN110400016A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
Laporte et al. Shared mobility systems
Adams et al. Predicting hospital choice for rural Medicare beneficiaries: the role of severity of illness.
CN108242149A (zh) 一种基于交通数据的大数据分析方法
CN109376935B (zh) 一种基于神经网络的公交客流分时段组合预测方法
Uniman et al. Service reliability measurement using automated fare card data: application to the London underground
CN110543999A (zh) 用于门店选址的方法和装置
Ulmer Anticipation versus reactive reoptimization for dynamic vehicle routing with stochastic requests
Pani et al. Expenditure-based segmentation of freight travel markets: Identifying the determinants of freight transport expenditure for developing marketing strategies
US20140089040A1 (en) System and Method for Customer Experience Measurement & Management
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
Bütün et al. The capacitated directed cycle hub location and routing problem under congestion
CN110400016B (zh) 一种基于大客流监测的地铁票务清分方法
Barabino et al. Regularity analysis on bus networks and route directions by automatic vehicle location raw data
Lu et al. A sample average approximation approach for the stochastic dial-a-ride problem on a multigraph with user satisfaction
Berger et al. Risk reporting and risks reported: A study on German HDAX-listed companies 2000 to 2005
Chen et al. Influence of mobile payment on bus boarding service time
Yeo et al. Modeling the effect of premium changes on motor insurance customer retention rates using neural networks
Reuscher et al. Transferability of nationwide personal transportation survey data to regional and local scales
Itani et al. Assessing the bus bridging effectiveness on the operational resilience of the subway service in Toronto
Ostojic et al. Comprehensive framework for quantitative performance assessment of signal control effectiveness using vehicle trajectories
Li et al. Individual truck speed estimation from advanced single inductive loops
Bie et al. Impact of carriage crowding level on bus dwell time: modelling and analysis
Chu A guidebook for using automatic passenger counter data for national transit database (NTD) reporting.
Ptošek et al. Floating car data map-matching utilizing the Dijkstra’s algorithm
CN112766950A (zh) 一种动态路径费用确定方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant