CN110428508A - 一种基于卡数据的公交车逃票乘客甄别技术 - Google Patents
一种基于卡数据的公交车逃票乘客甄别技术 Download PDFInfo
- Publication number
- CN110428508A CN110428508A CN201910716940.3A CN201910716940A CN110428508A CN 110428508 A CN110428508 A CN 110428508A CN 201910716940 A CN201910716940 A CN 201910716940A CN 110428508 A CN110428508 A CN 110428508A
- Authority
- CN
- China
- Prior art keywords
- passenger
- ride
- bus
- card
- steals
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B11/00—Apparatus for validating or cancelling issued tickets
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B13/00—Taximeters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉一种基于卡数据的公交车逃票乘客甄别技术。一种基于卡数据的公交车逃票乘客甄别技术,主要包括以下步骤:1)确定公交车到站时间及潜在逃票乘客;2)确定潜在逃票乘客的实际下车站点;3)对比实际支付票价和应支付票价,确定实际逃票乘客及逃票数额。本发明利用机器学习算法和既有的卡数据进行模块化的数据分析,筛选,大大提高乘客筛查范围,相比人工检查的方式极大降低了成本,提高了检查效率,其检查结果准确定位到单一乘客,且能够实现对逃票乘客的长期监测,有利于工作可持续开展。
Description
技术领域
本发明一种基于卡数据的公交车逃票乘客甄别技术。
背景技术
公交作为公共交通系统中的重要方式,已经成为世界范围内必不可少的出行工具,深受居民依赖。然而公交逃票问题屡见不鲜,逃票行为造成的收益损失及财政增加等问题一直困扰着相关机构及政府。甄别逃票乘客,减少逃票行为是公交系统中不可避免且亟待解决的问题之一。近年来,随着信息化技术的不断发展,智能卡以其优惠,方便,快捷的特点逐渐成为公交支付的主流方式。交通卡不仅作为收取票价的媒介,同时也记录了海量的乘客出行信息。
目前,公交收费体制主要实施单一票价和按里程收费两种。由于按里程收费更加合理,公平而被越来越多的城市所青睐。按里程收费的公交系统要求乘客上车刷卡且下车刷卡,以此计算乘客的旅行距离,从而收取相应费用。在这种票制下,乘客选择在下车前提前刷卡,通过减少记录的旅行距离来逃避公交票价,最终使得公交系统收益受损。
针对这类逃票乘客,既有的技术手段多是采用人工抽查的方式。使用人工检查的方式对无购票或无刷卡的乘客更加有效,但对于提前刷卡而逃票的这部分乘客将无法准确筛选。检查员上车后只能确定每个乘客是否上车刷卡,但无法对何时下车刷卡进行检查控制,进而也就无法确定通过提前刷卡来逃票的乘客,因此人工抽检的方式不适用于基于里程的公交车收费系统。
其次,检查员对车上乘客的检查范围有限,可识别的逃票乘客比例极低。城市中公交线路逐渐成网,少则十几条,多则上千条,且每条线路上每天都会运营多趟公交车,如此大规模的公交线路是无法通过人工抽检来检测的。检查员仅仅能够对个别车辆的乘客进行车票验证,绝大部分的乘客将无法检测到,可见利用人工检查的方式其甄别范围严重受限,因此很多逃票的乘客将会被遗漏,长此以往将有更多的违规乘客寻求侥幸心理,造成逃票现象的恶性循环。
再者,使用人工对逃票乘客进行甄别需要雇佣额外劳动力,成本较高且效率较低。面对城市中众多的公交线路,一个或几个检查员无法承担繁重的工作,检查员的雇佣,培训等都会给运营公司或政府部门带来额外支出,随着劳动力费用的不断上涨,人工检查的成本也逐渐攀高。同时人工检查的速度较慢,需要对车上乘客进行一一验证判断,加之检查员的工作时长有限,抽检的效率较低。
发明内容
为解决上述背景技术中存在的问题,本发明提出一种基于卡数据的公交车逃票乘客甄别技术,其利用机器学习算法和既有的卡数据进行模块化的数据分析、筛选,大大提高乘客筛查范围,相比人工检查的方式极大降低了成本,提高了检查效率,其检查结果准确定位到单一乘客,且能够实现对逃票乘客的长期监测,有利于工作可持续开展。
本发明解决上述问题的技术方案是:一种基于卡数据的公交车逃票乘客甄别技术,其特殊之处在于,包括以下步骤:
1)确定公交车到站时间及潜在逃票乘客;
2)确定潜在逃票乘客的实际下车站点;
3)对比实际支付票价和应支付票价,确定实际逃票乘客及逃票数额。
进一步地,上述步骤1)中,所述确定公交车到站时间具体为:采用公交车 GPS数据,所述公交GPS数据包含公交车的实时经纬度及相应时间,根据GPS数据来确定公交车到站时间;
确定潜在逃票乘客具体为:在公交到站之前下车刷卡的乘客定义为提前刷卡乘客,这些乘客则是潜在逃票乘客。
进一步地,上述步骤1)中,所述确定公交车到站时间具体为:利用智能卡数据,运用基于密度的带有噪声的空间聚类算法,推算公交车到站时间;
确定潜在逃票乘客具体为:在公交到站之前下车刷卡的乘客定义为提前刷卡乘客,这些乘客则是潜在逃票乘客。
进一步地,上述步骤1)中,所述确定公交车到站时间具体为:将乘客的上车刷卡数据作为输入数据集,通过设定两个参数:邻域和最小样本数量,最终把公交乘客聚类;在同一站点上车的乘客被归为同一类,将每一个站点的上车数据按照刷卡时间升序排列,第一个刷卡的上车时间即为公交车到达该站点的到站时间;
将同一类中最早刷卡上车的时间确定为公交到站时间,而后将所有乘客的下车刷卡时间及站点提取出来,与对应站点的公交到站时间对比,早于车辆到站即刷卡的乘客为提前刷卡乘客,属于潜在逃票乘客。
进一步地,上述步骤2)中,确定潜在逃票乘客的实际下车站点具体为:
2.1)利用交通卡号唯一性,在步骤1)中确定的潜在逃票乘客中提取出有多次出行的乘客;
2.2)利用换乘时间阈值判定乘客是否属于换乘乘客;若不属于换乘范围的乘客,其实际下车站点即为卡数据中记录的站点,若属于换乘范围的乘客,而换乘距离不在阈值范围内的乘客则需推断真实下车位置,推断过程服从欧几里得距离最小的原则,从而最终确定每个乘客的下车位置。
进一步地,上述步骤3)包括以下步骤:
3.1)准备潜在逃票乘客的下车刷卡数据和实际下车数据;
3.2)对每个乘客,提取上车站点;
3.3)对每个乘客,提取刷卡站点及实际下车站点;
3.4)对比两个旅行的票价差值,支付票价小于应付票价的乘客为逃票乘客,票价差值即为逃票数额。
本发明的优点:
1)公交站点推算实现无监督学习且成本较低
本发明中为确定潜在逃票乘客,需先推算公交实际到站时间,推算过程中采用无监督机器学习方法:基于密度的带有噪声的空间聚类算法,该算法能够实现自主分析计算,且十分适用于公交卡数据的处理,该算法的自身优点主要表现在聚类的同时发现异常点,且聚类结果对异常点不敏感;无须提前确定类别数量,这两点都十分适用于处理公交数据;与轨道交通的卡数据相比,公交数据规模庞大且质量不均匀,而本发明选取的算法无需对公交数据进行提前清洗便可实施运算,且保证运算结果不被噪声数据影响,减少了处理环节,提高了整体工作效率;其次城市中公交线路众多,每条公交线路中的公交线路站点数目各不相同,而利用上述空间聚类算法则无须提前确定类别数量及对应车站数量,不仅如此还可以与实际数目进行比对校核,增加结果的准确度;
2)逃票乘客甄别技术效率高,可推广性强
本发明中最为复杂繁琐的环节使用聚类算法,大大提高了分析速度;发明中每个环节都可以实现模块化操作,难度较低,能够准确地甄别出利用提前刷卡来逃票的公交乘客,相比于人工抽查的方式,本发明的技术方法可以用于所有公交卡数据,覆盖城市中所有公交线路,甄别范围从个别抽查变为整体,甄别结果也可精确到具体的乘客;此外,利用长期的卡数据,可以根据卡号的唯一性,追踪分析出逃票乘客是无意逃票还是故意逃票,是偶尔逃票还是长期逃票,从而采取更加合理有效的惩罚措施,从根本上减少逃票现象的出现;
3)基于里程的公交收费系统所记录的公交卡数据结构相似,本发明可推广性较强,可以用于任意城市。
附图说明
图1是本发明中的DBSCAN算法;
图2是本发明确定列车到站时间及潜在逃票乘客流程图;
图3是本发明推算实际下车站点流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
一种基于卡数据的公交车逃票乘客甄别技术,包括以下步骤:
1)确定公交车到站时间及潜在逃票乘客。具体为:
为了掌握乘客是否提前刷卡,首先要计算出公交车实际到站时间。本发明仅仅利用智能卡数据,运用无监督学习中的基于密度的聚类算法,推算公交车到站时间。基于密度的聚类算法有多种,本发明优选基于密度的带有噪声的空间聚类算法(Density-BasedSpatial Clustering of Applications with Noise,简称:DBSCAN),将乘客的上车刷卡数据作为输入数据集,通过设定两个参数:领域和最小样本数量,最终把公交乘客聚类。在同一站点上车的乘客被归为同一类,因此总类的数量应小于或等于公交线路站点的数量。将每一个站点的上车数据按照刷卡时间升序排列,第一个刷卡的上车时间即为公交车到达该站点的到站时间。
本发明采用的基于密度的带有噪声的空间聚类算法有两个参数需要设定,分别是邻域和最小样本数量。算法通过检查数据集中每点的邻域来搜索簇,如果某点邻域内数据点多于最小样本数量,则创建一个以该点为核心对象的簇。在本发明中邻域参数的选择与公交停站时间有关,一般选取城市中停站时间最短的数值;对于最小样本数量则选取固定值2,默认至少有两人上车的位置才有可能是公交站点。最小样本参数的选取不能小于2,这样会导致聚类结果的错误,例如对噪声点产生错误判断,同时也不能过大,这样会导致聚类数量的不合理减少,聚类结果过于严格,可能会忽略掉某些客流较少的站点。算法的具体步骤如图1所示,利用乘客上车刷卡数据进行乘客聚类的过程。其目的是将同一站点上车的乘客将归为一类,从而找到最早上车的乘客,该乘客的上车刷卡时间记为公交车到站时间。算法中两个参数分别是邻域Eps和最小样本数量MinPts。输入数据为乘客的上车时间和上车站点编号。
完成DBSCAN聚类算法后,同一站点上车的乘客同属一类,每个乘客p的数据包含上车刷卡时间t和上车站点编号s,如图2所展示。将同一类中最早刷卡上车的时间确定为公交到站时间。
而后将所有乘客的下车刷卡时间及站点提取出来,与对应站点的公交到站时间对比,早于车辆到站即刷卡的乘客为提前刷卡乘客,属于潜在逃票乘客。
当然,在计算公交车到站时间时,也可直接采用公交车GPS数据。公交GPS 数据可以提供公交车的实时经纬度及相应时间,因此可以根据GPS数据来判断列车是否到站及相应到站时间,由于GPS的敏感性,获取的经纬度数据经常存在噪声,必须对原始数据集进行充分的筛选和清洗,相比于基于密度的带有噪声的空间聚类算法,收集GPS数据并清洗降噪则需要额外增加研究成本。
2)确定潜在逃票乘客的实际下车站点,具体为:
由于按里程收费的特点,提前刷卡的乘客并不全为逃票乘客,还需要确定每个乘客的实际下车站点,并加以比对。本发明通过重构乘客出行链来完成实际站点的推算。一般认为乘客在一定时间范围内,在地理位置最为相近的两个站点先下车后又上车的动作即为乘客换乘,一次换乘或多次换乘则构成了乘客的出行链。可见,为了确定第一段出行的实际下车站点,则需找到一定时间阈值内,离第二段出行上车位置最近的站点,该最近站点则最有可能是实际的下车站点。根据这一原则,本发明首先确定乘客是否存在换乘行为,对于换乘的乘客,提取第二次公共交通出行的上车站点,按照欧几里得距离最小的原则,找到第一段出行的概率最大站点,该站点即为该公交乘客的实际下车位置。具体如图3所示,首先利用交通卡号唯一性,提取出有多次出行的乘客,其次利用换乘时间阈值判定乘客是否属于换乘乘客。不属于换乘范围的乘客,其实际下车站点即为卡数据中记录的站点,而换乘距离不在阈值范围内的乘客则需推断真实下车位置。推断过程服从欧几里得距离最小的原则,从而最终确定每个乘客的下车位置。
在推算过程中存在两个参数需要标定,时间阈值和距离阈值。时间阈值是指,在这个阈值范围内,产生多次出行的乘客才有可能为换乘乘客,例如,同一个乘客两次相邻的刷卡记录相差2小时,很明显这两段出行是独立的,而非出行链。距离阈值指两个相邻下上车站点的地理位置不能相距太远,例如,第二次上车站点距离第一次下车站点5千米,那么这也不属于换乘行为。时间阈值和距离阈值的标定与城市中公共交通的站点密度和接驳条件相关。线网较密,接驳条件好的城市中,换乘时间和距离阈值较小,而线网稀疏,接驳条件差的则阈值较长。以北京为例,可选取换乘时间阈值为30分钟,距离阈值500米。
3)对比实际支付票价和应支付票价,确定实际逃票乘客及逃票数额,具体为:
本发明利用第一步中得到的公交实际到站时间,可以确定下车提前刷卡的乘客,再结合第二部分内容确定这些乘客的实际下车站点,最后通过对比实际所需支付票价和卡数据记录的支付票价,确定实际逃票的乘客以及相应的逃票数额。将真实旅行距离与卡记录中的距离做比较,结合票价表即可确定乘客是否逃票,逃票的数额也能够对应得出,具体步骤为:
3.1)准备潜在逃票乘客的下车刷卡数据和实际下车数据;
3.2)对每个乘客,提取上车站点;
3.3)对每个乘客,提取刷卡电站及实际下车站点;
3.4)对比两个旅行的票价差值,支付票价小于应付票价的乘客为逃票乘客。
以上所述仅为本发明的实施例,并非以此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的系统领域,均同理包括在本发明的保护范围内。
Claims (6)
1.一种基于卡数据的公交车逃票乘客甄别技术,其特殊之处在于,包括以下步骤:
1)确定公交车到站时间及潜在逃票乘客;
2)确定潜在逃票乘客的实际下车站点;
3)对比实际支付票价和应支付票价,确定实际逃票乘客及逃票数额。
2.根据权利要求1所述的一种基于卡数据的公交车逃票乘客甄别技术,其特殊之处在于:步骤1)中,所述确定公交车到站时间具体为:采用公交车GPS数据,所述公交GPS数据包含公交车的实时经纬度及相应时间,根据GPS数据来确定公交车到站时间;
确定潜在逃票乘客具体为:在公交到站之前下车刷卡的乘客定义为提前刷卡乘客,这些乘客则是潜在逃票乘客。
3.根据权利要求1所述的一种基于卡数据的公交车逃票乘客甄别技术,其特殊之处在于:
步骤1)中,所述确定公交车到站时间具体为:利用智能卡数据,运用基于密度的带有噪声的空间聚类算法,推算公交车到站时间;
确定潜在逃票乘客具体为:在公交到站之前下车刷卡的乘客定义为提前刷卡乘客,这些乘客则是潜在逃票乘客。
4.根据权利要求3所述的一种基于卡数据的公交车逃票乘客甄别技术,其特征在于:
步骤1)中,所述确定公交车到站时间具体为:将乘客的上车刷卡数据作为输入数据集,通过设定两个参数:邻域和最小样本数量,最终把公交乘客聚类;在同一站点上车的乘客被归为同一类,将每一个站点的上车数据按照刷卡时间升序排列,第一个刷卡的上车时间即为公交车到达该站点的到站时间;
将同一类中最早刷卡上车的时间确定为公交到站时间,而后将所有乘客的下车刷卡时间及站点提取出来,与对应站点的公交到站时间对比,早于车辆到站即刷卡的乘客为提前刷卡乘客,属于潜在逃票乘客。
5.根据权利要求1-4任一所述的一种基于卡数据的公交车逃票乘客甄别技术,其特征在于:
步骤2)中,确定潜在逃票乘客的实际下车站点具体为:
2.1)利用交通卡号唯一性,在步骤1)中确定的潜在逃票乘客中提取出有多次出行的乘客;
2.2)利用换乘时间阈值判定乘客是否属于换乘乘客;若不属于换乘范围的乘客,其实际下车站点即为卡数据中记录的站点,若属于换乘范围的乘客,而换乘距离不在阈值范围内的乘客则需推断真实下车位置,推断过程服从欧几里得距离最小的原则,从而最终确定每个乘客的下车位置。
6.根据权利要求1-4任一所述的一种基于卡数据的公交车逃票乘客甄别技术,其特征在于:
步骤3)包括以下步骤:
3.1)准备潜在逃票乘客的下车刷卡数据和实际下车数据;
3.2)对每个乘客,提取上车站点;
3.3)对每个乘客,提取刷卡站点及实际下车站点;
3.4)对比两个旅行的票价差值,支付票价小于应付票价的乘客为逃票乘客,票价差值即为逃票数额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910716940.3A CN110428508A (zh) | 2019-08-05 | 2019-08-05 | 一种基于卡数据的公交车逃票乘客甄别技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910716940.3A CN110428508A (zh) | 2019-08-05 | 2019-08-05 | 一种基于卡数据的公交车逃票乘客甄别技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110428508A true CN110428508A (zh) | 2019-11-08 |
Family
ID=68414193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910716940.3A Pending CN110428508A (zh) | 2019-08-05 | 2019-08-05 | 一种基于卡数据的公交车逃票乘客甄别技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110428508A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280100A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 |
CN104318113A (zh) * | 2014-10-29 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 基于乘客换乘的时空特征推算乘客上车站点的方法及系统 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
CN105185105A (zh) * | 2015-06-26 | 2015-12-23 | 东南大学 | 基于车辆gps和公交ic卡数据的公交换乘识别方法 |
CN108154698A (zh) * | 2018-01-05 | 2018-06-12 | 上海元卓信息科技有限公司 | 一种基于gps轨迹大数据的公交到离站精确时间计算方法 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
-
2019
- 2019-08-05 CN CN201910716940.3A patent/CN110428508A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280100A (zh) * | 2013-05-31 | 2013-09-04 | 西安建筑科技大学 | 融合智能调度数据的公交ic卡乘客换乘站点判断方法 |
CN104318113A (zh) * | 2014-10-29 | 2015-01-28 | 中国科学院深圳先进技术研究院 | 基于乘客换乘的时空特征推算乘客上车站点的方法及系统 |
CN104766473A (zh) * | 2015-02-09 | 2015-07-08 | 北京工业大学 | 基于多模式公交数据匹配的公共交通出行特征提取方法 |
CN105185105A (zh) * | 2015-06-26 | 2015-12-23 | 东南大学 | 基于车辆gps和公交ic卡数据的公交换乘识别方法 |
CN108154698A (zh) * | 2018-01-05 | 2018-06-12 | 上海元卓信息科技有限公司 | 一种基于gps轨迹大数据的公交到离站精确时间计算方法 |
CN110084442A (zh) * | 2019-05-16 | 2019-08-02 | 重庆大学 | 一种联合公交和轨道交通刷卡数据进行客流od计算的方法 |
Non-Patent Citations (2)
Title |
---|
岳真宏: "基于刷卡数据的城市轨道交通与常规公交换乘站点优化", 《中国优秀硕士论文全文数据库》 * |
杨东援: "《大数据环境下城市交通分析技术》", 31 January 2015 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809879B (zh) | 基于动态贝叶斯网络的高速公路路段交通状态估计方法 | |
Dunlap et al. | Estimation of origin and destination information from Bluetooth and Wi-Fi sensing for transit | |
Biljecki et al. | Transportation mode-based segmentation and classification of movement trajectories | |
CN105913661B (zh) | 一种基于收费数据的高速公路路段交通状态判别方法 | |
Tong et al. | A framework for developing driving cycles with on‐road driving data | |
CN111091720B (zh) | 基于信令数据和浮动车数据的拥堵路段识别方法及装置 | |
CN104766473B (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
CN110176139A (zh) | 一种基于dbscan+的道路拥堵识别可视化方法 | |
CN105355049B (zh) | 一种基于宏观基本图的高速公路运行状态评价方法 | |
CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
CN104318781B (zh) | 基于rfid技术的行程速度获取方法 | |
CN103065469B (zh) | 行程时间的确定方法和装置 | |
CN106898142B (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
CN107240264B (zh) | 一种车辆非有效行驶轨迹识别方法和城市道路设施规划方法 | |
CN109191883A (zh) | 一种基于群智感知的智能交通系统 | |
CN101739824A (zh) | 基于数据融合技术的交通状况估计方法 | |
CN109903555B (zh) | 一种基于大数据的公交乘客下车数据预测方法及系统 | |
Yang et al. | GPS and acceleration data in multimode trip data recognition based on wavelet transform modulus maximum algorithm | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
Montini et al. | Searching for parking in GPS data | |
CN108573604A (zh) | 基于移动终端定位的公交od数据获取方法及存储介质 | |
CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及系统 | |
CN106846214A (zh) | 分析交通枢纽可达性对区域公共运输方式竞争影响的方法 | |
CN108171974A (zh) | 一种基于手机三角定位数据的交通出行模式判别方法 |
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: 20191108 |