CN110443455A - 一种基于客流数据的峰段划分算法 - Google Patents
一种基于客流数据的峰段划分算法 Download PDFInfo
- Publication number
- CN110443455A CN110443455A CN201910600528.5A CN201910600528A CN110443455A CN 110443455 A CN110443455 A CN 110443455A CN 201910600528 A CN201910600528 A CN 201910600528A CN 110443455 A CN110443455 A CN 110443455A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- error function
- flow data
- matrix
- class
- 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
- 238000000638 solvent extraction Methods 0.000 title abstract 2
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 abstract description 5
- 230000001020 rhythmical effect Effects 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005206 flow analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于客流数据的峰段划分算法,包括以下步骤:S101:预先获取客流数据;S103:设置时间段,并平均划分时间段,确定最优时间段;S105:定义类直径,并建立类直径矩阵;S107:定义每种分类的误差函数,并建立误差函数矩阵和最小误差函数序号矩阵。有益效果:本发明基于客流数据的峰段划分方法,算法通过依赖于客流数据趋势分析结果,建立最小误差矩阵,通过对最小误差进行分类,得到序号的分类,根据分类好的序号再将时间段进行结合,确定峰段划分,实现更加直观提供各个峰段的信息以及发车情况,为调度人员提供参考,充分利用车辆,提供更直观的发车次数,提高车辆利用率,有效有节奏的安排发车,使发车有理可依。
Description
技术领域
本发明涉及城市公交客流分析技术领域,具体来说,涉及一种基于客流数据的峰段划分算法。
背景技术
随着城市人口基数的增长,城市公交的快速发展,搭乘公交出行成为人们城市内短期出行的重要交通工具。为了适应时代的发展,缓解城市交通拥堵,公交车也是处于快速发展,其运行的好坏可能会直接影响社会经济的发展效率以及人们的生活质量。提高公交系统软件发展成为当务之急。
客流是公交调度营运和规划的重要依据。公交线路客流的基本特征在于它的空间和时间分布的不均匀性,客流特征不仅影响到城市公交车的行车组织,而且还会影响到其长远的客运规划,因而研究并充分掌握其规律是十分重要的。公交客流分析能喂公交系统的规划管理、营运调度提供科学的依据,使之更加合理,从而提高公交公司的效益,改善公交的服务质量,提高乘客的满意度,进一步提高乘客的出行。
目前客流采集使用的是图像处理计数器,通过对光线的分析等一系列算法,得到上下客等客流信息。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明的目的是提出一种基于客流数据的峰段划分算法,通过基于客流数据的峰段划分方法,算法通过依赖于客流数据趋势分析结果,建立最小误差矩阵,通过对最小误差进行分类,得到序号的分类,根据分类好的序号再将时间段进行结合,确定峰段划分,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种基于客流数据的峰段划分算法,包括以下步骤:
S101:预先获取客流数据;
S103:设置时间段,并平均划分时间段,确定最优时间段;
S105:定义类直径,并建立类直径矩阵;
S107:定义每种分类的误差函数,并建立误差函数矩阵和最小误差函数序号矩阵;
S109:依据步骤S107所得误差函数矩阵和最小误差函数序号矩阵,确定峰段划分。
进一步的,所述S103中,预先按时间段划分序列X1、X2、X3......X16,划为k类,即时段可以划分为k种,1≤k≤16,用P(16,k)表示把16个时间段分成k段,确定最优时间段。
进一步的,所述S105中,预先通过假设其中一个类是从XiXi+1......Xj1≤i≤j≤16,确定求类直径D(i,j),并建立类直径矩阵,其中;
D(i,j)表示类之间(XiXi+1......Xj)数据值的差异平方和,
计算公式如下:其中,即如果X1、X2、X3、X4,值分别为7、15、33、24,则这四个数据类中的差异平方和为:计算公式如下:
进一步的,所述S107中,E[P(n,k)]表示把n个时间段分成k类的误差函数,每种分类对应一个误差函数,当n已定时,误差函数值最小的分类为最优时间段,计算公式如下:
当n,k不定,如要将n个时间段分成最优的k类,需要在将m(m=2,3…,n)个样品分为最优的k-1类的基础上,其迭代公式如下:
进一步的,所述S109中,其计算公式如下:
且当βk值最接近1时,为最优分类。
本发明的有益效果:本发明基于客流数据的峰段划分方法,算法通过依赖于客流数据趋势分析结果,建立最小误差矩阵,通过对最小误差进行分类,得到序号的分类,根据分类好的序号再将时间段进行结合,确定峰段划分,实现更加直观提供各个峰段的信息以及发车情况,为调度人员提供参考,充分利用车辆,提供更直观的发车次数,提高车辆利用率,有效有节奏的安排发车,使发车有理可依。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于客流数据的峰段划分算法的流程示意图;
图2是根据本发明实施例的基于客流数据的峰段划分算法的类直径矩阵示意图;
图3是根据本发明实施例的基于客流数据的峰段划分算法的误差函数矩阵示意图;
图4是根据本发明实施例的基于客流数据的峰段划分算法的最小误差函数序号矩阵示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种基于客流数据的峰段划分算法。
如图1所示,根据本发明实施例所述的基于客流数据的峰段划分算法,包括以下步骤:
S101:预先获取客流数据;
S103:设置时间段,并平均划分时间段,确定最优时间段;
S105:定义类直径,并建立类直径矩阵;
S107:定义每种分类的误差函数,并建立误差函数矩阵和最小误差函数序号矩阵;
S109:依据步骤S107所得误差函数矩阵和最小误差函数序号矩阵,确定峰段划分。
借助于上述技术方案,基于客流数据的峰段划分方法,算法通过依赖于客流数据趋势分析结果,建立最小误差矩阵,通过对最小误差进行分类,得到序号的分类,根据分类好的序号再将时间段进行结合,确定峰段划分,实现更加直观提供各个峰段的信息以及发车情况,为调度人员提供参考,充分利用车辆,提供更直观的发车次数,提高车辆利用率,有效有节奏的安排发车,使发车有理可依。
在一个实施例中,所述S103中,预先按时间段划分序列X1、X2、X3......X16,划为k类,即时段可以划分为k种,1≤k≤16,用P(16,k)表示把16个时间段分成k段,确定最优时间段。
在一个实施例中,如图2所示,所述S105中,预先通过假设其中一个类是从XiXi+1......Xj1≤i≤j≤16,确定求类直径D(i,j),并建立类直径矩阵,其中;
D(i,j)表示类之间(XiXi+1......Xj)数据值的差异平方和,
计算公式如下:其中,即如果X1、X2、X3、X4,值分别为7、15、33、24,则这四个数据类中的差异平方和为:计算公式如下:
在一个实施例中,如图3-图4所示,所述S107中,E[P(n,k)]表示把n个时间段分成k类的误差函数,每种分类对应一个误差函数,当n已定时,误差函数值最小的分类为最优时间段,计算公式如下:
当n,k不定,如要将n个时间段分成最优的k类,需要在将m(m=2,3…,n)个样品分为最优的k-1类的基础上,其迭代公式如下:
则当n=16,k=2时:
找出对应的当m等于多少时,上式是最小值,记录此序号L(16,2);
如当m=5时是最小值,即:
则记录此序号L(16,2)=5;
当n=15,k=2时:
找出对应的当m等于多少时,上式是最小值,记录此序号L(15,2);
当n=5,k=2时:
找出对应的当m等于多少时,上式是最小值,记住此序号L(5,2)
当n=2,k=2时:
同理可得E[P(n,2)],n=2,…,16,同时得到对应的最小值序号:
L(2,2)、L(3,2)、L(4,2),…,L(16,2)
当n=16,k=3时:
当n=16,k=4时:
当n=16,k=6时:
同理可得E[P(n,3)],n=3,…,16、E[P(n,4)],n=4,…,16E[P(16,15)]、E[P(16,16)]
同时得到对应的最小值序号:
L(n,3),n=3,…,16、L(n,4),n=4,…,16、L(16,15)、L(16,16),
并建立误差函数矩阵图2,同时得到对一个的最小误差函数序号矩阵图3。
在一个实施例中,所述S109中,其计算公式如下:
当βk值最接近1时,为最优分类k,找到对应的最小误差函数序号L(16,k),然后分别寻找把L(16,k)-1个样品分为最优的k-1类。
假设k=6时,βk值最接近1,找到对应的最小误差函数序号L(16,6),
假设是16,则第6类为{X16},寻找把16-1=15个样品分为最优的6-1=5类的最小误差函数序号,
假设是14,则第5类为{X14、X15},寻找把14-1=13个样品分为最优的5--1=4类的最小误差函数序号,
假设是12,则第4类为{X12、X13},同理可得每一类的序号。
则分类为{X1}、{X2、X3}、{X4、X5、X6、X7、X8、X9、X10、X11}、{X12、X13}、{X14、X15}、{X16}。
综上所述,借助于本发明的上述技术方案,可实现如下效果:
基于客流数据的峰段划分方法,算法通过依赖于客流数据趋势分析结果,建立最小误差矩阵,通过对最小误差进行分类,得到序号的分类,根据分类好的序号再将时间段进行结合,确定峰段划分,实现更加直观提供各个峰段的信息以及发车情况,为调度人员提供参考,充分利用车辆,提供更直观的发车次数,提高车辆利用率,有效有节奏的安排发车,使发车有理可依。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于客流数据的峰段划分算法,其特征在于,包括以下步骤:
S101:预先获取客流数据;
S103:设置时间段,并平均划分时间段,确定最优时间段;
S105:定义类直径,并建立类直径矩阵;
S107:定义每种分类的误差函数,并建立误差函数矩阵和最小误差函数序号矩阵;
S109:依据步骤S107所得误差函数矩阵和最小误差函数序号矩阵,确定峰段划分。
2.根据权利要求1所述的一种基于客流数据的峰段划分算法,其特征在于,所述S103中,预先按时间段划分序列X1、X2、X3......X16,划为k类,即时段可以划分为k种,1≤k≤16,用P(16,k)表示把16个时间段分成k段,确定最优时间段。
3.根据权利要求1所述的一种基于客流数据的峰段划分算法,其特征在于,所述S105中,预先通过假设其中一个类是从Xi Xi+1......Xj1≤i≤j≤16,确定求类直径D(i,j),并建立类直径矩阵,其中;
D(i,j)表示类之间(Xi Xi+1......Xj)数据值的差异平方和,
计算公式如下:其中,即如果X1、X2、X3、X4,值分别为7、15、33、24,则这四个数据类中的差异平方和为:计算公式如下:
4.根据权利要求1所述的一种基于客流数据的峰段划分算法,其特征在于,所述S107中,E[P(n,k)]表示把n个时间段分成k类的误差函数,每种分类对应一个误差函数,当n已定时,误差函数值最小的分类为最优时间段,计算公式如下:
当n,k不定,如要将n个时间段分成最优的k类,需要在将m(m=2,3…,n)个样品分为最优的k-1类的基础上,其迭代公式如下:
5.根据权利要求1所述的一种基于客流数据的峰段划分算法,其特征在于,所述S109中,其计算公式如下:
且当βk值最接近1时,为最优分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600528.5A CN110443455A (zh) | 2019-07-04 | 2019-07-04 | 一种基于客流数据的峰段划分算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910600528.5A CN110443455A (zh) | 2019-07-04 | 2019-07-04 | 一种基于客流数据的峰段划分算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443455A true CN110443455A (zh) | 2019-11-12 |
Family
ID=68428489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910600528.5A Pending CN110443455A (zh) | 2019-07-04 | 2019-07-04 | 一种基于客流数据的峰段划分算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443455A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN105608510A (zh) * | 2015-12-31 | 2016-05-25 | 连云港杰瑞电子有限公司 | 一种基于Fisher算法的交通时段自动划分的方法 |
CN106408960A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于有序聚类的信号控制时段分割方法 |
CN106845814A (zh) * | 2017-01-13 | 2017-06-13 | 东南大学 | 一种城市轨道交通运营时段划分方法 |
US20170212894A1 (en) * | 2014-08-01 | 2017-07-27 | Hohai University | Traffic data stream aggregate query method and system |
CN109389305A (zh) * | 2018-09-30 | 2019-02-26 | 南京地铁集团有限公司 | 一种城市轨道交通区间乘客交通流状态判别方法 |
-
2019
- 2019-07-04 CN CN201910600528.5A patent/CN110443455A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170212894A1 (en) * | 2014-08-01 | 2017-07-27 | Hohai University | Traffic data stream aggregate query method and system |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN105608510A (zh) * | 2015-12-31 | 2016-05-25 | 连云港杰瑞电子有限公司 | 一种基于Fisher算法的交通时段自动划分的方法 |
CN106408960A (zh) * | 2016-10-29 | 2017-02-15 | 浙江大学 | 基于有序聚类的信号控制时段分割方法 |
CN106845814A (zh) * | 2017-01-13 | 2017-06-13 | 东南大学 | 一种城市轨道交通运营时段划分方法 |
CN109389305A (zh) * | 2018-09-30 | 2019-02-26 | 南京地铁集团有限公司 | 一种城市轨道交通区间乘客交通流状态判别方法 |
Non-Patent Citations (1)
Title |
---|
曾小旭 等: "有序样本聚类方法在城市轨道交通运营时段划分中的应用", 《都市快轨交通》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bischoff et al. | City-wide shared taxis: A simulation study in Berlin | |
CN106875066B (zh) | 用车出行行为的预测方法、装置、服务器以及存储介质 | |
US9043151B2 (en) | Large scale demand responsive transit framework | |
US10692028B2 (en) | Optimal demand-based allocation | |
CN109087502B (zh) | 基于订单分布的车辆调度方法、调度系统、计算机设备 | |
CN110570678B (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
Wei et al. | Zest: a hybrid model on predicting passenger demand for chauffeured car service | |
CN113780808B (zh) | 基于柔性公交接驳系统线的车辆服务属性决策优化方法 | |
WO2017063356A1 (zh) | 代驾订单预测方法和代驾运力调度方法 | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
WO2021147412A1 (zh) | 服务位置推荐方法、装置、电子设备及可读存储介质 | |
WO2022116447A1 (zh) | 公交车调度方法、装置、计算机设备及介质 | |
CN110796323A (zh) | 车辆的调度方法、装置、终端及计算机可读存储介质 | |
CN111667114A (zh) | 一种基于时空大数据融合的智能路线规划推荐方法 | |
CN112749836A (zh) | 一种基于客流时间序列的定制客运智能运力调配方法 | |
Choudhary et al. | Novel algorithm for leader election process in virtual traffic light protocol | |
CN106570182B (zh) | 公交车辆下车站点识别方法与系统 | |
CN114971136A (zh) | 一种公交及巡游小巴调度方法 | |
CN108648441B (zh) | 基于站点群的动态公交运行方法 | |
CN111506777B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112669604B (zh) | 城市交通调度方法及装置 | |
CN114238491A (zh) | 一种基于异质图的多模式交通运行态势关联规则挖掘方法 | |
CN110443455A (zh) | 一种基于客流数据的峰段划分算法 | |
CN114822064B (zh) | 一种区域公交调度方法、系统、装置及存储介质 | |
CN113393079B (zh) | 一种基于公交数据的交通小区划分方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230051 block a, Fuhuang new vision, No. 77, Wutaishan Road, Luogang street, Baohe District, Hefei City, Anhui Province Applicant after: Anhui Jiaoxin Technology Co.,Ltd. Address before: 230000 9 building, science and technology investment building, 669 Changjiang West Road, Hefei, Anhui Applicant before: ANHUI FUHUANG TECHNOLOGY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |