CN110580537B - 公交承载力分析方法及公交配置优化方法 - Google Patents
公交承载力分析方法及公交配置优化方法 Download PDFInfo
- Publication number
- CN110580537B CN110580537B CN201810589289.3A CN201810589289A CN110580537B CN 110580537 B CN110580537 B CN 110580537B CN 201810589289 A CN201810589289 A CN 201810589289A CN 110580537 B CN110580537 B CN 110580537B
- Authority
- CN
- China
- Prior art keywords
- passengers
- data
- bus
- distribution
- passenger
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims description 19
- 238000012546 transfer Methods 0.000 claims description 78
- 238000012216 screening Methods 0.000 claims description 21
- 238000012163 sequencing technique Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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"
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种公交承载力的分析方法,包括:获取乘客乘坐公交的历史刷卡记录,根据所述历史刷卡记录确定乘客的OD数据,对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,根据所述乘客的OD数据的分布获取指定路段公交的承载力。以解决对公交承载力进行分析的需求,同时指导公交配置优化。
Description
技术领域
本申请涉及公共交通运行领域,具体涉及一种公交承载力分析方法,同时涉及一种公交配置优化方法。
背景技术
公交系统是城市基础设施中不可或缺的部分,从公交的发展程度上也可以反应出一个城市的发展现状。由此可见,公交系统在出行方面发挥的重要作用。尤其在当今倡导绿色出行,享受低碳生活的前提下,公交出行是减少成本,缓解交通拥堵的较佳出行方式。
在判断现有公交系统能否满足人们的日常出行需求时,需要对公交系统的承载力进行分析,进而根据分析结果合理的调整公交的运力,满足人们的日常出行需求,最大限度的提高人们的出行效率。
因此,目前存在对公交承载力进行分析的需求和公交运力优化配置的需求。
发明内容
本申请提供公交承载力分析方法及公交优化配置方法,以满足对公交承载力进行分析的需求和公交运力优化配置的需求。
本申请提供的公交承载力的分析方法,包括:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力。
优选的,所述根据所述历史刷卡记录确定乘客的OD数据,包括:
根据所述历史刷卡记录获取乘客的通勤乘车路线;
根据所述通勤乘车路线确定所述乘客的OD数据。
优选的,所述根据所述通勤乘车路线确定所述乘客的OD数据,包括:
根据所述乘客的通勤乘车路线的对称性,获取乘客在通勤时间内的上车站点和下车站点;
根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据。
优选的,所述根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据,包括:
将所述乘客在通勤时间内的上车站点作为乘客的OD数据中的O点数据,所述乘客在通勤时间内的下车地点作为乘客的OD数据中的D点数据。
优选的,所述根据所述历史刷卡记录获取乘客的通勤乘车路线,包括:
若根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,则将所述通勤时间内多次的乘车路线进行连接作为所述乘客的通勤乘车路线。
优选的,所述根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,包括:
根据所述历史刷卡记录,判断所述乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内;
若换乘时间和\或换乘距离在预先设定的换乘条件阈值范围内,则确定所述乘客采用换乘的方式乘车。
优选的,所述对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,包括:
使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
优选的,所述使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,包括:
使用机器学习的方式从所述历史刷卡记录中,获取用于训练公交预测模型的特征数据项;
使用所述特征数据项,训练公交预测模型;
使用所述公交预测模型对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
优选的,所述用于训练公交预测模型的特征数据项,至少包括下述中的任意一个:日期、时间、天气、事项。
优选的,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段的乘客的OD数据;
将筛选出包含所述指定路段的乘客的OD数据作为所述指定路段公交的承载力。
优选的,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
本申请同时提供一种用于公交承载力分析的装置,包括:
历史刷卡记录获取单元,用于获取乘客乘坐公交的历史刷卡记录;
乘客的OD数据获取单元,用于根据所述历史刷卡记录确定乘客的OD数据;
乘客的OD数据分析单元,用于对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
公交承载力获取单元,用于根据所述乘客的OD数据的分布获取指定路段公交的承载力。
本申请同时提供一种用于公交承载力分析的电子设备,包括:
处理器;
存储器,用于存储公交承载力分析方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力。
本申请同时提供一种存储设备,其特征在于,存储有指令,所述指令能够被处理器加载并执行以下步骤:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力。
本申请同时提供一种公交配置优化方法,包括:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
优选的,在根据乘客的OD数据的分布获取多个路段的乘车人数的步骤之前,还包括:
根据乘客乘坐公交的历史刷卡记录,获取乘客的OD数据的分布。
优选的,所述根据乘客的OD数据的分布获取多个路段的乘车人数,包括:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
优选的,所述根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数,包括:
将所述路段乘车人数除以所述路段的发车数量,得到所述路段的拥挤系数。
优选的,所述当所述拥挤系数满足预先设定的域值时,启动公交配置优化的步骤之后,包括:
将所述拥挤系数进行排序,获得第一拥挤系数排序;
在总运力不变的情况下,增加第一拥挤系数排序中拥挤系数最高路段的发车次数,减少第一拥挤系数排序中拥挤系数最低路段的发车次数,重新计算各个路段的拥挤系数,获得第二拥挤系数排序;
若第二拥挤系数排序与第一拥挤系数排序相同,则将各个路段当前的发车次数确定为各个路段的当前公交运力;
若第二拥挤系数排序与第一拥挤系数排序不相同,则增加第二拥挤系数排序中拥挤系数最高路段的发车次数,减少第二拥挤系数排序中拥挤系数最低路段的发车次数,直至前后两次的拥挤系数排序相同为止。
优选的,还包括:
增加所述拥挤系数最高路段的发车次数;或者,
在总运力不变的情况下,增加所述拥挤系数最高路段的发车次数,对应的,减少所述拥挤系数最低路段的发车次数。
本申请同时提供一种用于公交配置优化的装置,包括:
乘车人数获取单元,用于根据乘客的OD数据的分布获取多个路段的乘车人数;
拥挤系数获取单元,用于根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
公交配置优化启动单元,用于当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
本申请同时提供一种用于公交配置优化的电子设备,包括:
处理器;
存储器,用于存储公交配置优化方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
本申请同时提供一种存储设备,其特征在于,存储有指令,所述指令能够被处理器加载并执行以下步骤:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
与现有技术相比,本申请提供的公交承载力的预测方法,通过获取乘客历史刷卡数据中乘客的OD数据,使用机器学习的方法对乘客的OD数据进行分析,预测整个公共交通系统或指定路段的承载力,从而满足了对公交承载力进行分析的需求。
本申请同时提供公交配置优化方法,当路段的拥挤系数满足预先设定的阈值时,启动公交配置优化,从而满足了对公交运力配置优化的需求。
附图说明
图1是本申请第一实施例提供的公交承载力分析方法;
图2是本申请第一实施例对应的用于公交承载力分析的装置;
图3是本申请第一实施例对应的用于公交承载力分析的电子设备;
图4是本申请第二实施例提供的公交配置优化方法;
图5是本申请第二实施例对应的用于公交配置优化的装置;
图6是本申请第二实施例对应的用于公交配置优化的电子设备。
图7是本申请提供的一种应用场景的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
请参看图1,图1是本申请第一实施例提供公交承载力方法示意图,以下结合图1进行详细说明。
步骤S101,获取乘客乘坐公交的历史刷卡记录。
所述公交,指广义的公交或者公共交通,包括公共汽车,地铁,有轨电车,共享单车等适用车辆调度的公共交通。
所述刷卡,是一个广义的概念,可以包括通过非接触式IC芯片进行刷卡,或者通过二维码进行刷卡,也包括通过其他方式进行刷卡。
所述历史刷卡记录,主要包括用户起乘点,下车点数据,以及手机辅助获取的用户GPS位置数据等信息的记录。
本步骤用于获取分析公交承载力的基础数据,基础数据包括乘客乘坐公交的历史刷卡记录。
随着信息技术的发展,人们乘坐公交车从早期的上车购票方式已经过渡到了使用公交卡刷卡的乘车方式,刷卡乘车快捷高效,节省上了用于售票的人力成本,提高了出行效率。由于每张公交卡都有唯一的卡号,同时在刷卡时公交系统会记录刷卡时间、乘坐的公交车的编号,也就是可以从刷卡记录中就能获取乘客的出行信息。所以乘客乘坐公交的历史刷卡记录,是对公交承载力进行分析时必要的基础数据。
历史刷卡记录可以选取过去1个月的、1年的、2年的,甚至更长时间的,当然选取的时间越长,获取的数据也就更加丰富,对预测公交承载力就更加准确。但是对历史数据的计算也就更加复杂,所以历史刷卡记录可以根据实际情况进行选取。
步骤S102,根据所述历史刷卡记录确定乘客的OD数据。
本步骤用于从历史刷卡记录中记录的乘车路线,推算乘客的OD数据。
乘客的OD数据,是指乘客一次出行乘坐公交的起始站点,也就是上车站点和下车站点。乘坐公交车的乘客中,有很大一部分是通勤乘客,而且通勤乘客的乘车时间和乘车路线相对固定,所以就需要从乘客的历史刷卡记录中获取乘客的通勤乘车路线,通勤乘客的乘车路线具有对称性,而且乘车时间也在相对较固定的时间内,例如,某个乘客每周工作5天,每天上午7点从家里出来乘坐公交车上班,8点之前到达工作单位,下午5点下班,从工作单位乘坐公交车回到家里,很明显,通过刷卡记录获取了该乘客的通勤时间是上午7点到8点,下午5点到6点,而且这两段通勤时间内的路线是固定的,而且对称的,所以也通过刷卡记录获取了乘客的通勤乘车路线,然后再通过刷卡记录获取乘客在通勤时间内的上车站点和下车站点,将乘客在通勤时间内的上车站点作为乘客的OD数据中的O点数据,将乘车的下车地点作为乘客的OD数据中的D点数据。对于上下车都需要刷卡的公交系统来说,就很方便的通过上下车的刷卡数据获取乘客的通勤乘车路线,进而获得乘客的OD数据,但是使用公交卡刷卡的乘车还存在只需上车刷一次卡的刷卡乘车方式,这样就只有上车的刷卡数据,没有下车的刷卡数据,针对这种情况,也是利用乘客的通勤乘车路线的对称性,获取乘客的通勤乘车路线,还是上面的这个例子,乘客上午和下午的刷卡记录只有上车的刷卡记录,但是下午的上车刷卡信息记录的站点信息其实是上午乘车的终点,这样就可以对单次刷卡乘车的乘客上午和下午通勤时间内两次的刷卡信息进行分析,将上午的上车刷卡记录作为乘客的OD数据中的O点数据,将下午的上车刷卡记录作为乘客的OD数据中的D点数据,这样就获得了乘客上午的乘车路线,也就获得了上午乘客的OD数据,由于通勤乘客的OD数据具有对称性的特点,那么乘客下午的D点数据就是上午的O点数据,这样也就获得了只需上车刷一次卡的乘车方式乘客的OD数据。
每趟公交车都有预先规定好的的行车路线,如果公交车的行车路线包括乘客的通勤乘车路线,那么乘客就可以通过乘坐直达公交车往返于家与工作单位,如果乘客的通勤乘车路线,没有直达的公交车,那么乘客就只能采用换乘的方式乘坐公交车往返于家与工作单位,换乘的方式乘坐公交车,在换乘点换乘时,就需要再次刷卡,这样采用换乘的方式乘坐公交车,刷卡次数就可能比乘坐直达公交车要多,换乘点是本次乘车的终点,也是接下来乘车的起点,所以将通勤时间内多次的乘车路线进行连接作为乘客的通勤乘车路线。
通过换乘的方式乘坐公交车,也存在上下车都需刷卡的乘车方式和只需上车刷一次卡的乘车方式。更具体的,通过对刷卡记录进行分析,对于换乘乘客的通勤乘车路线的确认通过如下方式,例如,乘客通勤时间是上午7点至8点,乘车时都采用上下车两次刷卡的方式乘车,只需将通勤时间内上午第一次上车的刷卡站点作为乘客的上车站点,将通勤时间内上午最后一次的刷卡站点作为乘客的下车站点,将上午的上车站站点、换乘站点、下车站点进行连接,就获得了采用换乘方式乘车的乘客的通勤乘车路线。这种乘客的通勤乘车路线的确认方式,也适用于上午第一次乘车采用只需上车刷一次卡,最后一次乘车上下车都需要刷卡的乘车方式。但是对于乘车只需上车刷一次卡而且是换乘乘车的方式,或者是最后一次换乘乘车只需上车刷一次卡的乘车方式,最后一次下车站点的确定,与乘坐直达车只需刷一次卡的通勤的乘客的下车站点的确认方式相同,这里就不再重复,然后将上车站点、换乘站点、下车站点进行连接,就获得了换乘乘客的通勤乘车路线。获得了换乘乘客的通勤乘车路线,也就获得了换乘乘客的OD数据。
乘客采用换乘的方式乘车,通常具有换乘时的下车时间与上车时间之间间隔的时间短、换乘时的下车站点与上车站点相同或相近的特点,所以就可以根据乘客的历史刷卡记录,判断乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内,来确认乘客是否采用换乘的方式乘车。例如,乘客的通勤时间是上午7点到8点,下午5点到6点,中间有一次换乘,那么就需要对乘客通勤时间内的乘车时是否是换乘的方式进行判断。如果乘客乘坐的公交车上下车都需要刷卡,那么就可以将预先设定的换乘条件设置为:换乘时间在10分钟之内和\或换乘距离在500米内。如果乘客在换乘时的换乘时间在10分钟之内和\或换乘距离在500米内,那么就认为该乘客采用换乘的方式乘车。对于乘客乘坐的公交车只需上车刷卡,那么换乘时间就相当于上一次乘车的时间,换乘距离也不容易确认,所以再将换乘条件设置为:换乘时间在10分钟之内和\或换乘距离在500米内。显然就很不合理,所以根据乘客的通勤时间进行适当的调整,例如就可以将通勤时间设置为换乘时间,将第一次上车站点与换乘站点的距离作为换乘距离,然后再判断乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内,来确定乘客是否采用换乘的方式乘车。
步骤S103,对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
所述对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,包括:
使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
在具体实施时,可以使用机器学习的方式,训练公交预测模型,使用公交预测模型对乘客的OD数据进行分析,获得乘客的OD数据的分布。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。首先,使用机器学习的方式从乘客的历史刷卡记录中,获取用于训练公交预模型的特征数据项,这些特征数据项就包括日期、时间、天气、事项等。这些特征数据项都对应着相应的乘客的乘车特点,例如日期就对应着乘客乘车的日期是否是通勤日期,通勤日期与非通勤日期的乘车特点就有着明显的不同,如通勤日期乘坐公交车的乘车存在早晚高峰,而非通勤日期则不存在。在天气状况较差时,如下雨、下雪,相应的,当天的通勤时间就会延长。所以使用机器学习的方式从乘客的历史刷卡记录中,会自动获取很多不同的特征数据项,如果乘客的历史刷卡记录不断丰富,那么使用机器学习的方式就会从历史记录中自动获取更多的特征数据项。
接下来就使用这些特征数据项,也就是将这些特征数据项作为输入,训练公交预测模型。接下来就使用公交预测模型对乘客的OD数据进行分析,获得乘客的OD数据的分布,也就是根据这些特征数据项,获得了特征数据项中的一项或多项对应的乘客的OD数据。如果一个乘客在乘车前想要查询某个路段的拥挤程度,也就是承载力,只要输入起始点,例如,乘客想要查询的路段的起始点分别为A点和B点,那么公交训练模型就会从乘客的OD数据中,根据特征数据项,再筛选出包含AB点路段的乘客的OD数据。再例如,乘客想要查询AB点路段在指定日期、指定时间内的承载力,那么公交训练模型就会从乘客的OD数据分布中,根据特征数据项,再筛选出在在指定日期、指定时间内包含AB点路段的乘客的OD数据。
对获取公交承载力的需求,也适用于公交调度系统,有助于公交调度系统对公交运力进行合理的调配。
在上述的实施例中,提供了一种公交承载力分析方法,与之相对应的,本申请同时提供一种用于公交承载力分析的装置。如图2所示,用于公交承载力分析方法的装置,包括:
历史刷卡记录获取单元201,用于获取乘客乘坐公交的历史刷卡记录;
乘客的OD数据获取单元202,用于根据所述历史刷卡记录确定乘客的OD数据;
乘客的OD数据分析单元203,用于对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
公交承载力获取单元204,用于根据所述乘客的OD数据的分布获取指定路段公交的承载力。
可选的,所述乘客的OD数据获取单元202,包括:
通勤乘车路线获取子单元,用于根据所述历史刷卡记录获取乘客的通勤乘车路线;
乘客的OD数据确定子单元,用于根据所述通勤乘车路线确定所述乘客的OD数据。
可选的,所述乘客的OD数据确定子单元,包括:
站点获取子单元,用于根据所述乘客的通勤乘车路线的对称性,获取乘客在通勤时间内的上车站点和下车站点。
OD点数据获取子单元,用于将所述乘客在通勤时间内的上车站点作为乘客的OD数据中的O点数据,所述乘客在通勤时间内的下车地点作为乘客的OD数据中的D点数据。
可选的,所述通勤乘车路线获取子单元,包括:
换乘乘客的通勤乘车路线获取子单元,用于若根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,则将所述通勤时间内多次的乘车路线进行连接作为所述乘客的通勤乘车路线。
可选的,换乘乘客的通勤乘车路线获取子单元,包括:
换乘条件阈值范围设定子单元,用于根据所述历史刷卡记录,判断所述乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内;
换乘方式确定子单元,用于若换乘时间和\或换乘距离在预先设定的换乘条件阈值范围内,则确定所述乘客采用换乘的方式乘车。
可选的,所述乘客的OD数据的分析单元203,包括:
乘客的OD数据的分析子单元,用于使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
可选的,所述乘客的OD数据的分析子单元,包括:
特征数据项获取子单元,用于使用机器学习的方式从所述历史刷卡记录中,获取用于训练公交预测模型的特征数据项;
公交预测模型训练子单元,用于使用所述特征数据项,训练公交预测模型;
乘客的OD数据的分布子单元,用于使用所述公交预测模型对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
可选的,所述公交承载力获取单元204,包括:
乘客的OD数据筛选子单元,用于根据所述乘客的OD数据的分布,筛选出包含所述指定路段的乘客的OD数据;
指定路段公交的承载力获取子单元,用于将筛选出包含所述指定路段的乘客的OD数据作为所述指定路段公交的承载力。
可选的,所述公交承载力获取单元204,还包括:
乘客的OD数据筛选单元,用于根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
指定路段在指定时间的公交承载力获取单元,用于将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
本申请同时提供一种用于公交承载力分析的电子设备,请参看图3。如图3所示,用于公交承载力分析方法的电子设备,包括:
处理器301;
存储器302,用于存储公交承载力分析方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述历史刷卡记录获取乘客的通勤乘车路线;
根据所述通勤乘车路线确定所述乘客的OD数据。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述乘客的通勤乘车路线的对称性,获取乘客在通勤时间内的上车站点和下车站点;
根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据。
可选的,所述根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据,包括:
将所述乘客在通勤时间内的上车站点作为乘客的OD数据中的O点数据,所述乘客在通勤时间内的下车地点作为乘客的OD数据中的D点数据。
可选的,所述处理器还用于执行下述计算机可执行的指令:
若根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,则将所述通勤时间内多次的乘车路线进行连接作为所述乘客的通勤乘车路线。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述历史刷卡记录,判断所述乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内;
若换乘时间和\或换乘距离在预先设定的换乘条件阈值范围内,则确定所述乘客采用换乘的方式乘车。
可选的,所述处理器还用于执行下述计算机可执行的指令:
使用机器学习的方式从所述历史刷卡记录中,获取用于训练公交预测模型的特征数据项;
使用所述特征数据项,训练公交预测模型;
使用所述公交预测模型对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段的乘客的OD数据;
将筛选出包含所述指定路段的乘客的OD数据作为所述指定路段公交的承载力。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
本申请同时提供一种用于存储公交承载力分析方法指令的存储设备,所述指令能够被处理器加载并执行以下步骤:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力。
本申请同时提供一种公交配置优化方法,请参看图4。
图4是本申请第二实施例提供的公交配置优化方法示意图,以下结合图4进行详细说明。
步骤S401,根据乘客的OD数据的分布获取多个路段的乘车人数。
本步骤用于根据乘客的OD数据的分布,获取待优化的公交配置区域内的多个路段的乘车人数。
在第一实施例中,描述了获取乘客OD数据的分布的方法,所以在本步骤中,还是使用第一实施例的方法,根据乘客乘坐公交的历史刷卡记录,获取乘客的OD数据的分布,然后再根据所述乘客的OD数据的分布,筛选出包括所述公交配置区域内多个路段的乘客的OD数据,每一条乘客的刷卡数据对应着一条乘客的OD数据,将每一条乘客的刷卡数据作为一人次乘车,所以根据多个路段的乘客的O数据获得多个路段的乘车人数。
步骤S402,根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数。
本步骤用于获取多个路段的拥挤系数,拥挤系数代表该路段的拥挤程度。
将路段乘车人数除以该路段的发车数量,得到该路段的拥挤系数。但是,拥挤系数也会受公交车承载人数的影响,所以统计拥挤系数的路段,如果公交车承载人数相同,那么拥挤系数就不受公交车承载人数的影响,如果公交车承载人数不同,就需要对拥挤系数进行适当的调整。例如,某路段的乘车人数为200,发车数量为5,那么这个路段的拥挤系数为40,另一个路段的乘车人数了也为200,发车数量为10,那么这个路段的拥挤系数为20,但是这两个路段上运行的公交车的承载人数不同,一个为40人,另一个为20人,所以这两个路段的拥挤系数相同。在本申请中,接下来以各个路段上运行的公交车承载人数相同进行举例。
步骤S403,当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
本步骤用于设定启动公交配置优化的条件,根据拥挤系数,决定是否启动公交配置优化,以及在启动公交配置优化时,如何进行配置优化。
获取各个路段的拥挤系数,是为了根据拥挤系数,更合理的调配公交资源。使人们乘坐公交出行更加的快捷,舒适。在获取各个路段的拥挤系数后,对拥挤系数进行分析,然后根据拥挤系数设定一个阈值,当拥挤系数满足预先设定的阈值时,启动公交配置优化。例如,将阈值设置为50,当一个或多个路段的拥挤系数超过50时,随即启动公交配置优化。
公交配置优化,一种是在公交总运力不变的情况下,对现有公交运力进行适当的调整,使各个路段的拥挤系数趋于平衡,另一种是在现有运力的基础上,适当的增加拥挤系数大的路段的运力,降低该路段的拥挤系数。
公交配置优化的第一种方法是在公交总运力不变情况下,首先,判断各个路段的拥挤系数是否相同,若各个路段的拥挤系数不同,将拥挤系数进行排序,获得第一拥挤系数排序。一般情况下,各个路段的拥挤系数是不同的,然后获得拥挤系数对应的各个路段。接下来就进行公交配置优化,增加第一拥挤系数排序中拥挤系数最高路段的发车次数,对应的就减少第一拥挤系数排序中拥挤系数最低路段的发车次数,重新计算各个路段的拥挤系数,获得第二拥挤系数排序。例如,将第一拥挤系数排序中拥挤系数最高的路段的发车次数增加一次,对应的就减少第一拥挤系数中拥挤系数最低路段的发车次数一次。也可以将第一拥挤系数中拥挤系数最高的路段的发车次数增加两次,对应的就减少第一拥挤系数中拥挤系数最低路段的发车次数两次,次数可以根据需要进行设置。由于发车次数的改变会影响拥挤系数的改变,所以接下来,重新计算各个路段的拥挤系数,获得第二拥挤系数排序。若第二拥挤系数排序与第一拥挤系数排序相同,则将各个路段当前的发车次数确定为各个路段的当前公交运力,在第二拥挤系数排序与第一拥挤系数排序相同的情况下,可以停止公交配置优化,根据第一拥挤系数排序调整了公交运力,进行了公交配置优化后,第二拥挤系数排序与第一拥挤系数排序相同,说明公交配置优化的效果不明显,也就不需要再进行公交配置优化了。若第二拥挤系数排序与第一拥挤系数排序不相同,则增加第二拥挤系数排序中拥挤系数最高路段的发车次数,减少第二拥挤系数排序中拥挤系数最低路段的发车次数,直至前后两次的拥挤系数排序相同为止。根据第二拥挤系数,获得所述拥挤系数对应的各个路段。在总运力不变的情况下,继续增加第二拥挤系数排序中拥挤系数最高路段的发车次数,对应的,就减少第二拥挤系数中拥挤系数最低路段的发车次数,然后,重新计算各个路段的拥挤系数,直至前后两次的拥挤系数排序相同,则停止公交配置优化。上述第一种公交配置优化方法,是一种较优的方法,根据拥挤系数排序对各个路段的发车次数进行调配,直至前后两次各个路段的拥挤系数排序相同,才停止调配。在实际情况中,可能很难实现这种公交优化配置,例如,在早晚高峰时段,各个路段的拥挤系数都很高,那么就使用第二种公交配置优化方法,直接增加拥挤系数最高路段的发车次数。或者在总运力不变的情况下,根据各个路段的拥挤系数的排序,一次性增加所述拥挤系数最高路段的发车次数,对应的,减少所述拥挤系数最低路段的发车次数。
在上述的实施例中,提供了一种公交配置优化方法,与之相对应的,本申请同时提供一种用于公交配置优化方法的装置,如图5所示,用于公交配置优化方法的装置,包括:
乘车人数获取单元501,用于根据乘客的OD数据的分布获取多个路段的乘车人数;
拥挤系数获取单元502,用于根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
公交配置优化启动单元503,用于当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
可选的,所述装置,还包括:
乘客的OD数据的分布获取单元,用于根据乘客乘坐公交的历史刷卡记录,获取乘客的OD数据的分布。
可选的,所述乘车人数获取单元501,包括:
乘客的OD数据筛选单元,用于根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
多个路段的乘车人数据获取单元,用于根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
可选的,所述装置,还包括:
第一拥挤系数排序获取单元,用于将所述拥挤系数进行排序,获得第一拥挤系数排序;
第二拥挤系数排序获取单元,用于在总运力不变的情况下,增加第一拥挤系数排序中拥挤系数最高路段的发车次数,减少第一拥挤系数排序中拥挤系数最低路段的发车次数,重新计算各个路段的拥挤系数,获得第二拥挤系数排序;
当前公交运力获取单元,用于若第二拥挤系数排序与第一拥挤系数排序相同,则将各个路段当前的发车次数确定为各个路段的当前公交运力;
拥挤系数调节单元,用于若第二拥挤系数排序与第一拥挤系数排序不相同,则增加第二拥挤系数排序中拥挤系数最高路段的发车次数,减少第二拥挤系数排序中拥挤系数最低路段的发车次数,直至前后两次的拥挤系数排序相同为止。
可选的,所述装置,还包括:
公交配置优化调节单元,用于增加所述拥挤系数最高路段的发车次数;或者,在总运力不变的情况下,增加所述拥挤系数最高路段的发车次数,对应的,减少所述拥挤系数最低路段的发车次数。
本申请同时提供一种用于公交配置优化的电子设备,请参看图6。如图6所示,用于公交配置优化的电子设备,包括:
处理器601;
存储器602,用于存储公交配置优化方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据乘客乘坐公交的历史刷卡记录,获取乘客的OD数据的分布。
可选的,所述处理器还用于执行下述计算机可执行的指令:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
可选的,所述处理器还用于执行下述计算机可执行的指令:
将所述路段乘车人数除以所述路段的发车数量,得到所述路段的拥挤系数。
可选的,所述处理器还用于执行下述计算机可执行的指令:
将所述拥挤系数进行排序,获得第一拥挤系数排序;
在总运力不变的情况下,增加第一拥挤系数排序中拥挤系数最高路段的发车次数,减少第一拥挤系数排序中拥挤系数最低路段的发车次数,重新计算各个路段的拥挤系数,获得第二拥挤系数排序;
若第二拥挤系数排序与第一拥挤系数排序相同,则将各个路段当前的发车次数确定为各个路段的当前公交运力;
若第二拥挤系数排序与第一拥挤系数排序不相同,则增加第二拥挤系数排序中拥挤系数最高路段的发车次数,减少第二拥挤系数排序中拥挤系数最低路段的发车次数,直至前后两次的拥挤系数排序相同为止。
可选的,所述处理器还用于执行下述计算机可执行的指令:
增加所述拥挤系数最高路段的发车次数;或者,
在总运力不变的情况下,增加所述拥挤系数最高路段的发车次数,对应的,减少所述拥挤系数最低路段的发车次数。
本申请同时提供一种存储设备,存储有指令,所述指令能够被处理器加载并执行以下步骤:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;当所述拥挤系数满足预先设定的阈值时,启动公交配置优化。
为使本领域普通技术人员更加清楚地理解本申请提供的方案,下面提供一种基于应用场景的实施例。
如图7所示,乘客乘坐公交车701刷卡上车,刷卡数据被发送给控制中心702,公交车701以及乘客通过GPS卫星703进行定位,定位后的位置信息被发送给控制中心702,控制中心702根据获得的乘客乘坐公交车的刷卡数据以及公交车和乘客的位置信息,获取乘客的OD数据,对乘客的OD数据进行分析,获得乘客的OD数据的分布。控制中心702可以将获得的乘客的OD数据发送给监控人员的手机上,监控人员根据乘客的OD数据的分布确定多个路段的拥挤系数,在总运力不变的情况下,进行优化配置,增加拥挤系数较高路段的发车次数,减少拥挤系数较低路段的发车次数,将优化配置的结果发送给控制中心702,控制中心702再将优化配置的结果返回给公交车701。例如,如果公交1路拥挤系数高,公交2路拥挤系数低,则增加公交1路的发车次数,减少公交2路的发车次数,实现了公交的优化配置。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (21)
1.一种公交承载力的分析方法,其特征在于,包括:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力;
其中,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
2.根据权利要求1所述的公交承载力的分析方法,其特征在于,所述根据所述历史刷卡记录确定乘客的OD数据,包括:
根据所述历史刷卡记录获取乘客的通勤乘车路线;
根据所述通勤乘车路线确定所述乘客的OD数据。
3.根据权利要求2所述的公交承载力的分析方法,其特征在于,所述根据所述通勤乘车路线确定所述乘客的OD数据,包括:
根据所述乘客的通勤乘车路线的对称性,获取乘客在通勤时间内的上车站点和下车站点;
根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据。
4.根据权利要求3所述的公交承载力的分析方法,其特征在于,所述根据所述乘客在通勤时间内的上车站点和下车站点,获取所述乘客的OD数据,包括:
将所述乘客在通勤时间内的上车站点作为乘客的OD数据中的O点数据,所述乘客在通勤时间内的下车地点作为乘客的OD数据中的D点数据。
5.根据权利要求3所述的公交承载力的分析方法,其特征在于,所述根据所述历史刷卡记录获取乘客的通勤乘车路线,包括:
若根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,则将所述通勤时间内多次的乘车路线进行连接作为所述乘客的通勤乘车路线。
6.根据权利要求5所述的公交承载力的分析方法,其特征在于,所述根据所述历史刷卡记录,确定所述乘客采用换乘的方式乘车,包括:
根据所述历史刷卡记录,判断所述乘客的换乘时间和\或换乘距离是否在预先设定的换乘条件阈值范围内;
若换乘时间和\或换乘距离在预先设定的换乘条件阈值范围内,则确定所述乘客采用换乘的方式乘车。
7.根据权利要求1所述的公交承载力的分析方法,其特征在于,所述对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,包括:
使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
8.根据权利要求7所述的公交承载力的分析方法,其特征在于,所述使用机器学习的方式对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布,包括:
使用机器学习的方式从所述历史刷卡记录中,获取用于训练公交预测模型的特征数据项;
使用所述特征数据项,训练公交预测模型;
使用所述公交预测模型对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布。
9.根据权利要求8所述的公交承载力的分析方法,其特征在于,所述用于训练公交预测模型的特征数据项,至少包括下述中的任意一个:日期、时间、天气、事项。
10.根据权利要求1所述的公交承载力的分析方法,其特征在于,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段的乘客的OD数据;
将筛选出包含所述指定路段的乘客的OD数据作为所述指定路段公交的承载力。
11.一种用于公交承载力分析的装置,包括:
历史刷卡记录获取单元,用于获取乘客乘坐公交的历史刷卡记录;
乘客的OD数据获取单元,用于根据所述历史刷卡记录确定乘客的OD数据;
乘客的OD数据分析单元,用于对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
公交承载力获取单元,用于根据所述乘客的OD数据的分布获取指定路段公交的承载力;
其中,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
12.一种用于公交承载力分析的电子设备,包括:
处理器;
存储器,用于存储公交承载力分析方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力;
其中,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
13.一种存储设备,其特征在于,存储有指令,所述指令能够被处理器加载并执行以下步骤:
获取乘客乘坐公交的历史刷卡记录;
根据所述历史刷卡记录确定乘客的OD数据;
对所述乘客的OD数据进行分析,获得所述乘客的OD数据的分布;
根据所述乘客的OD数据的分布获取指定路段公交的承载力;
其中,所述根据所述乘客的OD数据的分布获取指定路段公交的承载力,包括:
根据所述乘客的OD数据的分布,筛选出包含所述指定路段在指定时间的乘客的OD数据;
将筛选出包含所述指定路段在指定时间的乘客的OD数据作为所述指定路段在指定时间的公交承载力。
14.一种公交配置优化方法,其特征在于,包括:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化;
其中,所述根据乘客的OD数据的分布获取多个路段的乘车人数,包括:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
15.根据权利要求14所述的公交配置优化方法,其特征在于,在根据乘客的OD数据的分布获取多个路段的乘车人数的步骤之前,还包括:
根据乘客乘坐公交的历史刷卡记录,获取乘客的OD数据的分布。
16.根据权利要求14所述的公交配置优化方法,其特征在于,所述根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数,包括:
将所述路段乘车人数除以所述路段的发车数量,得到所述路段的拥挤系数。
17.根据权利要求14所述的公交配置优化方法,其特征在于,所述当所述拥挤系数满足预先设定的阈值时,启动公交配置优化的步骤之后,包括:
将所述拥挤系数进行排序,获得第一拥挤系数排序;
在总运力不变的情况下,增加第一拥挤系数排序中拥挤系数最高路段的发车次数,减少第一拥挤系数排序中拥挤系数最低路段的发车次数,重新计算各个路段的拥挤系数,获得第二拥挤系数排序;
若第二拥挤系数排序与第一拥挤系数排序相同,则将各个路段当前的发车次数确定为各个路段的当前公交运力;
若第二拥挤系数排序与第一拥挤系数排序不相同,则增加第二拥挤系数排序中拥挤系数最高路段的发车次数,减少第二拥挤系数排序中拥挤系数最低路段的发车次数,直至前后两次的拥挤系数排序相同为止。
18.根据权利要求14所述的公交配置优化方法,其特征在于,还包括:
增加所述拥挤系数最高路段的发车次数;或者,
在总运力不变的情况下,增加所述拥挤系数最高路段的发车次数,对应的,减少所述拥挤系数最低路段的发车次数。
19.一种用于公交配置优化的装置,包括:
乘车人数获取单元,用于根据乘客的OD数据的分布获取多个路段的乘车人数;
拥挤系数获取单元,用于根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
公交配置优化启动单元,用于当所述拥挤系数满足预先设定的阈值时,启动公交配置优化;
其中,所述根据乘客的OD数据的分布获取多个路段的乘车人数,包括:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
20.一种用于公交配置优化的电子设备,包括:
处理器;
存储器,用于存储公交配置优化方法的程序,所述程序在被所述处理器读取执行时,执行如下操作:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化;
其中,所述根据乘客的OD数据的分布获取多个路段的乘车人数,包括:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
21.一种存储设备,其特征在于,存储有指令,所述指令能够被处理器加载并执行以下步骤:
根据乘客的OD数据的分布获取多个路段的乘车人数;
根据所述多个路段中每个路段的乘车人数与发车数量,确定所述多个路段的拥挤系数;
当所述拥挤系数满足预先设定的阈值时,启动公交配置优化;
其中,所述根据乘客的OD数据的分布获取多个路段的乘车人数,包括:
根据所述乘客的OD数据的分布,筛选出包括所述多个路段的乘客的OD数据;
根据所述多个路段的乘客的OD数据,获得所述多个路段的乘车人数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589289.3A CN110580537B (zh) | 2018-06-08 | 2018-06-08 | 公交承载力分析方法及公交配置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589289.3A CN110580537B (zh) | 2018-06-08 | 2018-06-08 | 公交承载力分析方法及公交配置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580537A CN110580537A (zh) | 2019-12-17 |
CN110580537B true CN110580537B (zh) | 2023-06-16 |
Family
ID=68809740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810589289.3A Active CN110580537B (zh) | 2018-06-08 | 2018-06-08 | 公交承载力分析方法及公交配置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580537B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
CN103730008A (zh) * | 2014-01-15 | 2014-04-16 | 汪涛 | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 |
CN105023437A (zh) * | 2015-08-21 | 2015-11-04 | 苏州大学张家港工业技术研究院 | 一种公交od矩阵的构建方法及系统 |
CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9726502B2 (en) * | 2015-08-31 | 2017-08-08 | Sap Se | Route planner for transportation systems |
-
2018
- 2018-06-08 CN CN201810589289.3A patent/CN110580537B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473620A (zh) * | 2013-09-26 | 2013-12-25 | 青岛海信网络科技股份有限公司 | 综合客运枢纽多交通方式预测方法及系统 |
CN103730008A (zh) * | 2014-01-15 | 2014-04-16 | 汪涛 | 基于公交gps和ic卡实时数据的公交拥挤度分析方法 |
CN105023437A (zh) * | 2015-08-21 | 2015-11-04 | 苏州大学张家港工业技术研究院 | 一种公交od矩阵的构建方法及系统 |
CN105654721A (zh) * | 2016-01-21 | 2016-06-08 | 哈尔滨工业大学 | 一种采用公交ic卡和车载gps数据计算公交od量的方法 |
CN107291668A (zh) * | 2017-07-14 | 2017-10-24 | 中南大学 | 一种基于机器学习的地铁短时客流预测方法 |
Non-Patent Citations (1)
Title |
---|
基于公交动态客流OD的车辆调度优化模型研究;赵安岭;《中国优秀硕士学位论文全文数据库》;20150315;正文46-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110580537A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bischoff et al. | City-wide shared taxis: A simulation study in Berlin | |
CN105427594B (zh) | 一种基于双向上车客流的公交断面客流量获取方法及系统 | |
Hora et al. | Estimation of Origin-Destination matrices under Automatic Fare Collection: the case study of Porto transportation system | |
Teng et al. | Development of a behavior-based passenger flow assignment model for urban rail transit in section interruption circumstance | |
CN110450822B (zh) | 一种轨道交通服务方法、装置、设备及系统 | |
Lee et al. | Study of bus service reliability in Singapore using fare card data | |
CN114971136A (zh) | 一种公交及巡游小巴调度方法 | |
CN110580537B (zh) | 公交承载力分析方法及公交配置优化方法 | |
Lu et al. | Demand-responsive transport for students in rural areas: A case study in vulkaneifel, germany | |
CN110223514B (zh) | 城市交通运行状态分析方法、装置及电子设备 | |
METELKA et al. | Demand variation in regional transport | |
CN116386305A (zh) | 基于信息反馈的乘车方法 | |
CN109087504A (zh) | 依据采集数据分析停车趋势的方法和系统 | |
CN113053156B (zh) | 一种智能公交半径法站点寻址方法 | |
CN114275014B (zh) | 一种地铁拥挤程度缓解方法、装置、服务器和存储介质 | |
CN115240423A (zh) | 基于互联网的智慧城市交通调配方法及系统 | |
CN111292076B (zh) | 一种公共交通工具拥挤度确定方法、系统及装置 | |
Sieber et al. | Autonomous mobility-on-demand providing superior public transportation in rural areas | |
CN111639973A (zh) | 基于多元融合大数据的公交客流od推导方法及装置 | |
Swan | Connected and Automated Vehicles: Urbanization versus Suburbanization | |
Zhuang | Leveraging Smart Card Intelligence to Improve Transit Planning: A Case Study of PRESTO in the Greater Toronto and Hamilton Region | |
Das et al. | Influence of smart mobile travel apps enabled taxis on local urban road transportation systems in developing countries | |
Lee et al. | The planning and design of taxipooling on feeder system | |
Cao et al. | The Value of Dedicated Right of Way (ROW) to Transit Ridership and Carbon Emissions | |
Zhang | The Current Development and Optimization of Smart Public Transportation in Taiyuan City |
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 |