CN111143769B - 一种基于大数据的出行方式分担率的预测方法和预测装置 - Google Patents
一种基于大数据的出行方式分担率的预测方法和预测装置 Download PDFInfo
- Publication number
- CN111143769B CN111143769B CN201911252177.XA CN201911252177A CN111143769B CN 111143769 B CN111143769 B CN 111143769B CN 201911252177 A CN201911252177 A CN 201911252177A CN 111143769 B CN111143769 B CN 111143769B
- Authority
- CN
- China
- Prior art keywords
- data
- cell
- bus
- cells
- travel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明公开了一种基于大数据的出行方式分担率的预测方法和预测装置,该预测方法包括以下步骤:通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;通过对手机信令数据、深圳通刷卡数据、互联网数据和GIS数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;构建出行方式选择的概率模型,并利用现状数据标定模型参数;利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。
Description
技术领域
本发明涉及出行分担率预测技术领域,尤其涉及一种基于大数据的出行方式分担率的预测方法。
背景技术
经济社会的不断发展在改善城市生活面貌的同时也给城市交通来了越来越大的压力。目前,国内城镇化及城市交通机动化的进程变得越来越快,在城镇化和机动化的共同作用下,交通拥挤问题已经成为制约城市发展和影响居民生活质量的主要问题之一。因此对不同小区的出行方式分担率的预测就显得尤为重要,但是目前市场上的出行方式分担率预测不准确。
如何提升出行方式分担率预测的准确性是本领域亟待解决的问题。
发明内容
本发明提供了一种基于大数据的出行方式分担率的预测方法,旨在解决上述问题。
根据本申请实施例的第一方面,提供了一种基于大数据的出行方式分担率的预测方法,所述方法包括:
通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;
通过对手机信令数据、深圳通刷卡数据、互联网数据和G IS数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;
构建出行方式选择的概率模型,并利用现状数据标定模型参数;
利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。
根据本申请实施例的第二方面,提供了一种出行方式分担率预测装置,该装置包括,
第一分析单元,用于通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;
第二分析单元,用于通过对手机信令数据、深圳通刷卡数据、互联网数据和GI S数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;
构建模型单元,用于构建出行方式选择的概率模型,并利用现状数据标定模型参数;
预测单元,用于利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。
本申请实施例提供的技术方案可以包括以下有益效果:本申请设计了一种基于大数据的出行方式分担率的预测方法,首先通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;再通过对手机信令数据、深圳通刷卡数据、互联网数据和GIS数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;然后构建出行方式选择的概率模型,并利用现状数据标定模型参数;最后利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。本申请通过对多源数据的分析得到出行方式的现状数据,利用现状数据来构建概率模型并标定概率模型的参数,提升了出行方式分担率预测的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述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是本发明实施例预测方式的示意流程图;
图2是本发明实施例的预测装置的示意性框图。
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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本发明公开了一种基于大数据的出行方式分担率的预测方法和预测装置。其中该基于大数据的出行方式分担率的预测方法应用于终端和服务器中,能够对小区之间不同的出行方式的分担率进行预测。
下面结合附图,对本申请的一些实施例作详细说明,在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
请参阅图1,图1是本申请的实施例提供的一种基于大数据的出行方式分担率的预测方法的示意流程图。其中该预测方法包括步骤S101至步骤S104。
S101、通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据。
不同出行方式的分担率数据包括非机动化分担率数据、公交分担率数据和轨道分担率数据。非机动化分担率和轨道分担率数据通过对手机信令数据分析得到,公交分担率数据通过对手机信令数据和深圳通刷卡数据综合分析得到。
S102、通过对手机信令数据、深圳通刷卡数据、互联网数据和G I S数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据。
小区之间不同出行方式的出行数据,具体包括小区间的平均出行时间、小区间的平均出行距离、小区间不同出行方式的平均出行费用和小区间不同出行方式的平均出行时间。其中,不同出行方式包括公交、非公交、轨道和常规公交四个出行方式。因此小区间不同出行方式的平均出行时间就包括小区间的公交平均出行时间、小区间的非公交平均出行时间、小区间的轨道平均出行时间和小区间的常规公交平均出行时间。小区间不同出行方式的平均出行费用就包括小区间的公交平均出行费用、小区间的非公交平均出行费用、小区间的轨道平均出行费用和小区间的常规公交平均出行费用。
具体地,小区间的平均出行时间、小区间的平均出行距离、小区间的非公交平均出行时间和小区间的非公交平均出行费用是根据网络爬取的驾车出行数据计算得到;小区间的公交平均出行时间、小区间的公交平均出行费用是根据网络爬取的公交出行数据计算得到;小区间的轨道平均出行时间、小区间的轨道平均出行费用、常规公交的平均出行时间和常规公交的平均出行费用是根据网络爬取的公交出行数据筛选出的轨道和常规公交数据计算得到。
小区的基础属性数据包括平均房价、住房租金、无固定工作居住人口占总居住人口比例、常规公交站点数和轨道站点数;
其中,所述无固定工作居住人口占总居住人口比例是依据手机信令数据识别出的居住人口数和岗位数计算得到;所述平均房价和住房租金数据是利用对网络爬取得到的房价和租金的点位置信息数据以及G I S数据的综合分析得到;所述轨道站点数和常规公交站点数是利用G I S数据得到。
S103、构建出行方式选择的概率模型,并利用现状数据标定模型参数。
具体地,该概率模型包括三个阶段的概率模型,此三个阶段为根据出行方式划分而成,第一阶段划分机动化和非机动化,第二阶段划分公交和非公交,第三阶段划分轨道和常规公交。第一阶段构建非机动化分担率与小区间出行距离、小区间出行时间、平均房价、住房租金、无固定工作居住人口占总居住人口比例之间的第一回归模型。第二阶段构建公交和非公交的二元Log it模型,具体是指公交分担率与小区之间的公交平均出行时间、公交平均出行费用、非公交平均出行时间、非公交平均出行费用、起讫小区的公交站点总数、起点小区的轨道站点数量以及终点小区的轨道站点数量之间的第二回归模型。第三阶段构建轨道和常规公交的二元Logit模型,具体是指轨道分担率与小区之间的轨道平均出行时间、轨道平均出行费用、常规公交平均出行时间、常规公交平均出行费用、起点小区的轨道站点数量、终点小区的轨道站点数量、起点小区的常规公交站点数量、终点小区的常规公交站点数量之间的第三回归模型。
第一回归模型的具体形式为:
PijT=a0+a*(sij 0.2)+b*(tij 0.4)+c*(pricei 0.25)+d*(renti -0.2)+e*(ratioi 2)
其中,PijT表示i小区到j小区的出行中选择非机动化工具出行的概率,sij表示i小区到j小区的平均出行距离,tij表示i小区到j小区的平均出行时间,pricei表示i小区的平均房价,renti表示i小区的租金,ratioi表示i小区的无固定工作居住人口占总居住人口的比例,其他为模型待标定参数。
标定第一回归模型的部分现状数据如下表所示。
根据构建的第一回归模型的具体公式和现状数据,使用R语言标定模型的相关参数,可得第一回归模型的公式为:
PijT=1.686629-0.2097932*(sij 0.2)-0.0197699*(tij 0.4)-0.005963016*(pricei 0.25)+0.3730419*(renti -0.2)+0.0185084*(ratioi 2)
第一回归模型的R2为0.81。
第二回归模型的具体形式为:
vTij=a*tij bus+b*costij bus+c*stopij bus+d*stopi rail+e*stopj rail
vAij=a0+a*tij not_bus+b*costij not_bus
其中,PijT表示i小区到j小区的出行中选择公交出行的概率,vTij表示公交系统的效用函数,vAij表示非公交系统的效用函数;tij bus表示i小区到j小区的公交平均出行时间,costij bus表示i小区到j小区的公交平均出行费用,stopij bus表示i小区和j小区的常规公交站点总数,stopi rail表示i小区的轨道站点总数,stopj rail表示j小区的轨道站点总数。tij not _bus表示i小区到j小区的非公交平均出行时间,costij not_bus表示i小区到j小区的非公交平均出行费用;其他为模型待标定参数。
标定第二回归模型的部分现状数据如下表所示。
根据构建的第二回归模型的具体公式和现状数据,使用R语言标定模型的相关参数,可以得到第二回归模型的公式为:
vTij
=-0.00629*tij bus-0.00000062*costij bus+0.00591*stopij bus
+0.223*stopi rail+0.319*stopj rail
vAij=-3.52-0.0205*tij not_bus-0.000167*costij not_bus
第三回归模型的具体形式如下:
vTij=a0+a*tij rail+b*costij rail+c*stopi rail+d*stopj rail
vAij=a*tij bus+b*costij bus+c*stopi bus+d*stopj bus
其中,PijT表示i小区到j小区的出行中选择轨道出行的概率,vTij表示常规公交系统的效用函数,vAij表示轨道系统的效用函数;tij rail表示i小区到j小区的轨道平均出行时间,costij rail表示i小区到j小区的轨道平均出行费用,stopi rail表示i小区的轨道站点总数,stopj rail表示j小区的轨道站点总数;tij bus表示i小区到j小区的常规公交平均出行时间,costij bus表示i小区到j小区的常规公交平均出行费用,stopi bus表示i小区的常规公交站点总数,stopj bus表示j小区的常规公交站点总数。
标定第三回归模型的部分现状数据如下表所示。
根据构建的第三回归模型的具体公式和现状数据,使用R语言标定模型的相关参数,可以得到第三回归模型的具体公式为:
vTij
=-1.38-0.000326*tij rail-0.00000303*costij rail+0.0379*stopi rail+0.0753*stopj rail
vAij=-0.000529*tij bus-0.0114*costij bus+0.0262*stopi bus
+0.022*stopj bus
S104、利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。
如下表所示预测得到的小区间分担率的部分数据。
请参阅图2所示,图2为本申请的实施例提供的一种出行方式分担率预测装置的示意性框图,该预测装置200用于执行前述的基于大数据的出行方式分担率的预测方法。其中,该预测装置可以配置于服务器或终端中。
如图2所示,该预测装置200包括:第一分析单元201、第二分析单元202、构建模型单元203和预测单元204。
第一分析单元,用于通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;
第二分析单元,用于通过对手机信令数据、深圳通刷卡数据、互联网数据和GI S数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;
构建模型单元,用于构建出行方式选择的概率模型,并利用现状数据标定模型参数;
预测单元,用于利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测。
上述的装置可以实现为一种计算机程序的形式,该计算机程序可以在计算设备上运行。
以上,仅为本发明的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (1)
1.一种基于大数据的出行方式分担率的预测方法,其特征在于,包括以下步骤:
通过对手机信令数据和深圳通刷卡数据的分析,得到现状小区之间不同出行方式的分担率数据;
所述不同出行方式的分担率数据包括非机动化分担率数据、公交分担率数据和轨道分担率数据;其中,所述非机动化分担率和轨道分担率数据通过对手机信令数据分析得到,所述公交分担率数据通过对手机信令数据和深圳通刷卡数据综合分析得到;
通过对手机信令数据、深圳通刷卡数据、互联网数据和GIS数据的分析,得到小区之间不同出行方式的出行数据以及小区的基础属性数据;
所述小区之间不同出行方式的出行数据包括:小区间的平均出行时间、小区间的平均出行距离、小区间不同出行方式的平均出行费用和小区间不同出行方式的平均出行时间;所述不同出行方式包括公交、非公交、轨道和常规公交;
其中,小区间的平均出行时间、小区间的平均出行距离、小区间的非公交平均出行时间和小区间的非公交平均出行费用是根据网络爬取的驾车出行数据计算得到;小区间的公交平均出行时间、小区间的公交平均出行费用是根据网络爬取的公交出行数据计算得到;小区间的轨道平均出行时间、小区间的轨道平均出行费用、常规公交的平均出行时间和常规公交的平均出行费用是根据网络爬取的公交出行数据筛选出的轨道和常规公交数据计算得到;
所述小区的基础属性数据包括平均房价、住房租金、无固定工作居住人口占总居住人口比例、常规公交站点数和轨道站点数;
其中,所述无固定工作居住人口占总居住人口比例是依据手机信令数据识别出的居住人口数和岗位数计算得到;所述平均房价和住房租金数据是利用对网络爬取得到的房价和租金的点位置信息数据以及GIS数据的综合分析得到;所述轨道站点数和常规公交站点数是利用GIS数据得到
构建出行方式选择的概率模型,并利用现状数据标定模型参数;
所述概率模型包括根据出行方式划分的三个阶段的概率模型,第一阶段划分机动化和非机动化,第二阶段划分公交和非公交,第三个阶段划分轨道和常规公交;
第一阶段构建非机动化分担率与小区间出行距离、小区间出行时间、平均房价、住房租金、无固定工作居住人口占总居住人口比例之间的第一回归模型;第二阶段构建公交和非公交的二元Logit模型,具体是指公交分担率与小区之间的公交平均出行时间、公交平均出行费用、非公交平均出行时间、非公交平均出行费用、起讫小区的公交站点总数、起点小区的轨道站点数量以及终点小区的轨道站点数量之间的第二回归模型;第三阶段构建轨道和常规公交的二元Logit模型,具体是指轨道分担率与小区之间的轨道平均出行时间、轨道平均出行费用、常规公交平均出行时间、常规公交平均出行费用、起点小区的轨道站点数量、终点小区的轨道站点数量、起点小区的常规公交站点数量、终点小区的常规公交站点数量之间的第三回归模型;
第一回归模型的具体形式为:
PijT=a0+a*(sij 0.2)+b*(tij 0.4)+c*(pricei 0.25)+d*(renti -0.2)+e*(ratioi 2)
其中,PijT表示i小区到j小区的出行中选择非机动化工具出行的概率,sij表示i小区到j小区的平均出行距离,tij表示i小区到j小区的平均出行时间,pricei表示i小区的平均房价,renti表示i小区的租金,ratioi表示i小区的无固定工作居住人口占总居住人口的比例,其他为模型待标定参数;
第二回归模型的具体形式为:
vTij′=a′*(tij bus)′+b′*(costij bus)′+c′*stopij bus+d′*(stopi rail)′+e′*(stopj rail)’
vAij′=a0′+a′*tij not_bus+b′*costij not_bus
其中,PijT′表示i小区到j小区的出行中选择公交出行的概率,vTij′表示公交系统的效用函数,vAij′表示非公交系统的效用函数;(tij bus)’表示i小区到j小区的公交平均出行时间,(costij bus)’表示i小区到j小区的公交平均出行费用,stopij bus表示i小区和j小区的常规公交站点总数,(stopi rail)’表示i小区的轨道站点总数,(stopj rail)’表示j小区的轨道站点总数,tij not_bus表示i小区到j小区的非公交平均出行时间,costij not_bus表示i小区到j小区的非公交平均出行费用;其他为模型待标定参数;
第三回归模型的具体形式如下:
vTij″=a0″+a″*tij rail+b″*costij rail+c″*(stopi rail)″+d″*(stopj rail)″
vAij″=a″*(tij bus)″+b″*(costij bus)″+c″*stopi bus+d″*stopj bus
其中,PijT″表示i小区到j小区的出行中选择轨道出行的概率,vTij″表示常规公交系统的效用函数,vAij″表示轨道系统的效用函数;tij rail表示i小区到j小区的轨道平均出行时间,costij rail表示i小区到j小区的轨道平均出行费用,(stopi rail)″表示i小区的轨道站点总数,(stopj rail)″表示j小区的轨道站点总数;(tij bus)″表示i小区到j小区的常规公交平均出行时间,(costij bus)″表示i小区到j小区的常规公交平均出行费用,stopi bus表示i小区的常规公交站点总数,stopj bus表示j小区的常规公交站点总数;
利用参数已经标定好的概率模型和规划年的相关基础数据对规划年小区之间不同出行方式的分担率进行预测;
所述规划年相关基础数据包括小区间的平均出行距离和出行时间,小区间不同出行方式的平均出行时间和出行费用,小区的常规公交站点数和轨道站点数,小区的平均房价和住房租金,小区的无固定工作居住人口占总居住人口的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252177.XA CN111143769B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911252177.XA CN111143769B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111143769A CN111143769A (zh) | 2020-05-12 |
CN111143769B true CN111143769B (zh) | 2023-05-09 |
Family
ID=70517866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911252177.XA Active CN111143769B (zh) | 2019-12-09 | 2019-12-09 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111143769B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111653096B (zh) * | 2020-05-29 | 2022-10-04 | 南京瑞栖智能交通技术产业研究院有限公司 | 一种基于手机信令数据的城市出行方式识别方法 |
CN112381470B (zh) * | 2021-01-12 | 2021-06-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于智能体的交通流量分配方法、设备及存储介质 |
CN114385884B (zh) * | 2022-01-06 | 2024-03-26 | 深圳大学 | 一种公交乘客居住地分布预测方法、终端设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106682812A (zh) * | 2016-11-24 | 2017-05-17 | 西安建筑科技大学 | 综合运输体系客运方式分担率‑距离转移曲线确定方法 |
CN108053053A (zh) * | 2017-11-21 | 2018-05-18 | 东南大学 | 基于空间自回归模型的电动自行车非通勤出行预测方法 |
WO2019003672A1 (ja) * | 2017-06-28 | 2019-01-03 | 株式会社日立製作所 | 交通需要予測装置、及び交通需要予測方法 |
CN109509351A (zh) * | 2019-01-04 | 2019-03-22 | 江苏省城市规划设计研究院 | 一种公交站点周边地区公交分担率的计算方法 |
WO2019177620A1 (en) * | 2018-03-16 | 2019-09-19 | Ford Motor Company | Optimizing and predicting availability of resources in a shared vehicle environment |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120197685A1 (en) * | 2011-01-25 | 2012-08-02 | Adam Mays | Geographical information system and method for accessing and displaying affordability data |
US9958280B2 (en) * | 2011-08-16 | 2018-05-01 | Inrix, Inc. | Assessing inter-modal passenger travel options |
US9255809B2 (en) * | 2012-03-30 | 2016-02-09 | Global Eagle Entertainment Inc. | System and method for integrated trip planning based on fixed and flexible itinerary components |
-
2019
- 2019-12-09 CN CN201911252177.XA patent/CN111143769B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1657693A2 (en) * | 2004-11-16 | 2006-05-17 | Microsoft Corporation | Traffic forecasting employing modeling and analysis of probabilistic interdependencies and contextual data |
CN105070042A (zh) * | 2015-07-22 | 2015-11-18 | 济南市市政工程设计研究院(集团)有限责任公司 | 一种交通预测的建模方法 |
CN105809962A (zh) * | 2016-06-13 | 2016-07-27 | 中南大学 | 一种基于手机数据的交通出行方式划分的方法 |
CN106682812A (zh) * | 2016-11-24 | 2017-05-17 | 西安建筑科技大学 | 综合运输体系客运方式分担率‑距离转移曲线确定方法 |
WO2019003672A1 (ja) * | 2017-06-28 | 2019-01-03 | 株式会社日立製作所 | 交通需要予測装置、及び交通需要予測方法 |
CN108053053A (zh) * | 2017-11-21 | 2018-05-18 | 东南大学 | 基于空间自回归模型的电动自行车非通勤出行预测方法 |
WO2019177620A1 (en) * | 2018-03-16 | 2019-09-19 | Ford Motor Company | Optimizing and predicting availability of resources in a shared vehicle environment |
CN109509351A (zh) * | 2019-01-04 | 2019-03-22 | 江苏省城市规划设计研究院 | 一种公交站点周边地区公交分担率的计算方法 |
Non-Patent Citations (3)
Title |
---|
基于交叉分层Logit的轨道站点周边居住地和出行方式联合选择模型;李霞;高利;刘玉国;;吉林大学学报(工学版)(第06期);全文 * |
基于网络广义极值模型的居住地和通勤方式同时选择模型研究;李霞;邵春福;曲天书;杨励雅;王江峰;;北京大学学报(自然科学版)(第06期);全文 * |
居住地、出行方式与出发时间联合选择的交叉巢式Logit模型;杨励雅;李霞;邵春福;;同济大学学报(自然科学版)(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111143769A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143769B (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
Han et al. | Uncovering the spatiotemporal dynamics of urban infrastructure development: A high spatial resolution material stock and flow analysis | |
Dong et al. | Can land urbanization help to achieve CO2 intensity reduction target or hinder it? Evidence from China | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
CN103336894B (zh) | 一种城市容积率自动分区方法 | |
Liu et al. | Smart environment design planning for smart city based on deep learning | |
CN110836683A (zh) | 河道管理方法、河道管理装置及终端 | |
CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
CN115906235A (zh) | 公共建筑节能诊断系统及方法 | |
CN110288125B (zh) | 一种基于手机信令数据的通勤模型建立方法及应用 | |
CN111914940A (zh) | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 | |
Baclet et al. | Near-real-time dynamic noise mapping and exposure assessment using calibrated microscopic traffic simulations | |
Han | The implication of regional and local growth management policies on sprawl: A case of the Calgary Metropolitan Area | |
CN116629460B (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
Song et al. | Effects of planning variables on urban traffic noise at different scales | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Wang et al. | Application of machine learning-based BIM in green public building design | |
CN113111860B (zh) | 道路移动源排放计算方法、装置、设备及介质 | |
CN114881472A (zh) | 机动车排放对空气质量影响的分析方法、装置及设备 | |
CN112308382B (zh) | 一种开放性的tod城市大数据监测分析平台 | |
Liu et al. | Life cycle energy consumption prediction based on an extended system boundary with the Bi-LSTM model: An empirical study of China | |
CN110177339B (zh) | 一种od矩阵构建方法及装置 | |
CN110942622B (zh) | 一种基于停车场实时运营大数据的停车场规划方法 | |
Fontoura et al. | Using system dynamics to understand long-term impact of new mobility services and sustainable mobility policies: an analysis pre-and post-COVID-19 pandemic in Rio de Janeiro, Brazil |
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 |