CN111275241A - 基于机器学习决策树的公交车乘客下车站点推断方法 - Google Patents
基于机器学习决策树的公交车乘客下车站点推断方法 Download PDFInfo
- Publication number
- CN111275241A CN111275241A CN202010017052.5A CN202010017052A CN111275241A CN 111275241 A CN111275241 A CN 111275241A CN 202010017052 A CN202010017052 A CN 202010017052A CN 111275241 A CN111275241 A CN 111275241A
- Authority
- CN
- China
- Prior art keywords
- data
- station
- getting
- passenger
- decision tree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003066 decision tree Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000013138 pruning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习决策树的公交车乘客下车站点推断方法,主要通过IC卡刷卡数据和公交GPS数据匹配得到乘客刷卡数据的上车站点,再通过乘客的出行特征将乘客进行分类,通过将部分乘客的出行数据进行监督学习,其中每一个条出行数据都可以用一组属性来描述,每一条出行数据属于一个互斥的类别中的某一类,通过监督学习,找到从属性值到类别的映射关系,并能够为新的乘客出行数据进行分类来推断乘客的下车站点。本发明解决了公交乘客下车站点未知的问题,提升了现有下车站点预测方法的准确率。
Description
技术领域
本发明涉及公共交通领域,尤其涉及一种基于机器学习决策树的公交车乘客下车站点 推断方法。
背景技术
随着经济全球化的迅猛发展,城市化程度逐渐增强,城市人口飞速增长,人们的出行 需求也随之增加,城市规模的不断扩大与飞速增长的出行需求之间的矛盾日渐加剧。虽然 私家车的数量与日俱增,但随着而来的是交通拥堵、空气污染以及非再生能源的加速枯竭 问题,而通过发展公共交通可以从根本上解决这一问题,从运输能力、通行效率以及道路 资源占有率方面公共交通系统具有绝对的优势,这就要求将公共交通的发展建设放到城市 建设的首要位置来。
随着政府加大力度发展公共交通,城市的基础设施建设不断进行,公交网络系统逐步 趋于完善,并且公交网络系统随着城市规模的扩大不断发生快速变化,以天津市城市公共 交通系统为例,天津市在发展城市公共交通上尤为重视,将发展公共交通作为一项利国利 民的民生工程,公共交通在该城市显得尤为重要,越来越多的人外出时会优先选择乘坐公 交车出行。公交网络的定义一般是指在一定地域范围内所有以公共交通线路为边和以交通 枢纽为节点的网络。同时公共交通运输部门不仅需要参考实际的乘客出行需求,而且要实 时地设计和完善满足这些出行需求的公交运输系统,这不仅仅包括公交运输调度系统设计 以及公交运输的线路网络的优化,同时要根据实际的交通运输需求及时高效地反映到公交 网络调整以及线路优化中。
到目前为止,天津市已部署运行公交车线路多达600条,运营线路总长度约13500公 里,公交车数量超过10000部,每日选择乘坐公交车出行的人次达600万左右。在这种海量的并且复杂的出行需求的情况下,出行的乘客以及运行的公交车每天都会产生大量的数据信息,这些产生的数据具有实时产生、规模海量等特点。如何对这些海量的数据进行数据筛选、数据提取和数据挖掘,将对我们有用的数据挖掘出来,实现数据的利用价值,这 对改善公共交通系统的运营及优化以及其商业化应用具有深远意义。
发明内容
本发明提供了一种基于机器学习决策树的公交车乘客下车站点推断方法,本发明通过 IC卡刷卡数据和公交GPS数据匹配得到乘客刷卡数据的上车站点,再通过乘客的出行特 征将乘客进行分类,通过将部分乘客的出行数据进行监督学习,其中每一个条出行数据都 可以用一组属性来描述,每一条出行数据属于一个互斥的类别中的某一类,通过监督学习, 找到从属性值到类别的映射关系,并能够为新的乘客出行数据进行分类来推断乘客的下车 站点。并以天津市公交系统为例,利用该方法推断出公交下车站点占比75.36%,推断结果 可以得到乘客的OD站点分布以及为大规模乘客出行规律研究提供有力基础,并为进一步 获得乘客出行规律提供了有力依据。旨在解决了公交乘客下车站点未知的问题,提升了现 有下车站点预测方法的准确率。以及为公交线路优化以及公交系统调度优化提供数据依 据,提高公共交通的资源利用率,详见下文描述:
一种基于机器学习决策树的公交车乘客下车站点推断方法,所述方法包括以下步骤:
根据车辆位置信息与公交系统中的线路位置数据相匹配,获取最终的上车站点;
机器学习训练集的获取,通过IC卡和GPS数据相结合的方法获取训练集;
应该决策树C4.5算法对未知乘客的下车站点进行预测;
将预测过程种的决策树进行剪枝处理;防止推断中出现过拟合现象;
最后预测未知的乘客刷卡数据的下车站点。
本发明提供的技术方案的有益效果是:
1、本发明通过机器学习决策树算法对公交车的乘客下车站点进行推断研究,能够获得 乘客的上下车站点从而获得其出行规律,为公交车的客流疏解以及为快速公交的定制提供 数据依据。
2、本发明通过已刷卡数据以及已上传的车辆GPS数据进行数据处理,理论上可以做 到实时统计分析乘客的下车站点,为乘客出行分析提供数据支撑;
3、本发明比传统意义上的乘客下车站点推断效率更高,准确性更好。
附图说明
图1为推断出来的每条刷卡数据的上车站点示意图;
图2为决策树C4.5算法示意图;
图3为决策树示意图;
图4为剪枝处理后的决策树示意图。
表1为天津市乘客刷卡数据数据结构表;
表2为天津市公交车GPS数据示意表;
表3为训练集属性示意表;
表4为乘客上下车站点推断结果示意表。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详 细描述。
实施例1
本发明实施例提供了一种基于机器学习决策树的公交车乘客下车站点推断方法,本发 明实施例使用天津市公交车IC卡刷卡数据和GPS数据相融合推断乘客的上车站点得出出 行规律从而获得乘客的下车站点方法,参见图1,该方法包括以下步骤:
101:根据从天津市公交公司获取的天津市公交IC卡刷卡数据以及公交GPS数据,进 行数据清洗和数据整理,提取相关线路的刷卡记录以及车辆GPS信息;
102:通过MYSQL(一种关系型数据库管理系统)数据库对数据进行清洗和整理,清洗数据包括对缺失数据处理、重复数据处理、异常数据处理及不一致数据处理等,将缺失数据删除或者补全,删除重复数据以及剔除异常数据;
其中,MYSQL数据库为本领域技术人员所公知,本发明实施例对此不做赘述。
103:获得某一段时间内所有的IC卡刷卡记录,以及该时间内公交车的调度数据即车 辆的GPS数据信息;
104:将IC卡数据与GPS数据进行数据融合,通过提取IC卡卡号、刷卡时间、线路 以及车辆编号,并将IC卡的刷卡时间与车辆GPS数据进行匹配,从而获得距离该刷卡时 间较近的车辆的位置信息;
105:根据车辆的位置信息与公交系统中的线路位置数据相匹配,得到最终的上车站 点;
106:根据乘客的出行规律获取决策树算法的训练集,经过对刷卡数据的属性的推断, 将数据中的刷卡数据属性进行分类,对不同的属性进行标记;
107:计算类别的信息熵,Ent(D)的值越小,训练集合D的纯度越高;
108:计算每个属性的信息熵,C4.5则采用信息增益率来划分节点,计算每个属性的 信息增益率,从训练集属性中找到信息增益高于平均水平的属性,再从中先择增益最高的 属性;
109:为解决训练学习过程中的过拟合现象,将树进行剪枝处理,提升决策树的分类 性能;
110:最终得到乘客刷卡数据的下车站点,重复这一操作,即可获得批量乘客刷卡数据 的下车站点。
综上所述,本发明实施例通过对机器学习决策树算法的公交车乘客下车站点推断,可 以获取乘客的出行规律,提高了乘客刷卡数据下车站点的推断效率,解决了批量预测乘客 的下车站点的技术问题。
实施例2
下面结合具体的实例,对实施例1中的方案进行进一步地介绍,详见下文描述:
以天津市686路为例,基于机器学习决策树的公交车乘客下车站点推断方法描述如下:
1)从IC卡刷卡数据中提取所有686路公交车的刷卡数据,并从车辆调度数据中提取 所有686路公交车车辆GPS数据如表2所示;
2)将686路公交车的刷卡数据清洗,删除未在车辆运行时间区间内的刷卡数据以及 信息缺失或错误的数据,获取每条刷卡记录的ID号,刷卡时间、线路以及车辆编号如表1所示;
3)获取该段时间内686路所有车辆的GPS轨迹信息,即时间、线路号、上下行、经 纬度、车辆编号等数据;
4)判断刷卡时间以及GPS数据是否完整,如果是,判断刷卡时间与线路运营时间之差是否小于十分钟,执行步骤5);如果否,则推断站点未知,流程结束;
5)再判断刷卡时间是否晚于线路末班车到达终点站时间,如果否,则推断站点未知, 流程结束;如果是,执行步骤6);
6)将刷卡时间与车辆GPS数据进行匹配,两者时间小于6秒的,筛选出来,并提取距离时间最近的一条车辆GPS数据,执行步骤7);如果否,则将匹配时间扩大至10秒, 如果满足则提取距离时间最近的一条车辆GPS数据,执行步骤7);不满足则判断下一个 刷卡记录与当前刷卡记录时间间隔是否小于5分钟,如果是,重新执行步骤6),若不满足, 则推断站点未知,流程结束;
7)获取时间最接近刷卡时间的GPS时间,根据GPS数据与线路站点对应表相匹配,按照站点与GPS数据位置信息的距离从大到小依次排序,取距离最小的站点为该IC卡的 上车站点如图1所示;
8)通过获取该时间段内686路所有的刷卡数据以及刷卡的上车站点,获取乘客的出 行规律,记录其出行特征属性;
9)根据乘客的出行规律获取决策树算法的训练集,经过对刷卡数据的属性的推断, 将数据中的刷卡数据属性进行分类,对不同的属性进行标记,得到的训练集参见表3;
10)计算类别的信息熵,类别信息熵是训练数据集中各种类别出现的不确定性之和, 其熵越大,则表示不确定性越高,对分类所需的期望信息表达式如下,并得到类别的期望 值:
Ent(D)的值越小,训练集合D的纯度越高;
11)计算每个属性的信息熵,C4.5则采用信息增益率来划分节点,计算每个属性的信 息增益率,信息增益率的计算如下:
其中
C4.5从训练集属性中找到信息增益高于平均水平的属性,再从中先择增益最高的属 性,类似的,对每一个分支节点进行上述操作,最终得到决策树,参见图3;
12)将树进行剪枝处理,为了解决学习过程中的过拟合,采用剪枝来进行优化形成的决 策树,后剪枝树从训练集生成一颗完整的决策树剪去子树而形成,自上而下的考察非叶子 节点,若该节点对应的子树替换为叶子节点能提升决策树的泛化性能,对比剪枝前后的分 类错误率来决定是否剪枝,如果性能提升的话,则将该子树替换为叶子节点,剪枝后的决 策树参见图4;
13)得到686路某时间段内乘客刷卡数据的下车站点,推断结果参见表4。
表1
表2
表3
表4
综上所述,公交IC卡的刷卡数据包含大量的出行信息,很值得深入挖掘,本发明实施例通过机器学习决策树算法来对公交车乘客刷卡数据的下车站点进行推断,获取每个乘客的上下车站点,这种方法简单,高效,能够满足非实时或者实时的公交数据处理的情况,以较小的成本获取乘客的出行规律。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要 能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号 仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,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 (2)
1.一种基于机器学习决策树的公交车乘客下车站点推断方法,其特征在于,所述方法包括以下步骤:
根据车辆位置信息与公交系统中的线路位置数据相匹配,获取最终的上车站点;
机器学习训练集的获取,通过IC卡和GPS数据相结合的方法获取训练集;
应该决策树C4.5对未知乘客的下车站点进行预测;
将预测过程种的决策树进行剪枝处理;防止推断中出现过拟合现象;
最后预测未知的乘客刷卡数据的下车站点。
2.根据权利要求1所述的一种基于机器学习决策树算法的公交车乘客下车站点推断方法,其特征在于,
应用机器学习中的决策树C4.5算法进行乘客刷卡数据的下车站点的预测,将乘客的某段时间内所有的乘车记录进行分析处理,从而得到乘客的出行规律,通过已有的出行数据来预测分析乘客的下车站点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017052.5A CN111275241A (zh) | 2020-01-08 | 2020-01-08 | 基于机器学习决策树的公交车乘客下车站点推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017052.5A CN111275241A (zh) | 2020-01-08 | 2020-01-08 | 基于机器学习决策树的公交车乘客下车站点推断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275241A true CN111275241A (zh) | 2020-06-12 |
Family
ID=71000105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017052.5A Pending CN111275241A (zh) | 2020-01-08 | 2020-01-08 | 基于机器学习决策树的公交车乘客下车站点推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985710B (zh) * | 2020-08-18 | 2023-08-25 | 深圳诺地思维数字科技有限公司 | 一种公交乘客出行站点预测方法、存储介质及服务器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN110264710A (zh) * | 2019-05-21 | 2019-09-20 | 天津大学 | 基于ic卡刷卡和公交gps数据的公交客流推断方法 |
CN110377685A (zh) * | 2019-07-23 | 2019-10-25 | 中国联合网络通信集团有限公司 | 一种基于机器学习的到站提醒方法和系统 |
US20200027347A1 (en) * | 2016-08-19 | 2020-01-23 | Dalian University Of Technology | Collaborative optimization method for bus timetable based on big data |
-
2020
- 2020-01-08 CN CN202010017052.5A patent/CN111275241A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550789A (zh) * | 2016-02-19 | 2016-05-04 | 上海果路交通科技有限公司 | 一种公交出行客流的预测方法 |
CN105809292A (zh) * | 2016-03-21 | 2016-07-27 | 广州地理研究所 | 公交ic卡乘客下车站点推算方法 |
CN105788260A (zh) * | 2016-04-13 | 2016-07-20 | 西南交通大学 | 一种基于智能公交系统数据的公交乘客od推算方法 |
US20200027347A1 (en) * | 2016-08-19 | 2020-01-23 | Dalian University Of Technology | Collaborative optimization method for bus timetable based on big data |
CN108288321A (zh) * | 2018-01-24 | 2018-07-17 | 哈尔滨工业大学 | 基于ic卡数据与车辆gps信息的公交站点上下客流量确定方法 |
CN110264710A (zh) * | 2019-05-21 | 2019-09-20 | 天津大学 | 基于ic卡刷卡和公交gps数据的公交客流推断方法 |
CN110377685A (zh) * | 2019-07-23 | 2019-10-25 | 中国联合网络通信集团有限公司 | 一种基于机器学习的到站提醒方法和系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985710B (zh) * | 2020-08-18 | 2023-08-25 | 深圳诺地思维数字科技有限公司 | 一种公交乘客出行站点预测方法、存储介质及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105788260B (zh) | 一种基于智能公交系统数据的公交乘客od推算方法 | |
CN109145954B (zh) | 一种基于多源时空数据的网约车出行安全评价方法及系统 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
CN111653096A (zh) | 一种基于手机信令数据的城市出行方式识别方法 | |
CN110909434B (zh) | 一种低碳导向下的城市公共交通干线网络设计方法 | |
CN112036757B (zh) | 基于手机信令和浮动车数据的停车换乘停车场的选址方法 | |
CN105427001A (zh) | 地区中小学校校车最优路线与配置方法 | |
CN111191816A (zh) | 城市轨道交通乘客出行时间链辨识系统 | |
Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
CN112507624A (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN106373384A (zh) | 边远地区客运班车线路实时生成方法 | |
CN112000755A (zh) | 一种基于手机信令数据的区域出行廊道识别方法 | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN114358386A (zh) | 一种基于预约出行需求的双出行模式合乘站点生成方法 | |
CN111275241A (zh) | 基于机器学习决策树的公交车乘客下车站点推断方法 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
Tan et al. | Statistical analysis and prediction of regional bus passenger flows | |
CN111860699B (zh) | 一种基于波动率的通勤出行模式识别方法 | |
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 | |
CN111931968B (zh) | 一种应用手机gps数据来优化公共自行车站点布局的方法 | |
Izadi et al. | Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city) | |
Akin et al. | Modeling the change of urban spatial structure: Use interzonal travel data to estimate urban growth and expansion by hierarchical cluster analyses | |
CN111275482A (zh) | 基于机器学习的轨道交通实时动态清分方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200612 |
|
WD01 | Invention patent application deemed withdrawn after publication |