CN111460598A - 一种基于机器学习的公交干线网生成方法 - Google Patents
一种基于机器学习的公交干线网生成方法 Download PDFInfo
- Publication number
- CN111460598A CN111460598A CN202010287090.2A CN202010287090A CN111460598A CN 111460598 A CN111460598 A CN 111460598A CN 202010287090 A CN202010287090 A CN 202010287090A CN 111460598 A CN111460598 A CN 111460598A
- Authority
- CN
- China
- Prior art keywords
- bus
- network
- data
- machine learning
- trunk
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于机器学习的公交干线网生成方法,包括:S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据;S2、将公交线网覆盖区域栅格化,并将S1采集的数据整合至栅格层面;S3、将公交线网结构现状的数据和栅格属性数据作为输入层,利用多层卷积神经网络模型,将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量,建立机器学习模型;S4、利用选定范围已有的公交数据训练机器学习模型,生成公交干线网。与现有技术相比,本发明在学习现有公交线网连接规则基础上,依托所学的指标要素,重新生成公交干线网络适用于不同类型城市,对于城市公交线网重构、分层公交网络规划、干线线路优化调整等具备较强的指导意义。
Description
技术领域
本发明涉及交通运输工程领域,尤其是涉及一种基于机器学习的公交干线网生成方法。
背景技术
住房与建设部发布的《城市综合交通体系规划标准》指出,城市公共汽电车线路按其功能、客运能力及运速,可分为干线、普线、支线三个层级,不同城市可根据公交客流特征选择线路层级构成。公交干线网服务于城市主要客运走廊,主要承担中长距离公交出行需求,提供较大运量、快速可靠的公交服务,干线网具有一定的稳定性。
目前国内城市常规地面公交系统,在运营形态及功能定位上均缺乏层次性,无法提供差异化公交服务,难以匹配多元出行需求。公交干线网形态及服务能力不突出,公交线路服务水平趋同,主要客运走廊缺乏高效高运能的干线服务体系,较大限制了公交系统的服务竞争力。由此可见,公交干线网作为公交线网系统的骨干结构,对于城市公交服务优化、公交线网重构及调整、干线运能优化、提高乘客出行效率均具有重要的指导及借鉴意义。
公交干线网生成应以城市活动时空组织与城市空间结构的契合为基本原则,从而保障城市空间使用特征与公交运输服务适配。既有的公交干线网规划技术多基于公交OD分析,通过识别主要客流走廊、重要节点,提取高频线路,确定公交干线网。保障运输形态与城市空间形态的耦合,将主要OD提取分配至城市主要道路或主要交通小区形心连线上,此类方法可操作性强,但客观影响因素仅覆盖了客流和线路,且假设线路本身形态是合理的。然而该假设显然依据不足,因为公交线路的开设与延伸通常是被动适应道路条件、客流需求的结果,线路会结合部分老百姓提出的诉求而进行调整;而筛选出的公交干线往往只有一段途径客流走廊,即客流走廊与干线线路并无良好对应性。因此,既有方法易受人为因素影响,且较难兼顾城市空间结构与现状公交线网形态的耦合性。大数据背景下,机器学习可利用计算机的学习、记忆功能识别现有知识、获取新知识、不断改善性能和实现自身完善,因而为公交干线网生成方法的智能化创新提供了途径,通过机器学习实现多方影响要素的综合考虑,宏观把握城市空间结构、活动时空聚集性、线网空间结构的适配性,同时避免人为因素的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的公交干线网生成方法。
本发明的目的可以通过以下技术方案来实现:
一种基于机器学习的公交干线网生成方法,包括以下步骤:
S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据,分析得到选定范围的公交线网结构现状的基本情况;
S2、根据选定范围的公交线网结构的空间异质性特征,将公交线网覆盖区域栅格化,并将步骤S1采集的数据整合至栅格层面,得到栅格属性数据;
S3、将公交线网结构现状的数据和S2中的栅格属性数据作为输入层,利用多层卷积神经网络模型,将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量,建立机器学习模型;
S4、利用选定范围已有的公交数据训练机器学习模型,生成公交干线网。
优选的,所述S1中影响公交线网结构的空间异质性的动静态数据包括:城市空间结构类数据、建成环境类数据、活动需求类数据、道路条件类数据和交通条件类数据。
优选的,所述S2中根据选定范围的公交线网结构的空间异质性特征,将公交线网覆盖区域栅格化的过程具体包括:
基于包括公交站点分布、站间距取值、公交乘客平均乘距在内的数据,在选定范围中的不同区域,结合公交线网结构的空间异质性特征将空间划分为不同尺寸的栅格,并将栅格质心点作为干线网生成的备选站点。
优选的,所述S2中栅格属性数据包括:建成环境属性、空间结构属性、道路条件属性、交通属性和人群活动属性。
优选的,所述多层卷积神经网络包括:输入层、卷积层、池化层、全连接层、Dropout层。
优选的,所述多层卷积神经网络设置至少两个卷积层进行卷积操作,第一个卷积层提取的是数据的低阶特征,第二个卷积层提取更高阶的特征。
优选的,所述输入层中将栅格属性数据整理后得到的一维特征数据重塑为a行b列c深度的三维矩阵,其中c是通道数,a、b、c的乘积大小等于原始特征数量。
优选的,所述S4具体包括:
S41、将选定范围的原有干线网连接规则作为学习目标,分为短距离栅格间连接、中长距离栅格间连接两个层次;
S42、基于以下两点基础原则训练机器学习模型:
1)以长距离间栅格强联系确定线路主要延伸方向;
2)以相邻栅格间联系强度确定相邻站点的方位;
S43、生成公交干线网。
与现有技术相比,本发明具有以下优点:
1、有别于传统的基于线网节点或线路属性进行的多目标优化筛选线网方法,本方法采用客观、全面、高效的机器学习方法,在学习现有公交线网连接规则基础上,依托所学的指标要素,面向不同类型城市的空间结构、土地利用、人口岗位布局、活动时空特性,重新生成公交干线网络,适用于不同类型城市,对于城市公交线网重构、分层公交网络规划、干线线路优化调整、干线运能优化、客流走廊道路空间资源再分配、提高乘客出行效率等具备较强的指导、借鉴意义。
2、本方法生成的公交干线网综合考虑了5类近30项指标属性,传统干线生成方法仅考虑了活动需求、道路条件、交通条件3方面约5个指标属性,本方法生成的公交干线网以更精炼的线路数提取出兼顾更多骨干因素的公交干线网。
附图说明
图1为本发明方法的流程示意图;
图2为公交干线网影响因素指标体系示意图:
图3为本发明中多层卷积模型结构示意图;
图4为本发明短距离栅格连接示意图;
图5为本发明中长距离栅格连接示意图;
图6为实施例中本方法生成干线网示意图;
图7为实施例中传统干线网示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本申请提出一种基于机器学习的公交干线网生成方法,包括以下步骤:
S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据,分析得到选定范围的公交线网结构现状的基本情况;
S2、根据选定范围的公交线网结构的空间异质性特征,将公交线网覆盖区域栅格化,并将步骤S1采集的数据整合至栅格层面,得到栅格属性数据;
S3、将公交线网结构现状的数据和S2中的栅格属性数据作为输入层,利用多层卷积神经网络模型,将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量,建立机器学习模型;
S4、利用选定范围已有的公交数据训练机器学习模型,生成公交干线网。
步骤S1中首先明确公交线网结构的空间异质性作为机器学习的研究对象,并采集影响线网结构空间异质性的动静态数据,主要包括五类:城市空间结构类数据、建成环境类数据、活动需求类数据、道路条件类数据和交通条件类数据。
在上一步基础上,对研究对象公交线网结构的基本情况进行分析,主要包括:公交线网结构形态、公交线网演变历史及发展趋势、公交线网结构形态与城市空间结构、土地利用、人口分布、岗位分布、人口流动规律、道路网基础设施的布设等因素之间的关系。
如图2所示,本方法中构建了公交干线网结构影响因素指标体系:(1)基于线网结构及其稳定形态与城市空间结构、区域的土地利用、人口岗位分布、人口流动规律、道路网基础设施的布设等属性特征之间关联度的强弱,筛选出合理的区域属性指标;(2)以线路直达率、线网覆盖率、干线网形态、站点布局、站间距、客流OD等指标为公交线网优化要素,与上述区域属性特征做相关性分析,筛选出影响区域线网形态的属性指标。综合(1)和(2)筛选出的指标,构建公交干线网结构影响因素指标体系。
步骤S2中将公交线网覆盖区域分为若干小块,从若干小块开始,学习线网连接规则。将公交线网覆盖区域栅格化的过程具体包括:
基于包括公交站点分布、站间距取值、公交乘客平均乘距在内的数据,在选定范围中的不同区域,结合公交线网结构的空间异质性特征将空间划分为不同尺寸的栅格,并将栅格质心点作为干线网生成的备选站点。
将步骤S1中采集的数据整合至划分的栅格中是区域宏观属性微观化,整理得到的栅格属性数据包括:建成环境属性、空间结构属性、道路条件属性、交通属性和人群活动属性。
如图3所示,步骤S3以多层卷积神经网络模型(CNN)作为算法结构基础,根据其结构分层确定相应参数:
1)CNN-输入层,将栅格属性数据整理后得到的一维特征数据重塑为a行b列c深度的三维矩阵,其中c是通道数,a、b、c的乘积大小等于原始特征数量;
2)CNN-卷积层,卷积操作即将卷积核投影到前一层数据构成的面上,然后卷积核对应位置的权值与前一层投影区域的数据进行点积并求和,然后按照给定的步长由左到右,由上至下的不断移动卷积核的位置,将上一层数据扫描完成后得到一个新矩阵,即特征图(Feature Map);这一部分主要是完成特征提取的工作,设置至少两个卷积层进行卷积操作,第一个卷积层提取的是数据的低阶特征,第二个卷积层可以提取到更高阶的特征;
3)CNN-池化层,对卷积层提取的数据特征进行二次特征提取,它的每一个神经元对被选取的局部区域进行池化,常用的池化操作方法有最大值池化(Max-pooling)(取被选取的局部区域里最大的值)、随机池化(Stachastic-pooling)、平均值池化(Mean-pooling)(取被选取的局部区域的平均值)。
4)CNN-全连接层,将由前面卷积层和池化层提取到的局部特征信息整合起来,全连接的输出值为预测出的站点间公交线路的数量;
5)CNN-Drop out层,使层内的神经元的权值有概率为p的可能性变为0,避免训练集上出现过拟合的现象,剔除特征内的冗余信息。
步骤S4具体包括:
S41、将选定范围的原有干线网连接规则作为学习目标,分为短距离栅格间连接、中长距离栅格间连接两个层次,分别如图4、5所示;
S42、基于以下两点基础原则训练机器学习模型:
1)以长距离间栅格强联系确定线路主要延伸方向;
2)以相邻栅格间联系强度确定相邻站点的方位;
S43、生成公交干线网。
本方法通过机器学习现有公交线网连接规则基础上,依托5类近30项要素指标的学习,生成适用于特定城市结构形态、土地利用、人口岗位布局、路网通达性等条件下的机器网络,实现面向不同属性城市或区域,生成层次分明、功能明确、客观、真实的公交干线网。
实施例
以上海市嘉定区为例,利用本方法实现嘉定片区的公交干线网生成,具体过程为:
确定选定范围为嘉定区,结合嘉定区公交线网结构的空间异质性表征以及栅格数据的可获得性,选取1公里的栅格,将嘉定区划分为共513个栅格,并确定了机器学习的学习变量指标。
将干线网连接规则作为学习目标、多层卷积神经网络模型(CNN)作为算法基础,分为短距离栅格间连接(相邻栅格)、中长距离栅格间连接(距离大于3km)两个层次。
得到短距离栅格间连接、中长距离栅格间连接的学习结果后,进一步建立栅格间沟通连接方法:通过长距离栅格强联系确定线路主要延伸方向,以相邻栅格强联系确定相邻站点方位。从而生成公交干线网,共11条线路。
本方法的效果:
将本方法生成的公交干线网(简称机成网)与按照传统方法提取的公交干线线网(简称传统干线网)对比,结果如下:
通过公交线路IC卡客流数据、OD居民出行调查数据客流分配、高频发车线路、线网拓扑结构骨架性数据等方式提取嘉定传统干线网。确定干线线路的标准为高客流、高频、高骨架性,满足三个条件之一即认为是公交干线:1)高客流,线路日均客运量排序前30%人次;2)高频,线路高峰时段发车频率小于10min;3)高骨架性,线路中心度指标排序前10%。由此得到嘉定区公交传统干线网,共21条线路,另加1条地铁线。
将本申请方法与现状公交线网(共79条线路)、传统干线网进行人口、POI、乘客OD对覆盖数对比验证其有效性。
以现状公交网覆盖的人口数、POI数、乘客OD对数为参照基准:
本方法生成的干线网(11条线路)人口覆盖率55.4%、POI覆盖率65.5%、OD对覆盖率59.9%,如图6所示;
传统干线网(21条线路)人口覆盖率57.9%、POI覆盖率64.3%、OD对覆盖率48.0%,如图7所示。
本方法生成的公交干线网以少于传统干线网50%的线路数得到了与传统干线网相近甚至更优的人口、设施、社会活动覆盖度,提取的干线网骨干度更高。
另一方面,本方法生成的公交干线网综合考虑了5方面共计29个指标属性(见图2):城市空间结构(城市主中心数量、主城副中心数量、新城中心数量、核心镇中心数量、地区中心数量、社区中心数量),建成环境(建成面积率、人口数量、岗位数量、POI总数、三甲医院数量、银行数量、大型场馆数量、大型商业中心数量、学校数量),活动需求特征(OD流量分布、活动人群热力图),道路条件(高速公路密度、国道/省道公路密度、乡镇村道密度、城市快速路密度、支路密度、道路总密度、交叉口密度、道路用地面积占比),交通条件(地铁站点数量、公交站点数量、交通枢纽数量、小汽车可达性)。传统干线生成方法仅考虑了活动需求、道路条件、交通条件3方面约5个指标属性,本方法生成的公交干线网以更精炼的线路数提取出兼顾更多骨干因素的公交干线网。
Claims (8)
1.一种基于机器学习的公交干线网生成方法,其特征在于,包括以下步骤:
S1、采集选定范围中影响公交线网结构的空间异质性的动静态数据,分析得到选定范围的公交线网结构现状的基本情况;
S2、根据选定范围的公交线网结构的空间异质性特征,将公交线网覆盖区域栅格化,并将步骤S1采集的数据整合至栅格层面,得到栅格属性数据;
S3、将公交线网结构现状的数据和S2中的栅格属性数据作为输入层,利用多层卷积神经网络模型,将相邻栅格间联系强度、中长距离栅格间联系强度作为因变量,建立机器学习模型;
S4、利用选定范围已有的公交数据训练机器学习模型,生成公交干线网。
2.根据权利要求1所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述S1中影响公交线网结构的空间异质性的动静态数据包括:城市空间结构类数据、建成环境类数据、活动需求类数据、道路条件类数据和交通条件类数据。
3.根据权利要求1所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述S2中根据选定范围的公交线网结构的空间异质性特征,将公交线网覆盖区域栅格化的过程具体包括:
基于包括公交站点分布、站间距取值、公交乘客平均乘距在内的数据,在选定范围中的不同区域,结合公交线网结构的空间异质性特征将空间划分为不同尺寸的栅格,并将栅格质心点作为干线网生成的备选站点。
4.根据权利要求1所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述S2中栅格属性数据包括:建成环境属性、空间结构属性、道路条件属性、交通属性和人群活动属性。
5.根据权利要求1所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述多层卷积神经网络包括:输入层、卷积层、池化层、全连接层、Dropout层。
6.根据权利要求5所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述多层卷积神经网络设置至少两个卷积层进行卷积操作,第一个卷积层提取的是数据的低阶特征,第二个卷积层提取更高阶的特征。
7.根据权利要求5所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述输入层中将栅格属性数据整理后得到的一维特征数据重塑为a行b列c深度的三维矩阵,其中c是通道数,a、b、c的乘积大小等于原始特征数量。
8.根据权利要求1所述的一种基于机器学习的公交干线网生成方法,其特征在于,所述S4具体包括:
S41、将选定范围的原有干线网连接规则作为学习目标,分为短距离栅格间连接、中长距离栅格间连接两个层次;
S42、基于以下两点基础原则训练机器学习模型:
1)以长距离间栅格强联系确定线路主要延伸方向;
2)以相邻栅格间联系强度确定相邻站点的方位;
S43、生成公交干线网。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287090.2A CN111460598B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器学习的公交干线网生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010287090.2A CN111460598B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器学习的公交干线网生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460598A true CN111460598A (zh) | 2020-07-28 |
CN111460598B CN111460598B (zh) | 2023-02-10 |
Family
ID=71685324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010287090.2A Active CN111460598B (zh) | 2020-04-13 | 2020-04-13 | 一种基于机器学习的公交干线网生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460598B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861040A (zh) * | 2020-07-31 | 2020-10-30 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN112131437A (zh) * | 2020-11-25 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于图数据库的多模式交通网络构建方法及装置 |
CN114626682A (zh) * | 2022-02-17 | 2022-06-14 | 华录智达科技股份有限公司 | 一种考虑聚集区域的城市公交线网规划方法 |
CN118608020A (zh) * | 2024-08-08 | 2024-09-06 | 深圳市易图资讯股份有限公司 | 基于cim模型的轨道交通规划分析与辅助决策方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287484A (ja) * | 2003-03-19 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | バス運行形態評価方法、ならびにバス運行形態評価プログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN102337711A (zh) * | 2010-07-21 | 2012-02-01 | 江苏省交通科学研究院股份有限公司 | 城市公交专用道规划与设计因素的统计、分析与选择方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
CN108647910A (zh) * | 2018-06-15 | 2018-10-12 | 武汉轻工大学 | 城市公交站点的设置方法、装置、终端及计算机存储介质 |
CN108763687A (zh) * | 2018-05-17 | 2018-11-06 | 重庆大学 | 公交网络拓扑属性与空间属性的分析方法 |
CN109934401A (zh) * | 2019-03-09 | 2019-06-25 | 吉林大学 | 一种基于移动互联的定制公交方法 |
US20190272752A1 (en) * | 2018-03-05 | 2019-09-05 | NEC Laboratories Europe GmbH | Method for robust control of a machine learning system and robust control system |
CN110570656A (zh) * | 2019-09-20 | 2019-12-13 | 深圳市综合交通运行指挥中心 | 定制公共交通线路方法及装置 |
CN110909434A (zh) * | 2019-10-11 | 2020-03-24 | 东南大学 | 一种低碳导向下的城市公共交通干线网络设计方法 |
-
2020
- 2020-04-13 CN CN202010287090.2A patent/CN111460598B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287484A (ja) * | 2003-03-19 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | バス運行形態評価方法、ならびにバス運行形態評価プログラムおよび該プログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN102337711A (zh) * | 2010-07-21 | 2012-02-01 | 江苏省交通科学研究院股份有限公司 | 城市公交专用道规划与设计因素的统计、分析与选择方法 |
CN107529651A (zh) * | 2017-08-18 | 2018-01-02 | 北京航空航天大学 | 一种基于深度学习的城市交通客流预测方法和设备 |
US20190272752A1 (en) * | 2018-03-05 | 2019-09-05 | NEC Laboratories Europe GmbH | Method for robust control of a machine learning system and robust control system |
CN108763687A (zh) * | 2018-05-17 | 2018-11-06 | 重庆大学 | 公交网络拓扑属性与空间属性的分析方法 |
CN108647910A (zh) * | 2018-06-15 | 2018-10-12 | 武汉轻工大学 | 城市公交站点的设置方法、装置、终端及计算机存储介质 |
CN109934401A (zh) * | 2019-03-09 | 2019-06-25 | 吉林大学 | 一种基于移动互联的定制公交方法 |
CN110570656A (zh) * | 2019-09-20 | 2019-12-13 | 深圳市综合交通运行指挥中心 | 定制公共交通线路方法及装置 |
CN110909434A (zh) * | 2019-10-11 | 2020-03-24 | 东南大学 | 一种低碳导向下的城市公共交通干线网络设计方法 |
Non-Patent Citations (2)
Title |
---|
JUN SONG等: "The Bus Line Supporting System Based On Learning Neural Network Model Applied In GIS", 《5TH INTERNATIONAL CONFERENCE ON COMPUTER SCIENCES AND AUTOMATION ENGINEERING (ICCSAE 2015)》 * |
汤旻安: "基于软计算融合的城市道路交通资源选址研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861040A (zh) * | 2020-07-31 | 2020-10-30 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN111861040B (zh) * | 2020-07-31 | 2024-03-22 | 长沙理工大学 | 公交线路的优化调整方法及装置、设备、存储介质 |
CN112131437A (zh) * | 2020-11-25 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于图数据库的多模式交通网络构建方法及装置 |
CN114626682A (zh) * | 2022-02-17 | 2022-06-14 | 华录智达科技股份有限公司 | 一种考虑聚集区域的城市公交线网规划方法 |
CN118608020A (zh) * | 2024-08-08 | 2024-09-06 | 深圳市易图资讯股份有限公司 | 基于cim模型的轨道交通规划分析与辅助决策方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111460598B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460598B (zh) | 一种基于机器学习的公交干线网生成方法 | |
CN109272170B (zh) | 一种基于Louvain算法的交通小区划分系统 | |
CN109359162B (zh) | 一种基于gis的学校选址方法 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
CN105206048A (zh) | 一种基于交通od数据的城市居民群体换乘模式发现系统及方法 | |
CN107872808A (zh) | 一种wlan站址预测分析方法及装置 | |
CN106355294A (zh) | 一种大规模复杂配电网的电动汽车充电站选址定容方法 | |
CN110377807B (zh) | 城市群功能联系与空间格局分析方法及系统 | |
CN114511143A (zh) | 基于组团划分的城市轨道交通线网生成方法 | |
CN112085280A (zh) | 一种考虑地理因素的输电通道路径优化方法 | |
CN107527133A (zh) | 城市群国土空间利用质量提升辅助决策系统 | |
CN109325614A (zh) | 一种基于gis的汽车站选址方法 | |
CN112347596A (zh) | 一种城市公交线网优化方法 | |
CN113011652A (zh) | 一种电动汽车充电站选址优化方法及系统 | |
CN114386536A (zh) | 区域确定方法、装置、计算设备以及存储介质 | |
CN117407470A (zh) | 基于大数据的绿色空间生态优化决策辅助系统及方法 | |
Liu | [Retracted] Application of Big Data Technology in Urban Greenway Design | |
CN110610446A (zh) | 一种基于两步聚类思路的县域城镇分类方法 | |
CN111429166A (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
Diappi et al. | Improved understanding of urban sprawl using neural networks | |
CN115330043A (zh) | 一种城市充电站的选址规划方法及系统 | |
Chmielewski et al. | Hexagonal Zones in Transport Demand Models | |
CN112084609B (zh) | 电力行业的供电分区划分方法 | |
Zhao et al. | Forecasting regional short-term freight volume using QPSO-LSTM algorithm from the perspective of the importance of spatial information | |
Jin et al. | Understanding railway usage behavior with ten million GPS records |
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 |