CN111582601A - 一种公交站点选址方法及装置 - Google Patents

一种公交站点选址方法及装置 Download PDF

Info

Publication number
CN111582601A
CN111582601A CN202010413073.9A CN202010413073A CN111582601A CN 111582601 A CN111582601 A CN 111582601A CN 202010413073 A CN202010413073 A CN 202010413073A CN 111582601 A CN111582601 A CN 111582601A
Authority
CN
China
Prior art keywords
cluster
importance
bus
hot spot
spot area
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
Application number
CN202010413073.9A
Other languages
English (en)
Inventor
张毅
王智鑫
李金辉
张猛
王小敏
王志恒
孙嵩
郭德坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202010413073.9A priority Critical patent/CN111582601A/zh
Publication of CN111582601A publication Critical patent/CN111582601A/zh
Pending legal-status Critical Current

Links

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"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于公交车选址技术领域，具体涉及一种公交站点选址方法及装置。该方法首先获取出行位置的样本点数据，采用聚类算法对样本点数据进行聚类；对于一个类簇，选择影响乘坐公交车的热点区域因素，确定各类热点区域因素对于公交吸引度的影响权重，并结合类簇间的出行距离和类簇间的出行量，确定该类簇的密集度指标，进而确定该类簇的重要度；最后根据每个类簇的重要度对聚类结果进行调整，根据调整后的聚类结果的聚类中心的位置，确定公交站点的位置。本发明将影响乘坐公交车的热点区域因素考虑在内，通过该种方式获得的类簇的重要度更符合乘客的真实的、客观的实际需求，使得最终确定的公交站点数目和位置更为合理。

Description

一种公交站点选址方法及装置
技术领域
本发明属于公交车选址技术领域，具体涉及一种公交站点选址方法及装置。
背景技术
随着我国新型城镇化进程的加快，各个大中型城市的机动车保有量迅速增加，导致城市交通拥挤状况日益加剧。为了缓解交通压力，公共交通事业得到大力发展，乘坐公交车出行便是其中一种方法。
公交站点的合理布设，可以减少城市人口日常出行时间，减少路段延误，甚至有可能使公交出行成为人们的首选出行方式，带动城市绿色交通的发展，减少大气污染，此外，合理的公交站点布设在给我们的日常生活带来极大方便的同时，还可以减少不必要的建设投资，减少政府财政压力。
作者为孙悦的硕士学位论文《基于平台需求数据的定制公交站点选址与线路设计方法研究》中公开了一种定制公交站点选址方法，该方法通过改进的DBSCAN聚类算法对乘客需求数据进行聚类分析，并结合节点重要度思想进行公交站点选址。其中，公交站点选址位置考虑的因素包括出行流量和出行距离。但是实际调研中，包括已设置公交站点的地区的调研，发现影响公交站点位置设置的因素还包括周围的环境以及乘客的实际需求，例如在医院、学校、火车站等地方及附近，乘客乘坐公交的需求较多。如若只参考出行量和出行距离来设计公交站点，必然使得公交站点设计不合理。
发明内容
本发明提供了一种公交站点选址方法及装置，用以解决现有技术的公交站点选址方法只考虑出流量和出行距离导致公交站点设置不合理的问题。
为解决上述技术问题，本发明的技术方案包括：
本发明提供了一种公交站点选址方法，包括如下步骤：
1)获取出行位置的样本点数据，所述样本点数据包括以下数据中的至少一种：出租车拉客上车位置数据和出租车拉客下车位置数据；采用聚类算法对获取的样本点数据进行聚类，得到初始的聚类结果，所述聚类结果包括至少一个类簇以及每个类簇的聚类中心；
2)对于一个类簇：选择影响乘坐公交车的热点区域因素，并获取各类热点区域因素的调查数据，利用调查数据对构建的公交吸引度模型进行拟合，得到各类热点区域因素对应的路径系数，所述公交吸引度模型为结构方程模型；根据各类热点区域因素对应的路径系数，确定各类热点区域因素对于公交吸引度的影响权重；获取类簇间的出行距离和类簇间的出行量，并结合所述影响权重，确定该类簇的密集度指标；根据密集度指标，确定该类簇的重要度；
3)根据每个类簇的重要度，对初始的聚类结果进行调整，使调整后的聚类结果的各个类簇的重要度均在设定重要度高值和设定重要度低值之间；根据调整后的聚类结果的聚类中心的位置，确定公交站点的位置；设定重要度低值小于设定重要度高值。
上述技术方案的有益效果为：本发明在计算类簇的重要度时，除了考虑出行量和出行距离外，还将影响乘坐公交车的热点区域因素考虑在内，该种方式获得的类簇的重要度更符合乘客的真实的、客观的实际需求，从而使得根据将热点区域因素考虑在内的重要度得到的调整后的聚类结果更为合理，是参考乘客的实际需求得到的聚类结果，即，在乘客出行需求量少的地方设置的站点数目相对少些，在乘客出行需求量多的地方设置的站点数目相对多些，使得最终确定的公交站点数目和位置更为合理，解决乘客的出行需求，避免公交站点数量设置少导致较多乘客等待或者拥堵的情况，以及公交站点数量设置过多导致公交资源浪费、不必要的建设投资的情况。
作为方法的进一步改进，为了使得类簇设置更为合理，类簇的重要度是根据类簇的密集度指标和类簇离散度指标确定的。
作为方法的进一步改进，为了精确、合理划分类簇，步骤3)中，对初始的聚类结果进行调整的手段为：判断类簇的重要度，若任一类簇的重要度不在设定重要度高值和设定重要度低值之间，则按照以下情况中的至少一种情况进行处理：
情况一：将重要度大于设定重要度高值的类簇进行取消或合并处理；
情况二：将重要度小于设定重要度低值的类簇进行拆分处理。
作为方法的进一步改进，所述设定重要度高值为初始的聚类结果中各类簇的重要度的最大值的Z1倍，0.8＜Z1＜1；所述设定重要度低值为初始的聚类结果中各类簇的重要度的最大值的Z2倍，0＜Z2＜0.2。
作为方法的进一步改进，步骤2)中，所述根据各类热点区域因素对应的路径系数，确定各类热点区域因素对于公交吸引度的影响权重的手段为：将各类热点区域因素对应的路径系数除以热点区域因素的路径系数和，将得到的各个比值作为各类热点区域因素对于公交吸引度的影响权重。
作为方法的进一步改进，步骤2)中，所述密集度指标为：
Figure BDA0002493965060000031
式中，βi为类簇ci的密集度指标；pit为类簇ci的聚类中心附近t类热点区域因素的个数；qit为类簇ci的t类热点区域因素的影响权重；m为热点区域因素的种类个数；lji是类簇cj到类簇ci的出行距离；kij是以类簇ci作为出发点，以类簇cj作为终止点的出行量；kji是以类簇cj作为出发点，以类簇ci作为终止点的出行量；n为类簇的个数。
作为方法的进一步改进，为了调整不合适的公交站点位置，步骤3)中，还包括判断调整后的聚类结果的聚类中心的位置是否在道路上的步骤：若调整后的聚类结果的任一聚类中心的位置不在道路上，则将调整后的聚类结果中不在道路上的聚类中心至与该聚类中心最近的道路的垂足的位置作为公交车站点的位置。
作为方法的进一步改进，所述聚类算法为K-means聚类算法。
作为方法的进一步改进，所述热点区域因素包括地铁站、高铁站、火车站、商业区、景点、学校和医院中的至少两种。
本发明还提供了一种公交站点选址装置，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现上述介绍的公交站点选址方法，并达到与该方法相同的效果。
附图说明
图1是本发明方法实施例的流程图；
图2是本发明的SEM路径分析图；
图3是本发明的初始的聚类结果的重要度分析图；
图4是本发明的调整后的聚类结果的重要度分析图；
图5是本发明的对于聚类中心不在道路上的公交站点设置示意图；
图6是本发明装置实施例的结构图。
具体实施方式
由于公交站点设置与其所处的周边环境有着密不可分的联系，故本发明在计算类簇的密集度指标时，除了考虑出行量和出行距离外，还将影响乘坐公交车的热点区域因素考虑在内，使得最终得到的类簇数目更为合理，确保公交站点设置的数目和位置更为合理。下面结合附图及实施例，对本发明进行进一步的详细说明。
方法实施例：
本发明的方法实施例的流程图如图1所示，具体步骤如下：
步骤一，获取出租车GPS数据，并对其进行预处理，即利用Python对GPS数据进行数据清洗，筛选出出行位置的样本点数据Z＝{z1,z2,……,zN}，za(a＝1,2,……,N)为第a个样本点数据。该样本点数据包括出租车拉客上车位置数据和时间点数据、以及出租车拉客下车位置数据和时间点数据，位置数据可用经、纬度坐标来表示，故zi＝(xa,ya)，xa为第a个样本点的经度坐标值，ya为第a个样本点的纬度坐标值。
步骤二，采用传统的K-means聚类算法对样本点数据进行聚类，获得初始的聚类结果，聚类结果包括至少一个类簇以及每个类簇的聚类中心。具体过程如下：
1、随机选取K个聚类中心，并将样本点数据划分至与其最近的中心点所属类簇中，生成K个类簇。
2、计算每个样本点数据至它的聚类中心横纵坐标的平均值，该均值为新的聚类中心，并分配每个样本点数据至与它最接近的中心点类簇。
3、重复步骤2，直至类簇中心不再发生变化，得到多个类簇ci(i＝1,2,……,n)，以及每个类簇的聚类中心
Figure BDA0002493965060000041
每个聚类中心为初选的公交站点的站点位置。
步骤三，对于类簇ci，根据属于该类簇的样本点zi∈ci与该类簇的聚类中心
Figure BDA0002493965060000042
之间的距离，计算属于该类簇的各个样本点与该类簇的聚类中心的误差平方和，并作为该类簇ci的离散度指标αi，公式为：
Figure BDA0002493965060000043
式中，||||表示求欧氏距离。
步骤四，对于类簇ci，确定该类簇的密集度指标βi。密集度指标由三个因素确定，分别为类簇ci的各类热点区域因素的影响权重、类簇间出行距离矩阵A以及类簇间乘客出行量矩阵B。具体步骤包括：
1、分析影响选择公交车出行的热点区域因素，包括地铁站、高铁站、火车站、商业区、景点、学校和医院。
2、对上述各类热点区域因素展开问卷调查，问卷调查包括地铁站、高铁站、火车站、商业区、景点、学校和医院共7个问项，采用李克特5级量表示感知值，即：1为“非常不吸引”，2为“不吸引”，3为“一般”，4为“吸引”，5为“非常吸引”，乘客根据感知情况对每个问项对应的分值进行选择。首先构建公交吸引度模型(结构方程模型SEM)；然后对调查结果进行有效性分析，基于有效问卷数据，利用LISREL、AMOS或EQS等软件对构建的公交吸引度模型进行拟合与评价，得到各类热点区域因素对应的路径系数。将各个路径系数除以路径系数和，得到各类热点区域因素对于公交吸引度的影响权重qit(t＝1,2,……,m)，m为热点区域因素的种类个数，本实施例中为7。例如，得到的SEM路径分析图如图2所示，得到的地铁站、高铁站、火车站、商业区、景点、学校和医院对应的路径系数分别为：0.95、0.82、0.89、0.75、0.24、0.79和0.69，路径系数和为0.95+0.82+0.89+0.75+0.24+0.79+0.69＝5.13，则地铁站、高铁站、火车站、商业区、景点、学校和医院对应的影响权重分别为：0.185、0.160、0.173、0.146、0.047、0.154、0.135，图2中的e1至e7为各类热点区域因素的误差项。
3、越是相互间到达距离小、乘客出行量高的类簇越显的密集，从而也越重要，故对其出行距离与乘客出行量进行赋值，计算类簇间出行距离矩阵A以及类簇间乘客出行量矩阵B，分别为：
Figure BDA0002493965060000051
4、根据类簇间的出行距离矩阵A、类簇间的乘客出行量B以及各类热点区域对于公交吸引度的影响权重qit，按照下式计算该类簇ci的密集度指标βi：
Figure BDA0002493965060000052
式中，βi为类簇ci的密集度指标；pit为类簇ci的聚类中心附近t类热点区域因素的个数；qit为类簇ci的t类热点区域因素的影响权重；m为热点区域因素的种类个数；lji是类簇cj到类簇ci的出行距离；kij是以类簇ci作为出发点，以类簇cj作为终止点的出行量；kji是以类簇cj作为出发点，以类簇ci作为终止点的出行量；n为类簇的个数。
步骤五，对于类簇ci，离散度与重要度呈负相关关系，密集度与重要度呈正相关关系，故根据下式，计算该类簇的重要度：
γi＝βi+f/αi
式中，γi为类簇ci的重要度；βi为类簇ci的的离散度指标；αi为类簇ci的的密集度指标；f为量纲统一系数，因βi和1/αi对应的数值差距很大，例如βi＝200，而1/αi＝1/300，故需要f使βi和1/αi的量纲基本一致。
步骤六，根据各个类簇的重要度，画出重要度分析图，如图3所示，其x轴、y轴分别为经纬度，z轴为重要度，是一个三维图。从重要度分析图中寻找跳跃点，即设定重要度高值和设定重要度低值，设定重要度高值初始的聚类结果中各类簇的重要度的最大值的0.9倍，设定重要度低值为初始的聚类结果中各类簇的重要度的最大值的0.1倍。
步骤七，将重要度大于设定重要度高值的类簇进行取消或合并处理，将重要度小于设定重要度低值的类簇进行拆分处理，从而得到新的聚类结果，并按照步骤三至步骤五的方式，重新计算新的聚类结果中各个类簇的重要度，判断是否每个类簇的重要度均在设定重要度高值和设定重要度低值之间，只要任一类簇的重要度不在该范围内，则按照步骤七的方式进行调整，直至各个类簇的重要度均在设定重要度高值和设定重要度低值之间，最终得到调整后的聚类结果，其重要度分析图如图4所示。
步骤八，判断调整后的聚类结果的各个聚类中心的位置是否在道路上：若聚类中心在道路上，则将该聚类中心的位置设置为公交站点位置；若聚类中心不在道路上，例如在小区内部，则公交站点不再设置在该聚类中心上，而是将该不在道路上的聚类中心至与该聚类中心最近的道路的垂足的位置作为公交车站点的位置，公交站点示意如图5所示。例如，不在道路上的聚类中心的位置坐标为(xi,yi)，距离该聚类中心最近的道路的两端点的位置坐标分别为L1(x1,y1)、L2(x2,y2)，则该道路的方程可表示为y＝k(x-x1)+y1，且k＝(y2-y1)/(x2-x1)，则垂足的位置坐标为：
Figure BDA0002493965060000061
在本实施例中，类簇的重要度是根据类簇的密集度指标和离散度指标共同确定的。作为其他实施方式，可不计算类簇的离散度指标，只计算类簇的密集度指标，将密集度指标作为类簇的重要度，该方案也将影响乘坐公交车的热点区域因素考虑在内，同样解决现有技术公交站点设置位置不合理的问题。
在本实施例中，热点区域影响因素包括地铁站、高铁站、火车站、商业区、景点、学校和医院这七类因素。在实际实施时，可根据需设计公交站点的实际环境情况，酌情减少热点区域影响因素，或者增加热点区域影响因素，例如汽车站、写字楼等。
在本实施例中，采用K-means聚类算法确定获取的样本点数据进行聚类，以得到初始的聚类结果。作为其他实施方式，可采用现有的其他聚类方法来得到初始的聚类结果，例如K-mediods聚类算法、DBSCAN聚类算法等。
装置实施例：
本发明的一种公交站点选址装置实施例，如图6所示，包括存储器、处理器和内部总线，存储器和处理器之间通过内部总线完成相互间的数据交互与通信。
处理器可为例如微处理器MCU、可编程逻辑器件FPGA等的处理装置。
存储器可为高速随机存储器，还可为非易失性存储器，如一个或者多个磁性存储装置、闪存等。
处理器可以调用存储器中的逻辑指令，以实现一种公交站点选址方法。关于该方法的具体内容，可见方法实施例中关于该方法的介绍。
而且，上述存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用，也可以存储在一个计算机可读取存储介质中。

Claims (10)

1.一种公交站点选址方法，其特征在于，包括如下步骤：
1)获取出行位置的样本点数据，所述样本点数据包括以下数据中的至少一种：出租车拉客上车位置数据和出租车拉客下车位置数据；采用聚类算法对获取的样本点数据进行聚类，得到初始的聚类结果，所述聚类结果包括至少一个类簇以及每个类簇的聚类中心；
2)对于一个类簇：选择影响乘坐公交车的热点区域因素，并获取各类热点区域因素的调查数据，利用调查数据对构建的公交吸引度模型进行拟合，得到各类热点区域因素对应的路径系数，所述公交吸引度模型为结构方程模型；根据各类热点区域因素对应的路径系数，确定各类热点区域因素对于公交吸引度的影响权重；获取类簇间的出行距离和类簇间的出行量，并结合所述影响权重，确定该类簇的密集度指标；根据密集度指标，确定该类簇的重要度；
3)根据每个类簇的重要度，对初始的聚类结果进行调整，使调整后的聚类结果的各个类簇的重要度均在设定重要度高值和设定重要度低值之间；根据调整后的聚类结果的聚类中心的位置，确定公交站点的位置；设定重要度低值小于设定重要度高值。
2.根据权利要求1所述的公交站点选址方法，其特征在于，步骤2)中，类簇的重要度是根据类簇的密集度指标和类簇离散度指标确定的。
3.根据权利要求1所述的公交站点选址方法，其特征在于，步骤3)中，对初始的聚类结果进行调整的手段为：
判断类簇的重要度，若任一类簇的重要度不在设定重要度高值和设定重要度低值之间，则按照以下情况中的至少一种情况进行处理：
情况一：将重要度大于设定重要度高值的类簇进行取消或合并处理；
情况二：将重要度小于设定重要度低值的类簇进行拆分处理。
4.根据权利要求1所述的公交站点选址方法，其特征在于，所述设定重要度高值为初始的聚类结果中各类簇的重要度的最大值的Z1倍，0.8＜Z1＜1；所述设定重要度低值为初始的聚类结果中各类簇的重要度的最大值的Z2倍，0＜Z2＜0.2。
5.根据权利要求1所述的公交站点选址方法，其特征在于，步骤2)中，所述根据各类热点区域因素对应的路径系数，确定各类热点区域因素对于公交吸引度的影响权重的手段为：将各类热点区域因素对应的路径系数除以热点区域因素的路径系数和，将得到的各个比值作为各类热点区域因素对于公交吸引度的影响权重。
6.根据权利要求1所述的公交站点选址方法，其特征在于，步骤2)中，所述密集度指标为：
Figure FDA0002493965050000021
式中，βi为类簇ci的密集度指标；pit为类簇ci的聚类中心附近t类热点区域因素的个数；qit为类簇ci的t类热点区域因素的影响权重；m为热点区域因素的种类个数；lji是类簇cj到类簇ci的出行距离；kij是以类簇ci作为出发点，以类簇cj作为终止点的出行量；kji是以类簇cj作为出发点，以类簇ci作为终止点的出行量；n为类簇的个数。
7.根据权利要求1所述的公交站点选址方法，其特征在于，步骤3)中，还包括判断调整后的聚类结果的聚类中心的位置是否在道路上的步骤：若调整后的聚类结果的任一聚类中心的位置不在道路上，则将调整后的聚类结果中不在道路上的聚类中心至与该聚类中心最近的道路的垂足的位置作为公交车站点的位置。
8.根据权利要求1～7任一项所述的公交站点选址方法，其特征在于，所述聚类算法为K-means聚类算法。
9.根据权利要求1所述的公交站点选址方法，其特征在于，所述热点区域因素包括地铁站、高铁站、火车站、商业区、景点、学校和医院中的至少两种。
10.一种公交站点选址装置，其特征在于，包括存储器和处理器，所述处理器用于执行存储在存储器中的指令以实现如权利要求1～9任一项所述的公交站点选址方法。
CN202010413073.9A 2020-05-15 2020-05-15 一种公交站点选址方法及装置 Pending CN111582601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010413073.9A CN111582601A (zh) 2020-05-15 2020-05-15 一种公交站点选址方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010413073.9A CN111582601A (zh) 2020-05-15 2020-05-15 一种公交站点选址方法及装置

Publications (1)

Publication Number Publication Date
CN111582601A true CN111582601A (zh) 2020-08-25

Family

ID=72117452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010413073.9A Pending CN111582601A (zh) 2020-05-15 2020-05-15 一种公交站点选址方法及装置

Country Status (1)

Country Link
CN (1) CN111582601A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159651A (zh) * 2021-05-21 2021-07-23 河南科技大学 一种出租车的服务质量评价方法
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN115587657A (zh) * 2022-10-19 2023-01-10 华中科技大学 一种夜间定制公交的站点确定及线路优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257168A1 (en) * 2009-04-07 2010-10-07 Jacob Guo Hotspot analysis systems and methods
CN104134105A (zh) * 2014-08-18 2014-11-05 东南大学 一种公交线网布设优化方法
CN104462041A (zh) * 2014-11-28 2015-03-25 上海埃帕信息科技有限公司 一种实现对热点事件从开始到结束实现完整检测的方法
CN107481511A (zh) * 2017-08-16 2017-12-15 深圳先进技术研究院 一种计算候选公交站点的方法及系统
US20180332450A1 (en) * 2017-05-12 2018-11-15 Acer Incorporated Method, server, and computer-readable recording medium for ride hotspot prediction
CN110555544A (zh) * 2019-07-16 2019-12-10 广东工业大学 一种基于gps导航数据的交通需求估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257168A1 (en) * 2009-04-07 2010-10-07 Jacob Guo Hotspot analysis systems and methods
CN104134105A (zh) * 2014-08-18 2014-11-05 东南大学 一种公交线网布设优化方法
CN104462041A (zh) * 2014-11-28 2015-03-25 上海埃帕信息科技有限公司 一种实现对热点事件从开始到结束实现完整检测的方法
US20180332450A1 (en) * 2017-05-12 2018-11-15 Acer Incorporated Method, server, and computer-readable recording medium for ride hotspot prediction
CN107481511A (zh) * 2017-08-16 2017-12-15 深圳先进技术研究院 一种计算候选公交站点的方法及系统
CN110555544A (zh) * 2019-07-16 2019-12-10 广东工业大学 一种基于gps导航数据的交通需求估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘旭;陈云波;施昆;黄强;: "结合Canopy-K-means算法和出租车轨迹数据的公交车站预测方法" *
孙悦: ""基于平台需求数据的定制公交站点选址与线路设计方法研究"" *
高学东: "配送中心选址影响因素的结构方程模型分析" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159651A (zh) * 2021-05-21 2021-07-23 河南科技大学 一种出租车的服务质量评价方法
CN113326989A (zh) * 2021-06-15 2021-08-31 北京沃东天骏信息技术有限公司 一种车辆路线优化的方法和系统
CN115587657A (zh) * 2022-10-19 2023-01-10 华中科技大学 一种夜间定制公交的站点确定及线路优化方法

Similar Documents

Publication Publication Date Title
WO2018214675A1 (zh) 一种量化分析城市建成环境对道路行程时间影响的方法
CN111582601A (zh) 一种公交站点选址方法及装置
Schurch Reconsidering urban design: Thoughts about its definition and status as a field or profession
Mohammadi et al. Local people perceptions toward social, economic and environmental impacts of tourism in Kermanshah (Iran)
CN108537391B (zh) 一种基于出租车轨迹数据的出租车停靠站设置优化方法
Chang et al. Effects of zoning structure and network detail on traffic demand modeling
CN105206046A (zh) 基于大数据的出租车服务站选址及可行性评价方法
Liu et al. Identifying and understanding road-constrained areas of interest (AOIs) through spatiotemporal taxi GPS data: A case study in New York City
Neutens et al. Spatial variation in the potential for social interaction: A case study in Flanders (Belgium)
CN104282142B (zh) 一种基于出租车gps数据的公交站台设置方法
CN114581622A (zh) 顾及三维空间的土地利用混合度综合计算及空间制图方法
CN112258029A (zh) 地铁站周边共享单车的需求预测方法
CN118195172A (zh) 一种铁路客站站城融合程度确定方法、装置、介质及产品
Bai et al. Examining influencing factors of bicycle usage for dock-based public bicycle sharing system: A case study of Xi'an, China
Chung et al. Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China
CN118014297A (zh) 一种户外健身设施供需响应度智能评测方法及系统
CN107292073A (zh) 一种基于城市功能区的道路机动车尾气排放清单研究方法
CN113672788A (zh) 一种基于多源数据和权重系数法的城市建筑功能分类方法
CN117521911A (zh) 一种高精度人为热通量估算方法
CN110610446A (zh) 一种基于两步聚类思路的县域城镇分类方法
CN113160600A (zh) 一种用于城市微循环公交系统的车辆调度方法
CN116244395A (zh) 基于城市道路和poi数据的区域类型判别方法、装置及设备
CN114861975A (zh) 基于吸引强度的城市旅游交通需求联合预测方法
CN114742131A (zh) 基于模式挖掘的城市过度旅游区域识别方法
Dodeen Developing trip generation models utilizing linear regression analysis: Jericho City as a Case Study

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200825

RJ01 Rejection of invention patent application after publication