CN111678531B - 一种基于LightGBM的地铁路径规划方法 - Google Patents
一种基于LightGBM的地铁路径规划方法 Download PDFInfo
- Publication number
- CN111678531B CN111678531B CN202010559551.7A CN202010559551A CN111678531B CN 111678531 B CN111678531 B CN 111678531B CN 202010559551 A CN202010559551 A CN 202010559551A CN 111678531 B CN111678531 B CN 111678531B
- Authority
- CN
- China
- Prior art keywords
- subway
- time
- path
- data set
- lightgbm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000009193 crawling Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 241000239290 Araneae Species 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LightGBM的地铁路径规划方法,使用Scrapy‑Redis爬虫爬取网页数据得到原始数据集;通过编码各地铁站、将实际线路抽象为有向无环图,得到地铁各路径的客流量与时间关系数据集;通过在数据集上训练LightGBM模型,得到客流量影响时间消耗的时间预测模型;通过在数据集上使用Dijkstra算法最短路径搜索,使用最小堆加快算法速度,得到Dijkstra算法评估函数权值;通过统计评估函数权值分布情况,得到站间距离的时间消耗预测模型;通过将上述两个模型结果加权整合,得到最优路径推荐结果;通过百度API接口,建立用户友好的图形界面展示路径结果。本发明具有很强的实用性和可推广性。
Description
技术领域
本发明涉及交通智能交互技术领域,具体涉及一种基于LightGBM的地铁路径规划方法。
背景技术
城市轨道交通系统作为城市的运输动脉,其网络系统越来越复杂,如何在复杂网络中规划合理的出行最优路径一直是研究热点。
随着图论及相关计算机算法的快速发展,通过将实际地理信息转换成无向无环图,设计搜索算法从而规划最佳路径是常见的处理方式。该方法在处理地铁路径优选时遇到了新问题,因为地铁运行时长不仅仅依赖于站台间距以及地铁运行速度,也与站台上的乘客密度、车厢中的乘客数量密切相关,这些因素都会对路径优选产生直接影响。因此,单纯采用权重为物理距离的搜索算法进行路径优选存在局限性。
另外,在现有产品应用层面,如高德、百度,其公司产品已经实现了大数据、大规模、动态实时查询等功能,优选模型也具有较高的精度,但需要巨量的数据支撑,需要在城市地铁站建立实时的乘客流量统计系统,需要消耗大量的运算资源,所以系统实现的成本极高。同时,这些产品一旦与云端服务器失去连接(此情况在地铁系统中经常出现),用户将只能得到离线的基于路径长度的线路推荐,准确率将大大降低。
发明内容
针对上述背景技术中提及的地铁出行路径最优规划方法存在的问题,本发明的目的是提供一种基于LightGBM的地铁路径规划方法,该方法实现成本较低,并且精度大大高于传统地图APP的离线测算方法。
本发明为实现上述目的采用的技术方案是:一种基于LightGBM的地铁路径规划方法,其特征在于,包括:
S1、获取原始数据集,并对原始数据集进行预处理;所述原始数据集包含用户进站时间、入口站名、用户出站时间及出口站名;
S2、对预处理后的原始数据集进行格式转化处理,以获得地铁各路径的客流量与时间关系数据集;
S3、基于地铁各路径的客流量与时间关系数据集,以用户起终点站位置与总路程时间数据作为LightGBM模型的训练集,利用LightGBM模型进行训练,以训练生成客流量影响时间消耗的时间预测模型;
S4、在地铁各路径的客流量与时间关系数据集上利用Dijkstra算法进行最短路径搜索,并使用最小堆数据结构优化Dijkstra算法,得到Dijkstra算法评估函数权值;
S5、通过统计Dijkstra算法评估函数权值分布情况,得到站间距离的时间消耗预测模型;
S6、将人流量影响时间消耗的时间预测模型和站间距离的时间消耗预测模型进行加权整合,得到最优路径评估函数,并根据最优路径评估函数,得到最优路径,生成路径规划。
所述的基于LightGBM的地铁路径规划方法,其特征在于,还包括:通过百度开源API接口,建立用户图形界面,用于展示最优路径。
进一步,所述原始数据集是利用Scrapy-Redis框架的爬虫程序爬取指定网页数据,搜索官网发布的地铁数据形成的数据集。
进一步,所述对原始数据集进行预处理包括:根据现有地铁建造情况,预设触发条件,过滤原始数据集中的无效数据。
进一步,所述对预处理后的原始数据集进行格式转化处理包括:将各地铁站字符串名称编码为数字编号,将小时分钟秒形式的时间信息转换成以秒为单位的int数值,将实际地铁线路抽象为有向无环图。
进一步,所述最优路径评估函数为:
其中begin为用户起始位置,end为用户终止位置,time(begin,end)为用户从起始位置到终止位置所耗时间,LightGBM()函数为训练得到的客流量影响时间消耗的时间预测模型,length(begin,end)为用户起始站到用户终止站的物理距离,V(subway)为地铁平均时速,k1和k2均为权重因子。
进一步,所述预设触发条件包括:未运营地铁站以及无效用户数据;所述无效用户数据包括进站时间晚于出站时间或用户进出站消耗时间过长。
通过上述设计方案,本发明可以带来如下有益效果:本发明应用LightGBM,可以在微数据集下以较高迭代速度建立时间预测模型,并且模型准确率较高。使用最小堆数据结构存储Dijkstra最短路径算法的数据,可极大减小算法时间复杂度。同时,本发明分别从站台间物理距离(显变量)和客流密度两方面对备选路径进行评估,可以提供更精确的比较和描述。因此,本发明的方法可以更好的达到评价目的。
进一步,本发明使用Scrapy-Redis分布式爬虫框架全自动化从官网搜集地铁数据,节约数据搜集时间成本、便于模型定期更新,因此,本发明具有很强的实用性和可推广性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明示意性实施例及其说明用于理解本发明,并不构成本发明的不当限定,在附图中:
图1是本发明一实施例提供的基于LightGBM的地铁路径规划方法的流程示意图。
图2是本发明中Scrapy-Redis框架的逻辑关系图。
图3a是本发明一实施例中最小堆维护流程局部示意图一。
图3b是本发明一实施例中最小堆维护流程局部示意图二。
图3c是本发明一实施例中最小堆维护流程局部示意图三。
图3d是本发明一实施例中最小堆维护流程局部示意图四。
图3e是本发明一实施例中最小堆维护流程局部示意图五。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明设计了一种基于LightGBM的地铁路径规划方法,图1为本发明所述的基于LightGBM的地铁路径规划方法实施实例流程示意图。
本实施例以北京市地铁路径规划问题为例进行阐述,基于LightGBM的地铁路径规划方法包括如下步骤:
步骤S1:利用Scrapy-Redis框架的爬虫程序爬取指定网页数据,搜索官网发布的地铁数据,得到原始数据集;
所述原始数据集包含用户进站时间、入口站名、用户出站时间及出口站名;
如图2所示,Scrapy-Redis框架的爬虫程序是一种根据制定规则自动提取网页的程序或脚本,可全自动收集、分析、过滤、储存数据,基于python中的beautifulSoup、requests、Scrapy等技术进行网页操作相关库,同时引入Redis分布式架构;
具体的,本发明采用的Scrapy-Redis框架由四个重要模块组成:①Scheduler(等待爬取URL队列调度器):Scrapy-Redis框架使用Redis队列替代原有的爬取队列,该Redis队列可供多个spider同时读取;②Duplication Filter(去重器):由于Redis中set(集合)结构自动过滤重复元素,去重器在接收到request后提取数据特征并输入set(集合)查看是否重复,并将不重复request放入Redis队列;③Base Spider(Scrapy-Redis框架爬取器):继承了Spider/ReidsMixin类的RedisSpider架构,非常适合与Redis数据库进行交互,可以分布式申请request并快速返回结果;④Item Pipeline(数据管道):负责存放爬取的数据;
总体流程,如图2所示,使用下载器在网络中获取网页信息输入爬虫引擎,经过引擎解析分离URL,部分URL进入爬虫处理,剩余URL进入调度器等待队列中进行分布式存储,在处理完当前URL后爬虫向调度器申请新URL处理,并将获取信息输入数据管道中。数据管道将过滤的数据放入存储器分布式存贮,并在数据处理器申请时将数据提出;
Scrapy-Redis框架的爬虫程序爬取的指定网页为中国轨道交通网、北京地铁网等,其中从中国轨道交通网中获得了用户单日路径与耗时,从北京地铁网获取了北京最新的地铁站之间距离;爬虫程序中抓取字段表的定义见表1;
表1定义的抓取字段表
上述方法步骤的有益效果为:可以定期收集最新数据,这种自动化的收集方式极大提升了模型训练数据更新的速度,全自动手段也降低了人工成本。在存储部分,爬虫使用分布式储存结构,大大地提升模型的鲁棒性与数据查询效率。
步骤S2:根据现有地铁建造情况,预设触发条件,过滤原始数据集中的无效数据,得到地铁数据集;
地铁数据集是以北京市地铁官网作为数据来源,过滤未运营地铁站以及无效用户数据,形成用户ID–初末地点—消耗时间结构的数据集;
具体的,由于部分地铁站处于运营原因并未投入使用,但在官网中显示处于地铁线路中,这里需要将此类地铁站删去;同时,部分用户ID对应的用户信息存在明显错误,例如进站时间晚于出站时间,或消耗时间过长,这些用户ID对应的数据并不可靠需要过滤。
步骤S3:将初步过滤后得到地铁数据集进行格式转换,形成地铁各路径的客流量与时间关系数据集;
具体的,将各地铁站字符串名称编码为数字编号,将“小时:分钟:秒”形式的时间信息转换成以秒为单位的int数值,将实际线路抽象为有向无环图,将各路线以及路线上用户ID和对应的时间数据形成set(集合)结构,所有结构用数据库存储,便于后期调用。
步骤S4:通过在步骤S3中所述的地铁各路径的客流量与时间关系数据集上训练LightGBM模型,以训练生成客流量影响时间消耗的时间预测模型;
使用LightGBM模型,在训练数据集下迭代,生成时间预测模型;
具体的,LightGBM为标准梯度提升树的改良版本,首先使用GOSS(基于梯度的单边采样)建立数据量减少与精度降低之间的平衡。GOSS保留所有梯度较大的实例,在梯度小的实例上使用随机采样。为了抵消对数据分布的影响,计算信息增益时,GOSS对小梯度的数据引入常量乘数。LightGBM算法首先根据数据梯度的绝对值排序,选取了top%a个实例,然后在剩余的数据中随机采样b个实例,接着计算信息增益时为采样出的小梯度数据乘以(1-a)/b。同时,使用互斥特征捆绑策略:LightGBM不采用扫描所有的特征获得最佳的切分点的策略,而是将某些特征进行捆绑在一起以降低特征维度,使寻找最佳切分点的算法复杂度减少,降低了处理样本的时间复杂度。同时,在调参过程中,使用贝叶斯优化条件,得到loss(损失率)=1e-5,cart_tree_num(cart回归树数量)=1053时,模型效果处在峰值状态;
使用GOSS(基于梯度的单边采样)建立数据量减少与精度降低之间的平衡,使用互斥特征捆绑策略降低特征空间维度,更好的作用在地铁小数据集上,在维持精度不变的同时提升单轮迭代速度。
在LightGBM模型结果的基础上统计,得到客流量影响时间消耗的时间预测模型;
具体的,将爬虫程序收集存储的用户起终点站位置与总路程时间数据作为LightGBM模型的训练集,利用LightGBM模型进行训练,以训练生成客流量影响时间消耗的时间预测模型;所述时间预测模型包含站台乘客密度、车厢内拥挤程度、用户决策时间等隐变量,这些因素在传统的预测模型中很难被全面考虑在内,通过LightGBM的高效拟合精度以及全面学习能力可以很好地结合隐变量影响做出精准预测结果。
步骤S5:在地铁各路径的客流量与时间关系数据集上利用Dijkstra算法进行最短路径搜索,并使用最小堆数据结构优化Dijkstra算法,得到Dijkstra算法评估函数权值;通过统计Dijkstra算法评估函数权值分布情况,得到站间距离的时间消耗预测模型;
S6、将客流量影响时间消耗的时间预测模型和站间距离的时间消耗预测模型进行加权整合,得到最优路径评估函数,并根据最优路径评估函数,得到最优路径,生成路径规划。
具体的,单纯的路径长度加权无法准确评估路径优劣,引入结合LightGBM模型的最优路径评估函数:
其中begin为用户起始位置,end为用户终止位置,time(begin,end)为用户从起始位置到终止位置所耗时间,LightGBM()函数为训练得到的客流量影响时间消耗的时间预测模型,length(begin,end)为用户起始站到用户终止站的物理距离,V(subway)为地铁平均时速,k1和k2均为权重因子。
使用最优路径评估函数,可以将用户的主观影响、地理位置的客观影响结合,分配不同的权重因子可以灵活改变评估函数偏重,进而得到不同风格的路径推荐:如果用户为老年人,将更偏好于客流量较为稀疏的路径,将k1参数调高即可得到客流量影响因子更大的推荐路径。如果用户为青年人,将更偏好于节省时间的路径,将k2参数调高可以得到地铁行进时间影响因子更大的推荐路径。这种多超参数的评估方式可极大地丰富模型的灵活性。
同时使用最小堆提升Dijkstra算法的寻路速度,每轮提取时间开销最小节点直接提取堆顶元素,因此时间开销O(1),下一步将堆底任意元素放入顶端空闲位,并逐层与二叉树中子节点元素比较权值,按照两节点的评估函数比较大小来决定是否交换,当堆结构再次稳定后,时间复杂度O(logN),维护操作如图3a至图3e所示,图3a至图3e示出最小堆维护流程图,在图3a中将叶节点49与根节点97比较,当叶节点小于根节点时进行调换,在图3b中将叶节点13与根节点65比较并调换顺序,图3c为节点49、节点13调换后的堆结构;在图3d中将13替换到根节点49位置并将49位置放到叶节点位置,得到图3e为最终结果。使用堆结构优化后时间复杂度从原先O(N^2)变为O(Nlog(N)),极大提升推荐速度。
步骤S7,调用百度开源API接口,建立用户友好的图形界面展示路径结果;
具体的,本文使用javascript与html建立网页呈现最优路径推荐结果,核心图形界面功能调用百度的开放地图API接口,百度地图API是百度平台对外开放的一系列应用程序接口。开发人员能够调用API与百度地图平台直接交互,基于API开发自己的应用程序,实现特定地点、路线的展示。可视化首页包含两种功能:查询地表地图、查询城市地铁路径。在地铁查询时,在地图中点击起点与终点,数据经过服务器决策得到最优路径后将路径用红点表示在地图上,简洁明了。
以上所述,仅为本发明方法的实施实例,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于LightGBM的地铁路径规划方法,其特征在于,包括:
S1、获取原始数据集,并对原始数据集进行预处理;所述原始数据集包含用户进站时间、入口站名、用户出站时间及出口站名;
S2、对预处理后的原始数据集进行格式转化处理,以获得地铁各路径的客流量与时间关系数据集;
S3、基于地铁各路径的客流量与时间关系数据集,以用户起终点站位置与总路程时间数据作为LightGBM模型的训练集,利用LightGBM模型进行训练,以训练生成客流量影响时间消耗的时间预测模型;
S4、在地铁各路径的客流量与时间关系数据集上利用Dijkstra算法进行最短路径搜索,并使用最小堆数据结构优化Dijkstra算法,得到Dijkstra算法评估函数权值;
S5、通过统计Dijkstra算法评估函数权值分布情况,得到站间距离的时间消耗预测模型;
S6、将客流量影响时间消耗的时间预测模型和站间距离的时间消耗预测模型进行加权整合,得到最优路径评估函数,并根据最优路径评估函数,得到最优路径,生成路径规划;
所述最优路径评估函数为:
其中begin为用户起始位置,end为用户终止位置,time(begin,end)为用户从起始位置到终止位置所耗时间,LightGBM(begin,end)函数为训练得到的客流量影响时间消耗的时间预测模型,length(begin,end)为用户起始站到用户终止站的物理距离,V(subway)为地铁平均时速,k1和k2均为权重因子。
2.根据权利要求1所述的基于LightGBM的地铁路径规划方法,其特征在于,还包括:通过百度开源API接口,建立用户图形界面,用于展示最优路径。
3.根据权利要求1所述的基于LightGBM的地铁路径规划方法,其特征在于:所述原始数据集是利用Scrapy-Redis框架的爬虫程序爬取指定网页数据,搜索官网发布的地铁数据形成的数据集。
4.根据权利要求1所述的基于LightGBM的地铁路径规划方法,其特征在于:所述对原始数据集进行预处理包括:根据现有地铁建造情况,预设触发条件,过滤原始数据集中的无效数据。
5.根据权利要求1所述的基于LightGBM的地铁路径规划方法,其特征在于:所述对预处理后的原始数据集进行格式转化处理包括:将各地铁站字符串名称编码为数字编号,将小时分钟秒形式的时间信息转换成以秒为单位的int数值,将实际地铁线路抽象为有向无环图。
6.根据权利要求4所述的基于LightGBM的地铁路径规划方法,其特征在于:所述预设触发条件包括:未运营地铁站以及无效用户数据;所述无效用户数据包括进站时间晚于出站时间或用户进出站消耗时间过长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559551.7A CN111678531B (zh) | 2020-06-18 | 2020-06-18 | 一种基于LightGBM的地铁路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010559551.7A CN111678531B (zh) | 2020-06-18 | 2020-06-18 | 一种基于LightGBM的地铁路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111678531A CN111678531A (zh) | 2020-09-18 |
CN111678531B true CN111678531B (zh) | 2023-11-14 |
Family
ID=72436498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010559551.7A Active CN111678531B (zh) | 2020-06-18 | 2020-06-18 | 一种基于LightGBM的地铁路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111678531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931717B (zh) * | 2020-09-22 | 2021-01-26 | 平安科技(深圳)有限公司 | 基于语义和图像识别的心电信息提取方法及装置 |
CN114066032A (zh) * | 2021-11-08 | 2022-02-18 | 郑州天迈科技股份有限公司 | 一种公交时刻表自动编制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606288A (zh) * | 2013-11-26 | 2014-02-26 | 北京掌城科技有限公司 | 交通信息服务方法及系统 |
CN105551239A (zh) * | 2015-12-08 | 2016-05-04 | 北京云星宇交通科技股份有限公司 | 旅行时间预测方法及装置 |
CN106339358A (zh) * | 2016-08-16 | 2017-01-18 | 南京航空航天大学 | 基于多元回归分析的航空器场面滑行时间预测方法 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN110222873A (zh) * | 2019-05-14 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的地铁站客流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9778051B2 (en) * | 2015-08-31 | 2017-10-03 | Sap Se | Diversified route planning for public transportation network |
-
2020
- 2020-06-18 CN CN202010559551.7A patent/CN111678531B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606288A (zh) * | 2013-11-26 | 2014-02-26 | 北京掌城科技有限公司 | 交通信息服务方法及系统 |
CN105551239A (zh) * | 2015-12-08 | 2016-05-04 | 北京云星宇交通科技股份有限公司 | 旅行时间预测方法及装置 |
CN106339358A (zh) * | 2016-08-16 | 2017-01-18 | 南京航空航天大学 | 基于多元回归分析的航空器场面滑行时间预测方法 |
CN107545320A (zh) * | 2017-07-03 | 2018-01-05 | 北京交通大学 | 一种基于图论的城市轨道交通乘客路径规划方法及系统 |
CN110222873A (zh) * | 2019-05-14 | 2019-09-10 | 重庆邮电大学 | 一种基于大数据的地铁站客流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111678531A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111768618B (zh) | 基于城市画像的交通拥堵状态传播预测和预警系统及方法 | |
CN113077090B (zh) | 客流预测方法、系统及计算机可读存储介质 | |
CN102591867B (zh) | 一种基于移动设备位置的搜索服务方法 | |
CN108932945A (zh) | 一种语音指令的处理方法及装置 | |
CN110162591A (zh) | 一种面向数字教育资源的实体对齐方法及系统 | |
CN111678531B (zh) | 一种基于LightGBM的地铁路径规划方法 | |
CN110413886A (zh) | 一种兴趣点展示方法及装置 | |
CN106875670A (zh) | Spark平台下基于GPS数据的出租车调配方法 | |
Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
CN106157621B (zh) | 一种基于数据分析的智能路况管理系统 | |
CN110110063A (zh) | 一种基于哈希学习的问答系统构建方法 | |
CN106503108A (zh) | 地理位置检索方法和装置 | |
CN104636457B (zh) | 一种位置搜索认知的方法及装置 | |
CN106886592A (zh) | 一种基于数据源服务的城市时空数据汇聚系统及方法 | |
CN112819659A (zh) | 旅游景点开发与评价方法 | |
Sun et al. | Tourism demand forecasting of multi-attractions with spatiotemporal grid: a convolutional block attention module model | |
CN104765763B (zh) | 一种基于概念格的异构空间信息服务分类的语义匹配方法 | |
CN104750860B (zh) | 一种不确定数据的数据存储方法 | |
CN112883195B (zh) | 个体出行的交通知识图谱构建方法及系统 | |
Zhuang et al. | [Retracted] Digital Management and Optimization of Tourism Information Resources Based on Machine Learning | |
Cai et al. | Holiday destination choice behavior analysis based on AFC data of urban rail transit | |
CN108960684B (zh) | 一种基于不完全轨迹片段的公交乘客闭合出行链挖掘方法 | |
CN112416922B (zh) | 一种群体关联数据挖掘方法、装置、设备及存储介质 | |
CN106407271B (zh) | 一种智能客服系统及其智能客服知识库的更新方法 | |
Wu et al. | Ai food recommendation systems |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Hao Inventor after: Qi Shuning Inventor after: Fu Tianyue Inventor before: Li Hao Inventor before: Qi Shuning Inventor before: Fu Tianyue |