CN111932429A - 基于od的轨道交通站点客流结构相似性分析方法及装置 - Google Patents

基于od的轨道交通站点客流结构相似性分析方法及装置 Download PDF

Info

Publication number
CN111932429A
CN111932429A CN202011093216.9A CN202011093216A CN111932429A CN 111932429 A CN111932429 A CN 111932429A CN 202011093216 A CN202011093216 A CN 202011093216A CN 111932429 A CN111932429 A CN 111932429A
Authority
CN
China
Prior art keywords
matrix
passenger flow
similarity
station
calculating
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
Application number
CN202011093216.9A
Other languages
English (en)
Other versions
CN111932429B (zh
Inventor
杨军
韩啸
唐英豪
宫梦婕
叶谈
郑颖
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202011093216.9A priority Critical patent/CN111932429B/zh
Publication of CN111932429A publication Critical patent/CN111932429A/zh
Application granted granted Critical
Publication of CN111932429B publication Critical patent/CN111932429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于OD的轨道交通站点客流结构相似性分析方法及装置，该方法根据站点的历史客流数据，构建比例矩阵、计算协方差矩阵；计算工作日与基准日比例矩阵之间、比例矩阵的转置之间以及协方差矩阵之间的欧式距离矩阵；构建时间以及站点权重矩阵，计算比例矩阵、比例矩阵转置以及协方差矩阵相似度值，最终计算总相似度值，根据总相似度值
Figure 449108DEST_PATH_IMAGE002
分析客流结构相似性。本发明开展了对站点的结构相似性分析，与从日客流总量以及波动方面研究不同工作日的客流相似性相比，进一步从日客流结构即客流去向方面分析同一站点在不同日期的相似性，具有较好的准确度、开放性、延展性和自适应性，根据实际情况动态修正时间粒度以及权重，使客流结构相似性分析更加精准。

Description

基于OD的轨道交通站点客流结构相似性分析方法及装置
技术领域
本发明涉及城市轨道交通技术领域，具体涉及一种OD的轨道交通站点客流结构相似性分析方法及装置。
背景技术
城市轨道交通在城市客流运输服务中承担重要的角色，随着我国城市化进程的加快，人们日常出行需求迅速增加，导致地面交通拥堵问题日益突出，从而严重影响到人们的生活。在地面交通面临严重挑战的时候，轨道交通凭借快速、安全、高效、便捷、容量大等特点逐步走入人们的视线。轨道交通不占用地面空间且能解决人们的日常出行需求，是大型城市中分担地面公交客流的主要公共交通方式。
越来越多的居民选择轨道交通出行，客流的时空分布产生巨大变化，运营管理的难度也不断加大。轨道交通客流相似性分析在轨道交通运营、管理和控制的过程中起到重要的支撑作用，但当前轨道交通站点客流相似性的研究中尚存在分析的维度较为单一的问题，主要体现在针对进出站客流流向的相似性分析方法的研究还不够深入，难以准确描述各站点客流在结构上的相似性。
人们日常生活和交通息息相关，尤其是工作日的常态客流在一定程度上具有稳定性，准确、可靠的客流变化规律能够为运能分析和运量匹配提供数据支撑，为服务水平、系统运行状态的升级提供决策支撑，例如任一入站点的某两个工作日之间客流结构具有极高的相似性，分析客流结构表现出相似性的原因，轨道站点服务区就可以采取相应的规划策略，因此对轨道交通站点工作日常态客流结构相似性进行深入分析研究具有重要意义。
发明内容
本发明的目的是针对工作日常态客流结构相似性问题，提出一种基于OD的轨道交通站点客流结构相似性分析方法、装置、系统及存储介质。根据各站点的历史客流数据，分析工作日常态客流结构相似性，作为进一步预测工作日客流情况的依据。
为实现上述目的，本发明采用如下技术方案实现：
本发明的第一方面提供了一种基于OD的轨道交通站点客流结构相似性分析方法，包括如下步骤：
获取客流明细数据，生成并导出数据库文件；
选取研究的时间范围，并计算出研究的时间范围内时间段的个数m，统计每个时间段内从轨道交通站点A进站的客流去向数据；
选取n个有效出站点，统计研究时间范围内的每个时间段中站点A进站的乘客分散到各 个出站点的客流总量Pi，并计算进各个出站点Aj的客流量Pij占客流总量Pi的比例kij，构建 比例矩阵
Figure 257800DEST_PATH_IMAGE001
；i∈m，j∈n；
对比例矩阵
Figure 437108DEST_PATH_IMAGE001
进行多维数据分析，计算任意两个维度之间的协方差，构建协方 差矩阵
Figure 571286DEST_PATH_IMAGE002
；
选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基准日T的比例矩阵之 间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵、
Figure 683599DEST_PATH_IMAGE003
；
构建时间权重矩阵
Figure 362973DEST_PATH_IMAGE004
以及站点权重矩阵
Figure 560736DEST_PATH_IMAGE005
，计算赋予时间权重的比例矩阵的相 似度值
Figure 233026DEST_PATH_IMAGE006
、赋予站点权重的比例矩阵转置的相似度值
Figure 199845DEST_PATH_IMAGE007
以及协方差矩阵的相似度值
Figure 50120DEST_PATH_IMAGE008
；
分配不同的比例系数
Figure 759DEST_PATH_IMAGE009
，计算总相似度值
Figure 476739DEST_PATH_IMAGE010
，根据总相似度值
Figure 298065DEST_PATH_IMAGE011
分析客流相似性。
进一步的，所述获取客流明细数据，生成并导出数据库文件的步骤包括：
从AFC系统中获取客流明细数据，综合一卡通、二维码、一票通三种进站客流统计方式，收集带有OD信息以及时间戳信息的客流明细数据。
进一步的，所述统计研究的时间范围内每个时间段中站点A进站的乘客分散到各 个出站点的客流总量Pi并计算进各个出站点Aj的客流量Pij占客流总量Pi的比例kij，对形成 的比例矩阵
Figure 584821DEST_PATH_IMAGE012
进行多维数据分析，计算任意两个维度之间的协方差并构建协方差矩 阵
Figure 491597DEST_PATH_IMAGE013
包括：
定义时间范围内第i个时间段从站点A进站的客流总量为
Figure 505689DEST_PATH_IMAGE014
，其中分散到第j个站点Aj 出站的客流量为
Figure 447101DEST_PATH_IMAGE015
：
Figure 639179DEST_PATH_IMAGE016
（1）
Figure 33251DEST_PATH_IMAGE017
表示第i个时间段内从站点A进站分散到第j个站点Aj出站的客流量
Figure 851034DEST_PATH_IMAGE018
占以A为 入站点的客流总量
Figure 646952DEST_PATH_IMAGE019
的比例值：
Figure 275510DEST_PATH_IMAGE020
（2）
比例矩阵
Figure 156879DEST_PATH_IMAGE021
的每一列即每一维度为一个随机变量，每一行为一个样本，即比例矩 阵
Figure 512774DEST_PATH_IMAGE021
有n个随机变量，表示n个出站点，m个样本表示m个时间段：
Figure 428777DEST_PATH_IMAGE022
（3）
比例矩阵
Figure 352871DEST_PATH_IMAGE023
的每一列均为一个随机变量，代入计算协方差的公式：
Figure 596901DEST_PATH_IMAGE024
（4）
其中，
Figure 631854DEST_PATH_IMAGE025
为两个随机变量，即比例矩阵
Figure 526997DEST_PATH_IMAGE026
中的列向量；E[ci]与E[cj]分别 为两个实数随机变量ci与cj的数学期望，
Figure 621992DEST_PATH_IMAGE027
为期望值，即
Figure 353319DEST_PATH_IMAGE028
；
协方差矩阵为：
Figure 926383DEST_PATH_IMAGE030
（5）
其中，m表示m个时间段；矩阵中第（i，j）个元素表示随机变量
Figure 676033DEST_PATH_IMAGE031
的协方差。
进一步的，计算矩阵之间成对平方欧氏距离公式为：
Figure 941929DEST_PATH_IMAGE032
（6）
其中，矩阵
Figure 894973DEST_PATH_IMAGE033
记为X，矩阵
Figure 537307DEST_PATH_IMAGE034
记为Y；
Figure 141463DEST_PATH_IMAGE035
定义为两个矩阵对应位置的乘积，又称Hadamard乘积；
Figure 578261DEST_PATH_IMAGE036
表示k维的全1向量，目的是计 算
Figure 408814DEST_PATH_IMAGE037
每行元素的和并返回一个列向量，其余类推；
Figure 199046DEST_PATH_IMAGE038
表示将一个列向量扩展 为一个各列相同的矩阵。
进一步的，所述构建时间权重矩阵
Figure 798655DEST_PATH_IMAGE039
以及站点权重矩阵
Figure 530988DEST_PATH_IMAGE040
，计算赋予时间权 重的比例矩阵相似度值
Figure 583257DEST_PATH_IMAGE041
、赋予站点权重的比例矩阵相似度值
Figure 177181DEST_PATH_IMAGE042
以及协方差矩阵相似度 值
Figure 896875DEST_PATH_IMAGE043
包括：
选定基准日T，选取不同工作日Ti作为对照日工作日Ti与基准日T的比例矩阵之间、比 例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵
Figure 800109DEST_PATH_IMAGE044
，分别构建时间权重矩阵
Figure 339675DEST_PATH_IMAGE045
以及站点权重矩阵
Figure 127502DEST_PATH_IMAGE046
，计算 赋予时间权重的比例矩阵的相似度值
Figure 311490DEST_PATH_IMAGE047
、赋予站点权重的比例矩阵转置 的相似度值
Figure 260991DEST_PATH_IMAGE048
以及协方差矩阵的相似度值
Figure 146908DEST_PATH_IMAGE049
。
进一步的，所述构建时间权重矩阵
Figure 472847DEST_PATH_IMAGE050
以及站点权重矩阵
Figure 776920DEST_PATH_IMAGE051
，分配比例系数
Figure 897323DEST_PATH_IMAGE052
并计算总相似度值
Figure 536115DEST_PATH_IMAGE053
包括：
使用熵值法构建站点权重矩阵
Figure 400166DEST_PATH_IMAGE054
，对比例矩阵
Figure 683380DEST_PATH_IMAGE055
进行归一化处理：
Figure 115629DEST_PATH_IMAGE056
（7）
kij表示比例矩阵第i行j列的元素，min（kij）表示比例矩阵中最小的元素值，max（kij）表示比例矩阵中最大的元素值；
比例矩阵的一列为一个评价指标，一行为一个样本记录，计算第j项指标下第i个记录 占的权重
Figure 851504DEST_PATH_IMAGE057
：
Figure 378300DEST_PATH_IMAGE058
（8）
计算第j项指标的熵
Figure 781600DEST_PATH_IMAGE059
：
Figure 384750DEST_PATH_IMAGE060
（9）
计算第j项指标的差异系数gj：
Figure 342342DEST_PATH_IMAGE061
（10）
确定第j项指标权重
Figure 79354DEST_PATH_IMAGE062
：
Figure 196215DEST_PATH_IMAGE063
（11）
确定站点权重矩阵
Figure 829321DEST_PATH_IMAGE064
；
使用熵值法构建时间权重矩阵
Figure 415155DEST_PATH_IMAGE065
，对比例矩阵
Figure 424699DEST_PATH_IMAGE066
的转置
Figure 661645DEST_PATH_IMAGE067
进行如上处 理，确定站点权重矩阵
Figure 731232DEST_PATH_IMAGE068
；
选取n个工作日样本，计算出与基准日之间的比例矩阵相似度值s1、比例矩阵转置相似 度值s2以及协方差矩阵相似度值s3，构建相似度矩阵
Figure 538782DEST_PATH_IMAGE069
，并使用如上熵值法进行处理，确 定比例系数
Figure 352018DEST_PATH_IMAGE070
。
进一步的，根据研究时间段范围的不同，设置不同的时间粒度，选取出站口客流量所占比例大于一阈值的站点。
本发明的第二方面提供了一种基于OD的轨道交通站点客流结构相似性分析装置，包括：
数据存储模块，用于存储实验过程中的数据。
数据获取模块，用于获取客流明细数据，生成并导出数据库文件；
数据统计模块，选取时间粒度，统计每个时间段内从轨道交通站点A进站的客流去向数据；
客流量比例计算模块，用于计算研究时间范围内的每个时间段中站点A进站的乘客分散到各个出站点的客流量占客流总量的比例；
比例矩阵构建模块，用于构建比例矩阵；
协方差矩阵计算模块，用于进行多维数据分析，计算协方差，并形成协方差矩阵；
欧氏距离计算模块，选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基 准日T的比例矩阵之间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩 阵
Figure 443470DEST_PATH_IMAGE071
；
相似度值计算模块，构建时间权重矩阵
Figure 683959DEST_PATH_IMAGE072
以及站点权重矩阵
Figure 369018DEST_PATH_IMAGE073
，计算赋予时间 权重的比例矩阵的相似度值
Figure 595731DEST_PATH_IMAGE074
、赋予站点权重的比例矩阵转置的相似度值
Figure 682636DEST_PATH_IMAGE075
以及协方差 矩阵的相似度值
Figure 953080DEST_PATH_IMAGE076
客流相似性分析模块，分配不同的比例系数，计算总相似度值，根据总相似度值分析客流相似性。
本发明的第三方面提供了一种基于OD的轨道交通站点客流结构相似性分析系统，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的方法。
综上所述，本发明提供了一种基于OD的轨道交通站点客流结构相似性分析方法、装置、系统及存储介质，该方法根据各站点的历史客流数据，构建比例矩阵、计算协方差矩阵；计算不同样本的比例矩阵之间、比例矩阵转置之间以及协方差矩阵之间的成对平方欧式距离；构建时间权重矩阵以及站点权重矩阵，计算比例矩阵相似度值、比例矩阵转置相似度值和协方差矩阵相似度值，最终计算总相似度值，根据总相似度值分析客流相似性。本发明开展了对轨道交通站点的结构相似性分析，旨在分析不同时间段内同一站点进站的客流去向问题，找出与基准日客流结构相似的工作日，进一步为客流预测以及交通规划提供依据。较于从日客流总量以及日客流量波动方面研究不同工作日的客流相似性，本发明进一步从日客流结构即客流去向方面分析同一站点在不同日期的客流相似性，从而具有较好的开放性、延展性和自适应性，可以根据实际情况不断地动态修正选取的时间粒度以及权重，使客流结构相似性分析更加准确。
附图说明
图1是本发明的流程示意图；
图2是本发明的结构示意图。
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明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明的第一方面提供了一种基于OD的轨道交通站点客流结构相似性分析方法，其中，OD即交通起止点又称OD交通量，OD交通量就是指起终点间的交通出行量。“O”来源于英文ORIGIN，指出行的出发地点，“D”来源于英文DESTINATION，指出行的目的地。该方法包括如下步骤，如图1所示：
步骤S100，获取客流明细数据，生成并导出数据库文件。具体的，从AFC系统中获取客流明细数据，综合一卡通、二维码、一票通三种进站客流统计方式，收集带有OD信息以及时间戳信息的客流明细数据，如下表1所示。其中，AFC系统，全称是Automatic Fare CollectionSystem，指城市轨道交通自动售检票系统。该系统是一种由计算机集中控制的自动售票（包括半自动售票）、自动检票以及自动收费和统计的封闭式自动化网络系统。AFC自动售检票系统基于计算机、通信、网络、自动控制等技术，能够实现轨道交通售票、检票、计费、收费、统计、清分、管理通过自动化进行。
表1 客流明细表
字段 名称 类型 是否为空 示例
InTime 进站时间戳 TIMESTAMP（10） 否 202007061011
OutTime 出站时间戳 TIMESTAMP（10） 否 202007061025
InLineName 进站线路名称 Varchar（20） 否 亦庄线
InStaName 进站名称 Varchar（20） 否 万源街
OutLineName 出站线路名称 Varchar（20） 否 八通线
OutStaName 出站名称 Varchar（20） 否 双桥
PayMethod 进站方式 Char（6） 否 一卡通
步骤S200，选取研究的时间范围，确定时间粒度，并计算出研究的时间范围内时间段的个数m，统计每个时间段内从轨道交通站点A进站的客流去向数据；具体的，选取时间范围，确定时间粒度，假设时间范围为5:00-23：00，时间粒度为15分钟，乘客从同一站点A进站，统计每15分钟在不同站点出站的客流总量，包括一卡通、二维码、一票通三种进站方式，生成带有OD信息以及时间信息的客流统计表，如下表2所示。
表2 客流统计表
字段 名称 类型 是否为空 示例
BeginTime 统计开始时间 TIMESTAMP（10） 否 202007061011
EndTime 统计结束时间 TIMESTAMP（10） 否 202007061025
InLineName 进站线路名称 Varchar（20） 否 亦庄线
InStaName 进站名称 Varchar（20） 否 万源街
CardData 一卡通 Number（6） 否 8
OnlineData 二维码 Number（6） 否 4
TicketData 一票通 Number（6） 否 0
SumData 客流总量 Number（6） 否 12
步骤S300，选取n个有效出站点，统计研究时间范围内的每个时间段中站点A进站的乘 客分散到各个出站点的客流总量Pi并计算进各个出站点Aj的客流量Pij占客流总量Pi的比例 kij，构建比例矩阵。具体的，定义时间范围内第i个时间段从站点A进站的客流总量为
Figure 859856DEST_PATH_IMAGE077
，其 中分散到第j个站点出站的客流量为
Figure 890260DEST_PATH_IMAGE078
：
Figure 566092DEST_PATH_IMAGE079
（1）
Figure 413963DEST_PATH_IMAGE080
表示第i个时间段内从站点A进站分散到第j个站点出站的客流量
Figure 932669DEST_PATH_IMAGE081
占以A为入 站点的客流总量
Figure 625818DEST_PATH_IMAGE082
的比例值：
Figure 562681DEST_PATH_IMAGE083
（2）。
定义一个M×N矩阵
Figure 315874DEST_PATH_IMAGE084
，记为比例矩阵，用以描述轨道交通系统中在不同时间 段内同一站点A进站分散到不同站点出站的客流量
Figure 56297DEST_PATH_IMAGE085
占客流总量
Figure 818716DEST_PATH_IMAGE086
的比例。
比例矩阵如下：
Figure 469140DEST_PATH_IMAGE087
（3）
定义矩阵
Figure 268600DEST_PATH_IMAGE088
每一列为一个随机变量，每一行为一个样本，即n个随机变量表示n 个出站点，m个样本表示m个时间段，根据研究的时间范围以及时间粒度确定m取值。
步骤S400，在进行多维数据分析时，协方差矩阵可以描述不同维度之间的相关程 度。因此，对比例矩阵
Figure 902844DEST_PATH_IMAGE088
进行多维数据分析，计算任意两个维度之间的协方差，构建协 方差矩阵
Figure 796851DEST_PATH_IMAGE089
具体的，首先，求每个随机变量的平均值，并将比例矩阵
Figure 567361DEST_PATH_IMAGE090
的每一列减去平均 值。
Figure 537722DEST_PATH_IMAGE091
比例矩阵
Figure 128103DEST_PATH_IMAGE092
的每一列均为一个随机变量，代入计算协方差的公式：
Figure 232325DEST_PATH_IMAGE093
（4）
其中，
Figure 981975DEST_PATH_IMAGE094
为两个随机变量，即比例矩阵
Figure 247872DEST_PATH_IMAGE095
中的列向量；E[ci]与E[cj]分别 为两个实数随机变量ci与cj的数学期望，
Figure 466495DEST_PATH_IMAGE096
为期望值，即
Figure 843249DEST_PATH_IMAGE097
；
协方差矩阵为：
Figure 447406DEST_PATH_IMAGE099
（5）
其中，m表示m个时间段，协方差矩阵中第（i，j）个元素表示随机变量
Figure 884204DEST_PATH_IMAGE100
的协方 差。
步骤S500，选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基准日T 的比例矩阵之间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵
Figure 714756DEST_PATH_IMAGE101
。
具体的，计算矩阵之间成对平方欧氏距离公式为：
Figure 770568DEST_PATH_IMAGE102
（6）
其中，矩阵
Figure 370177DEST_PATH_IMAGE103
记为X，矩阵
Figure 102509DEST_PATH_IMAGE104
记为 Y；
Figure 889200DEST_PATH_IMAGE105
表示按元素积，定义为两个矩阵对应位置的乘积，又称Hadamard乘积；
Figure 14282DEST_PATH_IMAGE106
表示k维的全 1向量，目的是计算
Figure 468397DEST_PATH_IMAGE107
每行元素的和并返回一个列向量，其余类推；
Figure 371631DEST_PATH_IMAGE108
表示将一 个列向量扩展为一个各列相同的矩阵。
步骤S600，构建时间权重矩阵
Figure 645617DEST_PATH_IMAGE109
以及站点权重矩阵
Figure 433445DEST_PATH_IMAGE110
，计算赋予时间权重的 比例矩阵的相似度值
Figure 617433DEST_PATH_IMAGE111
、赋予站点权重的比例矩阵转置的相似度值
Figure 566934DEST_PATH_IMAGE112
以及协方差矩阵的 相似度值
Figure 984009DEST_PATH_IMAGE113
。
具体的，选定基准日T，选取不同工作日Ti作为对照日工作日Ti与基准日T的比例矩 阵之间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵
Figure 778790DEST_PATH_IMAGE114
，分别构建时间权重矩阵
Figure 348442DEST_PATH_IMAGE115
以及站点权重矩阵
Figure 468845DEST_PATH_IMAGE116
，计 算赋予时间权重的比例矩阵的相似度值
Figure 842058DEST_PATH_IMAGE117
、赋予站点权重的比例矩阵转 置的相似度值
Figure 706108DEST_PATH_IMAGE118
以及协方差矩阵的相似度值
Figure 864688DEST_PATH_IMAGE119
。其中， 使用熵值法分别构建时间权重矩阵
Figure 421572DEST_PATH_IMAGE120
以及站点权重矩阵
Figure 157446DEST_PATH_IMAGE121
。
使用熵值法构建站点权重矩阵
Figure 215401DEST_PATH_IMAGE121
，对比例矩阵
Figure 353121DEST_PATH_IMAGE122
进行归一化处理：
Figure 690693DEST_PATH_IMAGE123
（7）
kij表示比例矩阵第i行j列的元素，min（kij）表示比例矩阵中最小的元素值，max（kij）表示比例矩阵中最大的元素值。
比例矩阵的一列为一个评价指标，一行为一个样本记录，计算第j项指标下第i个 记录占的权重
Figure 913864DEST_PATH_IMAGE124
：
Figure 509930DEST_PATH_IMAGE125
（8）
计算第j项指标的熵
Figure 502157DEST_PATH_IMAGE126
：
Figure 400843DEST_PATH_IMAGE127
（9）
计算第j项指标的差异系数gj：
Figure 986676DEST_PATH_IMAGE128
（10）
确定第j项指标权重
Figure 996221DEST_PATH_IMAGE129
：
Figure 967588DEST_PATH_IMAGE130
（11）
确定站点权重矩阵
Figure 302754DEST_PATH_IMAGE131
。
使用熵值法构建时间权重矩阵
Figure 110304DEST_PATH_IMAGE132
，对比例矩阵
Figure 923539DEST_PATH_IMAGE133
的转置
Figure 749413DEST_PATH_IMAGE134
进行如上 处理，确定站点权重矩阵
Figure 989901DEST_PATH_IMAGE135
。
步骤S700，分配不同的比例系数
Figure 308185DEST_PATH_IMAGE136
，计算总相似度值
Figure 659532DEST_PATH_IMAGE137
，根据总相似度值
Figure 605491DEST_PATH_IMAGE138
分析客流相似性，值越小相似度越 高。具体的，比例系数
Figure 282460DEST_PATH_IMAGE139
使用熵值法确定。
选取n个工作日样本，计算出与基准日之间的比例矩阵相似度值s1、比例矩阵转置 相似度值s2以及协方差矩阵相似度值s3，构建相似度矩阵
Figure 189236DEST_PATH_IMAGE140
，并使用如上熵值法进行处 理，确定比例系数
Figure 219640DEST_PATH_IMAGE141
。
进一步的，根据研究时间段范围的不同，设置不同的时间粒度，选取出站口客流量所占比例大于一阈值的站点。
优选的是，所述的基于OD的轨道交通站点客流结构相似性分析方法中，所述的时间粒度设定为10分钟，研究时间范围设定为早高峰6:30-8:30，选取出站口客流量所占比例大于1%的站点。
优选的是，所述的基于OD的轨道交通站点客流结构相似性分析方法中，所述的时间粒度设定为10分钟，研究时间范围设定为晚高峰17:30-20:30，选取出站口客流量所占比例大于1%的站点。
优选的是，所述的基于OD的轨道交通站点客流结构相似性分析方法中，所述的时间粒度设定为1小时，研究时间范围设定为工作日轨道交通站点运营时间4:30-23:30，选取出站口客流量所占比例大于1%的站点。
本发明的第二方面提供了一种基于OD的轨道交通站点客流结构相似性分析装置，如图2 所示包括：
数据存储模块，用于存储实验过程中的数据。
数据获取模块，用于获取客流明细数据，生成并导出数据库文件；
数据统计模块，选取时间粒度，统计每个时间段内从轨道交通站点A进站的客流去向数据；
客流量比例计算模块，用于计算研究时间范围内的每个时间段中站点A进站的乘客分散到各个出站点的客流量占客流总量的比例；
比例矩阵构建模块，选取研究的时间范围，并根据时间粒度确定m值，m为研究的时间范围内时间粒度的个数；选取n个出站点，构建比例矩阵；
协方差矩阵计算模块，用于进行多维数据分析，计算协方差，并形成协方差矩阵；
欧氏距离计算模块，选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基 准日T的比例矩阵之间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩 阵
Figure 895472DEST_PATH_IMAGE142
；
相似度值计算模块，构建时间权重矩阵
Figure 602397DEST_PATH_IMAGE143
以及站点权重矩阵
Figure 262049DEST_PATH_IMAGE144
，计算赋予时间 权重的比例矩阵的相似度值
Figure 830564DEST_PATH_IMAGE145
、赋予站点权重的比例矩阵转置的相似度值
Figure 626482DEST_PATH_IMAGE146
以及协方差 矩阵的相似度值
Figure 238729DEST_PATH_IMAGE147
；
客流相似性分析模块，分配不同的比例系数，计算总相似度值，根据总相似度值分析客流相似性。
进一步的，如图2所示，还包括熵值计算模块，用于构建时间权重矩阵
Figure 120097DEST_PATH_IMAGE148
以及站 点权重矩阵
Figure 492304DEST_PATH_IMAGE149
。
本发明的第三方面提供了一种基于OD的轨道交通站点客流结构相似性分析系统，该系统包括：存储器以及一个或多个处理器；其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行如前所述的基于OD的轨道交通站点客流结构相似性分析方法。
本发明的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行如前所述的基于OD的轨道交通站点客流结构相似性分析方法。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。例如，考虑上述早高峰、晚高峰以及运营时间内三个相似度值，分配不同的权重得到一个新的相似度值，此种实施方式也包含在本发明的范围内。
现有方法中已对轨道交通站点日客流总量以及站点日客流波动进行了相似性分析，本发明开展了对轨道交通站点的结构相似性分析，即不同时间段内进站客流分散到不同站点出站的客流量比例相关性。基于此发明分析出的客流结构相似性可为乘客画像的研究提供基础，也可为轨道交通站点客流量的预测提供新的依据。通过分析客流结构相似性可以得到某一进站点的客流去向，从而分析地铁车厢满载率、基础设施配置等信息，为地铁车次间隔时间等交通规划问题提供依据。本发明具有较好的开放性、延展性和自适应性，可以随着研究的深入，不断增加新的角度，角度越完善，客流结构相似性分析就越准确，同时可以根据实际情况不断地动态修正选取的时间粒度以及权重，使客流结构相似性分析更加准确。
综上所述，本发明提供了一种基于OD的轨道交通站点客流结构相似性分析方法、装置、系统及存储介质，该方法根据各站点的历史客流数据，构建比例矩阵、计算协方差矩阵；计算不同样本的比例矩阵之间、比例矩阵转置之间以及协方差矩阵之间的成对平方欧式距离；构建时间权重矩阵以及站点权重矩阵，计算比例矩阵相似度值、比例矩阵转置相似度值和协方差矩阵相似度值，最终计算总相似度值，根据总相似度值分析客流相似性。本发明开展了对轨道交通站点的结构相似性分析，旨在分析不同时间段内同一站点进站的客流去向问题，找出与基准日客流结构相似的工作日，进一步为客流预测以及交通规划提供依据。较于从日客流总量以及日客流量波动方面研究不同工作日的客流相似性，本发明进一步从日客流结构即客流去向方面分析同一站点在不同日期的客流相似性，从而具有较好的开放性、延展性和自适应性，可以根据实际情况不断地动态修正选取的时间粒度以及权重，使客流结构相似性分析更加准确。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于OD的轨道交通站点客流结构相似性分析方法，其特征在于，包括如下步骤：
获取客流明细数据，生成并导出数据库文件；
选取研究的时间范围，并计算出研究的时间范围内时间段的个数m，统计每个时间段内从轨道交通站点A进站的客流去向数据；
选取n个有效出站点，统计研究时间范围内的每个时间段中站点A进站的乘客分散到各 个出站点的客流总量Pi，并计算进各个出站点Aj的客流量Pij占客流总量Pi的比例kij，构建 比例矩阵
Figure 700604DEST_PATH_IMAGE001
；i∈m，j∈n；
对比例矩阵
Figure 227531DEST_PATH_IMAGE001
进行多维数据分析，计算任意两个维度之间的协方差，构建协方差 矩阵
Figure 476110DEST_PATH_IMAGE002
；
选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基准日T的比例矩阵之 间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵、
Figure 464794DEST_PATH_IMAGE003
；
构建时间权重矩阵
Figure 482429DEST_PATH_IMAGE004
以及站点权重矩阵
Figure 649099DEST_PATH_IMAGE005
，计算赋予时间权重的比例矩阵的相 似度值
Figure 181712DEST_PATH_IMAGE006
、赋予站点权重的比例矩阵转置的相似度值
Figure 849453DEST_PATH_IMAGE007
以及协方差矩阵的相似度值
Figure 111808DEST_PATH_IMAGE008
；
分配不同的比例系数
Figure 574013DEST_PATH_IMAGE009
，计算总相似度值
Figure 406971DEST_PATH_IMAGE010
，根据总相似度值
Figure 612824DEST_PATH_IMAGE011
分析客流相似性。
2.根据权利要求1所述的基于OD的轨道交通站点客流结构相似性分析方法，其特征在于，所述获取客流明细数据，生成并导出数据库文件的步骤包括：
从AFC系统中获取客流明细数据，综合一卡通、二维码、一票通三种进站客流统计方式，收集带有OD信息以及时间戳信息的客流明细数据。
3.根据权利要求1或2所述的基于OD的轨道交通站点客流结构相似性分析方法，其特征 在于，所述统计研究的时间范围内每个时间段中站点A进站的乘客分散到各个出站点的客 流总量Pi并计算进各个出站点Aj的客流量Pij占客流总量Pi的比例kij，对形成的比例矩阵
Figure 995264DEST_PATH_IMAGE001
进行多维数据分析，计算任意两个维度之间的协方差并构建协方差矩阵
Figure 628371DEST_PATH_IMAGE012
包括：
定义时间范围内第i个时间段从站点A进站的客流总量为
Figure 214204DEST_PATH_IMAGE013
，其中分散到第j个站点Aj 出站的客流量为
Figure 958169DEST_PATH_IMAGE014
：
Figure 867219DEST_PATH_IMAGE015
（1）
Figure 795861DEST_PATH_IMAGE016
表示第i个时间段内从站点A进站分散到第j个站点Aj出站的客流量
Figure 993624DEST_PATH_IMAGE017
占以A为入 站点的客流总量
Figure 151067DEST_PATH_IMAGE018
的比例值：
Figure 117886DEST_PATH_IMAGE019
（2）
比例矩阵
Figure 155112DEST_PATH_IMAGE020
的每一列即每一维度为一个随机变量，每一行为一个样本，即比例矩 阵
Figure 699226DEST_PATH_IMAGE020
有n个随机变量，表示n个出站点，m个样本表示m个时间段：
Figure 50573DEST_PATH_IMAGE021
（3）
比例矩阵
Figure 747265DEST_PATH_IMAGE022
的每一列均为一个随机变量，代入计算协方差的公式：
Figure 158654DEST_PATH_IMAGE023
（4）
其中，
Figure 924485DEST_PATH_IMAGE024
为两个随机变量，即比例矩阵
Figure 813944DEST_PATH_IMAGE022
中的列向量；E[ci]与E[cj]分别为 两个实数随机变量ci与cj的数学期望，
Figure 552092DEST_PATH_IMAGE025
为期望值，即
Figure 9750DEST_PATH_IMAGE026
；
协方差矩阵为：
Figure 403822DEST_PATH_IMAGE028
（5）
其中，m表示m个时间段；矩阵中第（i，j）个元素表示随机变量
Figure 956026DEST_PATH_IMAGE029
的协方差。
4.根据权利要求3所述的基于OD的轨道交通站点客流结构相似性分析方法，其特征在于，计算矩阵之间成对平方欧氏距离公式为：
Figure 486365DEST_PATH_IMAGE030
（6）
其中，矩阵
Figure 114923DEST_PATH_IMAGE031
记为X，矩阵
Figure 793029DEST_PATH_IMAGE032
记为 Y；
Figure 289870DEST_PATH_IMAGE033
定义为两个矩阵对应位置的乘积，又称Hadamard乘积；
Figure 799348DEST_PATH_IMAGE034
表示k维的全1向量，目的是计 算
Figure 723442DEST_PATH_IMAGE035
每行元素的和并返回一个列向量，其余类推；
Figure 701893DEST_PATH_IMAGE036
表示将一个列向量扩展为 一个各列相同的矩阵。
5.根据权利要求4所述的基于OD的轨道交通站点客流结构相似性分析方法，其特征在 于，所述构建时间权重矩阵
Figure 736845DEST_PATH_IMAGE037
以及站点权重矩阵
Figure 304093DEST_PATH_IMAGE038
，计算赋予时间权重的比例矩阵 相似度值
Figure 258143DEST_PATH_IMAGE039
、赋予站点权重的比例矩阵相似度值
Figure 114103DEST_PATH_IMAGE040
以及协方差矩阵相似度值
Figure 562533DEST_PATH_IMAGE041
包括：
选定基准日T，选取不同工作日Ti作为对照日工作日Ti与基准日T的比例矩阵之间、比例 矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵
Figure 921970DEST_PATH_IMAGE042
，分别构建时间权重矩阵
Figure 312500DEST_PATH_IMAGE043
以及站点权重矩阵
Figure 186915DEST_PATH_IMAGE044
，计 算赋予时间权重的比例矩阵的相似度值
Figure 829249DEST_PATH_IMAGE045
、赋予站点权重的比例矩阵 转置的相似度值
Figure 184138DEST_PATH_IMAGE046
以及协方差矩阵的相似度值
Figure 620936DEST_PATH_IMAGE047
。
6.根据权利要求5所述的基于OD的轨道交通站点客流结构相似性分析方法，其特征在 于，所述构建时间权重矩阵
Figure 310543DEST_PATH_IMAGE048
以及站点权重矩阵
Figure 225410DEST_PATH_IMAGE049
，分配比例系数
Figure 434805DEST_PATH_IMAGE050
并计算总相似度值
Figure 839242DEST_PATH_IMAGE051
包括：
使用熵值法构建站点权重矩阵
Figure 891511DEST_PATH_IMAGE052
，对比例矩阵
Figure 734703DEST_PATH_IMAGE053
进行归一化处理：
Figure 923238DEST_PATH_IMAGE054
（7）
kij表示比例矩阵第i行j列的元素，min（kij）表示比例矩阵中最小的元素值，max（kij）表示比例矩阵中最大的元素值；
比例矩阵的一列为一个评价指标，一行为一个样本记录，计算第j项指标下第i个记录 占的权重
Figure 577205DEST_PATH_IMAGE055
：
Figure 116771DEST_PATH_IMAGE056
（8）
计算第j项指标的熵
Figure 435756DEST_PATH_IMAGE057
：
Figure 869012DEST_PATH_IMAGE058
（9）
计算第j项指标的差异系数gj：
Figure 552934DEST_PATH_IMAGE059
（10）
确定第j项指标权重
Figure 478600DEST_PATH_IMAGE060
：
Figure 538960DEST_PATH_IMAGE061
（11）
确定站点权重矩阵
Figure 826721DEST_PATH_IMAGE062
；
使用熵值法构建时间权重矩阵
Figure 947124DEST_PATH_IMAGE063
，对比例矩阵
Figure 258020DEST_PATH_IMAGE064
的转置
Figure 997437DEST_PATH_IMAGE065
进行如上处 理，确定站点权重矩阵
Figure 749492DEST_PATH_IMAGE066
；
选取n个工作日样本，计算出与基准日之间的比例矩阵相似度值s1、比例矩阵转置相似 度值s2以及协方差矩阵相似度值s3，构建相似度矩阵
Figure 431009DEST_PATH_IMAGE067
，并使用如上熵值法进行处理， 确定比例系数
Figure 166884DEST_PATH_IMAGE068
。
7.根据权利要求1所述的基于OD的轨道交通站点客流结构相似性分析方法，根据研究时间段范围的不同，设置不同的时间粒度，选取出站口客流量所占比例大于一阈值的站点。
8.一种基于OD的轨道交通站点客流结构相似性分析装置，其特征在于，包括：
数据存储模块，用于存储实验过程中的数据，
数据获取模块，用于获取客流明细数据，生成并导出数据库文件；
数据统计模块，选取时间粒度，统计每个时间段内从轨道交通站点A进站的客流去向数据；
客流量比例计算模块，用于计算研究时间范围内的每个时间段中站点A进站的乘客分散到各个出站点的客流量占客流总量的比例；
比例矩阵构建模块，用于构建比例矩阵；
协方差矩阵计算模块，用于进行多维数据分析，计算协方差，并形成协方差矩阵；
欧氏距离计算模块，选定基准日T，选取不同工作日Ti作为对照日，计算工作日Ti与基准 日T的比例矩阵之间、比例矩阵的转置之间以及协方差矩阵之间的成对平方欧式距离矩阵
Figure 631363DEST_PATH_IMAGE069
；
相似度值计算模块，构建时间权重矩阵
Figure 378871DEST_PATH_IMAGE070
以及站点权重矩阵
Figure 106655DEST_PATH_IMAGE071
，计算赋予时间 权重的比例矩阵的相似度值
Figure 188881DEST_PATH_IMAGE072
、赋予站点权重的比例矩阵转置的相似度值
Figure 660313DEST_PATH_IMAGE073
以及协方差 矩阵的相似度值
Figure 262327DEST_PATH_IMAGE074
；
客流相似性分析模块，分配不同的比例系数，计算总相似度值，根据总相似度值分析客流相似性。
9.一种基于OD的轨道交通站点客流结构相似性分析系统，其特征在于，该系统包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器用于执行权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可操作来执行权利要求1-7任一项所述的方法。
CN202011093216.9A 2020-10-14 2020-10-14 基于od的轨道交通站点客流结构相似性分析方法及装置 Active CN111932429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011093216.9A CN111932429B (zh) 2020-10-14 2020-10-14 基于od的轨道交通站点客流结构相似性分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011093216.9A CN111932429B (zh) 2020-10-14 2020-10-14 基于od的轨道交通站点客流结构相似性分析方法及装置

Publications (2)

Publication Number Publication Date
CN111932429A true CN111932429A (zh) 2020-11-13
CN111932429B CN111932429B (zh) 2021-01-19

Family

ID=73334444

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011093216.9A Active CN111932429B (zh) 2020-10-14 2020-10-14 基于od的轨道交通站点客流结构相似性分析方法及装置

Country Status (1)

Country Link
CN (1) CN111932429B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686428A (zh) * 2020-12-15 2021-04-20 广州新科佳都科技有限公司 基于地铁线网站点相似性的地铁客流预测方法及装置
CN112907088A (zh) * 2021-03-03 2021-06-04 杭州诚智天扬科技有限公司 一种清分模型的参数调整方法及系统
CN113822462A (zh) * 2021-08-06 2021-12-21 上海申铁信息工程有限公司 一种车站应急指挥方法及装置
CN115545996A (zh) * 2022-12-02 2022-12-30 成都智元汇信息技术股份有限公司 一种基于相似度矩阵的地铁异常历史客流识别方法及装置
CN115952173A (zh) * 2023-03-13 2023-04-11 北京全路通信信号研究设计院集团有限公司 一种客流数据处理方法、装置、大数据平台及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463349A (zh) * 2014-11-11 2015-03-25 河海大学 一种基于多时段综合相似日的光伏发电功率预测方法
CN106251008A (zh) * 2016-07-25 2016-12-21 南京工程学院 一种基于组合权重相似日选取的光伏功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463349A (zh) * 2014-11-11 2015-03-25 河海大学 一种基于多时段综合相似日的光伏发电功率预测方法
CN106251008A (zh) * 2016-07-25 2016-12-21 南京工程学院 一种基于组合权重相似日选取的光伏功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
匿名: "NumPy之计算两个矩阵的成对平方欧氏距离", 《HTTPS://WWW.CNBLOGS.COM/QUARRYMAN/P/EUCLIDEAN_DISTANCES.HTML》 *
姚向明等: "城市轨道交通网络短时客流OD 估计模型", 《交通运输系统工程与信息》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686428A (zh) * 2020-12-15 2021-04-20 广州新科佳都科技有限公司 基于地铁线网站点相似性的地铁客流预测方法及装置
CN112907088A (zh) * 2021-03-03 2021-06-04 杭州诚智天扬科技有限公司 一种清分模型的参数调整方法及系统
CN112907088B (zh) * 2021-03-03 2024-03-08 杭州诚智天扬科技有限公司 一种清分模型的参数调整方法及系统
CN113822462A (zh) * 2021-08-06 2021-12-21 上海申铁信息工程有限公司 一种车站应急指挥方法及装置
CN113822462B (zh) * 2021-08-06 2023-10-13 上海申铁信息工程有限公司 一种车站应急指挥方法及装置
CN115545996A (zh) * 2022-12-02 2022-12-30 成都智元汇信息技术股份有限公司 一种基于相似度矩阵的地铁异常历史客流识别方法及装置
CN115545996B (zh) * 2022-12-02 2023-03-10 成都智元汇信息技术股份有限公司 一种基于相似度矩阵的地铁异常历史客流识别方法及装置
CN115952173A (zh) * 2023-03-13 2023-04-11 北京全路通信信号研究设计院集团有限公司 一种客流数据处理方法、装置、大数据平台及存储介质

Also Published As

Publication number Publication date
CN111932429B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN111932429B (zh) 基于od的轨道交通站点客流结构相似性分析方法及装置
CN109191896B (zh) 个性化停车位推荐方法和系统
CN104064028B (zh) 基于多元信息数据的公交到站时间预测方法及系统
CN103473620B (zh) 综合客运枢纽多交通方式预测方法及系统
CN106781499B (zh) 一种交通网络效率评价系统
CN104134105B (zh) 一种公交线网布设优化方法
CN109308546A (zh) 乘客公交出行下车站点预测方法及系统
CN113380071B (zh) 一种面向大型综合体的车位级停车需求状态评价方法
CN109784970A (zh) 一种基于afc乘客乘车数据的服务推荐方法及装置
CN110348614A (zh) 一种获取乘客od的方法及公交客流的预测方法
CN109903553A (zh) 多源数据挖掘的公交车上下车站点识别和检验方法
CN111739292A (zh) 一种考虑路网od流量贡献时变性的收费站流量预测方法
CN111598333A (zh) 客流数据的预测方法及装置
CN114117903B (zh) 一种基于bp神经网络的轨道交通短时客流预测方法
US12026951B2 (en) Methods and internet of things systems for place management and control of smart cities
CN117610971A (zh) 一种高速公路机电系统健康指数评估方法
CN113537596A (zh) 一种城市轨道交通新线站点短时客流预测方法
Liu et al. Understanding the correlation between destination distribution and urban built environment from taxi GPS data
Faghih et al. Predicting short-term Uber demand using spatio-temporal modeling: A New York City Case Study
Bouman et al. Recognizing demand patterns from smart card data for agent-based micro-simulation of public transport
CN110704789A (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
CN114254250A (zh) 一种考虑时空非平稳性的网约车出行需求预测方法
CN115099685A (zh) 一种基于多源数据的城市公交服务水平评价方法
Bhandari et al. Occupancy prediction at transit stops using ANN
Volkovska Methods and models for passenger transportations forecasting on air routes

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