CN112183815A - 基于规则推荐算法的精准短时客流预测模型 - Google Patents

基于规则推荐算法的精准短时客流预测模型 Download PDF

Info

Publication number
CN112183815A
CN112183815A CN202010883285.3A CN202010883285A CN112183815A CN 112183815 A CN112183815 A CN 112183815A CN 202010883285 A CN202010883285 A CN 202010883285A CN 112183815 A CN112183815 A CN 112183815A
Authority
CN
China
Prior art keywords
passenger
time
data
travel
module
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
CN202010883285.3A
Other languages
English (en)
Other versions
CN112183815B (zh
Inventor
徐利民
王锁平
徐诗帆
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.)
Unittec Co Ltd
Original Assignee
Unittec Co Ltd
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 Unittec Co Ltd filed Critical Unittec Co Ltd
Priority to CN202010883285.3A priority Critical patent/CN112183815B/zh
Publication of CN112183815A publication Critical patent/CN112183815A/zh
Application granted granted Critical
Publication of CN112183815B publication Critical patent/CN112183815B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于规则推荐算法的精准短时客流预测模型，包括：数据采集模块，采集每个乘客的历史出行数据；乘客出行行为画像模块，建立乘客出行行为画像，通过乘客出行行为画像描述乘客的出行模式；规则引擎模块，通过规则列表对可能产生的出行模式进行筛选；乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。本发明精准性高,可计算性强,且可动态调整。

Description

基于规则推荐算法的精准短时客流预测模型
技术领域
本发明涉及轨道交通技术领域，具体涉及短时客流预测动态模型。
背景技术
客流是轨道交通线路运营过程中的关键基础数据，通过对客流特征的分析和客流规律的预测，为运营调度提供依据、支持和辅助决策，制定出更加合理的城市轨道交通运营方案，提高城市轨道交通服务质量，更好地服务市民的出行需要。
现阶段城轨交通客流预测一般分别对站点客流数据、断面客流数据和线网客流OD矩阵进行单独或整体预测，其中OD矩阵又是许多进行断面客流数据预测方法和技术的前提。
乘客OD数据是指乘客在某个时间段内，以乘客进站的站点为起点，以乘客出站的站点作为终点，起始点间的乘客轨迹。
目前求解动态OD矩阵估计的方法可分为两大类：参数优化法和统计法，前者以广义最小二乘法为基础建立模型，后者以卡尔曼滤波模型为代表。
现有技术存在如下缺陷：
1.现有方法的研究目前主要是基于道路交通流量的研究，与轨道交通的采集数据方式不同，是否适用于轨道交通OD数据的估计有待进一步的验证。
2.由于线网客流OD矩阵是表示线网中所有出行起点(Origin)与终点(Destination)之间所有时间范围内出行交换数量的矩阵，数据量庞大，现有预测方法是根据历史数据对OD矩阵进行预测，计算量巨大，无法利用短时预测方法进行预测结果。
3.OD矩阵作为一个整体行为的表征来进行预测，很难表述乘客的个体特征，在预测精度上也不能做到精确预测。
发明内容
针对现有技术存在的缺陷，本发明所要解决的技术问题就是提供一种基于规则推荐算法的精准短时客流预测模型，可计算性强，可动态调整，实现精确预测。
为解决上述技术问题，本发明采用如下技术方案：基于规则推荐算法的精准短时客流预测模型，包括：
数据采集模块，用于采集每个乘客的历史出行数据；
乘客出行行为画像模块，根据数据采集模块采集的数据建立乘客出行行为画像，通过乘客出行行为画像描述乘客的出行模式；
规则引擎模块，通过规则列表对可能产生的出行模式进行筛选，剔除不可能发生的出行模式；
乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；
乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；
客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。
优选的，所述数据采集模块包括自动售检票系统和历史时刻表存储模块，所述自动售检票系统用于采集AFC交易数据并进行存储，形成AFC历史数据，所述历史时刻表存储模块存储有历史时刻表。
优选的，所述AFC交易数据包括车票卡号、进站号、进站时刻、出站号、出站时刻，根据AFC历史交易数据计算每个乘客所有的OD配对数据，根据OD 配对数据的时间属性分析出行规律，了解时间的变化对OD数据的影响，使用机器学习的分类算法对时间属性进行归类。
优选的，在线网有换乘的情况下，根据历史时刻表对OD配对数据进行反推，补齐乘客中间换乘数据，得到完整的OD轨迹。
优选的，在线网有换乘的情况下，OD轨迹计算方法包括如下步骤：
步骤S1：估算或统计乘客从闸机到站台时间；
步骤S2：根据时刻表推出乘客上了哪趟车和发车时刻；
步骤S3：到换乘站下车根据时刻表推出下车时刻；
步骤S4：估算或统计换乘时间；
步骤S5：根据时刻表推出乘客上了哪趟车和发车时刻；
步骤S6：到目的站下车可推下车时刻；
步骤S7：估算或统计到闸机时间，与AFC出站时刻应该一致；
步骤S8：如果不一致换一条乘车路径重新进行推演；
步骤S9：最后可得到乘客的换乘站。
优选的，根据历史数据统计对乘客的出行模式进行权重设置，需要对乘客出行得分进行衰减考虑，依据时效性对出行得分进行次数衰减和时间衰减，
乘客出行得分＝出行模式权重×时间衰减×出行次数
公式中各参数的释义如下：
出行模式权重：乘客的进站时刻、进站站点，对乘客可能产生的出行模式的概率不同，其权重值由历史数据统计而来；
时间衰减：乘客某些出行模式受时间影响不断减弱，行为时间距现在越远，该行为对乘客当前来说的影响越小；
出行次数：乘客出行得分按历史总的次数统计，乘客以该出行模式出行的次数越多，该出行模式对乘客的影响越大。
优选的，对于无历史记录的新乘客，无可匹配的出行模式，利用大数据统计的比例进行分配。
优选的，根据实际情况动态调整规则列表，对预测结果进行筛选。
本发明采用的技术方案，具有如下有益效果：
1.精准性高。根据每一个乘客的个体行为特征预测他的出行OD轨迹，剔除其他乘客的干扰因素，预测结果具有更高的精准度。
2.可计算性强。不去计算乘客的OD矩阵，避免大数据的计算，而是先预测每个乘客的OD轨迹再汇集成整体的OD轨迹。该计算方式即可以通过分布式计算，也可以利用平行计算，可计算性强。
3.可动态调整。引入衰减因子调整出行次数和时效性对出行行为的影响；引入规则引擎对出行模式影响可能产生的因素进行控制，根据实际情况动态调整规则列表，对预测结果进行筛选。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述：
图1为本发明基于规则推荐算法的精准短时客流预测模型示意图。
具体实施方式
下面对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
本发明涉及一种基于规则推荐算法的精准短时客流预测模型，整体思路是通过大数据分析乘客个人的出行行为和方式，预先建立用户出行画像，并根据影响出行因素建立和调整筛选规则，利用实时数据进行匹配快速预测用户的OD 路径，再结合时刻表推断出整个线网的客流情况和趋势。
参考图1所示，基于规则推荐算法的精准短时客流预测模型包括：
数据采集模块，用于采集每个乘客的历史出行数据；
乘客出行行为画像模块，根据数据采集模块采集的数据建立乘客出行行为画像；
规则引擎模块，通过规则列表对可能产生的出行模式进行筛选，剔除不可能发生的出行模式；
乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；
乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；
客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。
客流预测是要把握整体客流的移动现象，从宏观上看是乘客的群体性趋势行为的集中表现，但从微观上看是由一个个具有个体特征的乘客的出行行为而造成的结果。本发明处理的对象是对某个具体的乘客而言的，处理数据是筛选后该个体乘客的数据。
其中，所述数据采集模块包括自动售检票系统和历史时刻表存储模块，所述自动售检票系统用于采集AFC交易数据并进行存储，形成AFC历史数据，所述历史时刻表存储模块存储有历史时刻表。所述AFC交易数据包括车票卡号、进站号、进站时刻、出站号、出站时刻，根据AFC历史交易数据计算每个乘客所有的OD配对数据(带起始日期和时刻)。由于AFC的清分系统需要对AFC数据计算OD数据，才能进行票价的计算，因此计算OD配对数据为现有方法。
根据OD配对数据的时间属性分析出行规律，了解时间的变化(季节、月、周、工作日、周末、时间段等)对OD数据的影响，使用机器学习的分类算法对时间属性进行归类。
在线网有换乘的情况下，根据历史时刻表对OD配对数据进行反推，补齐乘客中间换乘数据，得到完整的OD轨迹。具体方法包括如下步骤：
步骤S1：估算或统计乘客从闸机到站台时间。
步骤S2：根据时刻表推出乘客上了哪趟车和发车时刻。
步骤S3：到换乘站下车根据时刻表推出下车时刻。
步骤S4：估算或统计换乘时间。
步骤S5：根据时刻表推出乘客上了哪趟车和发车时刻。
步骤S6：到目的站下车可推下车时刻。
步骤S7：估算或统计到闸机时间，与AFC出站时刻应该一致。
步骤S8：如果不一致换一条乘车路径重新进行推演。
步骤S9：从上可得到乘客的换乘站。
通过乘客出行行为画像描述乘客的出行模式。以上班出行模式为例，在工作日早上从家附近的车站出发到办公地点，在下班时间又从办公地点返回家，有规律的重复。可采用机器学习的分类算法建立乘客出行行为画像。
根据历史数据统计对乘客的出行模式进行权重设置，需要对乘客出行得分进行衰减考虑，依据时效性对出行得分进行次数衰减和时间衰减。
乘客出行得分＝出行模式权重×时间衰减×出行次数
公式中各参数的释义如下：
出行模式权重：乘客的进站时刻、进站站点，对乘客可能产生的出行模式的概率不同，其权重值一般由历史数据统计而来；
时间衰减：乘客某些出行模式受时间影响不断减弱，行为时间距现在越远，该行为对乘客当前来说的影响越小；
出行次数：乘客出行得分按历史总的次数统计，乘客以该出行模式出行的次数越多，该出行模式对乘客的影响越大。
建立规则引擎。针对特定因素对出行模式的影响，如天气和突发事件，根据实际情况通过规则列表对可能产生的出行模式进行筛选，剔除不可能发生的出行模式。并根据实际情况动态调整规则列表，对预测结果进行筛选。
以AFC的实时数据为输入，计算乘客出行得分，对乘客的OD轨迹进行预测。根据历史数据每个乘客的画像里有多种出行模式和行为，乘客采用哪种方式的可能性为最大，是由这里计算的乘客出行得分来判断的。而具体的出行模式和行为是与该乘客的该次出行的OD轨迹相对应的。
按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。
时刻t客流数据的分配比例包括从车站i到车站j的客流比例系数R(i，j，t)，在车站i上、下行客流的比例系数Ru(i，t)、Rd(i，t)。
根据时刻t从车站i到车站j的乘客集合，该集合人数与该时刻t站台上总人数的比例即为比例系数R(i，j，t)。
上述比例系数相互关系如下：
Figure BDA0002654789930000071
Figure BDA0002654789930000081
以一条线路为例，设该线路有n个车站，编号依次为1，2，3，.......，n，对于车站i，Section(i)表示i和i+1车站之间的区段，根据列车时刻表可得到计算时刻为t，前一计算时刻为t-1，当前的列车为k。
时刻t，车站i的车站客流数据，具体计算如下：
站台人数是从AFC进入该站人数和从换乘站进入该站的人数和上一趟列车没有运走在站台滞留的人数总和：
NStation(i，t)＝NAFCin(i，t)+NShiftin(i，t)+NRest(i，t-1)
站台滞留人数是站台人数减去上车走后，留在站台上的人：
NRest(i，t)＝NStation(i，t)–Non(i，t)
期望人数，是站台上的人去往各个目的车站的人数，根据历史的比例计算而来:
NUp(i，t)＝NStation(i，t)×Ru(i，t)
NDown(i，t)＝NStation(i，t)×Rd(i，t)
NOD(i，j，t)＝NStation(i，t)×R(i，j，t)
式中，NStation表示站台人数；NAFCin表示t-1和t期间AFC进站累计人数；NShiftin表示t-1和t期间车站换乘进入累计人数；NRest表示站台滞留人数； Non表示上车人数，t-1表示时刻表中前一时刻的时间；NUp表示站台上期望上行的人数；NDown表示站台上期望下行的人数，NOD表示站台上期望乘车去往目的地站j的人数。
时刻t，区段(i)中的列车k的断面客流数据，计算如下：
NTrain(k，t)＝NTrain(k，t-1)–Noff(k，i，t)+Non(k，i，t)
下车人数是车上期望其该目的站的人数
上车人数是站台上准备搭乘该车的人数
列车断面客流人数中去往目的地j的人数：列车的总人数中计算去目的地的人数是车中原先预定往j去的人数加上刚上车去往j的人数：
NTrainD(k，j，t)＝NTrainD(k，j，t-1)+(Non(k，i，t)×R(i，j，t))
Noff(k，i，t)＝NTrainD(k，i，t-1)
式中，NTrain表示列车断面客流人数；Noff表示下车人数；Non表示上车人数；NTrainD表示列车断面客流人数中去往目的地j的人数。
列车有满载人员定额限制，当列车满载率很高时候，不能满足所有在站台上等待乘客的上车期望，
以下行为例，期望上车的人数为站台上计算出来的下行客流人数，
NExpon(i，t)＝NDown(i，t)
先计算判断条件，然后根据条件计算实际上车人数：
Nspace(k，t)＝Nlimit–(NTrain(k，t-1)–Noff(k，i，t))
Jcon＝Nspace(k，t)–NExpon(i，t)
如果Jcon≥0，Non(k，i，t)＝NExpon(i，t)
如果Jcon<0，Non(k，i，t)＝Nspace(k，t)
式中，NExpon表示站台期望上车的乘客；Nspace表示列车可载客空间；Nlimit表示列车满载人员定额；Jcon表示判断条件。
车满了，自然在站台的人上不了车，只能等下趟车，所以才有了站台滞留人数。上行的同样，每次上车的人数上车后列车不能超过定额限制，只能部分人能上车。
关于换乘人员，如果有多条换乘路径，则按最短路径计算，设乘客从a→b→c，表示乘客从a站经b站换乘去往目的地站c，则在本线该乘客被归类为OD为a→b的乘客来计算，并且在t时刻在b站下车，在换乘线该乘客被归类为在时刻t从b站进站OD为b→c的乘客来计算，根据公式Noff(k，i，t)＝NTrainD(k，i，t-1)计算出在b站换乘的客流人数，其中c为所有经b站换乘去非本线的车站：
Figure BDA0002654789930000101
式中，Nshift表示换乘客流人数，NTrainD表示列车断面客流人数中去往非本线目的地c的人数。
对于每列车在起始站，列车应该是空车，因此列车的断面客流人数等于站台上车人数。
NTrainD(k，j，t-1)＝0。
还包括短时客流预测动态更新及显示系统，根据计算得到的时刻t，车站i 的车站客流数据和区段(i)中的列车k的断面客流数据，将计算结果进行自动更新和显示，并将结果传送至运营调度系统，为运营调度提供依据、支持和辅助决策，制定出更加合理的城市轨道交通运营方案。
综上，本发明的优点如下：
1.精准性高。根据每一个乘客的个体行为特征预测他的出行OD轨迹，剔除其他乘客的干扰因素，预测结果具有更高的精准度。
2.可计算性强。不去计算乘客的OD矩阵，避免大数据的计算，而是先预测每个乘客的OD轨迹再汇集成整体的OD轨迹。该计算方式即可以通过分布式计算，也可以利用平行计算，可计算性强。
3.可动态调整。引入衰减因子调整出行次数和时效性对出行行为的影响；引入规则引擎对出行模式影响可能产生的因素进行控制，根据实际情况动态调整规则列表，对预测结果进行筛选。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (8)

1.基于规则推荐算法的精准短时客流预测模型，其特征在于包括：
数据采集模块，用于采集每个乘客的历史出行数据；
乘客出行行为画像模块，根据数据采集模块采集的数据建立乘客出行行为画像，通过乘客出行行为画像描述乘客的出行模式；
规则引擎模块，通过规则列表对可能产生的出行模式进行筛选，剔除不可能发生的出行模式；
乘客出行行为画像汇总模块，对所有具有历史记录的乘客重复采用数据采集模块、乘客出行行为画像模块以及规则引擎模块进行处理，完成所有乘客的出行行为画像；
乘客OD轨迹预测模块，对乘客的OD轨迹进行预测；
客流数据预测模块，按照时刻表的时刻利用乘客的预测OD轨迹计算站台客流分布数据和列车的断面客流分配数据。
2.根据权利要求1所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：所述数据采集模块包括自动售检票系统和历史时刻表存储模块，所述自动售检票系统用于采集AFC交易数据并进行存储，形成AFC历史数据，所述历史时刻表存储模块存储有历史时刻表。
3.根据权利要求2所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：所述AFC交易数据包括车票卡号、进站号、进站时刻、出站号、出站时刻，根据AFC历史交易数据计算每个乘客所有的OD配对数据，根据OD配对数据的时间属性分析出行规律，了解时间的变化对OD数据的影响，使用机器学习的分类算法对时间属性进行归类。
4.根据权利要求3所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：在线网有换乘的情况下，根据历史时刻表对OD配对数据进行反推，补齐乘客中间换乘数据，得到完整的OD轨迹。
5.根据权利要求4所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：在线网有换乘的情况下，OD轨迹计算方法包括如下步骤：
步骤S1：估算或统计乘客从闸机到站台时间；
步骤S2：根据时刻表推出乘客上了哪趟车和发车时刻；
步骤S3：到换乘站下车根据时刻表推出下车时刻；
步骤S4：估算或统计换乘时间；
步骤S5：根据时刻表推出乘客上了哪趟车和发车时刻；
步骤S6：到目的站下车可推下车时刻；
步骤S7：估算或统计到闸机时间，与AFC出站时刻应该一致；
步骤S8：如果不一致换一条乘车路径重新进行推演；
步骤S9：最后可得到乘客的换乘站。
6.根据权利要求1至5中任意一项所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：根据历史数据统计对乘客的出行模式进行权重设置，需要对乘客出行得分进行衰减考虑，依据时效性对出行得分进行次数衰减和时间衰减，
乘客出行得分＝出行模式权重×时间衰减×出行次数
公式中各参数的释义如下：
出行模式权重：乘客的进站时刻、进站站点，对乘客可能产生的出行模式的概率不同，其权重值由历史数据统计而来；
时间衰减：乘客某些出行模式受时间影响不断减弱，行为时间距现在越远，该行为对乘客当前来说的影响越小；
出行次数：乘客出行得分按历史总的次数统计，乘客以该出行模式出行的次数越多，该出行模式对乘客的影响越大。
7.根据权利要求1所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：对于无历史记录的新乘客，无可匹配的出行模式，利用大数据统计的比例进行分配。
8.根据权利要求1所述的基于规则推荐算法的精准短时客流预测模型，其特征在于：根据实际情况动态调整规则列表，对预测结果进行筛选。
CN202010883285.3A 2020-08-28 2020-08-28 基于规则推荐算法的精准短时客流预测模型 Active CN112183815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010883285.3A CN112183815B (zh) 2020-08-28 2020-08-28 基于规则推荐算法的精准短时客流预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010883285.3A CN112183815B (zh) 2020-08-28 2020-08-28 基于规则推荐算法的精准短时客流预测模型

Publications (2)

Publication Number Publication Date
CN112183815A true CN112183815A (zh) 2021-01-05
CN112183815B CN112183815B (zh) 2023-04-07

Family

ID=73923985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010883285.3A Active CN112183815B (zh) 2020-08-28 2020-08-28 基于规则推荐算法的精准短时客流预测模型

Country Status (1)

Country Link
CN (1) CN112183815B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723659A (zh) * 2021-06-22 2021-11-30 北京交通大学 一种城市轨道交通全场景客流预测方法及系统
CN114446039A (zh) * 2021-12-31 2022-05-06 深圳云天励飞技术股份有限公司 客流分析方法及相关设备
CN114724375A (zh) * 2022-05-05 2022-07-08 厦门理工学院 一种基于物联网的反向乘客识别系统
CN115759472A (zh) * 2022-12-07 2023-03-07 北京轨道交通路网管理有限公司 客流信息的预测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法
CN103761589A (zh) * 2014-02-18 2014-04-30 东南大学 一种城市轨道交通清分方法
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
CN109410568A (zh) * 2018-09-18 2019-03-01 广东中标数据科技股份有限公司 基于用户画像和换乘规律的下车站点推测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310287A (zh) * 2013-07-02 2013-09-18 北京航空航天大学 基于svm预测乘客出行概率的轨道交通客流预测方法
CN103761589A (zh) * 2014-02-18 2014-04-30 东南大学 一种城市轨道交通清分方法
CN107358319A (zh) * 2017-06-29 2017-11-17 深圳北斗应用技术研究院有限公司 城市轨道交通客流预测方法、装置、存储介质和计算机设备
CN109308543A (zh) * 2018-08-20 2019-02-05 华南理工大学 基于ls-svm和实时大数据的地铁短期客流预测方法
CN109410568A (zh) * 2018-09-18 2019-03-01 广东中标数据科技股份有限公司 基于用户画像和换乘规律的下车站点推测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵宏田: "《用户画像》", 31 October 2019 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723659A (zh) * 2021-06-22 2021-11-30 北京交通大学 一种城市轨道交通全场景客流预测方法及系统
CN113723659B (zh) * 2021-06-22 2023-11-21 北京交通大学 一种城市轨道交通全场景客流预测方法及系统
CN114446039A (zh) * 2021-12-31 2022-05-06 深圳云天励飞技术股份有限公司 客流分析方法及相关设备
CN114724375A (zh) * 2022-05-05 2022-07-08 厦门理工学院 一种基于物联网的反向乘客识别系统
CN115759472A (zh) * 2022-12-07 2023-03-07 北京轨道交通路网管理有限公司 客流信息的预测方法、装置及电子设备
CN115759472B (zh) * 2022-12-07 2023-12-22 北京轨道交通路网管理有限公司 客流信息的预测方法、装置及电子设备

Also Published As

Publication number Publication date
CN112183815B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112183815B (zh) 基于规则推荐算法的精准短时客流预测模型
CN103632212B (zh) 一种时变用户均衡动态网络演化客流预测系统和方法
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
CN109255972B (zh) 一种基于大数据的地面公交固定线路时刻表的优化方法
CN104200286A (zh) 一种城市轨道交通时刻表优化技术应用框架
CN115018148B (zh) 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及系统
CN113723659A (zh) 一种城市轨道交通全场景客流预测方法及系统
Wu et al. Joint optimization of timetabling, vehicle scheduling, and ride-matching in a flexible multi-type shuttle bus system
CN108537408B (zh) 一种融合进站和换乘控制的路网协同限流建模及评估方法
CN114529032A (zh) 一种基于lstm网络的地铁断面客流预测方法
CN115359659B (zh) 一种车道开闭配置方法和系统
WO2024174566A1 (zh) 一种用于智能公交系统的多车型时刻表设计方法及系统
WO2022130705A1 (ja) 運行支援システムおよび運行支援方法
CN115860594A (zh) 一种应用于智能公交排班调度的仿真系统及方法
CN117371596A (zh) 一种基于多源数据的智慧城市用公共交通综合调控系统
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
CN112182838A (zh) 一种基于afc数据的短时客流预测动态模型
CN117974129A (zh) 一种基于乘车行为智能补登的对账方法及系统
CN113849989A (zh) 一种公交线网仿真系统
CN110532606B (zh) 一种轨道交通票款清分方法
Sarango et al. Mathematical model for predicting the vehicle occupancy for urban passenger transport on the route
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法
CN110532515A (zh) 基于afc与视频数据的城市轨道交通乘客行程反演系统
CN111367900A (zh) 基于afc数据的城市轨道交通网络常态限流强度的计算方法

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
GR01 Patent grant
GR01 Patent grant