CN112287503B - 用于交通需求预测的动态空间网络构建方法 - Google Patents

用于交通需求预测的动态空间网络构建方法 Download PDF

Info

Publication number
CN112287503B
CN112287503B CN202011297255.0A CN202011297255A CN112287503B CN 112287503 B CN112287503 B CN 112287503B CN 202011297255 A CN202011297255 A CN 202011297255A CN 112287503 B CN112287503 B CN 112287503B
Authority
CN
China
Prior art keywords
node
spatial relationship
space network
network
nodes
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
Application number
CN202011297255.0A
Other languages
English (en)
Other versions
CN112287503A (zh
Inventor
黄飞虎
刘华山
段剑锋
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.)
Chengdu Xingyu Digital Cloud Technology Co ltd
Original Assignee
Chengdu Xingyu Digital Cloud Technology 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 Chengdu Xingyu Digital Cloud Technology Co ltd filed Critical Chengdu Xingyu Digital Cloud Technology Co ltd
Priority to CN202011297255.0A priority Critical patent/CN112287503B/zh
Publication of CN112287503A publication Critical patent/CN112287503A/zh
Application granted granted Critical
Publication of CN112287503B publication Critical patent/CN112287503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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"
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (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)

Abstract

本发明提供一种用于交通需求预测的动态空间网络构建方法，涉及空间网络领域，其特征在于，包括：时间离散化，将连续的时间点，划分为不同的时间段；节点空间关系匹配，计算节点的稳定性指数S，根据各个节点空间关系的稳定情况，采取不同的匹配策略；动态空间网络建模，在每个时间划分里面，为每个节点作空间关系匹配，构建出一个动态空间网络；其中，动态空间网络还基于空间网络，并采用异构网络建模。本发明提供的一种用于交通需求预测的动态空间网络构建方法，可以更准确地反映区域(或站点)间的依赖关系，以及进行交通预测时资源调度效率高，可有效提升交通需求预测结果。

Description

用于交通需求预测的动态空间网络构建方法
技术领域
本发明涉及空间网络领域，尤其涉及用于交通需求预测的动态空间网络构建方法。
背景技术
在智能交通系统中，有效地进行资源调度，不仅可以提升资源的利用率，还能带来良好地用户体验。特别是在摩拜单车、滴滴打车等应用系统中，资源调度的作用更加明显。因此，近几年，交通需求预测得到了人们的广泛关注。
交通需求预测有别于交通流量预测，他们之间的主要差异在于：交通需求预测中各个区域(或者站点)之间的空间网络具有不确定性；而交通流量预测中的空间网络是固定的。然而，目前所有关于交通需求预测的方法中，构建的空间网络均是固定的，即不随时间发生变化。构建静态的空间网络，不能很好地反映区域(或站点)间的依赖关系，这会对交通预测效果产生一定的影响，进而导致资源调度的效率不高。因此，构建动态空间网络是趋势所定，具有重要意义。
发明内容
为了解决以上问题，本发明的目的是提供用于交通需求预测的动态空间网络构建方法，该方法构建的动态空间网络，可有效提升交通需求预测结果，同时，解决了静态空间网络无法准确反映区域(或站点)间的依赖关系，以及进行交通预测时资源调度效率不高的问题。
为了实现以上目的，本发明采用的技术方案：
一种用于交通需求预测的动态空间网络构建方法，包括：
时间离散化，将连续的时间点，划分为不同的时间段；
节点空间关系匹配，计算节点的稳定性指数S，根据各个节点空间关系的稳定情况，采取不同的匹配策略；
动态空间网络建模，在每个时间段划分里面，为每个节点作空间关系匹配，构建出一个动态空间网络。
进一步的是，所述节点的稳定性指数S为该节点与其他节点关系的稳定性，同时，引入常量Sτ作为阈值判断节点的空间关系是否稳定，当节点的稳定性指数S大于Sτ时，其空间关系稳定；否则，其空间关系不稳定。
进一步的是，根据各个节点空间关系的稳定情况，采取所述匹配策略包括：
当空间关系稳定时，选择与该节点交互频率较高的节点作为该节点的空间关系；当空间关系不稳定时，选择与该节点相距距离为1km～2km的节点作为该节点的空间关系。
进一步的是，所述空间网络由n个节点构成的一个有向图，所述动态空间网络基于所述空间网络，同时采用异构网络建模。
进一步的是，所述异构网络为给定有向图G＝(V,E)，且其中每个节点v有一个映射函数φ(v):v→K，表示v的节点类型，有φ(v)∈K；每个边e有一个映射函数
Figure GDA0003936200440000021
e→Γ，表示e的边类型，有
Figure GDA0003936200440000022
所述异构网络的节点类型或者边类型至少有一种类型。
进一步的是，所述节点的稳定性指数S具体计算公式为：
Figure GDA0003936200440000023
其中，Odist为需求序列
Figure GDA0003936200440000024
涉及到的节点集合，|Odist|为Odist的元素个数。需求序列
Figure GDA0003936200440000025
为节点i从时刻1到T的需求序列。pk＝Dik/Di，这里Di为该节点i从时刻1到T的需求总数，Dik是i节点与节点k之间的需求总量，节点k属于集合Odist中的元素。
本发明的有益效果：
本发明提供的一种用于交通需求预测的动态空间网络构建方法，将连续的时间点，划分为不同的时间段，构建出的动态空间网络可以更准确地反映区域(或站点)间的依赖关系。
本发明中采用的节点空间关系匹配，需计算节点的稳定性指数S，根据各个节点空间关系的稳定情况，采取不同的匹配策略；其中稳定性指数S基于信息熵进行构建，使节点空间关系匹配更准确，即更准确地构建动态空间网络，我们就能更好地提取特征向量，从而提升交通需求预测结果，进而优化交通资源调度策略。
附图说明
图1为本发明用于交通需求预测的动态空间网络构建方法的流程图；
图2为本发明动态空间网络构建方法中节点空间关系匹配的详细流程图；
图3为本发明动态空间网络构建方法中异构网络的示意图；
图4为本发明与其他构建方法在Bluebike数据集上的预测效果对比结果图；
图5为本发明与其他构建方法在出租车数据集上的预测效果对比结果图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
实施例1
将共享单车需求量作为本申请实际应用场景：Bluebike是共享单车系统，现在需要根据其系统的历史运行记录，在本方法的基础上对每个站点的单车骑出需求进行预测。
首先，统计每个站点过去6个小时的信息，预测下一个小时内的骑出需求量。在Bluebike单车系统中，需求预测任务的对象是站点。为了与网络中的节点统一，这里将站点称为节点。经过对数据的预处理得到了272个节点。常量Sτ设定为0.7，并作为阈值判断节点的空间关系是否稳定，空间关系稳定时，选择与该节点交互频率较高的节点；若空间关系不稳定，则采用距离策略，距离阈值设定为2km。系统的历史运行数据如表1所示：
表1 Bluebike系统运行数据样例
Figure GDA0003936200440000031
一种用于交通需求预测的动态空间网络构建方法，如图1和2所示，包括：
时间离散化，将连续的时间点，划分为不同的时间段；
在应用场景中，可以采用经纬度计算各个节点之间的距离，然后选择距离近的节点构建空间网络。但是，单车的使用者是人，人会因为工作或者其他原因使用单车，但是需要明确的是，人们骑车肯定不是从一个地点出发，只骑行到与该地点相邻的地点。因此，各个站点之间的空间关系不是简单地采用距离策略构建，而是应该考虑人类出行行为的影响。只要考虑了人类出行这一因素，站点之间的空间关系就会随时间发生变化。其主要的原因是，例如，假设节点位于地铁站附近，那么上下班高峰期是节点的需求高峰期。如果节点位于商场附近，那么晚上或者周末是其需求的高峰期。因此，采用本方法的第一个步骤进行时间离散操作。具体的时间划分情况如下方表2所示：
表2时间划分情况
Figure GDA0003936200440000041
节点空间关系匹配，根据节点的稳定性指数S，判断其空间关系的稳定情况，进而采取不同的匹配策略。
其中，采取的匹配策略为：
(1)当空间关系稳定时，选择与该节点交互频率较高的节点作为该节点的空间关系(即邻居节点)；
(2)当空间关系不稳定时，选择与该节点相距距离为2km(在本实施例中采用这个距离)的节点作为该节点的空间关系(即邻居节点)。
其中，判断其空间关系的稳定情况，根据稳定性指数S的计算公式：
Figure GDA0003936200440000042
其中，Odist为需求序列
Figure GDA0003936200440000043
涉及到的节点集合，|Odist|为Odist的元素个数。需求序列
Figure GDA0003936200440000044
为节点i从时刻1到T的需求序列。pk＝Dik/Di，这里Di为该节点i从时刻1到T的需求总数，Dik是i节点与节点k之间的需求总量，节点k属于集合Odist中的元素。
具体的，以编号为179的节点为例，统计出2020年2月1日7点至11点的骑出需求序列：{11,14,12,10}，则D179＝47；在该需求序列中涉及到的节点集合有：Odist＝{107,20,19,201}这4个站点。其中，7点至11点这段时间内：
a)从179站点到107站点的需求量为20，则p107＝20/47；
b)从179站点到20站点的需求量为11，则p20＝11/47；
c)从179站点到19站点的需求量为10，则p19＝10/47；
d)从179站点到201站点的需求量为6，则p201＝6/47；
因此，对节点179来说，其稳定性指数S为：
Figure GDA0003936200440000051
根据Sτ的取值(0.7)，0.9345大于0.7。因此，在7点至11点这段时间内任务节点179的空间关系稳定，采用频率策略构建网络，即选择与该节点交互频率较高的节点作为该节点的空间关系(即邻居节点)。
动态空间网络建模，根据前面的时间划分和稳定性指标计算方法，可以为每个节点在不同时间段作空间关系匹配，空间网络由n个节点构成的一个有向图，动态空间网络基于所述空间网络，并采用异构网络进行建模。
其中，异构网络为给定有向图G＝(V,E)，且其中每个节点v有一个映射函数φ(v):v→K，表示v的节点类型，有φ(v)∈K；每个边e有一个映射函数
Figure GDA0003936200440000052
e→Γ，表示e的边类型，有
Figure GDA0003936200440000053
所述异构网络的节点类型或者边类型至少有一种类型。
具体的，如图3所示：以本实施例1构建的的异构网络示意图，且图中编号1至7对应不同的类型。
经过前面的步骤，本实施例1的异构网络的统计信息为：
(1)有节点272个，节点类型均一致；
(2)边有7种类型(与时间划分对应)，每种类型的边的数量为，如表3所示：
表3边的统计信息
Figure GDA0003936200440000054
对比例
分别在Bluebike数据集和出租车数据集上面验证了本方法具有更优的预测效果，验证的方法如下：
首先，采用图卷积网络GCN作为预测模型，对交通需求量进行预测；
其次，在预测模型中，选择不同空间网络的类型进行预测；
其中，对比例包括三种方法：一、无空间网络(None),二、基于距离构建的空间网络(Distance),三、基于频率构建的空间网络(Frequency)，基于以上三种分别对交通需求量进行预测，得出预测值；
采用本发明提出的动态空间网络(Dynamic)方法，对交通需求量进行预测，得出预测值；
最后，采用均方根误差(root-mean-square-error,RMSE)作为验证指标，得出均方根误差数据，其中，均方根误差计算公式为：
Figure GDA0003936200440000061
其中K表示测试样本集合，
Figure GDA0003936200440000062
为实际需求量，X为预测值。
由均方根误差结果数据和对比例可知，对比例与本发明提出的动态空间网络构建方法对交通需求预测效果如图4，图5所示。相比于其他几类空间网络的构建方法，本文构建的动态空间网络，对交通需求量预测是最优的。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

Claims (3)

1.一种用于交通需求预测的动态空间网络构建方法，其特征在于，包括以下步骤：
时间离散化：将连续的时间点，划分为不同的时间段；
节点空间关系匹配：计算节点的稳定性指数S，根据各个节点空间关系的稳定情况，采取不同的匹配策略；
动态空间网络建模：在每个时间段划分里面，为每个节点作空间关系匹配，构建出动态空间网络；
根据各个节点空间关系的稳定情况，采取所述匹配策略包括：
当空间关系稳定时，选择与该节点交互频率较高的节点作为该节点的空间关系；当空间关系不稳定时，选择与该节点相距距离在1km～2km的节点作为该节点的空间关系；
所述空间网络由n个节点构成的一个有向图，所述动态空间网络基于所述空间网络，同时采用异构网络建模；
所述节点的稳定性指数S计算公式为：
Figure FDA0003929739510000011
其中，Odist为需求序列
Figure FDA0003929739510000012
涉及到的节点集合，|Odist|为Odist的元素个数，需求序列
Figure FDA0003929739510000013
为节点i从时刻1到T的需求序列，pk＝Dik/Di，这里Di为该节点i从时刻1到T的需求总数，Dik是i节点与节点k之间的需求总量，节点k属于集合Odist中的元素。
2.根据权利要求1所述的一种用于交通需求预测的动态空间网络构建方法，其特征在于，所述节点的稳定性指数S为该节点与其他节点关系的稳定性，同时，引入常量Sτ作为阈值判断节点的空间关系是否稳定，当节点的稳定性指数S大于Sτ时，其空间关系稳定；否则，其空间关系不稳定。
3.根据权利要求1所述的一种用于交通需求预测的动态空间网络构建方法，其特征在于：所述异构网络为给定有向图G＝(V,E)，且其中每个节点v有一个映射函数φ(v):v→K，表示v的节点类型，有φ(v)∈K；每个边e有一个映射函数
Figure FDA0003929739510000014
e→Γ，表示e的边类型，有
Figure FDA0003929739510000015
所述异构网络的节点类型或者边类型至少有一种类型。
CN202011297255.0A 2020-11-18 2020-11-18 用于交通需求预测的动态空间网络构建方法 Active CN112287503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011297255.0A CN112287503B (zh) 2020-11-18 2020-11-18 用于交通需求预测的动态空间网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011297255.0A CN112287503B (zh) 2020-11-18 2020-11-18 用于交通需求预测的动态空间网络构建方法

Publications (2)

Publication Number Publication Date
CN112287503A CN112287503A (zh) 2021-01-29
CN112287503B true CN112287503B (zh) 2023-04-07

Family

ID=74398645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011297255.0A Active CN112287503B (zh) 2020-11-18 2020-11-18 用于交通需求预测的动态空间网络构建方法

Country Status (1)

Country Link
CN (1) CN112287503B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114070773B (zh) * 2021-10-13 2023-04-25 杭州电子科技大学 一种基于最短路径长度的空间网络路由策略
CN115376318B (zh) * 2022-08-22 2023-12-29 中交投资(湖北)运营管理有限公司 一种基于多属性融合神经网络的交通数据补偿方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105827688A (zh) * 2016-01-08 2016-08-03 同济大学 城市场景中车联网大规模异构网络连通性质的研究方法
CN106157603A (zh) * 2016-08-23 2016-11-23 浙江工业大学 一种衡量公交网络交通流空间分布不均衡程度的方法
CN106294869A (zh) * 2016-08-23 2017-01-04 浙江工业大学 一种基于空间网络的具有公共自行车子网的公交网络建模方法
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
CN110798802A (zh) * 2019-11-04 2020-02-14 北京理工大学 一种共享自行车骨架网络提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105827688A (zh) * 2016-01-08 2016-08-03 同济大学 城市场景中车联网大规模异构网络连通性质的研究方法
CN106157603A (zh) * 2016-08-23 2016-11-23 浙江工业大学 一种衡量公交网络交通流空间分布不均衡程度的方法
CN106294869A (zh) * 2016-08-23 2017-01-04 浙江工业大学 一种基于空间网络的具有公共自行车子网的公交网络建模方法
CN110491129A (zh) * 2019-09-24 2019-11-22 重庆城市管理职业学院 基于时空图的发散卷积循环神经网络的交通流预测方法
CN110798802A (zh) * 2019-11-04 2020-02-14 北京理工大学 一种共享自行车骨架网络提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A two-stream graph convolutional neural network for dynamic traffic flow forecasting;Zhaoyang Li 等;《2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI)》;20201111;355-362 *
共享单车网络分析及其优化调度研究;赵曼;《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》;20180315(第3期);J157-329 *

Also Published As

Publication number Publication date
CN112287503A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN107547633B (zh) 一种用户常驻点的处理方法、装置和存储介质
US11393341B2 (en) Joint order dispatching and fleet management for online ride-sharing platforms
US20170059331A1 (en) Route planner for transportation systems
CN108399564B (zh) 信用评分方法及装置
WO2020237539A1 (zh) 电力负荷的预测方法、装置及存储介质
CN112287503B (zh) 用于交通需求预测的动态空间网络构建方法
US20210174270A1 (en) Rideshare vehicle demand forecasting device, method for forecasting rideshare vehicle demand, and storage medium
CN104751249A (zh) 一种空间负荷预测方法
CN112950119B (zh) 即时物流订单拆分方法、装置、设备及存储介质
CN109697637A (zh) 对象类别确定方法、装置、电子设备及计算机存储介质
CN109803285A (zh) 一种小区处理方法、装置及网络设备
Bi et al. A simulation-based heuristic for city-scale electric vehicle charging station placement
CN111861017A (zh) 一种基于现网数据的充电站网络优化方法
CN110751359B (zh) 一种自动化航线网络评估方法、电子设备及存储介质
CN115829124A (zh) 充电桩选址方法、装置、设备及存储介质
CN116989819B (zh) 一种基于模型解的路径确定方法及装置
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN110069708A (zh) 一种跨媒介推广的推广效果预估方法、装置、介质和设备
CN113383351A (zh) 运输方法和装置
CN111092755B (zh) 一种基于资源占用的边缘服务迁移仿真方法
CN114339967A (zh) 基站业务量的预测方法及装置
Yuan et al. A novel learning approach for citywide crowd flow prediction
Chen et al. An overall analysis method of urban road parking lots based on data mining
CN111833088A (zh) 一种供需预测方法及装置
Diepolder et al. On the Computation of accessibility provided by shared mobility

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