CN112598182B - 一种轨道交通智能调度方法及系统 - Google Patents
一种轨道交通智能调度方法及系统 Download PDFInfo
- Publication number
- CN112598182B CN112598182B CN202011559885.0A CN202011559885A CN112598182B CN 112598182 B CN112598182 B CN 112598182B CN 202011559885 A CN202011559885 A CN 202011559885A CN 112598182 B CN112598182 B CN 112598182B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- rail transit
- data
- station
- transit station
- 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 49
- 238000007781 pre-processing Methods 0.000 claims description 23
- 230000011664 signaling Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000014759 maintenance of location Effects 0.000 claims description 15
- 238000005303 weighing Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G06Q50/40—
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种轨道交通智能调度方法及系统,所述方法包括:从多个数据源采集预设范围的原始数据;根据所述原始数据获取轨道交通车站的客流数据;根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型;通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度,以使所述轨道交通车站的客流畅通。本发明通过多个数据源获取原始数据,进而获取客流数据,实现了对轨道交通车站客流的全方位监测,并能够对发出不同的预警,以便对轨道交通车站的车辆和乘客进行合理的协调调度,进而有序应对即将出现的大客流,保证轨道交通车站的客流畅通。
Description
技术领域
本发明涉及城市轨道交通智能技术领域,尤其涉及一种轨道交通智能调度方法及系统。
背景技术
城市轨道交通车站作为城市轨道交通系统的重要组成部分之一,既是乘客上下车和换乘的场所,又是车辆到发、折返及临时停车的地点,可以说城市轨道交通车站的正常运营是城市轨道交通畅通的重要保障。而城市轨道交通车站的正常运营则需要车站内设备的正常运行和客流的有序流通来保障。
目前,已建设有相应的自动化系统(例如综合监控系统)对轨道交通车站内设备的运行状态进行监测,以确保设备的正常运行。对于轨道交通车站内的客流,则主要依靠工作人员进行人工管理;但是由于工作人员有限,且无法对轨道交通车站的客流进行准确预测以及对车辆进行及时调度,大型多线路换乘车站以及附近有火车站或机场的轨道交通车站则经常会因出现超大客流而造成车站内客流囤积的问题,给轨道交通车站的正常运营带来潜在的安全风险,同时还增加了工作人员的工作强度和难度,并降低了城市轨道交通的出行效率。
发明内容
本发明的目的在于提供一种轨道交通智能调度方法及系统,可以根据多个数据源对轨道交通车站的客流量进行准确预测并对车辆和乘客进行协调调度,从而使轨道交通车站的客流畅通。
为了达到上述目的,本发明通过以下技术方案实现:
一种轨道交通智能调度方法,包括:
从多个数据源采集预设范围的原始数据;
根据所述原始数据获取轨道交通车站的客流数据;
根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型;
通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及
根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度,以使所述轨道交通车站的客流畅通。
优选地,所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域;
所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。
优选地,所述根据所述原始数据获取轨道交通车站的客流数据的步骤包括:
根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;
根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据;以及
根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。
优选地,执行所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤之前还包括:
对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证。
优选地,所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤包括:
根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;
所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合。
优选地,所述通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量的步骤包括:
根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。
优选地,所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤包括:
根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;
通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;
根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及
根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。
优选地,所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤还包括:
所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;
所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及
所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
另一方面,本发明还提供一种轨道交通智能调度系统,包括:
数据采集模块,用于从多个数据源采集预设范围的原始数据;
数据分析模块,用于根据所述原始数据获取轨道交通车站的客流数据;
模型构建模块,用于根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型,并通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及
指挥调度模块,用于根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度。
优选地,所述轨道交通智能调度系统,还包括:
数据预处理模块,用于对所述原始数据进行预处理;
热力图模块,用于根据轨道交通车站的客流数据生成客流热力图。
优选地,所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域;
所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。
优选地,所述数据分析模块具体用于根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;
根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据;以及
根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。
优选地,所述数据预处理模块具体用于对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证。
优选地,所述模型构建模块具体用于根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;以及
根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。
优选地,所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合。
优选地,所述指挥调度模块具体用于根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;
通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;
根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及
根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。
优选地,所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;
所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及
所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
本发明与现有技术相比至少具有以下优点之一:
本发明提供的一种轨道交通智能调度方法及系统,可以从多个数据源采集预设范围的原始数据,并根据原始数据获取轨道交通车站的客流数据,实现了对轨道交通车站客流的全方位的实时监测,既可以克服现有技术中获取轨道交通车站客流数据手段单一的缺陷,又可以为客流预测模型的构建提供丰富的数据支撑。
本发明可以对根据多个数据源采集的原始数据得到的轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及回归验证等预处理,使得获取的轨道交通车站的客流数据的准确性较高。
本发明将由预设时段的进出站客流量获取的轨道交通车站的乘客滞留量与根据待进站车辆的数量以及实时车载客流数据得到的预设时段的待进站车辆的运能相结合,得到了待进站车辆的运能匹配系数,实现了轨道交通车站的进出站客流和待进站车辆的运能之间的动态关联。
本发明还可以根据待进站车辆的运能匹配系数,对轨道交通车站发出不同的预警,以便车站工作人员采取不同的措施,从而对轨道交通车站的车辆和乘客进行合理的协调调度,进而有序应对即将出现的大客流,保证轨道交通车站的客流畅通。
本发明还可以与地面交通系统进行联动,以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路,形成区域化调度管理,进而保证轨道交通车站的客流畅通。
附图说明
图1是本发明一实施例提供的一种轨道交通智能调度方法的流程图;
图2是本发明一实施例提供的一种轨道交通智能调度方法对车辆和乘客进行协调调度的逻辑图;
图3是本发明一实施例提供的一种轨道交通智能调度系统的结构示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种轨道交通智能调度方法及系统作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合附图1~2所示,本实施例提供一种轨道交通智能调度方法,包括:步骤S110、从多个数据源采集预设范围的原始数据;步骤S120、根据所述原始数据获取轨道交通车站的客流数据;步骤S130、根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型;步骤S140、通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及步骤S150、根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度,以使所述轨道交通车站的客流畅通。
请同时参考图1和图2,所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域;所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。
可以理解的是,在一些其他的实施例中,所述步骤S120包括:根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史进出站出入客流数据和实时进出站出入客流数据;以及根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。
具体的,在本实施例中,对于具有多条交通线路换乘的所述轨道交通车站,以及附近有火车站、机场、景点、大型展馆或购物商场等场所的所述轨道交通车站,极易出现因超大客流而造成所述轨道交通车站内乘客滞留或客流囤积的问题。因此不仅需要从所述轨道交通车站采集所述原始数据,还需要从所述轨道交通车站周边区域采集所述原始数据,以使根据所述原始数据获取的所述轨道交通车站的客流数据较为准确,进而保证所述轨道交通车站的客流畅通;优选地,所述轨道交通车站周边区域可以为以所述轨道交通车站为中心且半径为2000米的圆形辐射区域,但本发明不以此为限。
具体的,可以从多个数据源获取所述预设范围即所述轨道交通车站和所述圆形辐射区域的所述原始数据。优选地,可以分别通过所述轨道交通车站的售检票系统、所述预设范围(包括站台、站厅及站外周边区域等)内的车站视频系统、站外视频系统和移动运营商的手机信令系统以及待进站车辆的车载系统得到所述轨道交通车站的所述原始数据,即所述售检票数据、所述车站视频数据、所述站外视频数据、所述手机信令数据、所述车载视频数据以及所述车辆称重数据。利用从所述多个数据源采集的所述原始数据泽则可以获取所述轨道交通车站的客流数据,实现了对所述轨道交通车站客流的全方位的实时监测,既可以克服现有技术中获取所述轨道交通车站客流数据手段单一的缺陷,又可以为后续所述客流预测模型的构建提供丰富的数据支撑,但本发明不以此为限。
在本实施例中,可以通过所述售检票数据获取所述轨道交通车站的所述历史进出闸机客流数据和所述实时进出闸机客流数据;其中所述实时进出闸机客流数据可以包括阶段性(例如5分钟)进出闸机客流数据和断面客流数据;通过所述预设范围(包括站台、站厅及站外周边区域等)内的所述车站视频数据、站外视频数据和所述手机信令数据,并结合客流流向分析,则可以得到所述轨道交通车站的所述历史出入客流数据和所述实时出入客流数据;还可以通过所述车载视频数据及所述车辆称重数据获取所述轨道交通车站内所述待进站车辆(例如即将进站的两个班次)的所述历史车载客流数据和所述实时车载客流数据。
请继续参考图1,执行所述步骤S130之前还包括:对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证。
具体的,在本实施例中,由于对从所述多个数据源采集的所述原始数据进行客流密度、客流流向、客流流速及乘客异常行为等分析后得到的所述轨道交通车站的客流数据存在数据重复的问题,因此可以对获取的所述轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及数据校核即回归验证等预处理,以使获取的所述轨道交通车站的客流数据的准确性较高,但本发明不以此为限。
请继续参考图1,所述步骤S130包括:根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合。
具体的,在本实施例中,可以将预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据作为训练数据,通过DBSCAN模式聚类方法、随机森林算法以及滑动窗口平均法相结合,构建所述轨道交通车站的所述客流预测模型并对某一历史时段所述轨道交通车站的进出站客流量进行预测,以得到上述历史时段所述轨道交通车站的进出站客流量预测值,其中所述轨道交通车站的进出站客流量包括出入所述轨道交通车站站口的客流量和所述轨道交通车站站内换乘的上下车客流量。同时还可以从城市轨道交通统计系统获取上述历史时段对应的所述轨道交通车站的客流量实际值,并与上述历史时段所述轨道交通车站的客流量预测值进行对比分析,以对所述客流预测模型进行优化,从而使所述客流预测模型的预测精度满足要求。例如可以根据所述轨道交通车站某日上午(06:00~12:00)的预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流,对该日下午(12:00~18:00)的进出站客流量进行预测后与该日下午(12:00~18:00)的进出站客流量实际值进行对比,以对所述客流预测模型进行优化;还可以根据某班次车辆的预处理后的所述实时车载客流数据,对该班次车辆在所述轨道交通车站的上下车客流量进行预测后,并与该班次车辆在所述轨道交通车站的上下车客流量实际值进行对比,以对所述客流预测模型进行优化。优选地,在构建所述轨道交通车站的所述客流预测模型时,还可以叠加外部影响因素,例如日期(工作日、双休日及节假日)、天气、行车计划、站外各种活动、设备状况及其他突发情况等,以提高所述客流预测模型的预测精度,但本发明不以此为限。
请继续参考图1,所述步骤S140包括:根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。
具体的,在本实施例中,所述预设时段可以为相对于实时的某一未来时段,也可以为包含实时的全天;例如实时为当日14:00,所述预设时段可以为当日17:00,也可以为当日全天。更具体的,根据预处理后的所述实时进出闸机客流数据和预处理后的所述实时出入客流数据,以及预处理后的所述实时车载客流数据,通过所述客流预测模型可以预测某一未来时段的进站客流、出站客流和断面客流,预测早、晚高峰峰值,以及预测全天进站客流、出站客流和断面客流,但本发明不以此为限。
请同时参考图1和图2,所述步骤S150包括:根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。
可以理解的是,在一些其他的实施例中,所述步骤S150还包括:所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
具体的,可以从轨道交通信号系统接收所述轨道交通车辆运行图,以得到所述轨道交通车站的所述待进站车辆的到发时间信息,从而获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量,进而与所述待进站车辆的所述实时车载客流数据结合分析得到所述预设时段的所述待进站车辆的运能。所述预设时段的所述乘客滞留量与所述待进站车辆的运能之比则为所述待进站车辆的运能匹配系数。根据所述待进站车辆的运能匹配系数的大小,则可以对所述轨道交通车站发出不同的预警,以便车站工作人员可以采取不同的措施,从而对所述轨道交通车站的车辆和乘客进行合理的协调调度,以应对即将出现的大客流,但本发明不以此为限。
在本实施例中,若所述运能匹配系数不大于0.8,则不采取任何调度措施;当所述运能匹配系数大于0.8且小于1时,对所述轨道交通车站进行黄色预警,并对所述滞留乘客进行疏导;当所述运能匹配系数大于1且小于1.2时,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导;当所述运能匹配系数大于1.2时,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔,同时对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导;还可以与地面交通系统进行联动,以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路,形成区域化调度管理,进而保证所述轨道交通车站的客流畅通。
基于同一发明构思,结合附图3所示,本实施例还提供一种轨道交通智能调度系统,包括:数据采集模块110,用于从多个数据源采集预设范围的原始数据;数据分析模块120,用于根据所述原始数据获取轨道交通车站的客流数据;模型构建模块140,用于根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型,并通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及指挥调度模块150,用于根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度。
可以理解的是,在一些其他的实施例中,所述轨道交通智能调度系统,还包括:数据预处理模块130,用于对所述原始数据进行预处理;热力图模块160,用于根据轨道交通车站的客流数据生成客流热力图。
在一些实施例中,所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域;所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据。
具体的,在本实施例中,所述数据采集模块110可以分别与所述轨道交通车站的售检票系统、所述预设范围(包括站台、站厅及站外周边区域等)内的车站视频系统、站外视频系统和移动运营商的手机信令系统以及待进站车辆的车载系统进行连接,以获取所述预设范围的所述原始数据并存储;所述数据采集模块110还可以分别与轨道交通信号系统、地面交通系统进行连接,以得到所述轨道交通车站的所述轨道交通车辆运行图和所述地面交通信息;优选地,所述数据采集模块110与所述售检票系统、所述车站视频系统、所述站外视频系统、所述移动运营商的手机信令系统、所述待进站车辆的车载系统、所述轨道交通信号系统和所述地面交通系统之间可以设置网络安全防护设备,以保证数据传输的安全;所述数据采集模块110可以为数据采集服务器,但本发明不以此为限。
请继续参考图3,所述数据分析模块120具体用于根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据;以及根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据。
具体的,在本实施例中,所述数据分析模块120通过对所述预设范围的所述原始数据进行客流密度、客流流向、客流流速及乘客异常行为等分析后,可以获取所述轨道交通车站的客流数据,即所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据;所述数据分析模块120可以为数据分析服务器,但本发明不以此为限。
请继续参考图3,所述数据预处理模块130具体用于对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证。
具体的,在本实施例中,由于所述数据分析模块120得到的所述轨道交通车站的客流数据(包括所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据)存在数据重复的问题,则需要所述数据预处理模块130对得到的所述轨道交通车站的客流数据进行信息换算、数据去重(包括数据查重、清洗和筛选等)以及数据校核即回归验证等预处理,以使获取的所述轨道交通车站的客流数据的准确性较高;所述数据预处理模块130可以为数据预处理服务器,但本发明不以此为限。
具体的,在本实施例中,所述热力图模块160则可以根据预处理的所述轨道交通车站的客流数据生成客流热流图,以对客流的具体分布情况进行直观的展示,但本发明不以此为限。
请继续参考图3,所述模型构建模块140具体用于根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;以及根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量。
可以理解的是,在一些其他的实施例中,所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合。
具体的,在本实施例中,所述模型构建模块140通过DBSCAN模式聚类方法、随机森林算法以及滑动窗口平均法相结合来构建所述客流预测模型,以提高所述客流预测模型的预测精度,但本发明不以此为限。
请继续参考图3,所述指挥调度模块150具体用于根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度。
可以理解的是,在一些其他的实施例中,所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
具体的,所述指挥调度模块150可以提供所述轨道交通车站的区域指挥中心调度人机界面,以便于根据所述待进站车辆的运能匹配系数和所述地面交通信息对所述轨道交通车站的车辆和乘客进行合理及时的协调调度,从而保证所述轨道交通车站的客流畅通;所述指挥调度模块150可以为指挥调度工作站,但本发明不以此为限。
在本实施例中,若所述指挥调度模块150计算得到的所述运能匹配系数不大于0.8,则所述指挥调度模块150不采取任何调度措施;当所述运能匹配系数大于0.8且小于1时,所述指挥调度模块150对所述轨道交通车站进行黄色预警,并通知车站工作人员对所述滞留乘客进行疏导;当所述运能匹配系数大于1且小于1.2时,所述指挥调度模块150对所述轨道交通车站进行橙色预警,并通知车站工作人员对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导;当所述运能匹配系数大于1.2时,所述指挥调度模块150对所述轨道交通车站进行红色预警,并通知车站工作人员增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔,同时对所述轨道交通车站进行限流以及对所述滞留乘客进行疏导;所述指挥调度模块150还可以与地面交通系统进行联动,以根据地面交通信息引导乘客改乘地面交通或者附近其他地铁线路,形成区域化调度管理,进而保证所述轨道交通车站的客流畅通。
综上所述,本实施例提供一种轨道交通调度方法及系统,可以从多个数据源采集预设范围的原始数据;根据原始数据可以获取轨道交通车站的客流数据;根据轨道交通车站的客流数据构建轨道交通车站的客流预测模型,并通过所述客流预测模型获取轨道交通车站在预设时段的客流量;根据预设时段的客流量则可以对轨道交通车站的车辆和乘客进行协调调度,以使轨道交通车站的客流畅通。本实施例提供的一种轨道交通智能调度方法及系统,可以根据多个数据源采集的预设范围的原始数据获取轨道交通车站的客流数据并进行预处理,实现了对轨道交通车站客流的全方位的实时监测,提高了轨道交通车站的客流数据的准确性;还可以根据待进站车辆的运能匹配系数,对轨道交通车站发出不同的预警,以便车站工作人员采取不同的措施,从而对轨道交通车站的车辆和乘客进行合理的协调调度,进而有序应对即将出现的大客流,保证轨道交通车站的客流畅通。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种轨道交通智能调度方法,其特征在于,包括:
从多个数据源采集预设范围的原始数据;
根据所述原始数据获取轨道交通车站的客流数据;
根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型;
通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及
根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度,以使所述轨道交通车站的客流畅通;
所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据;
所述根据所述原始数据获取轨道交通车站的客流数据的步骤包括:
根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;
根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据;以及
根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据;
执行所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤之前还包括:
对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证;
所述根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型的步骤包括:
根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;
所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合;
所述通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量的步骤包括:
根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量;
所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤包括:
根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;且所述轨道交通车站的进出站客流量包括出入所述轨道交通车站站口的客流量和所述轨道交通车站站内换乘的上下车客流量;
通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;
根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及
根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度;
所述根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度的步骤还包括:
所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;
所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及
所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
2.如权利要求1所述的轨道交通智能调度方法,其特征在于,
所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域。
3.一种轨道交通智能调度系统,其特征在于,包括:
数据采集模块(110),用于从多个数据源采集预设范围的原始数据;
数据分析模块(120),用于根据所述原始数据获取轨道交通车站的客流数据;
模型构建模块(140),用于根据所述轨道交通车站的客流数据构建所述轨道交通车站的客流预测模型,并通过所述客流预测模型获取所述轨道交通车站在预设时段的客流量;以及
指挥调度模块(150),用于根据所述预设时段的客流量对所述轨道交通车站的车辆和乘客进行协调调度;
还包括:数据预处理模块(130),用于对所述原始数据进行预处理;
所述原始数据包括:售检票数据、车站视频数据、手机信令数据、车载视频数据及车辆称重数据;
所述数据分析模块(120)具体用于根据所述售检票数据获取所述轨道交通车站的历史进出闸机客流数据和实时进出闸机客流数据;
根据所述车站视频数据和所述手机信令数据获取所述轨道交通车站的历史出入客流数据和实时出入客流数据;以及
根据所述车载视频数据及所述车辆称重数据获取待进站车辆的历史车载客流数据和实时车载客流数据;
所述数据预处理模块(130)具体用于对所述历史进出闸机客流数据、所述实时进出闸机客流数据、所述历史出入客流数据、所述实时出入客流数据、所述历史车载客流数据和所述实时车载客流数据进行预处理,且所述预处理包括去重和回归验证;
所述模型构建模块(140)具体用于根据预处理后的所述历史进出闸机客流数据、预处理后的所述历史出入客流数据以及预处理后的所述历史车载客流数据,采用预设方法构建所述轨道交通车站的所述客流预测模型;以及
根据预处理后的所述实时进出闸机客流数据、预处理后的所述实时出入客流数据和预处理后的所述实时车载客流数据,通过所述客流预测模型获取所述轨道交通车站在所述预设时段的进出站客流量;
所述预设方法包括滑动窗口平均法、T-SNE模式分析、DBSCAN模式聚类以及随机森林算法中的一种或任意一组合;
所述指挥调度模块(150)具体用于根据所述预设时段的进出站客流量获取所述轨道交通车站在所述预设时段的乘客滞留量;且所述轨道交通车站的进出站客流量包括出入所述轨道交通车站站口的客流量和所述轨道交通车站站内换乘的上下车客流量;
通过轨道交通车辆运行图获取所述预设时段内所述轨道交通车站的所述待进站车辆的数量;
根据所述待进站车辆的数量以及所述实时车载客流数据计算所述预设时段的所述待进站车辆的运能;以及
根据所述预设时段的乘客滞留量和所述待进站车辆的运能计算所述待进站车辆的运能匹配系数,以对所述轨道交通车站的所述待进站车辆和滞留乘客进行协调调度;
所述运能匹配系数大于0.8,对所述轨道交通车站进行黄色预警,并对滞留乘客进行疏导;
所述运能匹配系数大于1,对所述轨道交通车站进行橙色预警,并对所述轨道交通车站进行限流;以及
所述运能匹配系数大于1.2,对所述轨道交通车站进行红色预警,并增加所述待进站车辆的数量以及调整所述待进站车辆的运行间隔。
4.如权利要求3所述的轨道交通智能调度系统,其特征在于,还包括:
热力图模块(160),用于根据轨道交通车站的客流数据生成客流热力图。
5.如权利要求3所述的轨道交通智能调度系统,其特征在于,
所述预设范围包括:所述轨道交通车站以及以所述轨道交通车站为中心且半径为300米~2500米的圆形辐射区域。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559885.0A CN112598182B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通智能调度方法及系统 |
US17/793,156 US20230062565A1 (en) | 2020-12-25 | 2021-09-24 | Intelligent dispatching method and system for rail transit |
PCT/CN2021/120054 WO2022134692A1 (zh) | 2020-12-25 | 2021-09-24 | 一种轨道交通智能调度方法及系统 |
EP21908693.1A EP4071736A4 (en) | 2020-12-25 | 2021-09-24 | METHOD AND SYSTEM FOR INTELLIGENT PLANNING FOR RAIL TRANSPORT |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011559885.0A CN112598182B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通智能调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598182A CN112598182A (zh) | 2021-04-02 |
CN112598182B true CN112598182B (zh) | 2022-11-29 |
Family
ID=75202047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011559885.0A Active CN112598182B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道交通智能调度方法及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230062565A1 (zh) |
EP (1) | EP4071736A4 (zh) |
CN (1) | CN112598182B (zh) |
WO (1) | WO2022134692A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200487A (zh) * | 2020-10-27 | 2021-01-08 | 中铁第五勘察设计院集团有限公司 | 一种城市轨道交通换乘车站的客流模拟方法 |
CN112598182B (zh) * | 2020-12-25 | 2022-11-29 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
CN113371037A (zh) * | 2021-04-30 | 2021-09-10 | 北京城建智控科技有限公司 | 基于gru神经网络的运行图编制方法及系统 |
CN113487763A (zh) * | 2021-05-20 | 2021-10-08 | 胡彦霞 | 一种城市轨道交通安全智能检测系统 |
CN114240174A (zh) * | 2021-12-16 | 2022-03-25 | 通控研究院(安徽)有限公司 | 基于动态客流的城轨线网行车调度辅助决策系统 |
CN115578697A (zh) * | 2022-04-19 | 2023-01-06 | 广州地铁集团有限公司 | 一种基于视频分析的车站智能客流监控系统 |
CN115081762B (zh) * | 2022-08-24 | 2022-11-01 | 北京交通大学 | 基于城市轨道交通的乘客一体化智慧出行方法和系统 |
CN115689154B (zh) * | 2022-09-15 | 2023-07-25 | 合肥市轨道交通集团有限公司 | 基于动态客流的城市轨道交通调度辅助决策系统 |
CN115565379B (zh) * | 2022-12-06 | 2023-05-02 | 成都智元汇信息技术股份有限公司 | 一种替换历史客流数据中异常客流数据的方法及系统 |
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 |
CN116128160B (zh) * | 2023-04-04 | 2023-07-28 | 北京经纬信息技术有限公司 | 一种铁路车站高峰客流预测方法、系统及设备和介质 |
CN116432956B (zh) * | 2023-04-10 | 2024-01-23 | 广东宏志信息技术有限公司 | 一种基于客流量的公交车调配方法、系统、设备及介质 |
CN116142264B (zh) * | 2023-04-23 | 2023-09-01 | 北京全路通信信号研究设计院集团有限公司 | 一种城市轨道交通运行计划编制方法及系统 |
CN116910588B (zh) * | 2023-06-16 | 2024-04-05 | 上海工程技术大学 | 一种用于城市轨交列车乘降时间的估计方法 |
CN116523267B (zh) * | 2023-06-28 | 2024-01-12 | 深圳市海成智联科技有限公司 | 适用于轨道交通的车辆调度优化方法、系统及存储介质 |
CN117592638A (zh) * | 2023-10-20 | 2024-02-23 | 南京新中安物联技术股份有限公司 | 一种景区客流分析与管控的方法及系统 |
CN117314504B (zh) * | 2023-11-28 | 2024-03-29 | 智达信科技术股份有限公司 | 一种公共交通客流预测方法及系统 |
CN117575264B (zh) * | 2023-11-29 | 2024-05-07 | 北京市运输事业发展中心 | 一种基于视觉识别的车站运输调度方法 |
CN117407774B (zh) * | 2023-12-15 | 2024-03-26 | 深圳市地铁集团有限公司 | 一种基于人工智能的交通数据处理方法及系统 |
CN117875518A (zh) * | 2024-03-06 | 2024-04-12 | 北京阿帕科蓝科技有限公司 | 车辆调度方法、装置、计算机设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184724A1 (zh) * | 2018-03-30 | 2019-10-03 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5176082A (en) * | 1991-04-18 | 1993-01-05 | Chun Joong H | Subway passenger loading control system |
US7188057B2 (en) * | 2002-08-02 | 2007-03-06 | Kennebec, Inc. | Systems and methods for designing, simulating and analyzing transportation systems |
DE102005032848A1 (de) * | 2005-07-14 | 2007-01-25 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Fahrerunterstützung |
JP6771381B2 (ja) * | 2013-08-26 | 2020-10-21 | 西安石▲雲▼交通▲設▼▲備▼有限公司 | ホームより長い列車及び編成システム |
US20150206427A1 (en) * | 2014-01-17 | 2015-07-23 | International Business Machines Corporation | Prediction of local and network-wide impact of non-recurrent events in transportation networks |
US20150294430A1 (en) * | 2014-04-15 | 2015-10-15 | Tomorrow's Transportation Today | Dynamic dispatching and schedule management methods for an intelligent transit system with electronic guided buses |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警系统 |
US20160335576A1 (en) * | 2015-05-12 | 2016-11-17 | Uber Technologies, Inc. | Location-based prediction of transport services |
CN106650976A (zh) * | 2015-10-29 | 2017-05-10 | 深圳市综合交通运行指挥中心 | 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统 |
US20170178044A1 (en) * | 2015-12-21 | 2017-06-22 | Sap Se | Data analysis using traceable identification data for forecasting transportation information |
CN108216311B (zh) * | 2017-07-12 | 2020-05-05 | 南京交通职业技术学院 | 一种基于大数据和物联网的轨道交通调度方法 |
US11755937B2 (en) * | 2018-08-24 | 2023-09-12 | General Electric Company | Multi-source modeling with legacy data |
CN109858670B (zh) * | 2018-12-24 | 2022-11-18 | 哈尔滨工业大学 | 一种轨道交通车站大客流实时预警方法 |
CN110246332B (zh) * | 2019-06-05 | 2020-09-22 | 北京交通大学 | 基于多源数据融合的轨道交通实时客流监察方法与系统 |
CN110348614B (zh) * | 2019-06-24 | 2022-04-01 | 武汉烽火信息集成技术有限公司 | 一种获取乘客od的方法及公交客流的预测方法 |
CN110544010B (zh) * | 2019-07-30 | 2023-04-07 | 同济大学 | 影响轨道交通系统全局效能涌现的关键要素的辨识方法 |
CN110493816B (zh) * | 2019-08-21 | 2022-10-21 | 上海工程技术大学 | 一种用于轨交地铁车站客流量的实时预测方法 |
CN110619422A (zh) * | 2019-11-04 | 2019-12-27 | 广东工业大学 | 一种智能车站客流状况预测方法和系统 |
CN111222744B (zh) * | 2019-11-18 | 2023-10-24 | 西南交通大学 | 基于信令数据的建成环境与轨道客流分布关系确定方法 |
CN111016979A (zh) * | 2019-11-29 | 2020-04-17 | 卡斯柯信号有限公司 | 基于实时客流的城市轨道交通列车自动调整方法 |
CN110901710B (zh) * | 2019-12-02 | 2021-09-10 | 交控科技股份有限公司 | 基于动态客流的城市轨道交通行车调度方法及装置 |
CN111144727B (zh) * | 2019-12-18 | 2023-07-11 | 东南大学 | 一种城市轨道交通进站客流韧性评估系统及方法 |
CN110991775B (zh) * | 2020-03-02 | 2020-06-26 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN111210094A (zh) * | 2020-03-06 | 2020-05-29 | 青岛海信网络科技股份有限公司 | 一种基于实时客流预测的机场出租车自动调度方法及装置 |
CN111354212A (zh) * | 2020-03-11 | 2020-06-30 | 青岛海信网络科技股份有限公司 | 应用于车站机场的出租车调度方法、服务器以及调度设备 |
CN111401643B (zh) * | 2020-03-19 | 2022-10-04 | 卡斯柯信号有限公司 | 一种城市轨道交通客流回路自适应的智能列车调度方法 |
CN111667092B (zh) * | 2020-04-21 | 2023-06-23 | 北京交通大学 | 基于图卷积神经网络的轨道交通短时客流预测方法和系统 |
CN111552913B (zh) * | 2020-04-24 | 2023-03-28 | 东南大学 | 一种新线接入条件下城市轨道交通运能匹配性评价方法 |
CN112308332A (zh) * | 2020-11-10 | 2021-02-02 | 交控科技股份有限公司 | 轨道交通平行推演系统及方法 |
CN112598182B (zh) * | 2020-12-25 | 2022-11-29 | 卡斯柯信号有限公司 | 一种轨道交通智能调度方法及系统 |
-
2020
- 2020-12-25 CN CN202011559885.0A patent/CN112598182B/zh active Active
-
2021
- 2021-09-24 WO PCT/CN2021/120054 patent/WO2022134692A1/zh unknown
- 2021-09-24 EP EP21908693.1A patent/EP4071736A4/en active Pending
- 2021-09-24 US US17/793,156 patent/US20230062565A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184724A1 (zh) * | 2018-03-30 | 2019-10-03 | 卡斯柯信号有限公司 | 一种基于实时客流的列车智能运行调整系统及方法 |
Non-Patent Citations (2)
Title |
---|
Using NARX Neural Network for Prediction of Urban Rail Transit Passenger Flow;Xiaochao Zhao 等;《2018 IEEE 9th International Conference on Software Engineering and Service Science (ICSESS)》;20190310;第117-121页 * |
城市轨道交通客流变化趋势预测及行车调度优化;承晓斌;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200615(第06期);第C033-191页 * |
Also Published As
Publication number | Publication date |
---|---|
US20230062565A1 (en) | 2023-03-02 |
EP4071736A4 (en) | 2024-02-21 |
WO2022134692A1 (zh) | 2022-06-30 |
CN112598182A (zh) | 2021-04-02 |
EP4071736A1 (en) | 2022-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
Rudskoy et al. | Digital twins in the intelligent transport systems | |
Li et al. | Public bus arrival time prediction based on traffic information management system | |
CN103116917B (zh) | 一种基于gps的公交智能停车场控制方法 | |
CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
CN101706993A (zh) | 道路应急疏散能力指标体系的计算方法及系统 | |
CN103295416A (zh) | 车辆引导方法及系统 | |
CN113159393A (zh) | 客运站大客流感知预警方法、装置、电子设备和存储介质 | |
CN112633740B (zh) | 一种城市轨道交通线网安全测评方法 | |
CN115409295B (zh) | 一种基于瓶颈分析的公交调度方法、电子设备及存储介质 | |
CN113096403A (zh) | 基于互联网+的智慧高速大数据服务平台 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
CN115578850A (zh) | 一种基于交通信息化的城市交通智能控制方法及系统 | |
CN110321982A (zh) | 一种轨道交通断面客流量实时计算方法 | |
CN113468243A (zh) | 地铁客流分析与预测方法及分析与预测系统 | |
CN112766751A (zh) | 一种用于高速服务区的智能管理方法和系统 | |
Mátrai et al. | Route planning based on urban mobility management | |
CN115410371A (zh) | 基于无感支付的城市轨道交通客流数据采集及分析方法 | |
CN114648875A (zh) | 一种基于城市轨道交通出行大数据的客流特征分析系统 | |
CN111612927A (zh) | 一种高速公路预约通行系统 | |
CN113723761B (zh) | 一种基于运行数据的多维度城市公交运行服务可靠度评价方法 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40041103 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |