CN112732783B - 一种基于客流大数据的公交溜站的判别方法 - Google Patents
一种基于客流大数据的公交溜站的判别方法 Download PDFInfo
- Publication number
- CN112732783B CN112732783B CN202011628901.7A CN202011628901A CN112732783B CN 112732783 B CN112732783 B CN 112732783B CN 202011628901 A CN202011628901 A CN 202011628901A CN 112732783 B CN112732783 B CN 112732783B
- Authority
- CN
- China
- Prior art keywords
- station
- passenger flow
- line
- data
- vehicle
- 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 22
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于客流大数据的公交溜站的判别方法，该方法包括步骤1，从调度系统获取一辆车当天实际执行的班次信息，步骤2，取站点在线路轨迹数据中的前后M米的轨迹点，步骤3，按照时间先后顺序循环客流数据D，计算客流数据GPS在站点轨迹线上的投影，步骤4，将线路站点数组N与匹配站点数组M求差集，得到溜站站点数组R，步骤5，判断首站是否有客流，步骤6，循环溜站数组，利用车辆的GPS心跳数据H，计算车辆的溜站速度及时间。通过运用图像识别的客流数据，可以不额外购置图像采集设备的情况下对车门的开关进行识别；利用图像及班次信息高效识别溜站站点，并提高了溜站站点识别的准确率。
Description
技术领域
本发明涉及智能交通研究领域，尤其是客流大数据在公交领域的运用，具体涉及一种基于客流大数据的公交溜站的判别方法。
背景技术
随着城市的扩大，公交线网越来越复杂，公交司机的各种违规操作，导致乘客投诉量上升，溜站就是投诉量比较高的违规操作之一。公交公司也在积极的采取监控手段，减少溜站情况的发生。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前比较常见的监控手段是在开关门电路上安装监控设备，但是成本高昂，不同品牌型号的车辆开关门装置不一样，如果考虑安装监控装置，需要针对不同品牌型号的开门装置进行定制，同时独立的监控设备很难与调度系统进行关联；或者额外安装车门开关监控装置监控车门的开关情况，但是很难判断溜站站点，记录下车辆开关门时间后，需要结合当天班次、停靠站点及时间判断车辆是否溜站。
发明内容
为了克服现有技术的不足，本公开实施例提供了一种基于客流大数据的公交溜站的判别方法，可以提高了溜站站点识别的准确率。技术方案如下：
第一方面，提供了一种基于客流大数据的公交溜站的判别方法，该方法包括如下步骤：
步骤1，从调度系统获取一辆车当天实际执行的班次信息，班次对应线路站点数组数据N、线路轨迹数据及方向信息、班次的上下客图像识别的客流数据D、班次内车辆的GPS心跳数据H等。
步骤2，取站点在线路轨迹数据中的前后M米的轨迹点，作为该站点有效轨迹线；计算并保存线路中每个站点的轨迹线至集合A中；
步骤3，按照时间先后顺序循环客流数据D，计算客流数据GPS在站点轨迹线上的投影，具体计算方法如下：
从客流数据的GPS点开始，向站点轨迹线画垂线，垂线与站点轨迹线相交的点就为该客流数据在站点轨迹线上的投影点，客流GPS点与投影点的距离为投影距离O；按照线路方向依次计算客流与站点1、站点2、站点…的投影距离O1,O2,O…，如果min(Oi)<X则认为该客流数据属于站点i，将匹配上的站点放入匹配站点数组M中。
步骤4，将线路站点数组N与匹配站点数组M求差集，得到溜站站点数组 R
步骤5，判断首站是否有客流，如果首站存在图像识别的客流或客流正常，则进行下一步判断；
判断班次内上下客总数差值是否大于P，
如果大于P则判断：车辆是否缺失前门或者后门的图像数据，如果前后门均有数据则认为图像识别异常，不进行溜站分析，否则进入下一步；
步骤6，循环溜站数组R，利用车辆的GPS心跳数据H，计算车辆的溜站速度及时间，
优选的，步骤1所述班次的上下客图像识别的客流数据D为通过公交车原有图像采集设备采集的。
优选的，步骤1所述轨迹线的计算结果应包含轨迹线的方向、轨迹线与正北或正西方向夹角信息。
优选的，步骤3每次匹配到站点后，则记录当前匹配站点信息，下一条客流匹配只能从当前站点开始往后匹配。
优选的，步骤3对于首末站划分不清楚的客流数据，按照首站无下客，末站无上客的原则划分。
优选的，步骤6计算车辆的溜站速度及时间的具体计算方法如下：
设定溜站站点为Ri，对应的站点轨迹线为Aj，根据照步骤3的方法计算投影距离，取出能投影到站点轨迹线上的车辆心跳GPS数据集合，并记录集合中心跳开始时间S，心跳结束时间E，车辆溜站速度为GPS轨迹的中位数时间作为溜站时间，循环R中的站点，直到所有站点循环完毕。
与现有技术相比，上述技术方案中的一个技术方案具有如下有益效果：通过运用图像识别的客流数据，可以不额外购置图像采集设备的情况下对车门的开关进行识别；利用图像及班次信息高效识别溜站站点，并提高了溜站站点识别的准确率。还能通过图像识别进行客流量的记录，实现了设备的多用化，达到了降本增效的目的。同时，结合排班信息，对司机溜站行为分析提供了有效的数据基础。同时根据站点的溜站次数，为站点优化提供数据参考。通过图像不但可以识别车辆开关门，还能结合位置、时间与班次信息对开关门所处站点进行记录，方便后期统计分析。
具体实施方式
为了阐明本发明的技术方案和工作原理，下面将对本公开实施方式做进一步的详细描述。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本申请的说明书和权利要求书中的术语“步骤1”、“步骤2”、“步骤3”等类似描述是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里描述的那些以外的顺序实施。
本公开实施例提供了一种基于客流大数据的公交溜站的判别方法，主要包括以下步骤：
步骤1，从调度系统获取一辆车当天实际执行的班次信息，班次对应线路站点数组数据N、线路轨迹数据及方向信息、班次的上下客图像识别的客流数据D、班次内车辆的GPS心跳数据H等。
所述班次的上下客图像识别的客流数据D为通过公交车原有图像采集设备采集的。
步骤2，取站点在线路轨迹数据中的前后M米的轨迹点，作为该站点有效轨迹线；计算并保存线路中每个站点的轨迹线至集合A中。
优选的，所述轨迹线的计算结果应包含轨迹线的方向、轨迹线与正北或正西方向夹角信息。
步骤3，按照时间先后顺序循环客流数据D，计算客流数据GPS在站点轨迹线上的投影，具体计算方法如下：
从客流数据的GPS点开始，向站点轨迹线画垂线，垂线与站点轨迹线相交的点就为该客流数据在站点轨迹线上的投影点，客流GPS点与投影点的距离为投影距离O；按照线路方向依次计算客流与站点1、站点2、站点…的投影距离O1,O2,O…，如果min(Oi)<X则认为该客流数据属于站点i，将匹配上的站点放入匹配站点数组M中。为防止GPS漂移影响计算准确性，这里设置最大投影距离X。
优选的，为避免相邻或者平行站点轨迹线匹配，导致站点匹配错误，步骤3 每次匹配到站点后，则记录当前匹配站点信息，下一条客流匹配只能从当前站点开始往后匹配。
优选的，对于首末站划分不清楚的客流数据，按照首站无下客，末站无上客的原则划分；
步骤4，将线路站点数组N与匹配站点数组M求差集，得到溜站站点数组 R
步骤5，判断首站是否有客流，如果首站存在图像识别的客流或客流正常，则进行下一步判断；
因为首站一般会涉及到司机与保洁的上下，并时长处于场站内或者人流量较大的区域。如果没有图像识别的客流上报，则认为图像识别异常，不进行溜站分析。
判断班次内上下客总数差值是否大于P，
如果大于P则判断：车辆是否缺失前门或者后门的图像数据，因为实际应用中有概率出现前门或者后门图像识别故障的情况；如果前后门均有数据则认为图像识别异常，不进行溜站分析，否则进入下一步。
步骤6，循环溜站数组R，利用车辆的GPS心跳数据H，计算车辆的溜站速度及时间。
优选的，步骤6计算车辆的溜站速度及时间的具体计算方法如下：
设定溜站站点为Ri，对应的站点轨迹线为Aj，根据照步骤3的方法计算投影距离，取出能投影到站点轨迹线上的车辆心跳GPS数据集合，并记录集合中心跳开始时间S，心跳结束时间E，车辆溜站速度为GPS轨迹的中位数时间作为溜站时间，循环R中的站点，直到所有站点循环完毕。
以上对本发明进行了示例性描述，显然，本发明具体实现并不受上述方式的限制，凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进；或者未经改进、等同替换，将本发明的上述构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。
Claims (7)
1.一种基于客流大数据的公交溜站的判别方法，其特征在于，该方法包括如下步骤：
步骤1，从调度系统获取一辆车当天实际执行的班次信息，班次对应线路站点数组数据N、线路轨迹数据及方向信息、班次的上下客图像识别的客流数据D、班次内车辆的GPS心跳数据H等；
步骤2，取站点在线路轨迹数据中的前后M米的轨迹点，作为该站点有效轨迹线；计算并保存线路中每个站点的轨迹线至集合A中；
步骤3，按照时间先后顺序循环客流数据D，计算客流数据GPS在站点轨迹线上的投影，具体计算方法如下：
从客流数据的GPS点开始，向站点轨迹线画垂线，垂线与站点轨迹线相交的点就为该客流数据在站点轨迹线上的投影点，客流GPS点与投影点的距离为投影距离O；按照线路方向依次计算客流与站点1、站点2、站点…的投影距离O1,O2,O…，如果min(Oi)<X则认为该客流数据属于站点i，将匹配上的站点放入匹配站点数组M中；
步骤4，将线路站点数组N与匹配站点数组M求差集，得到溜站站点数组R
步骤5，判断首站是否有客流，如果首站存在图像识别的客流或客流正常，则进行下一步判断；
判断班次内上下客总数差值是否大于P，
如果大于P则判断：车辆是否缺失前门或者后门的图像数据，如果前后门均有数据则认为图像识别异常，不进行溜站分析，否则进入下一步；
步骤6，循环溜站数组R，利用车辆的GPS心跳数据H，计算车辆的溜站速度及时间。
2.根据权利要求1所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤1所述班次的上下客图像识别的客流数据D为通过公交车原有图像采集设备采集的。
3.根据权利要求1所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤1所述轨迹线的计算结果应包含轨迹线的方向、轨迹线与正北或正西方向夹角信息。
4.根据权利要求1-3任一项所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤3每次匹配到站点后，则记录当前匹配站点信息，下一条客流匹配只能从当前站点开始往后匹配。
5.根据权利要求1-3任一项所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤3对于首末站划分不清楚的客流数据，按照首站无下客，末站无上客的原则划分。
6.根据权利要求4所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤6计算车辆的溜站速度及时间的具体计算方法如下：
设定溜站站点为Ri，对应的站点轨迹线为Aj，根据照步骤3的方法计算投影距离，取出能投影到站点轨迹线上的车辆心跳GPS数据集合，并记录集合中心跳开始时间S，心跳结束时间E，车辆溜站速度为GPS轨迹的中位数时间作为溜站时间，循环R中的站点，直到所有站点循环完毕。
7.根据权利要求5所述的一种基于客流大数据的公交溜站的判别方法，其特征在于，步骤6计算车辆的溜站速度及时间的具体计算方法如下：
设定溜站站点为Ri，对应的站点轨迹线为Aj，根据照步骤3的方法计算投影距离，取出能投影到站点轨迹线上的车辆心跳GPS数据集合，并记录集合中心跳开始时间S，心跳结束时间E，车辆溜站速度为GPS轨迹的中位数时间作为溜站时间，循环R中的站点，直到所有站点循环完毕。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628901.7A CN112732783B (zh) | 2020-12-31 | 2020-12-31 | 一种基于客流大数据的公交溜站的判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011628901.7A CN112732783B (zh) | 2020-12-31 | 2020-12-31 | 一种基于客流大数据的公交溜站的判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112732783A CN112732783A (zh) | 2021-04-30 |
| CN112732783B true CN112732783B (zh) | 2023-07-18 |
Family
ID=75608095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011628901.7A Active CN112732783B (zh) | 2020-12-31 | 2020-12-31 | 一种基于客流大数据的公交溜站的判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112732783B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816183A (zh) * | 2019-03-28 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种精准公交客流大数据的优化方法及装置 |
| CN110335461A (zh) * | 2019-05-09 | 2019-10-15 | 南京行者易智能交通科技有限公司 | 一种公交班次实际执行信息的获取方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130030683A1 (en) * | 2010-04-27 | 2013-01-31 | Morad Tomer Y | Method For Accurately Timing Stations On A Public Transportation Route |
-
2020
- 2020-12-31 CN CN202011628901.7A patent/CN112732783B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816183A (zh) * | 2019-03-28 | 2019-05-28 | 南京行者易智能交通科技有限公司 | 一种精准公交客流大数据的优化方法及装置 |
| CN110335461A (zh) * | 2019-05-09 | 2019-10-15 | 南京行者易智能交通科技有限公司 | 一种公交班次实际执行信息的获取方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 适用于公交营运监管的车辆组合定位技术研究――以上海市为例;吴广宇;;交通运输研究(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112732783A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112837560B (zh) | 一种基于5g的新型智能化公共停车场智能管理方法 | |
| CN109166337B (zh) | 公交到站时间生成方法、装置及公交乘客出行od获取方法 | |
| CN106515797A (zh) | 无次级轨道检测设备的列车追踪运行方法及cbtc系统 | |
| CN109830117B (zh) | 道路规划优化方法、装置、计算机设备及存储介质 | |
| CN103295416B (zh) | 车辆引导方法及系统 | |
| EP2923913B1 (en) | Automatic train operation system | |
| CN109754326A (zh) | 一种轻微交通事故辅助快速定损的方法及系统 | |
| CN110298516B (zh) | 一种基于客流od数据的拆分过长公交线路的方法、装置、移动端设备及服务器 | |
| US9937939B2 (en) | Railway vehicle operation | |
| CN112700671B (zh) | 基于班制图的实时公交车监控方法及系统 | |
| CN105654561B (zh) | 多车道自由流车辆匹配方法 | |
| CN104943712A (zh) | 一种调车监控系统中调车作业通知单的自动管理方法 | |
| CN109816183B (zh) | 一种精准公交客流大数据的优化方法及装置 | |
| CN112732783B (zh) | 一种基于客流大数据的公交溜站的判别方法 | |
| CN104036635B (zh) | 智能公交应答系统 | |
| CN107038857A (zh) | 一种公交数据获取方法及公交数据平台 | |
| CN108682152B (zh) | 一种基于前车数据的公交车异常数据修复方法 | |
| CN116853319A (zh) | 一种地铁运营监控系统及其监控方法 | |
| CN116844334A (zh) | Etc门架信息缺失情况下的车辆路径还原方法及系统 | |
| CN105590464B (zh) | 周边车辆识别系统及方法 | |
| CN104575048B (zh) | 提示进入环岛机动车让环岛内机动车先行的系统和方法 | |
| CN115082860A (zh) | 一种基于图像处理和uwb技术的工厂区域车辆管理方法 | |
| CN112860766B (zh) | 一种公交运行车次认定方法及装置 | |
| CN112287293B (zh) | 一种客流数据的修复方法及装置 | |
| CN105448114B (zh) | 一种智能交通路口信息系统 |
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 |