CN112749836A - 一种基于客流时间序列的定制客运智能运力调配方法 - Google Patents
一种基于客流时间序列的定制客运智能运力调配方法 Download PDFInfo
- Publication number
- CN112749836A CN112749836A CN202011526179.6A CN202011526179A CN112749836A CN 112749836 A CN112749836 A CN 112749836A CN 202011526179 A CN202011526179 A CN 202011526179A CN 112749836 A CN112749836 A CN 112749836A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- flow time
- passenger
- time sequence
- customized
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003442 weekly effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于客流时间序列的定制客运智能运力调配方法,包括如下步骤:S1:按时段统计所有订单的乘客数量,形成基本客流量时间序列;S2:对所述基本客流量时间序列使用多尺度滑动窗口,获取客流量时间子序列;S3:计算客流量时间子序列的和,并对每周同天以及法定节假日分组;S4:对每一分组采用层次聚类,根据获得的聚类中心,求解加权平均值;S5:计算未来时段预测点所需车辆数量。本发明提供的方法实现根据客流量的细微变化,对定制客运的运力做智能化动态调配。
Description
技术领域
本发明涉及客运调配领域,特别是指一种基于客流时间序列的定制客运智能运力调配方法。
背景技术
目前,定制客运服务以其“灵活”、“快速”、“小批量”的特点,对改变现行道路旅客运输固定线路、时间、站点、班次运行方式有着积极的作用,满足了社会公众定制化客运服务的需求,是传统客运的升级版和有益补充。按交通部规定,定制客运有如下特点:通过移动互联网等信息技术支撑,改变定点(汽车站-汽车站)、定线(严格按照审批线路运行)、定车(7座以上车辆)、定时(严格按照发班时间运行)运行方式中的一个或者几个。由于定制客运投入的车辆多,为了节约运营成本,需要根据客流量及时调配运力。尤其是城际之间,当运力不足时,顾客取消订单率会明显上升,当运力过剩时,又会造成浪费。通过数据挖掘的方法,可以对客流量做相应的预测,进而可计算出相应车型的日需求量及投入量,达到节约运营成本的目的。
目前,现有的方法中,主要按天进行统计或挖掘进行预测,无法反映一天内不同时段的运力需求趋势,也就无法进行精细化运力调配。个别方法按照时间段划分,但不能反映这些时间段车辆需求的变化趋势。这些方法用于传统客运尚可,但考虑定制客运当前特点,这些方法已经不能满足智能化运力调配需要。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于客流时间序列的定制客运智能运力调配方法,把客流量按等长或不等长时段划分后形成时间序列,再通过聚类的方法获得车辆每天的需求量趋势,为当天运力调配提供预测,可实现根据客流量的细微变化,对定制客运的运力做智能化动态调配。
本发明采用如下技术方案:
一种基于客流时间序列的定制客运智能运力调配方法,其特征在于,包括如下步骤:
S1:按时段统计所有订单的乘客数量,形成基本客流量时间序列;
S2:对所述基本客流量时间序列使用多尺度滑动窗口,获取客流量时间子序列;
S3:计算客流量时间子序列的和,并对每周同天以及法定节假日分组;
S4:对每一分组采用层次聚类,根据获得的聚类中心,求解加权平均值;
S5:计算未来时段预测点所需车辆数量。
所述S1按时段统计所有订单的乘客数量,形成基本客流量时间序列,具体包括:
S1.1:按相同时间间隔划分后,统计每个时间间隔内该线路客流量,形成客流量时间序列F=(f1,f2,...,fn),n为正整数;
S1.2:重复步骤S1.1,获取所有线路的客流量时间序列集合D。
所述S2对所述基本客流量时间序列使用多尺度滑动窗口,获取客流量时间子序列;具体包括:
S2.1:以滑动窗口长度为l,从时间序列F∈D中提取客流量时间子序列S(F)k=(fk,fk+1,...,fk+l-1),k∈(1≤k≤n-l+1),l为正整数;
S2.3:重复步骤S2.1-S2.2,直至获取客流量时间序列集合D内所有序列的子序列集合SD。
所述S3计算客流量时间子序列的和,具体为:
求解子序列长度为l时的客流量之和,按相同或者不同间隔形成的客流量时间序列仍记为F=(f1,f2,...,fn)。
所述S4对每一分组采用层次聚类,根据获得的聚类中心,求解加权平均值,具体为:
S4.1:采用层次聚类对每一分组时间序列进行聚类;并采用欧氏距离度量客流时间序列的相似度,具体为
S4.2:对每一分组组时间序列获得的k个聚类中心,求解加权平均值;
每个簇Cj(1≤j≤k)中包含了Nj个时间序列,并根据如下公式分配权值:
S4.3:重复步骤S4.1-S4.2,直到每组时间序列都获得权值。
所述S5计算未来时段预测点所需车辆数量,具体为:
S5.2:根据投放市场的车型和满载率,计算分组各时段车辆需求量Vi=(vi1,vi2,...,vin):
其中,ri是分组满载率常数,按每车实际平均载客量与该车型实际座位数比值计算,s为投入车型的座位数。
S5.3:重复步骤S5.1-S5.2,直到获得每组车辆各时段需求量。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明提供的方法,按时段统计所有上车乘客数量,即客流量,形成基本客流量时间序列;可按时间做合理的等长划分,也可根据高峰和非高峰时段,按不同时间间隔划分时段;根据客运车辆运营规律,把时间序列按每周同一天以及法定节假日分组,然后使用多尺度滑动窗口,对每组客流时间序列聚类,最终获得的各聚类中心即为当天所有时段的客流趋势;做运力调配时,根据当前时段,对各时间序列做加权平均,获得未来各时段的客流序列,再根据车型计算所需车辆数量;通过分析客流量时间序列,并采用聚类方法,有助于发现客流量的细微变化,对定制客运的运力做智能化动态调配;且本发明提出的方法可用于定制客运公司的运营管理,方法通用,不依赖于特定场景。
附图说明
图1是本发明实施例提供的方法的整体流程图;
图2是本发明实施例中寻找相关子序列过程示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
如图1所示,本发明实施例提出的一种基于客流时间序列的定制客运智能运力调配方法流程图,具体步骤如下:
步骤1:按时段统计所有订单的乘客数量,形成基本客流量时间序列。
在提取客流量时间序列过程中,为了获取更好区分度的客流量序列,首先确定最小统计时段。最小统计时段根据高峰客流量设定,一般设定20分钟。
步骤1.1按相同时间间隔划分后,统计每个时间间隔内该线路客流量,形成客流量时间序列F=(f1,f2,...,fn)。
步骤1.2重复步骤1.1,获取所有线路的客流量时间序列集合D;
步骤2:使用多尺度滑动窗口,获取客流量时间子序列。
高峰期和非高峰期可使用相同或者不同尺度滑动窗口。如果一个城市客流量全天相对均匀,可按相同尺度滑动窗口划分,如果高峰期和非高峰期客流差别较大,可按不同尺度滑动窗口划分。
客流量的变化趋势需要一定周期才能体现出来,根据城市规模,平均60分钟以上能体现出来,所以设置:高峰时期客流量序列的最短子序列长度l≥3;非高峰时期的最短子序列的长度l≥6;滑动窗口步长index=1;
步骤2.1:以滑动窗口长度为l,从时间序列F∈D中提取客流量时间子序列S(F)k=(fk,fk+1,...,fk+l-1),k∈(1≤k≤n-l+1),如图2所示。
2.3)重复步骤2.1)、步骤2.2),直至获取客流量时间序列集合D内所有序列的子序列集合SD。
如图2是本发明实施例中寻找相关子数列的示意图。
步骤3:计算客流量时间子序列的和;对每周同天以及法定节假日分组。
采用公式(1)求解子序列长度为l时的客流量之和。为方便表达,最终按相同或者不同间隔形成的客流量时间序列扔记为F=(f1,f2,...,fn)。
根据乘客出行需求,定制客运的运力趋势在每周同天之间具有相似性,在节假日也具有相似性,因此,按每周同天和法定节假日分组,记为m是分组个数,由于法定假日每年具体天数不同,因此m不是固定值。非节假日时,每周共分为7组。全国法定假日7个,根据出行特点,需要纳入节假日前一天的客流时间序列,因为该天的客流量和工作日有显著不同。如果节假日和周末重叠,该天的客流量按节假日分组,如果两个节假日重叠,随机分组即可。
步骤4:对G中任意一组Gi时间序列聚类。
步骤4.1:采用层次聚类对Gi组时间序列进行聚类。其中,使用公式(2)欧氏距离度量客流时间序列的相似度。
步骤4.2:对Gi组时间序列获得的k个聚类中心,求解加权平均值。
每个簇Cj(1≤j≤k)中包含了Nj个时间序列,则按公式(3)分配权值。
步骤4.3:重复步骤4.1,4.2,直到G中每组时间序列都获得一系列权值。
步骤5:在某个预测点,计算未来时段所需车辆数量。
步骤5.2:根据投放市场的车型和满载率,按公式(5)计算Gi组各时段车辆需求量Vi=(vi1,vi2,...,vin)。
其中,ri是Gi组满载率常数,按每车实际平均载客量与该车型实际座位数比值计算,s为车辆的座位数。
步骤5.3:重复步骤5.1,5.2,直到获得G中每组车辆各时段需求量。
本发明提供的具体实施例:
(1)以厦门到平潭线路为例,根据某定制客运平台的订单数据,高峰期每天从8点开始,持续到20点,期间客流有波动。设定20分钟为一个时段,对客流量进行统计,初步得到如表1所示2019年6月3日(周一)的基本客流量时间序列。
表1某日客流时间序列
(2)设滑动窗口长度:高峰期l=3,非高峰期l=6,从表1所示的时间序列中提取客流量时间子序列,如表2所示。
表2合并子序列
(3)对表2所示的客流量时间子序列累加,可得到如下客流量序列:F=(1,1,0,1,40,59,56,74,86,86,56,64,88,66,92,49,16,0);
(4)对3年的平台订单数据按每周及节假日分组,共获得24组客流时间序列。24组客流时间序列包括:每周从周一到周日共7组,法定节假日共11天,6个节假日的前一天共6组。
(5)采用层次聚类法,对24组客流时间序列分别聚类,共获得24组聚类结果;求解每组聚类结果的加权平均值。
以周一组为例,共获得5个簇,根据簇中序列数量求解得到5个权值,分别为:0.1,0.2,0.3,0.3,0.1;计算加权时间序列,得到
投放市场的车型为7座商务车,以及统计出的满载率常数0.8,计算周一组各时段车辆需求量VMon=(0.1,0.14,0,0.1,5.17,7.41,6.93,10.18,11.34,10.77,7.36,8.57,11.45,8.66,12.05,6.64,2.21,0.06);取整后,车辆需求量VMon=(1,1,0,1,6,8,7,11,12,11,8,9,12,9,13,7,3,1);
如果当前所处时段为上午8点,则车辆需求量为6台运营车辆
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (6)
1.一种基于客流时间序列的定制客运智能运力调配方法,其特征在于,包括如下步骤:
S1:按时段统计所有订单的乘客数量,形成基本客流量时间序列;
S2:对所述基本客流量时间序列使用多尺度滑动窗口,获取客流量时间子序列;
S3:计算客流量时间子序列的和,并对每周同天以及法定节假日分组;
S4:对每一分组采用层次聚类,根据获得的聚类中心,求解加权平均值;
S5:计算未来时段预测点所需车辆数量。
2.根据权利要求1所述的一种基于客流时间序列的定制客运智能运力调配方法,其特征在于,所述S1按时段统计所有订单的乘客数量,形成基本客流量时间序列,具体包括:
S1.1:按相同时间间隔划分后,统计每个时间间隔内该线路客流量,形成客流量时间序列F=(f1,f2,...,fn),n为正整数;
S1.2:重复步骤S1.1,获取所有线路的客流量时间序列集合D。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526179.6A CN112749836B (zh) | 2020-12-22 | 2020-12-22 | 一种基于客流时间序列的定制客运智能运力调配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526179.6A CN112749836B (zh) | 2020-12-22 | 2020-12-22 | 一种基于客流时间序列的定制客运智能运力调配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749836A true CN112749836A (zh) | 2021-05-04 |
CN112749836B CN112749836B (zh) | 2022-07-29 |
Family
ID=75648174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526179.6A Active CN112749836B (zh) | 2020-12-22 | 2020-12-22 | 一种基于客流时间序列的定制客运智能运力调配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749836B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779247A (zh) * | 2017-01-11 | 2017-05-31 | 陕西师范大学 | 基于熵值法组合优化的旅游需求的预测方法 |
CN107180403A (zh) * | 2016-03-10 | 2017-09-19 | 上海骏聿数码科技有限公司 | 一种公共交通客流量统计管理方法及系统 |
CN107516140A (zh) * | 2017-06-29 | 2017-12-26 | 中兴软创科技股份有限公司 | 交通节点节假日客流预测方法 |
CN110119884A (zh) * | 2019-04-17 | 2019-08-13 | 五邑大学 | 一种基于近邻传播聚类的高速铁路客流时段划分方法 |
CN110276474A (zh) * | 2019-05-22 | 2019-09-24 | 南京理工大学 | 一种城市轨道交通车站短时客流预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
CN112102613A (zh) * | 2020-08-12 | 2020-12-18 | 东南大学 | 一种高速公路客货运输量预测方法及系统 |
-
2020
- 2020-12-22 CN CN202011526179.6A patent/CN112749836B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180403A (zh) * | 2016-03-10 | 2017-09-19 | 上海骏聿数码科技有限公司 | 一种公共交通客流量统计管理方法及系统 |
CN106779247A (zh) * | 2017-01-11 | 2017-05-31 | 陕西师范大学 | 基于熵值法组合优化的旅游需求的预测方法 |
CN107516140A (zh) * | 2017-06-29 | 2017-12-26 | 中兴软创科技股份有限公司 | 交通节点节假日客流预测方法 |
CN110119884A (zh) * | 2019-04-17 | 2019-08-13 | 五邑大学 | 一种基于近邻传播聚类的高速铁路客流时段划分方法 |
CN110276474A (zh) * | 2019-05-22 | 2019-09-24 | 南京理工大学 | 一种城市轨道交通车站短时客流预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
CN112102613A (zh) * | 2020-08-12 | 2020-12-18 | 东南大学 | 一种高速公路客货运输量预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484882A (zh) * | 2021-06-24 | 2021-10-08 | 武汉大学 | 多尺度滑动窗口lstm的gnss序列预测方法及系统 |
CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
CN117273246B (zh) * | 2023-11-23 | 2024-02-06 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112749836B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749836B (zh) | 一种基于客流时间序列的定制客运智能运力调配方法 | |
CN110390349A (zh) | 基于XGBoost模型的公交车客流量预测建模方法 | |
CN113538067B (zh) | 一种基于机器学习的城际网约车需求预测方法及系统 | |
CN110751311B (zh) | 偶发性交通拥堵持续时间的数据提取与实时预测方法 | |
CN111539565B (zh) | 一种基于车辆和站点拥挤度的公交票价优惠方法 | |
CN106504534B (zh) | 一种预测道路路况的方法、装置及用户设备 | |
CN108388970B (zh) | 一种基于gis的公交站点选址方法 | |
CN108573600B (zh) | 一种驾驶员行为诱导与局部交通流优化方法 | |
CN114331234A (zh) | 基于乘客出行信息的轨道交通客流预测方法和系统 | |
CN111914940B (zh) | 一种共享车辆站点分群聚类方法、系统、装置及存储介质 | |
CN111047858A (zh) | 一种融合算法的公交客流出行od确定方法及装置 | |
CN115830848A (zh) | 一种基于lstm模型的共享停车位智能分配系统及方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN111915920A (zh) | 一种基于云计算的智慧城市公共交通系统建设协调管理系统 | |
CN109740823B (zh) | 一种面向实时场景计算的出租车打车决策方法及系统 | |
CN111126681A (zh) | 一种基于历史客流量的公交线路调整方法 | |
CN109145401B (zh) | 一种计算机动车排放清单的方法、系统及终端设备 | |
Zou et al. | Measuring retiming responses of passengers to a prepeak discount fare by tracing smart card data: a practical experiment in the Beijing subway | |
CN108681741B (zh) | 基于ic卡和居民调查数据的地铁通勤人群信息融合方法 | |
CN112669595B (zh) | 一种基于深度学习的网约车流量预测方法 | |
CN110555711A (zh) | 数据处理方法、装置、服务器和计算机可读存储介质 | |
CN117634788B (zh) | 一种数字城市的电气资源和交通监测管理方法、系统和介质 | |
CN113361885A (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN113962599A (zh) | 一种城市轨道交通网络化运营管理方法及系统 | |
CN113344445A (zh) | 一种依据全程供需自动调整连环派单限制的方法 |
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 |