CN112784689A - 地铁侧窗集成ai摄像头结构及地铁票务清分方法 - Google Patents

地铁侧窗集成ai摄像头结构及地铁票务清分方法 Download PDF

Info

Publication number
CN112784689A
CN112784689A CN202011620718.2A CN202011620718A CN112784689A CN 112784689 A CN112784689 A CN 112784689A CN 202011620718 A CN202011620718 A CN 202011620718A CN 112784689 A CN112784689 A CN 112784689A
Authority
CN
China
Prior art keywords
camera
subway
passenger
side window
riding
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.)
Pending
Application number
CN202011620718.2A
Other languages
English (en)
Inventor
吴贲华
路林
陆海年
温建林
王银茂
朱海平
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.)
Jiangsu Tiemao Glass Co Ltd
Original Assignee
Jiangsu Tiemao Glass 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 Jiangsu Tiemao Glass Co Ltd filed Critical Jiangsu Tiemao Glass Co Ltd
Priority to CN202011620718.2A priority Critical patent/CN112784689A/zh
Publication of CN112784689A publication Critical patent/CN112784689A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本申请涉及一种地铁侧窗集成AI摄像头结构及地铁票务清分方法。地铁票务清分方法包括以下步骤：采集乘客在乘车时的人脸信息，并记录采集位置，存储于数据库中；根据交易信息中包含的乘车标记号，于数据库中获取在乘车时间段内采集到乘客人脸信息时的采集位置；根据采集位置及交易信息中包含的进站站点和出站站点，确定乘客的实际乘车路径；根据实际乘车路径进行票务清分。本申请通过集成在地铁侧窗上的AI摄像头采集乘客的人脸信息，并记录采集人脸信息时的具体位置，然后根据采集位置及交易信息中包含的进站站点和出站站点，还原乘客的实际乘车路径，再根据实际乘车路径进行票务清分，这样可以大大提高票务清分的精准度。

Description

地铁侧窗集成AI摄像头结构及地铁票务清分方法
技术领域
本申请涉及一种地铁票务清分方法，特别是涉及一种地铁侧窗集成AI摄像头结构及地铁票务清分方法。
背景技术
地铁网络是一个由多条线路构成的路网的系统，一个城市的地铁网络通常由多家地铁运营公司共同运行和管理。乘客从O站进，D站出，可能乘坐不同线路的车辆，享受不同运营公司提供的服务，因此需要将乘客的乘车票款按一定的规则和算法分配给不同的运营公司。随着线路的增加，换乘站的增多，乘客从进站到出站可以选择的路径也会增多。
现有的地铁票务清分方法大多是基于单程票和储值卡的进站、出站交易数据，通过两阶段双比例的清分模型进行清分，这种清分模型从本质上说，属于一种概率模型。但是，乘客从进站到出站可以选择的路径较多，乘客会根据旅行距离、进站时间、等车时间、乘车时间、列车拥挤度、换乘通道长短、运营公司提供的服务等多种因素规划路径。现有地铁票务清分系统只能根据以上因素以及实际客流调查的经验数据，通过算法进行概率清分，这种概率清分方法的精度较低，虽然个体的差异较小，但因地铁客流非常大，日常出行使用频率高，概率清分产生的差异日积月累会变得很庞大，给运营公司运营收益带来严重影响。
发明内容
本申请实施例提供一种地铁侧窗集成AI摄像头结构及地铁票务清分方法，解决现有地铁票务只能采用概率清分方法清分票务，而概率清分方法精度较低，会给运营公司运营收益带来严重影响的问题。
为解决上述技术问题，本申请是这样实现的：
第一方面，提供一种地铁票务清分方法，其包括以下步骤：采集乘客在乘车时的人脸信息，并记录采集位置，存储于数据库中；根据交易信息中包含的乘车标记号，于数据库中获取在乘车时间段内采集到乘客人脸信息时的采集位置；根据采集位置及交易信息中包含的进站站点和出站站点，确定乘客的实际乘车路径；根据实际乘车路径进行票务清分。
在第一方面的第一种可能实现方式中，于每列地铁的每个地铁侧窗上集成AI摄像头，AI摄像头通过人脸识别的方式采集乘客在乘车时的人脸信息，并记录采集位置。
结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，当AI摄像头采集到乘客上车时的人脸信息和下车时的人脸信息时，则根据AI摄像头所属的列车线路而确定实际乘车路径。
结合第一方面的第一种可能实现方式，在第一方面的第三种可能实现方式中，当AI摄像头采集到乘客上车时的人脸信息而未采集到其下车时的人脸信息，另一列地铁上的AI摄像头采集到乘客的人脸信息，则根据两列地铁上的AI摄像头的所属的列车线路而确定实际乘车路径。
在第一方面的第四种可能实现方式中，乘车时间段为交易信息中包含的进站时间与出站时间之间的时间段。
在第一方面的第五种可能实现方式中，在票务清分时，将票价除以全部实际乘车路径的里程，计算出一基值，再将每条实际乘车路径的里程乘以基值而清分票务。
第二方面，提供一种应用于第一方面中任意一项的地铁票务清分方法的地铁侧窗集成AI摄像头结构，其包括：OLED侧窗；至少一个AI摄像头，集成于OLED侧窗内；机箱，与至少一个AI摄像头连接。
在第二方面的第一种可能实现方式中，OLED侧窗包括：中空玻璃，具有黑色油墨区域，黑色油墨区域具有摄像头安装区域，AI摄像头设置于中空玻璃的中空层内，且位于摄像头安装区域；窗框，窗框包覆中空玻璃的边缘。
结合第二方面的第一种可能实现方式，在第二方面的第二种可能实现方式中，中空玻璃包括：外层玻璃；铝间隔条，设置于外层玻璃；内层玻璃，设置于铝间隔条，并且与外层玻璃及铝间隔条之间形成中空层，AI摄像头设置在内层玻璃上。
在第二方面的第三种可能实现方式中，还包括：外接扬声器，与机箱连接。
本申请与现有技术相比具有的优点有：
本申请的地铁侧窗集成AI摄像头结构及地铁票务清分方法，其通过集成在地铁侧窗上的AI摄像头采集乘客的人脸信息，并记录采集人脸信息时的具体位置，然后根据采集位置及交易信息中包含的进站站点和出站站点，还原乘客的实际乘车路径，再根据实际乘车路径进行票务清分，这样可以大大提高票务清分的精准度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请一实施例的地铁侧窗集成AI摄像头结构的示意图；
图2是本申请一实施例的OLED侧窗的示意图；
图3是本申请一实施例的地铁票务清分方法的步骤流程示意图；
图4是由三条线路交叉组成的地铁网络示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，其是本申请一实施例的地铁侧窗集成AI摄像头结构的示意图；如图所示，地铁侧窗集成AI摄像头结构1包括：OLED侧窗2、至少一个AI摄像头3和机箱4，至少一个AI摄像头3集成于OLED侧窗2内，并且与机箱4连接。请一并参阅图2，其是本申请一实施例的OLED侧窗的示意图；如图所示，OLED侧窗2包括中空玻璃21和窗框22，窗框22包覆中空玻璃21的边缘，用以将中空玻璃21安装在地铁车厢上。中空玻璃21包括外层玻璃211、铝间隔条212和内层玻璃213，铝间隔条212设置于外层玻璃211，内层玻璃213设置于铝间隔条212，并且与外层玻璃211及铝间隔条212之间形成中空层203，AI摄像头3设置在内层玻璃213上。
在本实施例中，中空玻璃21具有黑色油墨区域201，黑色油墨区域201具有摄像头安装区域202，AI摄像头3设置于中空玻璃21的中空层203内，且位于摄像头安装区域202，如图1所示，黑色油墨区域201为环形跑道状，位于内层玻璃213的边缘，摄像头安装区域202为圆形，背景颜色为白色，以防止其影响AI摄像头3采集图像，但不以此为限。
在本实施例中，复参阅图1所示，地铁侧窗集成AI摄像头结构1还包括外接扬声器5，外接扬声器5与机箱4连接，外接扬声器5用以实现地铁内的实时报站、播放广告等信息，但不以此为限。
请参阅图3，其是本申请一实施例的地铁票务清分方法的步骤流程示意图；如图所示，地铁票务清分方法S包括以下步骤S1至步骤S4，其中：
步骤S1，采集乘客人脸信息。采集乘客在乘车时的人脸信息，并记录采集位置，存储于数据库中。具体的，在地铁网络中的每列地铁的每个地铁侧窗上集成AI摄像头3，形成上述地铁侧窗集成AI摄像头结构1，乘客在乘车过程中，AI摄像头3通过人脸识别的方式采集乘客的人脸信息，存储在专用的人脸信息数据库中，同时记录采集人脸信息时的具体位置。
步骤S2，获取采集到乘客人脸信息时的采集位置。根据交易信息中包含的乘车标记号，于数据库中获取在乘车时间段内采集到乘客人脸信息时的采集位置。具体的，乘客在出站刷票时，根据交易信息中包含的乘车标记号，于数据库中获取乘客在进站时间与出站时间之间的时间段内采集到乘客人脸信息时的采集位置。
步骤S3，计算实际乘车路径。根据采集位置及交易信息中包含的进站站点和出站站点，确定乘客的实际乘车路径。具体的，一种情况是，当AI摄像头3采集到乘客上车时的人脸信息和下车时的人脸信息时，则根据AI摄像头3所属的列车线路而确定实际乘车路径，另一种情况是，当AI摄像头3采集到乘客上车时的人脸信息而未采集到其下车时的人脸信息，另一列地铁上的AI摄像头3采集到乘客的人脸信息，则根据两列地铁上的AI摄像头3的所属的列车线路而确定实际乘车路径。
步骤S4，清分票务。根据实际乘车路径进行票务清分。具体的，在票务清分时，将票价除以全部实际乘车路径的里程，计算出一基值，再将每条实际乘车路径的里程乘以基值而清分票务。
本实施例的地铁票务清分方法S通过集成在地铁侧窗上的AI摄像头3采集乘客的人脸信息，并记录采集人脸信息时的具体位置，然后根据采集位置及交易信息中包含的进站站点和出站站点，还原乘客的实际乘车路径，再根据实际乘车路径进行票务清分，这样可以大大提高票务清分的精准度。
具体的，请参阅图4，其是由三条线路交叉组成的地铁网络示意图；如图所示，1号线、2号线和3号线分别由公司甲、公司乙和公司丙运营，假设乘客在8点时，从1号线上的站点O刷卡进站，2号线地铁侧窗上的AI摄像头在8点35分时采集到乘客的人脸信息时，对应的采集位置是2号线地铁某一车厢中，在9点时，乘客从3号线上的站点D刷卡出站，根据以上信息首先可以确定乘客从站点O到达站点D所有可能的路径有两条，其中第一条路径为：站点O(1号线)→站点B(换乘3号线)→站点D(3号线)，第二条路径为：站点O(1号线)→站点A(换乘2号线)→站点C(换乘3号线)→站点D(3号线)，而由于在8点35分时采集到乘客的人脸信息时对应的采集位置是2号线地铁某一车厢中，因此可以确定第二条路径为乘客的实际乘车路径。
在确定乘客的实际乘车路径之后，根据实际乘车路径中涉及到的每条线路的相关运营商所承担的运营里程来进行票务清分，例如，第二条路径中涉及1号线的里程数为5公里，2号线的里程数为20公里，3号线的里程数为5公里，而乘客花费的乘车费用为6元，那么公司甲分得6/(5+20+5)*5＝1元,公司乙分得6/(5+20+5)*20＝4元，公司丙分得6/(5+20+5)*5＝1元。
应理解，上述仅以三条线路交叉组成的地铁网络对本申请的地铁票务清分方法的实际应用进行说明，但本申请的应用并不限于此，本领域技术人员也可以根据本实施例的教导选择应用在其他地铁网络中。
综上所述，本申请提供了一种地铁侧窗集成AI摄像头结构及地铁票务清分方法，其通过集成在地铁侧窗上的AI摄像头采集乘客的人脸信息，并记录采集人脸信息时的具体位置，然后根据采集位置及交易信息中包含的进站站点和出站站点，还原乘客的实际乘车路径，再根据实际乘车路径进行票务清分，这样可以大大提高票务清分的精准度。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种地铁票务清分方法，其特征在于，包括以下步骤：
采集乘客在乘车时的人脸信息，并记录采集位置，存储于数据库中；
根据交易信息中包含的乘车标记号，于所述数据库中获取在乘车时间段内采集到所述乘客人脸信息时的采集位置；
根据所述采集位置及所述交易信息中包含的进站站点和出站站点，确定所述乘客的实际乘车路径；
根据所述实际乘车路径进行票务清分。
2.根据权利要求1所述的地铁票务清分方法，其特征在于，于每列地铁的每个地铁侧窗上集成AI摄像头，所述AI摄像头通过人脸识别的方式采集所述乘客在乘车时的人脸信息，并记录采集位置。
3.根据权利要求2所述的地铁票务清分方法，其特征在于，当所述AI摄像头采集到所述乘客上车时的人脸信息和下车时的人脸信息时，则根据所述AI摄像头所属的列车线路而确定实际乘车路径。
4.根据权利要求2所述的地铁票务清分方法，其特征在于，当所述AI摄像头采集到所述乘客上车时的人脸信息而未采集到其下车时的人脸信息，另一列地铁上的所述AI摄像头采集到所述乘客的人脸信息，则根据两列地铁上的所述AI摄像头的所属的列车线路而确定实际乘车路径。
5.根据权利要求1所述的地铁票务清分方法，其特征在于，所述乘车时间段为所述交易信息中包含的进站时间与出站时间之间的时间段。
6.根据权利要求1所述的地铁票务清分方法，其特征在于，在票务清分时，将票价除以全部所述实际乘车路径的里程，计算出一基值，再将每条所述实际乘车路径的里程乘以所述基值而清分票务。
7.一种应用于上述权利要求1-6中任意一项所述的地铁票务清分方法的地铁侧窗集成AI摄像头结构，其特征在于，包括：
OLED侧窗；
至少一个AI摄像头，集成于所述OLED侧窗内；
机箱，与至少一个所述AI摄像头连接。
8.根据权利要求7所述的地铁侧窗集成AI摄像头结构，其特征在于，所述OLED侧窗包括：
中空玻璃，具有黑色油墨区域，所述黑色油墨区域具有摄像头安装区域，所述AI摄像头设置于所述中空玻璃的中空层内，且位于所述摄像头安装区域；
窗框，所述窗框包覆所述中空玻璃的边缘。
9.根据权利要求8所述的地铁侧窗集成AI摄像头结构，其特征在于，所述中空玻璃包括：
外层玻璃；
铝间隔条，设置于所述外层玻璃；
内层玻璃，设置于所述铝间隔条，并且与所述外层玻璃及所述铝间隔条之间形成所述中空层，所述AI摄像头设置在所述内层玻璃上。
10.根据权利要求7所述的地铁侧窗集成AI摄像头结构，其特征在于，还包括：外接扬声器，与所述机箱连接。
CN202011620718.2A 2020-12-31 2020-12-31 地铁侧窗集成ai摄像头结构及地铁票务清分方法 Pending CN112784689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011620718.2A CN112784689A (zh) 2020-12-31 2020-12-31 地铁侧窗集成ai摄像头结构及地铁票务清分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011620718.2A CN112784689A (zh) 2020-12-31 2020-12-31 地铁侧窗集成ai摄像头结构及地铁票务清分方法

Publications (1)

Publication Number Publication Date
CN112784689A true CN112784689A (zh) 2021-05-11

Family

ID=75754319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011620718.2A Pending CN112784689A (zh) 2020-12-31 2020-12-31 地铁侧窗集成ai摄像头结构及地铁票务清分方法

Country Status (1)

Country Link
CN (1) CN112784689A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298061A (zh) * 2021-07-27 2021-08-24 成都智元汇信息技术股份有限公司 一种精确计算换乘人次的方法
CN114038190A (zh) * 2021-11-05 2022-02-11 江苏铁锚玻璃股份有限公司 基于ai摄像头的地铁车厢拥挤度检测方法及模组
CN115866529A (zh) * 2023-03-02 2023-03-28 深圳市深圳通有限公司 清分模型结果验证方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027929A (zh) * 2019-12-03 2020-04-17 交控科技股份有限公司 地铁票务清分方法及装置
CN111874038A (zh) * 2020-08-20 2020-11-03 江苏铁锚玻璃股份有限公司 基于地铁侧窗集成智能摄像头的地铁报站系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027929A (zh) * 2019-12-03 2020-04-17 交控科技股份有限公司 地铁票务清分方法及装置
CN111874038A (zh) * 2020-08-20 2020-11-03 江苏铁锚玻璃股份有限公司 基于地铁侧窗集成智能摄像头的地铁报站系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298061A (zh) * 2021-07-27 2021-08-24 成都智元汇信息技术股份有限公司 一种精确计算换乘人次的方法
CN114038190A (zh) * 2021-11-05 2022-02-11 江苏铁锚玻璃股份有限公司 基于ai摄像头的地铁车厢拥挤度检测方法及模组
CN115866529A (zh) * 2023-03-02 2023-03-28 深圳市深圳通有限公司 清分模型结果验证方法、装置、设备及存储介质
CN115866529B (zh) * 2023-03-02 2023-06-20 深圳市深圳通有限公司 清分模型结果验证方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112784689A (zh) 地铁侧窗集成ai摄像头结构及地铁票务清分方法
CN111310994B (zh) 一种基于数据校准的公交路线预测方法及系统
CN111027929B (zh) 地铁票务清分方法及装置
CN108055645A (zh) 一种基于手机信令数据的路径识别方法及系统
CN107506864A (zh) 一种客运巴士路线规划方法和装置
CN107040894A (zh) 一种基于手机信令数据的居民出行od获取方法
CN107886723A (zh) 一种交通出行调查数据处理方法
CN106529711B (zh) 用户行为预测方法及装置
CN111932925A (zh) 一种公共交通站点的出行客流的确定方法、装置及系统
CN110450822B (zh) 一种轨道交通服务方法、装置、设备及系统
Zhao et al. Isolating high-priority metro and feeder bus transfers using smart card data
CN111581538B (zh) 一种基于高速公路收费数据的高速交通流状态推断方法
CN109903555B (zh) 一种基于大数据的公交乘客下车数据预测方法及系统
CN114363842B (zh) 基于手机信令数据的公交乘客下车站点预测方法及装置
CN112363999B (zh) 一种公共交通的客流分析方法、装置、设备、存储介质
CN110853156A (zh) 融合公交gps轨迹与ic卡数据的乘客od识别方法
CN105447592A (zh) 一种乘客路径选择的分析方法及装置
CN114358808A (zh) 基于多源数据融合的公交od估计及分配方法
CN110969861A (zh) 一种车辆识别方法、装置、设备及计算机存储介质
CN111414719B (zh) 地铁站周边特征提取、交通需求估计方法及装置
CN108242146B (zh) 基于公交卡数据分析乘客乘车站点及时间的方法和系统
CN111584091A (zh) 一种城轨线路级密切接触者交叉感染风险辨识方法和装置
CN116433308B (zh) 一种基于进出站时间的多制式轨道交通动态计价方法
CN113468243A (zh) 地铁客流分析与预测方法及分析与预测系统
CN107563651B (zh) 一种公交系统的基于大数据客流分析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210511