CN112885094B - 一种多类型运营车辆协调发展区域识别方法 - Google Patents
一种多类型运营车辆协调发展区域识别方法 Download PDFInfo
- Publication number
- CN112885094B CN112885094B CN202110113537.9A CN202110113537A CN112885094B CN 112885094 B CN112885094 B CN 112885094B CN 202110113537 A CN202110113537 A CN 202110113537A CN 112885094 B CN112885094 B CN 112885094B
- Authority
- CN
- China
- Prior art keywords
- space
- vehicle
- time
- analysis unit
- vehicles
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种多类型运营车辆协调发展区域识别方法,包括以下步骤;步骤S1、收集并处理车辆GPS轨迹数据。对于收集到的数据进行数据梳理;步骤S2、根据梳理后的数据提取上客地点信息;步骤S3、对梳理后的数据划分时间分析单元;步骤S4、根据上客地点信息、时空分析单元来计算出行需求的时空分布特征;步骤S5、通过时间分析单元计算车辆空驶率时空分布特征;步骤S6、参照步骤S4、S5的计算结果,以协同发展规则来识别协调发展区域;本发明能基于不同车辆GPS轨迹数据和相同的空间研究单元,计算不同时段、不同研究单元内的空驶率和出行需求来分析不同运营车辆出现“供过于求”和“供不应求”现象,以此为依据识别协调发展区域。
Description
技术领域
本发明涉及空间信息技术领域,尤其是一种多类型运营车辆协调发展区域识别方法。
背景技术
巡游车和网约车是满足城市居民日常出行需求的重要工具,巡游车的工作机制为在其未载客状态下,通过车辆在街边巡游时,乘客路边扬招进行载客,主要由司机经验驱动,例如传统的城市出租车。网约车载客则通过在线接单的机制,现有用户在移动设备平台上发起订单,在特点时间和地点产生用车需求,然后由营运车辆承担,例如车辆通过滴滴打车平台承接运输任务。近年来随着网约车的兴起,巡游车市场受到了明显的冲击,然而过多网约车涌入会使得车辆空驶率增加,从而导致资源浪费。目前,巡游车和网约车均建立了完善的订单管理信息系统,且该系统能够记录运营过程中车辆的载客状态以及状态变化的时间、位置。上述系统记录与储存的信息能够用于分析城市居民出行特征,同时能够用于评估车辆的运营状态;上述信息能够帮助识别车辆的出行需求和空驶率,进而制定对不同车辆的精准调度方案,从而促进不同类型的车辆融合发展,对提高城市交通运输效率与资源利用率具有重要意义。
目前不同车辆协同发展的举措主要分为两类:(1)基于网约车细则,提出多种车辆协同发展整体建议;(2)通过构建多种运营车辆的运营特征指标并对其进行分析,例如运距特征[1-2]、运行时长特征[1-2]、分析订单的时变特征[2]等,在整体和综合角度提出互补发展建议。
现有技术存在的缺点主要有以下两方面:首先,均在总体层面提出发展建议,并未提供巡游车、网约车可以协调发展的具体区域或方式,例如只是基于网约车细则分析和现状研究来为协调发展提出相关建议。其次,忽略了时间特征的影响,例如在不同时期、不同时间段人群出行模式有较大差异,不考虑时间特征所提出的建议不具有针对性。
本发明旨在基于含乘客上下车信息的车辆GPS轨迹数据,分析不同营运车辆的特点,并在此基础之上,提出一种多类型运营车辆协同发展区域的识别方法。该方法所识别的协同发展区域,能够为制定面向不同种类车辆协同发展的调度方案提供支撑。
发明内容
本发明提出一种多类型运营车辆协调发展区域识别方法,能基于不同车辆 GPS轨迹数据和相同的空间研究单元,计算不同时段、不同研究单元内的空驶率和出行需求来分析不同运营车辆出现“供过于求”和“供不应求”现象,以此为依据识别协调发展区域。
本发明采用以下技术方案。
一种多类型运营车辆协调发展区域识别方法,所述方法包括以下步骤;
步骤S1、收集并处理车辆GPS轨迹数据。对于收集到的数据进行数据梳理;
步骤S2、根据梳理后的数据提取上客地点信息;
步骤S3、对梳理后的数据划分时间分析单元;
步骤S4、根据上客地点信息、时空分析单元来计算出行需求的时空分布特征;
步骤S5、通过时间分析单元计算车辆空驶率时空分布特征;
步骤S6、参照步骤S4、S5的计算结果,以协同发展规则来识别协调发展区域。
所述步骤S1中,数据梳理包括以下内容,
A、从收集到的数据中剔除异常值:去除数值为空、经度位于[-180,180]范围之外、纬度位于[-90,90]范围之外的记录;
B、对轨迹数据进行排序:将车辆ID相同的数据进行归集,并按照时间顺序进行排列。
步骤S2中的方法为,根据运营系统收到的车辆载客状态从“空载”变为“载客”对应的时间和位置,识别上客地点;对所有车辆数据进行遍历,分别提取不同车辆的乘客上客点信息。
在步骤S3中,若以时间维度划分时间分析单元,则按小时划分或按照特征时段划分,所述特征时间包括夜间休息、早高峰、工作或晚高峰时段;若以空间维度划分时间分析单元,则以现有的空间划分单元或是以规则的空间网格作为划分参照;所述现有的空间划分单元包括区、街道或交通分析小区;所述规则的空间网格为边长相等的规则空间网格;
在步骤S3中,根据时空分析单元的划分规则,分别建立编码规则,利用在时间和空间维度上的编码标识时空分析单元G(t,g);其中t和g分别表示时间维度和空间维度编码。
步骤S4中的方法包括:
方法A、根据上客点时间与空间位置信息,按照时空分析单元划分方法,计算其所在的时空分析单元;
方法B、分别对各时空分析单元不同车辆类型乘客上车频次所反映的出行需求进行统计;
步骤S5中,所述车辆空驶率的计算方法为根据位于各个时空分析单元的每一辆车的载客和空载轨迹分段,按照如下流程计算每一个时空分析单元不同类型车辆的空驶率;
步骤S5a、计算时空分析单元G(t,g)的空驶总里程totalUnloadDis(t,g),公式为
步骤S5b、计算时空分析单元G(t,g)载客总里程totαlLoadDis(t,g),公式为
步骤S5c、计算时空分析单元G(t,g)空驶率unloadRatio(t,g),公式为
步骤S6中,所述协同发展规则为根据设定协同发展区域的基本设定,识别一种车辆出行需求大且空驶率低、另一种车辆空驶率高的邻近时空分析单元为协同发展区域;所述协同发展规则的制定步骤如下:
步骤S6a、划分时空分析单元出行需求等级,设车辆类型为A,选择有车辆经过的时空分析单元作为具有有效出行需求的时空分析单元,统计各时空分析单元出行需求并从低到高进行排序,然后确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的出行需求数值TDQ1(A)和TDQ3(A),对于时空分析单元 G(t,g)中车辆类型A的出行需求TD(A,t,g)根据下述公式四的规则对其出行需求等级TDLevel(A,t,g)划分:
参照上述规则,对其他类型的车辆的出行需求等级进行划分;
步骤S6b、划分时空分析单元车辆空驶率等级;对于车辆类型A,选择具有车辆通过的时空分析单元作为具有有效车辆空驶率的时空分析单元,统计各时空分析单元空驶率并从低到高排序,然后分别确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的空驶率URQ1(A)和URQ3(A),对于时空分析单元 G(t,g)中车辆类型A的空驶率UR(A,t,g)根据下述公式五对应规则对其空驶率等级URLevel(A,t,g)划分:
步骤S6c、制定协同发展区域识别规则;
根据被调度车辆类型对协同发展区域进行分类,当车辆类型为A和B时,可以分为调度A补充B和调度B补充A两类,对应的时空分析单元集合可分别表示为GAB和GBA,其中GAB表示该区域A类型车辆空驶率较高,但B类型车辆空驶率低且出行需求高的时空分析单元,识别规则可表示为如下方式:
GAB={G(t,g)|URLevel(A,t,g)=H and URLevel(B,t,g)
=L and FTDH(A,t,g)=True}
公式六;
其中FTDH(A,t,g)表示分析单元G(t,g)时空邻域中存在与不同于A类型车辆的出行需求等级为H且空驶率为L的空间分析单元;即:
其中TDLevel(B,t′,g′)表示分析单元G(t′,g′)中B类型车辆出行需求,其中G(t′,g′) 为G(t,g)的邻域,考虑到调度的时效性,一般选择其一阶邻域集合NG(t,g′),满足如下规则:
G(t′,g′)∈NG(t,g′)|Abs(t′-t)≤1 or Abs(g′-g)≤1 公式八;
其中Abs为求绝对值函数;
同理,进一步识别出调度B类车辆补充A类车辆的协同发展区域对应的时空分析单元集合GBA;然后,可以根据应用的目标时段,从对应的协同发展时空分析单元集合中获得协同发展空间区域。
以步骤S6c的结果为基础,对于不同类型的协调发展区域来制定相应的调度方案,当GBA区域在协调发展时空分析单元对应时刻,运营管理人员可通过装载在车辆上的终端通知B类车辆前往时空分析单元所在区域,提高车辆运营效率。
所述A类车辆为网约车;所述B类车辆为巡游车。
通过对比不同车辆运营特征及促进多种运营车辆协调发展以及针对车辆运营时空特征分析,本发明的方法相比于传统的方法具有如下优点:
(1)本发明顾及上客点反映的出行需求和空驶率时空特征的情况下进行设计,能够通过计算与分析得到具体的车辆协同发展区域,从而支撑车辆协同发展的政策制定,从而降低车辆空驶导致的资源浪费,提高城市车辆运行效率;
(2)本发明对应的方法适用于不同城市多种运营车辆协同发展的需求,有较好的迁移效果。
本发明能基于不同车辆GPS轨迹数据和相同的空间研究单元,计算不同时段、不同研究单元内的空驶率和出行需求来分析不同运营车辆出现“供过于求”和“供不应求”现象,以此为依据识别协调发展区域。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明的流程示意图。
具体实施方式
如图所示,一种多类型运营车辆协调发展区域识别方法,所述方法包括以下步骤;
步骤S1、收集并处理车辆GPS轨迹数据。对于收集到的数据进行数据梳理;
步骤S2、根据梳理后的数据提取上客地点信息;
步骤S3、对梳理后的数据划分时间分析单元;
步骤S4、根据上客地点信息、时空分析单元来计算出行需求的时空分布特征;
步骤S5、通过时间分析单元计算车辆空驶率时空分布特征;
步骤S6、参照步骤S4、S5的计算结果,以协同发展规则来识别协调发展区域。
所述步骤S1中,数据梳理包括以下内容,
A、从收集到的数据中剔除异常值:去除数值为空、经度位于[-180,180]范围之外、纬度位于[-90,90]范围之外的记录;
B、对轨迹数据进行排序:将车辆ID相同的数据进行归集,并按照时间顺序进行排列。
步骤S2中的方法为,根据运营系统收到的车辆载客状态从“空载”变为“载客”对应的时间和位置,识别上客地点;对所有车辆数据进行遍历,分别提取不同车辆的乘客上客点信息。
在步骤S3中,若以时间维度划分时间分析单元,则按小时划分或按照特征时段划分,所述特征时间包括夜间休息、早高峰、工作或晚高峰时段;若以空间维度划分时间分析单元,则以现有的空间划分单元或是以规则的空间网格作为划分参照;所述现有的空间划分单元包括区、街道或交通分析小区;所述规则的空间网格为边长相等的规则空间网格;
在步骤S3中,根据时空分析单元的划分规则,分别建立编码规则,利用在时间和空间维度上的编码标识时空分析单元G(t,g);其中t和g分别表示时间维度和空间维度编码。
步骤S4中的方法包括:
方法A、根据上客点时间与空间位置信息,按照时空分析单元划分方法,计算其所在的时空分析单元;
方法B、分别对各时空分析单元不同车辆类型乘客上车频次所反映的出行需求进行统计;
步骤S5中,所述车辆空驶率的计算方法为根据位于各个时空分析单元的每一辆车的载客和空载轨迹分段,按照如下流程计算每一个时空分析单元不同类型车辆的空驶率;
步骤S5a、计算时空分析单元G(t,g)的空驶总里程totalUnloadDis(t,g),公式为
步骤S5b、计算时空分析单元G(t,g)载客总里程totalLoadDis(t,g),公式为
步骤S5c、计算时空分析单元G(t,g)空驶率unloadRatio(t,g),公式为
步骤S6中,所述协同发展规则为根据设定协同发展区域的基本设定,识别一种车辆出行需求大且空驶率低、另一种车辆空驶率高的邻近时空分析单元为协同发展区域;所述协同发展规则的制定步骤如下:
步骤S6a、划分时空分析单元出行需求等级,设车辆类型为A,选择有车辆经过的时空分析单元作为具有有效出行需求的时空分析单元,统计各时空分析单元出行需求并从低到高进行排序,然后确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的出行需求数值TDQ1(A)和TDQ3(A),对于时空分析单元 G(t,g)中车辆类型A的出行需求TD(A,t,g)根据下述公式四的规则对其出行需求等级TDLevel(A,t,g)划分:
参照上述规则,对其他类型的车辆的出行需求等级进行划分;
步骤S6b、划分时空分析单元车辆空驶率等级;对于车辆类型A,选择具有车辆通过的时空分析单元作为具有有效车辆空驶率的时空分析单元,统计各时空分析单元空驶率并从低到高排序,然后分别确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的空驶率URQ1(A)和URQ3(A),对于时空分析单元 G(t,g)中车辆类型A的空驶率UR(A,t,g)根据下述公式五对应规则对其空驶率等级URLevel(A,t,g)划分:
步骤S6c、制定协同发展区域识别规则;
根据被调度车辆类型对协同发展区域进行分类,当车辆类型为A和B时,可以分为调度A补充B和调度B补充A两类,对应的时空分析单元集合可分别表示为GAB和GBA,其中GAB表示该区域A类型车辆空驶率较高,但B类型车辆空驶率低且出行需求高的时空分析单元,识别规则可表示为如下方式:
GAB={G(t,g)|URLevel(A,t,g)=H and URLevel(B,t,g)
=L and FTDH(A,t,g)=True}
公式六;
其中FTDH(A,t,g)表示分析单元G(t,g)时空邻域中存在与不同于A类型车辆的出行需求等级为H且空驶率为L的空间分析单元;即:
其中TDLevel(B,t′,g′)表示分析单元G(t′,g′)中B类型车辆出行需求,其中G(t′,g′) 为6(t,g)的邻域,考虑到调度的时效性,一般选择其一阶邻域集合NG(t,g′),满足如下规则:
G(t′,g′)∈NG(t,g′)|Abs(t′-t)≤1 or Abs(g′-g)≤1 公式八;
其中Abs为求绝对值函数;
同理,进一步识别出调度B类车辆补充A类车辆的协同发展区域对应的时空分析单元集合GBA;然后,可以根据应用的目标时段,从对应的协同发展时空分析单元集合中获得协同发展空间区域。
以步骤S6c的结果为基础,对于不同类型的协调发展区域来制定相应的调度方案,当GBA区域在协调发展时空分析单元对应时刻,运营管理人员可通过装载在车辆上的终端通知B类车辆前往时空分析单元所在区域,提高车辆运营效率。
所述A类车辆为网约车;所述B类车辆为巡游车。
实施例:
本发明从国内某大城市的出租车轨迹数据(包括巡游车和网约车)中筛选了 2020年一周工作日早高峰时段的数据,巡游车共包括6658辆车9236436条记录,网约车共包括3206辆车3089594条记录用于分析测试本发明方法识别协同发展区域的有效性。
空驶率和上客量阈值分别选取个各自的第三四分位数。阈值的选取与所研究的问题和研究区域的车辆数目、居民出行活动强度相关。结果显示本发明的方法能够从原始记录中基于500m*500m的空间单元,识别巡游车空驶率低上客点密集的区域、网约车空驶率高的区域、网约车空驶率低上客点密集的区域和巡游车空驶率高的区域。
基于此时空特征运营模式来指导空驶率高区域的巡游车网约车向对方空驶率低且上客点密集的区域进行就近调度,识别两种运营车辆协同发展区域,从而更好的对不同车辆进行调度以降低车辆空驶能耗和运营成本。
Claims (8)
1.一种多类型运营车辆协调发展区域识别方法,其特征在于:所述方法包括以下步骤;
步骤S1、收集并处理车辆GPS轨迹数据,对于收集到的数据进行数据梳理;
步骤S2、根据梳理后的数据提取上客地点信息;
步骤S3、对梳理后的数据划分时间分析单元;
步骤S4、根据上客地点信息、时空分析单元来计算出行需求的时空分布特征;
步骤S5、通过时间分析单元计算车辆空驶率时空分布特征;
步骤S6、参照步骤S4、S5的计算结果,以协同发展规则来识别协调发展区域;步骤S6中,所述协同发展规则为根据设定协同发展区域的基本设定,识别一种车辆出行需求大且空驶率低、另一种车辆空驶率高的邻近时空分析单元为协同发展区域;所述协同发展规则的制定步骤如下:
步骤S6a、划分时空分析单元出行需求等级,设车辆类型为A,选择有车辆经过的时空分析单元作为具有有效出行需求的时空分析单元,统计各时空分析单元出行需求并从低到高进行排序,然后确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的出行需求数值TDQ1(A)和TDQ3(A),对于时空分析单元G(t,g)中车辆类型A的出行需求TD(A,t,g)根据下述公式四的规则对其出行需求等级TDLevel(A,t,g)划分:
参照上述规则,对其他类型的车辆的出行需求等级进行划分;
步骤S6b、划分时空分析单元车辆空驶率等级;对于车辆类型A,选择具有车辆通过的时空分析单元作为具有有效车辆空驶率的时空分析单元,统计各时空分析单元空驶率并从低到高排序,然后分别确定位于第25%顺序和75%顺序位置对应的时空分析单元对应的空驶率URQ1(A)和URQ3(A),对于时空分析单元G(t,g) 中车辆类型A的空驶率UR(A,t,g)根据下述公式五对应规则对其空驶率等级URLevel(A,t,g)划分:
步骤S6c、制定协同发展区域识别规则;
根据被调度车辆类型对协同发展区域进行分类,当车辆类型为A和B时,可以分为调度A补充B和调度B补充A两类,对应的时空分析单元集合可分别表示为GAB和GBA,其中GAB表示该区域A类型车辆空驶率较高,但B类型车辆空驶率低且出行需求高的时空分析单元,识别规则可表示为如下方式:
GAB={G(t,g)|URLevel(A,t,g)=H and URLevel(B,t,g)
=L and FTDH(A,t,g)=True}
公式六;
其中FTDH(A,t,g)表示分析单元G(t,g)时空邻域中存在与不同于A类型车辆的出行需求等级为H且空驶率为L的空间分析单元;即:
其中TDLevel(B,t′,g′)表示分析单元G(t′,g′)中B类型车辆出行需求,其中G(t′,g′)为G(t,g)的邻域,考虑到调度的时效性,一般选择其一阶邻域集合NG(t,g′),满足如下规则:
G(t′,g′)∈NG(t,g′)|Abs(t′-t)≤1 or Abs(g′-g)≤1 公式八;
其中Abs为求绝对值函数;
同理,进一步识别出调度B类车辆补充A类车辆的协同发展区域对应的时空分析单元集合GBA;然后,可以根据应用的目标时段,从对应的协同发展时空分析单元集合中获得协同发展空间区域。
2.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:所述步骤S1中,数据梳理包括以下内容,
A、从收集到的数据中剔除异常值:去除数值为空、经度位于[-180,180]范围之外、纬度位于[-90,90]范围之外的记录;
B、对轨迹数据进行排序:将车辆ID相同的数据进行归集,并按照时间顺序进行排列。
3.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:步骤S2中的方法为,根据运营系统收到的车辆载客状态从“空载”变为“载客”对应的时间和位置,识别上客地点;对所有车辆数据进行遍历,分别提取不同车辆的乘客上客点信息。
4.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:在步骤S3中,若以时间维度划分时间分析单元,则按小时划分或按照特征时段划分,所述特征时段包括夜间休息、早高峰、工作或晚高峰时段;若以空间维度划分时间分析单元,则以现有的空间划分单元或是以规则的空间网格作为划分参照;所述现有的空间划分单元包括区、街道或交通分析小区;所述规则的空间网格为边长相等的规则空间网格;
在步骤S3中,根据时空分析单元的划分规则,分别建立编码规则,利用在时间和空间维度上的编码标识时空分析单元G(t,g);其中t和g分别表示时间维度和空间维度编码。
5.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:步骤S4中的方法包括:
方法A、根据上客点时间与空间位置信息,按照时空分析单元划分方法,计算其所在的时空分析单元;
方法B、分别对各时空分析单元不同车辆类型乘客上车频次所反映的出行需求进行统计。
6.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:步骤S5中,所述车辆空驶率的计算方法为根据位于各个时空分析单元的每一辆车的载客和空载轨迹分段,按照如下流程计算每一个时空分析单元不同类型车辆的空驶率;
步骤S5a、计算时空分析单元G(t,g)的空驶总里程totalUnloadDis(t,g),公式为
步骤S5b、计算时空分析单元G(t,g)载客总里程unloadRatio(t,g),公式为
步骤S5c、计算时空分析单元G(t,g)空驶率unloadRatio(t,g),公式为
7.根据权利要求1所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:以步骤S6c的结果为基础,对于不同类型的协调发展区域来制定相应的调度方案,当GBA区域在协调发展时空分析单元对应时刻,运营管理人员可通过装载在车辆上的终端通知B类车辆前往时空分析单元所在区域,提高车辆运营效率。
8.根据权利要求7所述的一种多类型运营车辆协调发展区域识别方法,其特征在于:所述A类车辆为网约车;所述B类车辆为巡游车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113537.9A CN112885094B (zh) | 2021-01-27 | 2021-01-27 | 一种多类型运营车辆协调发展区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110113537.9A CN112885094B (zh) | 2021-01-27 | 2021-01-27 | 一种多类型运营车辆协调发展区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112885094A CN112885094A (zh) | 2021-06-01 |
CN112885094B true CN112885094B (zh) | 2022-05-13 |
Family
ID=76052842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110113537.9A Active CN112885094B (zh) | 2021-01-27 | 2021-01-27 | 一种多类型运营车辆协调发展区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112885094B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676917A (zh) * | 2022-03-29 | 2022-06-28 | 福州大学 | 一种空驶出租汽车空间分布评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的系统和搜索乘客信息的系统及其方法 |
CN101739823A (zh) * | 2009-12-21 | 2010-06-16 | 浙江工业大学 | 一种适用低频采样的路段平均行程时间测量方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247167A (zh) * | 2012-02-14 | 2013-08-14 | 北京掌城科技有限公司 | 一种获取空驶出租车信息的方法 |
WO2016132344A2 (en) * | 2015-02-16 | 2016-08-25 | Optibus Ltd | System and method for transportation scheduling and planning |
CN106529754B (zh) * | 2016-06-27 | 2020-04-03 | 江苏智通交通科技有限公司 | 基于大数据分析的出租车运营情况评估方法 |
CN108171961A (zh) * | 2017-11-30 | 2018-06-15 | 中国科学院自动化研究所 | 网约车和出租车的综合调度系统及方法 |
CN109561385B (zh) * | 2019-01-11 | 2021-09-24 | 福州大学 | 基于频繁大幅转向模式的手机位置数据异常记录检测方法 |
CN110033177B (zh) * | 2019-03-27 | 2020-10-30 | 温州大学 | 基于gps大数据的出租车高效益智能集体调度方法 |
CN110728305B (zh) * | 2019-09-16 | 2024-01-05 | 南京信息工程大学 | 基于网格信息熵聚类算法的出租车载客热点区域挖掘方法 |
-
2021
- 2021-01-27 CN CN202110113537.9A patent/CN112885094B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620781A (zh) * | 2008-06-30 | 2010-01-06 | 株式会社查纳位资讯情报 | 预测乘客信息的系统和搜索乘客信息的系统及其方法 |
CN101739823A (zh) * | 2009-12-21 | 2010-06-16 | 浙江工业大学 | 一种适用低频采样的路段平均行程时间测量方法 |
Non-Patent Citations (1)
Title |
---|
"Understanding the linkage between electric vehicle charging network coverage and charging opportunity using GPS travel data";Eleftheria Kontou et al.;《Transportation Research Part C》;20181124;正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112885094A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035770B (zh) | 一种大数据环境下公交载客量实时分析预测方法 | |
CN108242149B (zh) | 一种基于交通数据的大数据分析方法 | |
CN110047279B (zh) | 一种基于订单数据确定共享单车调度量的方法 | |
CN106448233B (zh) | 基于大数据的公交线路时刻表协同优化方法 | |
CN104167092B (zh) | 一种确定出租车上下客热点区域中心的方法以及装置 | |
CN109034566B (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
CN111681421B (zh) | 基于手机信令数据的对外客运枢纽集疏空间分布分析方法 | |
CN106529754B (zh) | 基于大数据分析的出租车运营情况评估方法 | |
CN109508865B (zh) | 基于时空使用模式的地铁站辐射范围内共享单车的部署方法 | |
CN110458589B (zh) | 基于轨迹大数据的路侧式出租车停靠站选址优选方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN107564270A (zh) | 一种智能公交调度运营方法 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN108122131B (zh) | 基于公共自行车刷卡数据的通勤行为和职住地识别方法 | |
CN112885094B (zh) | 一种多类型运营车辆协调发展区域识别方法 | |
CN115424470A (zh) | 一种城市级智能停车系统、整合分析方法以及终端 | |
CN114692962A (zh) | 一种基于大数据的充电基础设施满足度评估方法和系统 | |
CN111508220B (zh) | 基于公交人口分布精准进行末端接驳的方法 | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
CN112767685A (zh) | 基于定位和刷卡信息的公交客流分析系统 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
Salanova et al. | Use of probe data generated by taxis | |
CN111833229A (zh) | 一种基于地铁依赖度的出行行为时空分析方法及装置 | |
CN115440040B (zh) | 一种基于高速公路通行数据的通勤车辆识别方法 | |
Zhu et al. | Algorithm for Headway of Fixed Route Buses in Bus Stations Based on Bus Big Data |
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 |