CN113065803A - 站间行车数据处理方法、装置、电子设备及存储介质 - Google Patents
站间行车数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113065803A CN113065803A CN202110456290.0A CN202110456290A CN113065803A CN 113065803 A CN113065803 A CN 113065803A CN 202110456290 A CN202110456290 A CN 202110456290A CN 113065803 A CN113065803 A CN 113065803A
- Authority
- CN
- China
- Prior art keywords
- station
- inter
- mileage
- time
- arrival
- 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
Links
- 238000003672 processing method Methods 0.000 title claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 20
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 13
- 239000002609 medium Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/06—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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种站间行车数据处理方法、装置、电子设备及存储介质。本申请实施例提供的技术方案,通过获取对应线路公交车的历史到离站数据,历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;根据客流分布对公交车运行时段切分为多个时间块,基于历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将站间阶段里程和站间阶段运行时间更新至站间行程数据表;读取站间行程数据表,基于站间行程数据表进行公交车运行状态预测及调度。采用上述技术手段,可以进行更细化的车辆到站预测,实现公交车运行状态的精准预测及调度,优化行车数据处理及车辆排班调度效果。
Description
技术领域
本申请实施例涉及公共交通管理技术领域,尤其涉及一种站间行车数据处理方法、装置、电子设备及存储介质。
背景技术
目前,公交管理系统在进行车辆调度和排班时,一般通过公交车在对应线路行驶的额定里程和额定时长预测其完成一个班次所需要的时间,进而对应进行各个线路的公交车辆的调度和排班。
但是,公交车在突发情况或者执行临时线路任务时,由于不是按照原有线路跑完全程,无法按照公交车在对应线路行驶的额定里程和额定时长进行公交车辆的调度和排班。并且,仅仅根据车辆在对应线路行驶的额定里程和额定时长也无法对公交车辆到各个车站的到站时间进行预测,车辆的调度和排班效果相对较差。
发明内容
本申请实施例提供一种站间行车数据处理方法、装置、电子设备及存储介质,能够便于进行车辆到站时间预测及车辆的精准调度和排班。
在第一方面,本申请实施例提供了一种站间行车数据处理方法,包括:
获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;
根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;
读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
进一步的,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,包括:
基于所述历史到离站数据计算前后站点间的到站累计里程差值、离站累计里程差值、到站时间差值和离站时间差值;
基于前后站点间对应的所述到站累计里程差值和所述离站累计里程差值计算站间阶段里程,基于前后站点间对应的所述到站时间差值和所述离站时间差值计算站间阶段运行时间。
进一步的,所述时间块包括早高峰时段、晚高峰时段和平峰时段。
进一步的,在获取对应线路公交车的历史到离站数据之后,还包括:
对所述历史到离站数据中的到站累计里程和离站累计里程进行异常检测,筛除所述到站累计里程和所述离站累计里程的异常值。
进一步的,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表,还包括:
根据所述站间阶段里程和所述站间阶段运行时间将对应的属性信息写入所述行程数据表,所述属性信息包括天气信息、日期信息和客流参数信息。
进一步的,基于所述站间行程数据表进行公交车运行状态预测及调度,包括:
基于所述站间行程数据表构建梯度下降模型,根据所述梯度下降模型进行公交车运行状态预测及调度。
进一步的,基于所述站间行程数据表构建梯度下降模型,还包括:
计算所述梯度下降模型的均方误差损失函数,在所述均方误差损失函数收敛至设定值时,调用所述梯度下降模型,以用于公交车运行状态预测及调度。
在第二方面,本申请实施例提供了一种站间行车数据处理装置,包括:
获取模块,用于获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;
计算模块,用于根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;
预测模块,用于读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
在第三方面,本申请实施例提供了一种电子设备,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的站间行车数据处理方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的站间行车数据处理方法。
本申请实施例通过获取对应线路公交车的历史到离站数据,历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;根据客流分布对公交车运行时段切分为多个时间块,基于历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将站间阶段里程和站间阶段运行时间更新至站间行程数据表;读取站间行程数据表,基于站间行程数据表进行公交车运行状态预测及调度。采用上述技术手段,通过准确确定站点阶段里程和站间阶段运行时间,可以进行更细化的车辆到站预测,实现公交车运行状态的精准预测及调度,优化行车数据处理及车辆排班调度效果。
附图说明
图1是本申请实施例一提供的一种站间行车数据处理方法的流程图;
图2是本申请实施例一中的站间阶段里程和站间阶段运行时间的计算流程图;
图3是本申请实施例二提供的一种站间行车数据处理装置的结构示意图;
图4是本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请提供的站间行车数据处理方法,旨在通过精准确定站间阶段里程和站间阶段运行时间,以实现公交车运行状态的精准预测及调度,优化公交车辆排班调度效果。相对于传统的公交调度系统,其在进行车辆调度排班时,一般根据公交车在对应线路的额定里程和额定时长结合各个站点间的距离进行到站时间计算,由于通过GPS定位确定的站点间距离并不准确,且不能与公交车在两个站点间的实际里程准确对应上,因此仅仅根据车辆在对应线路行驶的额定里程和额定时长是无法对公交车辆到各个车站的到站时间进行精准预测的。而到站预测导致的误差会进一步影响车辆的排班和调度,影响公交车辆运行。基于此,提供本申请实施例的站间行车数据处理方法,以解决传统公交调度系统的车辆到站预测及排班调度误差问题。
实施例一:
图1给出了本申请实施例一提供的一种站间行车数据处理方法的流程图,本实施例中提供的站间行车数据处理方法可以由站间行车数据处理设备执行,该站间行车数据处理设备可以通过软件和/或硬件的方式实现,该站间行车数据处理设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。一般而言,该站间行车数据处理设备可以是公交调度系统后台主机等处理设备。
下述以该站间行车数据处理设备为执行站间行车数据处理方法的主体为例,进行描述。参照图1,该站间行车数据处理方法具体包括:
S110、获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程。
具体的,本申请实施例在计算站间阶段里程和站间阶段运行时间时,基于对应线路公交车的历史到离站数据进行计算。历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程,对应公交车辆在运行过程中,到达某一站点会对应该站点的站点名称和站点序号记录到站累计里程和到站时间。同样的,在公交车离开该站点时,会对应该站点的站点名称和站点序号记录离站累计里程和离站时间。需要说明的是,对应各个站点会预先设定一个站内区域,当车载定位装置检测公交车进入对应站内区域时,标识公交车到站。对应的,当车载定位装置检测到公交车离开对应站内区域时,标识公交车离站。另一方面,本申请实施例中公交车的累计里程可以通过公交车上装配的里程计测得。可以理解的是,根据前后两个站点的到站累计里程之差或者离站累计里程之差,即可确定公交车当次班次的运行过程中前后两个站点之间的累计里程差值。同样的,根据前后两个站点的到站时间之差或者离站时间之差,即可确定公交车当次班次的运行过程中前后两个站点之间的站间运行时间差值。
举例而言,在计算“297路”公交线路的站间阶段里程和站间阶段运行时间时,通过提取“297路”所有公交车在以往车辆运行过程中的历史到离站数据。其中,对应公交车完成一个班次的车辆运行即得到一条历史到离站数据,在历史到离站数据中,对应站点名称和站点序号记载了该班次公交车在该站点的到站时间、到站累计里程、离站时间和离站累计里程。基于上述数据,即可确定该班次中,前后两个站点之间的累计里程差值和站间运行时间差值。
在一个实施例中,公交调度系统还对应公交车编号或者公交司机获取对应线路公交车的历史到离站数据。可以理解的是,对于不同编号的公交车,其车况不同,在驾驶不同编号的公交车运行在对应公交线路上时,其检测到的到离站数据多少会有偏差。同样的,对于不同的公交司机,其驾驶习惯不同,在不同公交司机驾驶公交车运行在对应公交线路上时,其检测到的到离站数据多少会有偏差。因此,本申请实施例在进行对应编号的公交车或者对应司机驾驶的公交车进行到站预测时,通过对应公交车编号或者公交司机获取对应线路公交车的历史到离站数据,基于历史到离站数据即可更精准地预测其到站时间。
S120、根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表。
进一步的,基于获取到的对应线路公交车的历史到离站数据,根据该历史到离站数据确定对应的累计里程差值和站间运行时间差值,进而对应累计里程差值和站间运行时间差值的数据数量求取均值得到站间阶段里程和站间阶段运行时间,以该站间阶段里程和站间阶段运行时间作为对应线路公交车到站时间预测及排班调度的基础数据。
具体的,根据获取到的对应线路公交车的历史到离站数据,首先对所述历史到离站数据中的到站累计里程和离站累计里程进行异常检测,筛除所述到站累计里程和所述离站累计里程的异常值。可以理解的是,公交车在记载到站累计里程和离站累计里程时,受检测误差的影响,容易导致检测到的到站累计里程和离站累计里程出现异常的情况。例如,前后两个站点之间的到站累计里程、或者离站累计里程出现超大值,超小值,负值,零值等情况,其计算得到的累计里程差值与两个站点之间的实际运行距离存在较大的差距,此时认为上述到站累计里程或离站累计里程出错,将这部分数据筛除,以避免出现计算误差,保障后续到站时间预测的精准度。
在一个实施例中,公交调度系统对于获取到的到站时间和离站时间,同样进行异常检测。可以理解的是,当前后两个站点之间的到站时间之差或离站时间之差出现异常时,及两个站点的站间运行时间差值出现超大值,超小值,负值,零值等情况,其计算得到的站间运行时间差值与两个站点之间的额定运行时间存在较大的差距,此时认为上述站间运行时间差值计算出错,将这部分数据筛除,以避免出现计算误差,保障后续到站时间预测的精准度。
在筛除掉异常数据之后,本申请实施例根据客流分布对公交车运行时段切分为多个时间块,所述时间块包括早高峰时段、晚高峰时段和平峰时段,进而对应不同的时间块进行站间阶段里程和站间阶段运行时间的计算。例如,将早上“08:01-10:00”划分为早高峰时段,“17:30-20:00”划分为晚高峰时段,其余时间划分为平峰时段。根据上述划分的时间快,取对应的历史到离站数据进行站间阶段里程和站间阶段运行时间的计算。
具体的,参照图2,提供站间阶段里程和站间阶段运行时间的计算流程图。其中,站间阶段里程和站间阶段运行时间的计算流程包括:
S1201、基于所述历史到离站数据计算前后站点间的到站累计里程差值、离站累计里程差值、到站时间差值和离站时间差值;
S1202、基于前后站点间对应的所述到站累计里程差值和所述离站累计里程差值计算站间阶段里程,基于前后站点间对应的所述到站时间差值和所述离站时间差值计算站间阶段运行时间。
在各个时间块的历史到离站数据中,对应公交车一个班次的历史到离站数据,根据站点序号和站点名称,将站点N+1的到站累计里程减去站点N的到站累计里程,得到对应的到站累计里程差值;将站点N+1的离站累计里程减去站点N的离站累计里程,得到对应的离站累计里程差值。同样的,将站点N+1的到站时间减去站点N的到站时间,得到对应的到站时间差值;将站点N+1的离站时间减去站点N的离站时间,得到对应的离站时间差值。基于上述计算方式,即可求得每一条历史到离站数据中,两个站点之间的累计里程差值(即到站累计里程差值和离站累计里程差值)和站间运行时间差值(即到站时间差值和离站时间差值)。需要说明的是,本申请实施例中,对应两个站点之间的累计里程差值,是分别计算其到站累计里程差值和离站累计里程差值。同样的,两个站点之间的站间运行时间差值,是分别计算其到站时间差值和离站时间差值。以此可以增大基础数据量,后续通过累计里程差值和站间运行时间差值计算得到站间阶段里程和站间阶段运行时间的置信度更高,更接近实际检测结果。
需要说明的是,由于在先进行数据的异常检测,部分站点因为数据筛除而出现数据缺失的情况,则此时忽略对应两个站点间的累计里程差值和站间运行时间差值计算。
进一步的,基于上述计算得到的到站累计里程差值、离站累计里程差值、到站时间差值和离站时间差值,即可对应求取均值得到对应的站间阶段里程和站间阶段运行时间。其中,对应两个前后站点,提取所有有效的到站累计里程差值和离站累计里程差值数据,将这些数据累加后除以有效数据的条数,即可得到该站间阶段里程。同样的,对应两个前后站点,提取所有有效的到站时间差值和离站时间差值数据,将这些数据累加后除以有效数据的条数,即可得到该站间阶段运行时间。对应一条公交线路上前后的两个站点,均提取对应时间块的历史到离站数据,基于上述计算方式计算得到其站间阶段里程和站间阶段运行时间,以此即可得到对应公交线路在不同时间块的任意前后两个站点间的站间阶段里程和站间阶段运行时间。
完成上述站间阶段里程和站间阶段运行时间的计算之后,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表。例如,在凌晨通过提取公交车一天的历史到离站数据,按照不同时间块计算任意前后两个站点间的站间阶段里程和站间阶段运行时间,进而将数据更新至站间行程数据表。后续在进行公交车到站预测和排班调度时,基于站间行程数据表提供的基础数据进行到站预测及调度。
在一个实施例中,公交调度系统还进一步根据所述站间阶段里程和所述站间阶段运行时间将对应的属性信息写入所述行程数据表,所述属性信息包括天气信息、日期信息和客流参数信息。具体的,天气信息记载了对应时刻的天气情况。日期信息记载了当天是周几及节假日信息。客流参数信息记载了客流上客人数、客流下客人数、以及当前车内客流人数。可以理解的是,根据上述记录到的属性信息,后续在进行到站时间预测的排班调度时,可以以属性信息作为参考,以实现更好的到站预测和排班调度效果。
S130、读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
之后,基于上述预先构建时实时更新的站间行程数据表,即可基于站间行程数据表进行公交车运行状态预测及调度。示例性的,当公交车运行于第N个站点和第N+1个站点之间时,根据其在第N个站点的到站累计里程,离站累计里程,到站时间和离站时间,通过查询上述站间行程数据表,确定对应的站间阶段运行时间,即可确定公交车到达第N+1个站点的到站时间。对应的,通过确定对应的站间阶段里程,结合公交车实时的累计里程,即可确定公交车到达第N+1个站点还需要行驶多少里程。以此即可完成公交车运行状态的预测。
进一步的,基于上述运行状态预测结果,即可对应进行下一班次的公交车辆的调度。例如,设定前一班次的公交车到达某一站点时即可调度下一班次的公家车从首发站触发,则基于上述公交车到站预测,即可选择对应的时机调度下一班次的公交车出发。
在一个实施例中,由于站间行程数据表对应不同的时间块记录站间阶段里程和站间阶段运行时间,并且站间阶段里程和站间阶段运行时间会在指定时间点进行更新。则本申请实施例在查询站间阶段里程和站间阶段运行时间时,需要根据当前所处的时间块对应进行数据查询。并且,根据实际需求,还可以结合当前公交车辆的属性信息,如天气信息、日期信息和客流参数信息,依据属性信息在站间行程数据表中查找属性信息最相似的站间阶段里程和站间阶段运行时间,进而进行公交车运行状态预测及调度,以此来实现更为精准的公交车运行状态预测及调度。
在一个实施例中,调度系统还基于所述站间行程数据表构建梯度下降模型,根据所述梯度下降模型进行公交车运行状态预测及调度。
具体的,本申请实施例通过在站间行程数据表提取各个基础的站间阶段行程和站间阶段运行时间,分别以上述数据作为模型输入,以对应的预测值作为模型输出构建梯度下降模型。梯度下降模型采用最小二乘法的梯度下降算法,通过设定学习速率并构建对应的预测函数,基于梯度下降算法进行计算,直至得到函数波谷的值,即为模型输出的预测值,以此完成梯度下降模型的公交车运行状态预测。需要说明的是,现有技术基于梯度下降模型预测公交车到站时间的技术方案有很多,本申请实施例对具体的实施手段不做固定限制,在此不多赘述。
进一步的,本申请实施例在构建梯度下降模型时,还通过计算所述梯度下降模型的均方误差损失函数,在所述均方误差损失函数收敛至设定值时,调用所述梯度下降模型,以用于公交车运行状态预测及调度。可以理解的是,均方误差是反映估计量与被估计量之间差异程度的一种度量。当模型预测值和实际值之间的差异程度小于设定值时,即均方误差损失函数收敛至设定值,表明梯度下降模型满足一定的预测精度,此时将梯度下降模型输出以供调度系统进行公交车运行状态预测的调用,以提供精准高效的公交车运行状态预测和调度效果。
上述,通过获取对应线路公交车的历史到离站数据,历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;根据客流分布对公交车运行时段切分为多个时间块,基于历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将站间阶段里程和站间阶段运行时间更新至站间行程数据表;读取站间行程数据表,基于站间行程数据表进行公交车运行状态预测及调度。采用上述技术手段,通过准确确定站点阶段里程和站间阶段运行时间,可以进行更细化的车辆到站预测,实现公交车运行状态的精准预测及调度,优化行车数据处理及车辆排班调度效果。
实施例二:
在上述实施例的基础上,图3为本申请实施例二提供的一种站间行车数据处理装置的结构示意图。参考图3,本实施例提供的站间行车数据处理装置具体包括:获取模块21、计算模块22和预测模块23。
其中,获取模块21用于获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;
计算模块22用于根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;
预测模块23用于读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
上述,通过获取对应线路公交车的历史到离站数据,历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;根据客流分布对公交车运行时段切分为多个时间块,基于历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将站间阶段里程和站间阶段运行时间更新至站间行程数据表;读取站间行程数据表,基于站间行程数据表进行公交车运行状态预测及调度。采用上述技术手段,通过准确确定站点阶段里程和站间阶段运行时间,可以进行更细化的车辆到站预测,实现公交车运行状态的精准预测及调度,优化行车数据处理及车辆排班调度效果。
本申请实施例二提供的站间行车数据处理装置可以用于执行上述实施例一提供的站间行车数据处理方法,具备相应的功能和有益效果。
实施例三:
本申请实施例三提供了一种电子设备,参照图4,该电子设备包括:处理器31、存储器32、通信模块33、输入装置34及输出装置35。该电子设备中处理器的数量可以是一个或者多个,该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请任意实施例所述的站间行车数据处理方法对应的程序指令/模块(例如,站间行车数据处理装置中的获取模块、计算模块和预测模块)。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块33用于进行数据传输。
处理器31通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的站间行车数据处理方法。
输入装置34可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。
上述提供的电子设备可用于执行上述实施例一提供的站间行车数据处理方法,具备相应的功能和有益效果。
实施例四:
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种站间行车数据处理方法,该站间行车数据处理方法包括:获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的站间行车数据处理方法,还可以执行本申请任意实施例所提供的站间行车数据处理方法中的相关操作。
上述实施例中提供的站间行车数据处理装置、存储介质及电子设备可执行本申请任意实施例所提供的站间行车数据处理方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的站间行车数据处理方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (10)
1.一种站间行车数据处理方法,其特征在于,包括:
获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;
根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;
读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
2.根据权利要求1所述的站间行车数据处理方法,其特征在于,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,包括:
基于所述历史到离站数据计算前后站点间的到站累计里程差值、离站累计里程差值、到站时间差值和离站时间差值;
基于前后站点间对应的所述到站累计里程差值和所述离站累计里程差值计算站间阶段里程,基于前后站点间对应的所述到站时间差值和所述离站时间差值计算站间阶段运行时间。
3.根据权利要求1所述的站间行车数据处理方法,其特征在于,所述时间块包括早高峰时段、晚高峰时段和平峰时段。
4.根据权利要求1所述的站间行车数据处理方法,其特征在于,在获取对应线路公交车的历史到离站数据之后,还包括:
对所述历史到离站数据中的到站累计里程和离站累计里程进行异常检测,筛除所述到站累计里程和所述离站累计里程的异常值。
5.根据权利要求1所述的站间行车数据处理方法,其特征在于,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表,还包括:
根据所述站间阶段里程和所述站间阶段运行时间将对应的属性信息写入所述行程数据表,所述属性信息包括天气信息、日期信息和客流参数信息。
6.根据权利要求5所述的站间行车数据处理方法,其特征在于,基于所述站间行程数据表进行公交车运行状态预测及调度,包括:
基于所述站间行程数据表构建梯度下降模型,根据所述梯度下降模型进行公交车运行状态预测及调度。
7.根据权利要求5所述的站间行车数据处理方法,其特征在于,基于所述站间行程数据表构建梯度下降模型,还包括:
计算所述梯度下降模型的均方误差损失函数,在所述均方误差损失函数收敛至设定值时,调用所述梯度下降模型,以用于公交车运行状态预测及调度。
8.一种站间行车数据处理装置,其特征在于,包括:
获取模块,用于获取对应线路公交车的历史到离站数据,所述历史到离站数据包括站点名称、站点序号、到站时间、到站累计里程、离站时间和离站累计里程;
计算模块,用于根据客流分布对公交车运行时段切分为多个时间块,基于所述历史到离站数据计算站间阶段里程和站间阶段运行时间,在指定时间点将所述站间阶段里程和所述站间阶段运行时间更新至站间行程数据表;
预测模块,用于读取所述站间行程数据表,基于所述站间行程数据表进行公交车运行状态预测及调度。
9.一种电子设备,其特征在于,包括:
存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一所述的站间行车数据处理方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一所述的站间行车数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456290.0A CN113065803A (zh) | 2021-04-26 | 2021-04-26 | 站间行车数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456290.0A CN113065803A (zh) | 2021-04-26 | 2021-04-26 | 站间行车数据处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065803A true CN113065803A (zh) | 2021-07-02 |
Family
ID=76567715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456290.0A Pending CN113065803A (zh) | 2021-04-26 | 2021-04-26 | 站间行车数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065803A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810969A (zh) * | 2021-10-20 | 2021-12-17 | 广州通达汽车电气股份有限公司 | 一种基站切换方法、装置、多媒体设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测系统和方法 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
US20210049832A1 (en) * | 2019-08-16 | 2021-02-18 | Honda Motor Co., Ltd. | Systems and methods for range prediction |
-
2021
- 2021-04-26 CN CN202110456290.0A patent/CN113065803A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708701A (zh) * | 2012-05-18 | 2012-10-03 | 中国科学院信息工程研究所 | 一种公交车到站时间实时预测系统和方法 |
CN105243868A (zh) * | 2015-10-30 | 2016-01-13 | 青岛海信网络科技股份有限公司 | 一种公交车辆到站时间预测方法及装置 |
CN108615391A (zh) * | 2018-05-09 | 2018-10-02 | 厦门卫星定位应用股份有限公司 | 一种公交智能调度方法、系统及介质 |
US20210049832A1 (en) * | 2019-08-16 | 2021-02-18 | Honda Motor Co., Ltd. | Systems and methods for range prediction |
Non-Patent Citations (1)
Title |
---|
范光鹏: "城市交通公交车到站时间预测研究与应用", 中国优秀硕士学位论文全文数据库, 15 December 2018 (2018-12-15), pages 20 - 24 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113810969A (zh) * | 2021-10-20 | 2021-12-17 | 广州通达汽车电气股份有限公司 | 一种基站切换方法、装置、多媒体设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097730B (zh) | 一种路段车辆排队长度的估计方法、装置及系统 | |
CN109544908B (zh) | 一种实时预测公交到站时间的方法、电子设备及存储介质 | |
US8738289B2 (en) | Advanced routing of vehicle fleets | |
Wang et al. | A big data approach for smart transportation management on bus network | |
CN110570678B (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
US11250031B2 (en) | Method of predicting a traffic behaviour in a road system | |
CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
Ram et al. | SMARTBUS: A web application for smart urban mobility and transportation | |
CN103927866A (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
CN111860929B (zh) | 一种拼车订单拼成率预估方法及系统 | |
CN109154507A (zh) | 预测对于估计到达时间的兴趣点等待时间 | |
CN111259103A (zh) | 一种乘车状态的识别方法、装置、存储介质及设备 | |
US11670163B2 (en) | Method of predicting a traffic behaviour in a road system | |
CN111667083B (zh) | 网约车预估价确定方法和装置 | |
CN109637178A (zh) | 车辆到站时间确定方法及设备 | |
CN113065803A (zh) | 站间行车数据处理方法、装置、电子设备及存储介质 | |
CN112669604B (zh) | 城市交通调度方法及装置 | |
CN111008729B (zh) | 一种迁移预测的方法和装置 | |
WO2023241388A1 (zh) | 模型训练方法及装置、补能意图识别方法及装置、设备、介质 | |
CN105303246A (zh) | 一种多线路公交到站时间预测方法 | |
CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 | |
CN111401663B (zh) | 一种实时进行公交时空od矩阵更新的方法及装置 | |
CN110837903A (zh) | 一种轨道交通短期客流预测方法、系统及电子设备 | |
CN109727332B (zh) | 一种计算环卫车辆环卫作业次数的方法及系统 |
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 |