CN113111477A - 一种城市公共交通的站点设置方法、装置和存储介质 - Google Patents
一种城市公共交通的站点设置方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113111477A CN113111477A CN202110485384.0A CN202110485384A CN113111477A CN 113111477 A CN113111477 A CN 113111477A CN 202110485384 A CN202110485384 A CN 202110485384A CN 113111477 A CN113111477 A CN 113111477A
- Authority
- CN
- China
- Prior art keywords
- aggregation
- travel
- areas
- setting
- information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- 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
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种城市公共交通的站点设置方法、装置和存储介质,所述方法包括:获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库,其中,所述出行信息库包括起始地信息和目的地信息;获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息。通过本公开的方案,可以实现一种城市公共交通的站点设置方法,提升城市公共交通站点设置的合理性。
Description
技术领域
本申请实施例涉及但不限于智能交通领域,尤其涉及一种城市公共交通的站点设置方法、装置和存储介质。
背景技术
随着城市的快速发展和建设,人口向城市、城镇的集中已成为大趋势,越来越多的人带来的问题是当前城市公共交通的建设有较大的改进空间,如何保证人员上班、出行的顺利,对城市公共交通出行规划和站点建设成了当前的重点和难题,需要一种方法可以精准的分析城市人员出行需求,有针对性的来规划公共交通的建设和优化当前的公共交通路线。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开实施例公开了一种城市公共交通的站点设置方法、装置和存储介质,通过对人员出行数据的准确分析,可以获得一种更合理、更优化的城市公共交通站点设置方案。
本公开提供了一种城市公共交通的站点设置方法,所述方法包括:
获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库,其中,所述出行信息库包括起始地信息和目的地信息;
获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;
根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;
根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息。
一种示例性的实施例中,所述获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库包括:
获取目标城市中预设时段内人员出行轨迹数据;
确定所获取出行轨迹数据中第一时间周期和/或第二时间周期人员的出行起始地、出行目的地和基于同一出行起始地及同一出行目的地的出行频率;
将出行频率大于一定阈值的至少一条线路的起始地和目的地进行标记,建立每个人员相应的出行信息库,其中,该出行信息库包括起始地位置信息、目的地位置信息、出行频率。
一种示例性的实施例中,所述根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图,包括:
获取目的地信息相同的至少一个出行人员,并确定所述至少一个出行人员各自对应的起始地;
将各个起始地的位置信息映射到城市矩阵图相对应的各预定区域中;
根据映射后的各预定区域的出行人员信息对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域;
根据聚合区域的相关信息形成人员流动数据图。
一种示例性的实施例中,所述对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域,包括:
选择多个预定区域中人数最多的预定区域作为聚合中心点;
将距离该聚合中心点小于n米的多个预定区域进行聚合,得到聚合后的聚合区域,其中,n为正整数。
一种示例性的实施例中,所述聚合区域的相关信息包括聚合区域的聚集度。
一种示例性的实施例中,所述根据聚合区域信息形成人员流动数据图,包括:根据聚合区域的聚集度确定聚合区域类型;根据所确定的聚合区域类型形成人员流动数据图。
一种示例性的实施例中,所述根据聚合区域的聚集度确定聚合区域类型包括:
当聚合区域的聚集度大于第一阈值时,确定聚合区域的类型为核心需求区;
当聚合区域的聚集度大于第二阈值且小于等于第一阈值时,确定聚合区域的类型为重点需求区;
当聚合区域的聚集度大于第三阈值且小于等于第二阈值时,确定聚合区域的类型为关键需求区。
一种示例性的实施例中,所述根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息,包括:
根据聚合区域类型确定对应的站点设置标准;
根据该站点设置标准确定当前需求路线;
根据当前需求路线与现有路线进行碰撞分析,调整或规划新路线站点的位置信息。
本公开还提供了一种城市公共交通的站点设置装置,包括存储器和处理器;所述存储器用于保存用于进行城市公共交通的站点设置的程序,所述处理器用于读取执行所述用于进行城市公共交通的站点设置的程序,执行上述实施例中任一项所述的方法。
本公开还提供了一种存储介质,所述存储介质中存储有用于进行城市公共交通的站点设置的程序,所述程序被设置为在运行时执行上述实施例中任一项所述的方法。
本公开实施例公开了一种城市公共交通的站点设置方法、装置和存储介质,方法包括:获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库;获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息。通过本公开的方案,可以实现一种城市公共交通优化站点设置的方法,提高了站点设置的合理性和提升城市公共交通出行便捷性。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
图1为本申请实施例的城市公共交通的站点设置方法流程图;
图2为一些示例性实施例中的城市线路示意图;
图3为一些示例性实施例中起始地A点到目的地B点的出行路线示意图;
图4为一些示例性实施例中网格化的城市地图示意图;
图5为一些示例性实施例中城市矩阵图示意图;
图6为一些示例性实施例中城市人员流动数据图示意图;
图7为一些示例性实施例中城市公共交通路线规划示意图;
图8为一示例性实施例中城市公共交通的站点设置流程图;
图9为本申请实施例的城市公共交通的站点设置装置示意图。
具体实施方式
下文中将结合附图对本申请实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本公开实施例提供了一种城市公共交通的站点设置方法,如图1所示,方法包括步骤S100-S400:
S100、获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库;
S200、获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;
S300、根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;
S400、根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息。
本实施例中,获取目标城市中预设时段内人员出行轨迹数据,该出行信息库包括起始地信息和目的地信息出行信息库,该起始地信息可包括起始地地理位置信息、起始地路线名称、出行频率;目的地信息可包括目的地地理位置信息、目的地路线名称、出行频率;该出行信息库还可包括出行人员的名字、唯一身份标识等。该预设时间段可以是工作日,也可以是非工作日,可根据需求进行设置,对此并不进行具体限定。
一种示例性实施例中,获取目标城市中预设时段内人员出行轨迹数据之前,生成该目标城市的路线图谱并记录每条线路数据的节点信息;生成的目标城市的路线图谱数据如图2所示,在图2中标记的A-I用于表示该线路(例如:该线路名称为L1)所在线路的节点;生成城市的线路图谱数据时,每条线路是由多条分支路线组成的,节点是用于表示该线路由多条分支路线组成的链接点。目标城市的当前交通线路数据包含该路段的线路名字、节点编号、节点对应的经纬度信息;该交通线路数据信息存储可用采用如下格式:
ROAD_ID | ROAD_NAME | ROAD_POINT | LONGITUDE | LATITUDE |
100001 | 江岭路 | Jlload_10261 | 120.354545 | 30.254655 |
100002 | 江岭路 | Jlload_10262 | 120.354561 | 30.254652 |
一种示例性实施例中,获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库包括:获取目标城市中预设时段内人员出行轨迹数据;确定所获取出行轨迹数据中第一时间周期和/或第二时间周期人员的出行起始地、出行目的地和同一出行起始地或出行目的地的出行频率;将每个出行起始地或出行目的地的出行频率大于一定阈值的至少一条线路起始地和目的地进行标记,建立每个人员相应的出行信息库,其中,该出行信息库包括起始地位置信息、目的地位置信息、出行频率。在本实施例中,获取目标城市中预设时段内人员出行轨迹数据;可以根据人脸识别或物联网数据判断出属于同一个人的出行信息数据;例如:可以通过城市的道路卡口电警(抓拍分析)、治安监控(视频分析)、人脸相机、物联网信息(例如:MAC、RFID、ZigBee等)或者其它获取信息的设备,利用上述设备可以获取预设时段内人员出行轨迹数据,结合人员身份信息并利用人脸识别技术或者是物联网数据分析技术判断出属于同一个人的出行信息数据。
该人员身份信息如下:
FACE_ID | P_NAME | P_INFO | XXX | XXXX |
100001 | 小明 | 100101101110010011101011001111001100 | xxx | xxx |
100002 | 小红 | 100101101110010011101011001111001100 | xxx | xxx |
100003 | xxx | xxx | xxx | xxx |
该人员的出行信息库如下:
在得到每个人员相应的出行数据后,对预设时段内的出行数据进行精细分析;确定所获取出行轨迹数据中第一时间周期和/或第二时间周期人员的出行起始地、出行目的地和基于同一出行起始地及同一出行目的地的出行频率;将每个出行起始地或出行目的地的出行频率大于一定阈值的至少一条线路起始地和目的地进行标记,建立每个出行人员相应的出行信息库,其中,该出行信息库包括起始地位置信息、目的地位置信息、出行频率。该第一时间周期可以为工作日,第二时间周期可以为非工作日。例如:以出行人员aa作为示例,如图3所示,起始地A到目的地B的出行路线为D,存在可行的出行线路D1、D2、D3、D4、Dn……。获取人员aa在预设时间段内30个工作日的数据,并分析该出行人员的出行数据:
该出行人员aa在30个工作日中该路线D1出现次数24次以上,起始地位置和目的地位置的经纬度数值误差在20米内,标记主周期性起始数据Fm1;
该出行人员aa在30个工作日中该路线D2出现次数20次以上,起始地位置和目的地位置的经纬度数值误差在20米内,标记主周期性起始数据Fm2;
该出行人员aa在30个工作日中该路线D3出现次数16次以上,起始地位置和目的地位置的经纬度数值误差在20米内,标记主周期性起始数据Fm3;
该出行人员aa在20个非工作日中该路线D4出现次数16次以上,起始地位置和目的地位置的经纬度数值误差在20米内,标记主周期性起始数据Fm2;
该出行人员aa在20个非工作日中该路线D5出现次数12次以上,起始地位置和目的地位置经纬度数值误差在20米内,标记主周期性起始数据Fm3;
对出行人员aa的30个工作日和20个非工作日的出行数据进行分析,得到以下出行分析表:
workday | workday-data | nonworkday | nonworkday-data | |
Fm1 | D1,D3 | 28,27 | D9,D11 | 17,18 |
Fm2 | D5,D7 | 20,20 | D6,D8 | 13,13 |
Fm3 | D15,D16 | 17,16 |
Fm表示人员的出行频度值,-Fm1=X1,Fm2=X2,Fm3=X3;根据不同城市人员流动的实际数值来确定X1、X2和X3取值。采用上述步骤,获取城市中每个出行人员的出行数据,得到每个出行人员的出行数据信息。
一种示例性实施例中,获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;网格化的过程可以为:获取该目标城市的地图图像;将该图像划分为相同大小的多个网格;根据预先设置规则对该图像进行网格化,网格化后进行网格编号,生成城市矩阵图;其中,该城市矩阵图中每个网格信息包括四个点,四个点的编号、四个点对应的地理位置信息。在本实施例中,基于该城市地图图像的像素网格进行区块分割,便于精细化的后续统计,如图4所示;在划分网格后并对每个网格进行编号,横向编号可以为从X-1-1-1开始,依次为X-1-1-2、X-1-1-3;纵向为Y-1-1-1,依次为Y-1-1-2、Y-1-1-3...生成城市矩阵图,如图5所示。
一种示例性实施例中,根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图,包括:获取目的地信息相同的至少一个出行人员,并确定所述至少一个出行人员各自对应的起始地;将各个起始地的位置信息映射到城市矩阵图相对应的各预定区域中;根据映射后的各预定区域的出行人员信息对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域;根据聚合区域的相关信息形成人员流动数据图。在本实施例中,根据起始地的地理位置信息即经纬度数值与城市矩阵图中每个网格信息四个顶点的地理位置信息进行映射,将起始地映射到城市矩阵图相对应的预定区域中,其中,该预定区域可以为城市矩阵图中的一个网格。
一种示例性实施例中,所述对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域,包括:选择多个预定区域中人数最多的预定区域作为聚合中心点;将距离该聚合中心点小于n米的多个预定区域进行聚合,得到聚合后的聚合区域,其中,n为正整数。
一种示例性实施例中,所述聚合区域的相关信息包括聚合区域的聚集度。该聚合区域的聚合度可以与预定区域数量有关。
一种示例性实施例中,所述根据聚合区域信息形成人员流动数据图,包括:根据聚合区域的聚集度确定聚合区域类型;根据所确定的聚合区域类型形成人员流动数据图。例如:根据每个聚合区域所包含预定区域的数量和预设的划分标准,确定聚合区域的类型;根据聚合区域的类型与颜色的对应关系,将每个聚合区域设置为相应的颜色显示在人员流动数据图上,如图6所示。例如:人员流动数据图中不同聚合区域类型以不同的颜色进行显示,可以按照10%、20%、30%、40%的权重设置颜色,比如颜色由深至浅表示不同聚合区域的站点设置需求度;颜色越深表示需求度更高,颜色越低表示需求度低。
一种示例性实施例中,所述根据聚合区域的聚集度确定聚合区域类型包括:当聚合区域的聚集度大于第一阈值时,确定聚合区域的类型为核心需求区;当聚合区域的聚集度大于第二阈值且小于等于第一阈值时,确定聚合区域的类型为重点需求区;当聚合区域的聚集度大于第三阈值且小于等于第二阈值时,确定聚合区域的类型为关键需求区。该聚合区域的聚集度可以包括预定区域的数量即网格的数量。例如:根据每个聚合区域所包含预定区域的数量和预设的划分标准,确定聚合区域的类型;聚合区域的类型包括:核心需求区、重点需求区和关键需求区,分别用H1、H2和H3表示。在本实施例中,聚合区域类型的划分标准可以根据城市人员的实际情况进行调整。
一种示例性实施例中,所述根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息,包括:根据聚合区域类型确定对应的站点设置标准;根据该站点设置标准确定当前需求路线;根据当前需求路线与现有路线进行碰撞分析,调整或规划新路线站点的位置信息。在本实施例中,确定聚合区域类型后,可以根据城市的实际要求设置相应的站点设置标准,例如:站点设置标准为:对于H1类型聚合区域站点的要求是至少有2条公共交通可覆盖,且站点距离不超过200米;对于H2类型聚合区域站点的要求是至少有1条公共交通可覆盖,且站点距离不超过500;对于H3类型的聚合区域站点的要求是至少有1条公共交通可覆盖,且站点距离不超过600。在确定站点设置标准后,计算聚合区域的中心点和当前交通线路中多个站点的距离值,选择最小距离值进行判断;当最小距离值满足站点设置标准时,不调整当前交通线路的站点;当最小距离值不满足站点设置标准时,调整当前交通线路的站点位置或增加新的站点位置。在一种实现方式中,与现有城市公共交通的路线的碰撞分析,可以获取目标城市的当前交通线路图谱和每条交通线路的站点位置信息,该站点的位置信息包括站点的名称、所位于的经纬度数据,如下表:
在站点设置标准确定后,对每个H1、H2、H3方块区和当前城市的交通线路站点进行碰撞分析(即根据交通线路站点与方块区中心点的距离),通过区域与站点的区域覆盖范围,得出当前线路站点设置是否合理、是否增加或者需优化的路线和站点。当前交通线路中的站点均不满足站点设置标准时,可以根据该人员流动数据图新增交通线路,如图7所示。
在本实施例中,通过对人员出行数据的精确分析,计算出人员的流动数据,提供一种城市公共交通的站点设置方法,提升城市公共交通站点设置的合理性。通过实施例所提供的路线规划或站点设置,可有效提升城市人员出行的效率和公共交通工具的利用率。
示例一
本示例给出城市公共交通的站点设置流程,如图8所示,包括:
步骤801.生成目标城市的线路图谱;
步骤802.对该城市地图进行网格化,包括:获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;
步骤803.对城市人员出行数据分析;
本步骤中的实现过程可以为获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库,包括:
获取目标城市中预设时段内人员出行轨迹数据;
根据人脸识别或物联网数据判断出属于同一个人的出行信息数据;
根据所确定的同一个人的出行信息数据建立每个人员的出行信息库,其中,该出行信息库包括起始地地理位置信息、目的地地理位置信息、同一起始地或目的地的出行频率。
步骤804.生成可视化的人员流动数据图;
在本步骤中,根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;
步骤805.与现有公共交通规划和站点进行分析,包括:确定站点设置标准;与现有城市公共交通的线路进行碰撞分析;
步骤806.生成城市公共交通线路规划和站点设置数据。
本示例性实施例中,通过精准的人员出行数据分析,可以设置较为合理的交通线路站点,以此有效提升城市人员出行的效率。
本公开实施例还提供了一种城市公共交通的站点设置装置,如图9所示,包括存储器910和处理器920;所述存储器用于保存用于进行城市公共交通的站点设置的程序,所述处理器用于读取执行所述用于进行城市公共交通的站点设置的程序,执行上述实施例中任一项所述的方法。
本公开还提供了一种存储介质,所述存储介质中存储有用于进行城市公共交通的站点设置的程序,所述程序被设置为在运行时执行上述实施例中任一项所述的方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种城市公共交通的站点设置方法,其特征在于,所述方法包括:
获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库,其中,所述出行信息库包括起始地信息和目的地信息;
获取该目标城市的地图图像并对该图像进行网格化,生成城市矩阵图;
根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图;
根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息。
2.根据权利要求1所述城市公共交通的站点设置方法,其特征在于,所述获取目标城市中预设时段内人员出行轨迹数据,并建立每个人员的出行信息库包括:
获取目标城市中预设时段内人员出行轨迹数据;
确定所获取出行轨迹数据中第一时间周期和/或第二时间周期人员的出行起始地、出行目的地和基于同一出行起始地及同一出行目的地的出行频率;
将出行频率大于一定阈值的至少一条线路的起始地和目的地进行标记,建立每个人员相应的出行信息库,其中,该出行信息库包括起始地位置信息、目的地位置信息、出行频率。
3.根据权利要求1所述城市公共交通的站点设置方法,其特征在于,所述根据该出行信息库和城市矩阵图生成该预设时段内人员流动数据图,包括:
获取目的地信息相同的至少一个出行人员,并确定所述至少一个出行人员各自对应的起始地;
将各个起始地的位置信息映射到城市矩阵图相对应的各预定区域中;
根据映射后的各预定区域的出行人员信息对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域;
根据聚合区域的相关信息形成人员流动数据图。
4.根据权利要求3所述城市公共交通的站点设置方法,其特征在于,所述对各预定区域按照预设规则进行聚合,得到聚合后的聚合区域,包括:
选择多个预定区域中人数最多的预定区域作为聚合中心点;
将距离该聚合中心点小于n米的多个预定区域进行聚合,得到聚合后的聚合区域,其中,n为正整数。
5.根据权利要求3所述城市公共交通的站点设置方法,其特征在于,所述聚合区域的相关信息包括聚合区域的聚集度。
6.根据权利要求5所述城市公共交通的站点设置方法,其特征在于,所述根据聚合区域信息形成人员流动数据图,包括:
根据聚合区域的聚集度确定聚合区域类型;
根据所确定的聚合区域类型形成人员流动数据图。
7.根据权利要求6所述城市公共交通的站点设置方法,其特征在于,所述根据聚合区域的聚集度确定聚合区域类型包括:
当聚合区域的聚集度大于第一阈值时,确定聚合区域的类型为核心需求区;
当聚合区域的聚集度大于第二阈值且小于等于第一阈值时,确定聚合区域的类型为重点需求区;
当聚合区域的聚集度大于第三阈值且小于等于第二阈值时,确定聚合区域的类型为关键需求区。
8.根据权利要求7所述城市公共交通的站点设置方法,其特征在于,所述根据该人员流动数据图和目标城市的当前交通线路,确定该目标城市调整后的公共交通站点的位置信息,包括:
根据聚合区域类型确定对应的站点设置标准;
根据该站点设置标准确定当前需求路线;
根据当前需求路线与现有路线进行碰撞分析,调整或规划新路线站点的位置信息。
9.一种城市公共交通的站点设置装置,包括存储器和处理器;其特征在于,所述存储器用于保存用于进行城市公共交通的站点设置的程序,所述处理器用于读取执行所述用于进行城市公共交通的站点设置的程序,执行权利要求1-8任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质中存储有用于进行城市公共交通的站点设置的程序,所述程序被设置为在运行时执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485384.0A CN113111477A (zh) | 2021-04-30 | 2021-04-30 | 一种城市公共交通的站点设置方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110485384.0A CN113111477A (zh) | 2021-04-30 | 2021-04-30 | 一种城市公共交通的站点设置方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111477A true CN113111477A (zh) | 2021-07-13 |
Family
ID=76720885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110485384.0A Pending CN113111477A (zh) | 2021-04-30 | 2021-04-30 | 一种城市公共交通的站点设置方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111477A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689726A (zh) * | 2021-08-31 | 2021-11-23 | 浙江宇视科技有限公司 | 人车协同的高效运载管理系统及方法 |
-
2021
- 2021-04-30 CN CN202110485384.0A patent/CN113111477A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689726A (zh) * | 2021-08-31 | 2021-11-23 | 浙江宇视科技有限公司 | 人车协同的高效运载管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10854076B2 (en) | Method and system for computing parking occupancy | |
US20160267789A1 (en) | Traffic Classification Based on Spatial Neighbor Model | |
US20060053110A1 (en) | Out-of-home advertising inventory ratings methods and systems | |
US20120115475A1 (en) | System and method for population tracking, counting, and movement estimation using mobile operational data and/or geographic information in mobile network | |
CN108171993B (zh) | 一种基于手机信令大数据的高速公路车辆速度计算方法 | |
CN109902930B (zh) | 一种基于实有人口指标的配套设施规划辅助系统 | |
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 | |
CN111581325B (zh) | 一种基于时空影响距离的K-means站点区域划分方法 | |
US10489431B2 (en) | Digital location-based data methods and product | |
CN108549976A (zh) | 智慧旅游大数据分析方法 | |
CN114173356A (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
EP2495696A1 (en) | Management server, population information calculation management server, zero population distribution area management method, and population information calculation method | |
Fritze et al. | Combining spatial information and optimization for locating emergency medical service stations: A case study for Lower Austria | |
CN104599499A (zh) | 一种分布式统计交通位置的方法及装置 | |
CN113111477A (zh) | 一种城市公共交通的站点设置方法、装置和存储介质 | |
Santos et al. | A fractional perspective to the modelling of Lisbon’s public transportation network | |
CN117114210B (zh) | 无障碍公共设施布局优化方法、装置、设备及存储介质 | |
CN115186049B (zh) | 一种智能公交备选站点选址方法、电子设备及存储介质 | |
CN115759660A (zh) | 一种无人驾驶车辆的调度方法、装置、设备和介质 | |
KR101451527B1 (ko) | 유동인구 추정 고도화 시스템 및 방법 | |
Huo et al. | Exploring the influencing factors on demand-responsive customized bus ridership using multi-source data | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
KR20130096402A (ko) | 유동인구 추정 고도화 시스템 및 방법 | |
Jormakka | Validation of mobile network data in producing Origin-Destination matrices | |
KR20130096680A (ko) | 유동인구 추정 세분화 시스템 |
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 |