CN113192354B - 一种基于时间窗格状态概率的大型场站等候时长预测方法 - Google Patents

一种基于时间窗格状态概率的大型场站等候时长预测方法 Download PDF

Info

Publication number
CN113192354B
CN113192354B CN202110362702.4A CN202110362702A CN113192354B CN 113192354 B CN113192354 B CN 113192354B CN 202110362702 A CN202110362702 A CN 202110362702A CN 113192354 B CN113192354 B CN 113192354B
Authority
CN
China
Prior art keywords
time
passengers
vehicles
waiting area
vehicle
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
Application number
CN202110362702.4A
Other languages
English (en)
Other versions
CN113192354A (zh
Inventor
王晨
余素
方森涛
刘天骏
周俊杰
胡灵龙
钟会玲
陈迎迎
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.)
Zhejiang Supcon Information Industry Co Ltd
Original Assignee
Zhejiang Supcon Information Industry 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 Zhejiang Supcon Information Industry Co Ltd filed Critical Zhejiang Supcon Information Industry Co Ltd
Priority to CN202110362702.4A priority Critical patent/CN113192354B/zh
Publication of CN113192354A publication Critical patent/CN113192354A/zh
Application granted granted Critical
Publication of CN113192354B publication Critical patent/CN113192354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (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

本发明公开了一种基于时间窗格状态概率的大型场站等候时长预测方法，克服了现有技术中通过建立时间序列模型、回归模型等方法对车辆排队等候时长直接进行未来短时预测，预测结果准确性较低的问题，它包括下列步骤：S1：将一天分成等长细小时间窗格,计算每个时间窗格内有旅客排队的概率；S2：根据车辆检测信息，计算出租车的实时消耗速率；S3：根据当前旅客排队人数与出租车排队车辆数，分析人车供需平衡情况；S4：基于S3中的结论，根据出租车的实时消耗速度与每个时间窗格有旅客排队的概率值，计算候客区内队尾出租车的预计等候时长。能够根据出租车调度场内候车区的旅客实时排队情况与候客区出租车实时排队情况，预测队尾出租车的等候时长。

Description

一种基于时间窗格状态概率的大型场站等候时长预测方法
技术领域
本发明涉及数据处理技术领域，特别涉及了一种基于时间窗格状态概率的大型场站等候时长预测方法。
背景技术
大型客运枢纽场站，如机场、火车站、长运客车站等，通常会聚集较多的流动旅客。为了快速实现旅客的疏通，一般会配备大型的出租车调度场。在出租车调度场中，通常会设置出租车候客区与旅客候车区，为了提高出租车调度场的服务水平，对出租车与旅客的等候时长进行预测显得尤为重要。出租车司机在进入候客区前若已知预计等候时长，则可根据实际情况决定是否前往候客区，以免损失可能的接客单；旅客在进入候车区前若已知预计等候时长，则可考虑是否选乘其他的交通工具离开，以免造成上班迟到等情况。
现有的方法大多是通过建立时间序列模型、回归模型等方法对车辆排队等候时长直接进行未来短时预测。然而车辆的排队等候时长存在一定的随机性，它不仅受场内车辆排队数的影响，同时受旅客排队人数的影响。
如中国专利局2017年5月17日公开了一种名称为一种蓄车场内出租车候车时间的预测方法及装置的发明，其公开号为CN106682783A。该发明公开了一种蓄车场内出租车候车时间的预测方法及装置，该方法包括获取出租车在蓄车场内的排队信息以及候车点乘客的数量，确定所述出租车的排队信息与所述候车点乘客的数量的比值是否大于等于第一阈值，若是，则根据乘客平均上车时间以及所述出租车从所述蓄车场的出口至上客区的时间，确定所述出租车的候车时间。该发明通过实时采集出租车在蓄车场内的排队信息、候车点乘客的数量，快速的预测出出租车进入蓄车场时需要等候的时间，以使出租车司机根据预测的候车时间选择是在蓄车场等待还是离开。但考虑的是时间整体，没有具体从每个时间段考虑排队情况。
发明内容
本发明的目的是克服现有技术中通过建立时间序列模型、回归模型等方法对车辆排队等候时长直接进行未来短时预测，没有考虑时间状况、预测结果准确性较低的问题，提供了一种基于时间窗格状态概率的大型场站等候时长预测方法，将一天的时间分为等长细小的时间窗格，根据出租车调度场内候车区的旅客实时排队情况与候客区出租车实时排队情况，预测队尾出租车的等候时长。
为了实现上述目的，本发明采用以下技术方案：一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，它包括下列步骤：
S1：将一天分成等长细小时间窗格,计算每个时间窗格内有旅客排队的概率；
S2：根据候客区出租车进出口的车辆检测信息，计算出租车的实时消耗速率；
S3：根据当前候车区内旅客的排队人数与当前候客区内出租车的排队车辆数，分析人车供需平衡情况；
S4：基于步骤S3中的结论，根据出租车的实时消耗速度与每个时间窗格有旅客排队的概率值，计算候客区内队尾出租车的预计等候时长。
本发明以排队车辆离场是否因候车旅客数量过少而中断为理论基础，将一天分成等长细小时间窗格，基于历史数据计算每个时间窗格内存在旅客排队情况的概率。在预测车辆排队等候时长时，若时间窗格的概率值大于随机数，则车辆在该时间窗格以消耗速度离场；反之，车辆在该时间窗格等待，等候时长延迟一个时间窗格时长。队尾排队车辆等候时长预测值为前排车辆以消耗速度连续离场所需的时长，加上因中断而延迟的时间窗格总时长。能够对枢纽场站内各排队区的排队时长进行有效预测，同时也能够反向对旅客进行预计等候时长的计算。
作为优选，所述的步骤S1进一步表示为：
S1.1：设置时间窗格长度为t秒，将一天划分为n个时间窗格：
n＝86400/t，
其中86400为一天的秒数；
S1.2：基于旅客候车区进出口的人员检测设备，分别获取历史近一段时间内每一天每个时间窗格内候车区进出口的进入乘客人数E与出去乘客人数O；
S1.3：计算候车区对应时间窗格内的排队人数H：
H＝A-B；
S1.4：设置判断候车区有人的人数阈值为M人，若时间窗格内的旅客排队人数H超过或等于M人，则视为候车区有人，否则视无人，为该段时间内所有的时间窗格添加是否有人标识，然后计算每个时间窗格有人的概率值Pi，计算公式如下：
Figure BDA0003006235880000041
其中，signij表示一天中第i个时间窗格在第j天是否有人的标识，signij＝1表示候车区有人，signij＝0表示候车区无人，N表示统计时间段的天数，n为一天的总时间窗格数。
获取历史数据的时间优选为历史近一个月，获取历史近一个月内每天的旅客通过数，候车区进出口的旅客通过数分别为一天进出的累计值，并实现凌晨清零。将时间划分为细小时间窗格，根据时间窗格的划分，计算候车区对应时间窗格内的排队人数，其中排队人数为同时间进出口旅客通过数的差值，即总进人数减去总出人数。计算出每个时间窗格的排队人数后，为每个时间窗格添加候车区是否有人标识。然后根据历史近一个月内，时间窗格有人的天数占该时间窗格的总天数，计算出该时间窗格有人的概率。
作为优选，所述的步骤S2进一步表示为：
S2.1：根据候客区出口识别的车牌记录，确定最后一辆驶离的车辆，从候客区进口识别的车辆记录中获取该车辆最近进入候客区的时间，记为t1，统计(t1,当前时间)时间段内进口识别的车辆数wait_n，并将wait_n视为当前候客区内的排队车辆数；
S2.2：根据候客区进口识别的车牌记录，确定最后一辆进入候客区的排队车辆，并记录该车进入的时间，记为t2，同时实时监测候客区出口识别的车辆数，当候客区出口从当前时间开始识别达到wait_n辆车时，记录对应的时间t3:
wait_t＝t3-t2，
其中wait_t表示wait_n辆车的等候时长；
S2.3：根据最近一条完整记录，计算当前排队车辆的实时消耗速率speed，计算公式如下所示：
speed＝wait_t/wait_n
其中，speed的单位为秒/辆。
根据候客区进口识别的车牌记录，统计出当前候车区内的排队车辆数wait_n、最后一辆排队车辆进入候客区的时间t2、候客区出口从当前时间开始识别达到wait_n辆车时的时间t3以及wait_n辆车的等候时长wait_t。然后S2.3中将S2.1与S2.2中各个实时记录值进行存储，即可得到各个时间点统计的完整历史记录，数据表结构如下所示：
开始时间 结束时间 排队车辆数 等候时长
t2 t3 wait_n wait_t
计算当前排队车辆的实时消耗速率speed，根据统计的数据表中的最后一条完整数据计算，否则得到的不是当前时间的速率。
作为优选，所述的步骤S3进一步表示为：
S3.1：按照步骤S2.1中的方式计算当前候客区内出租车的排队车辆数，记为taxi_num；
S3.2：基于旅客候车区进出口的人员检测设备，统计当前候车区内进口检测的人数累计值pass_num1，与出口检测累计值pass_num2，计算当前候车区内旅客的排队人数pass_num：
pass_num＝pass_num1-pass_num2；
S3.3：设置人车比例系数a，即一辆车平均载客a人，分析人车供需平衡情况，定义如下：
A：当pass_num≥a×taxi_num时，视当前状态为车辆不足，候客区所有车辆均可分配到旅客并依次离场，
B：当pass_num<a×taxi_num时，视当前状态为车辆过剩，候客区车辆只有一部分车可分配到旅客，其他车辆需等待候车区有更多的旅客进入才可离场。
计算出当前候客区等候车辆数与当前候车区的排队乘客数，再根据每辆车平均载客数分析当前排队车辆是否满足当前所有排队乘客的需要，如果满足，说明车辆过剩，会有一部分车辆无法分派到乘客，还需要根据当前时间窗格考虑分派到旅客的时间，再计算排队时间。如果不满足，直接计算排队时间。
作为优选，所述的步骤S4进一步为：
S4.1：计算可分配到旅客的车辆的总消耗时长consum_t1：
a：若当前状态为车辆不足，即所有车辆均可分配到旅客，则规定所有的车辆均以出租车正常消耗速率驶离：
consum_t1＝taxi_num×speed，
b：若当前状态为车辆过剩，即只有一部分车可分配到旅客，则根据人车比例系数a确定可分配到旅客的车辆数，然后规定该些车辆均以出租车正常消耗速率speed驶离：
consum_t1＝pass_num/a×speed；
S4.2：计算未分配到旅客的车辆的总消耗时长consum_t2：
A：若当前状态为车辆不足，不存在未分配到旅客的车辆：
cunsum_t2＝0，
B：若当前状态为车辆过剩，未分配到旅客的车辆的消耗时长由两个部分组成，其中一部分为车辆以正常消耗速率驶离的消耗时长c_t，另一部分为等待候车区旅客进入的等候时长w_t：
cunsum_t2＝c_t+w_t；
S4.3：计算候客区队尾出租车的预计等候时长pre_wait_t，计算公式如下：
pre_(wait_t)＝consum_t1+consum_t2
其中，consum_t1为可分配到旅客的车辆的总消耗时长，consum_t2为未分配到旅客的车辆的总消耗时长。
出租车预计排队等候时长为可分配到旅客的车辆的总消耗时长与未分配到旅客的总消耗时长之和。而计算消耗时长首先需要根据步骤S3.3中的人车供需平衡情况确定当前车辆状态为不足还是过剩状态。如果是车辆不足状态，可分配到旅客的车辆的总消耗时长为当前候客区内出租车的排队车辆数taxi_num与实时消耗速率speed的乘积，未分配到旅客的总消耗时长为0。如果是车辆过剩状态，首先需要确定分配到乘客的车辆的数量，计算可分配旅客的车辆的消耗时长；再计算未分配旅客的车辆的消耗时长，以及这部分车辆等待乘客进入候车区的等待时长。
作为优选，所述的步骤S4.2中B中当前状态为车辆过剩时，计算consum_t2的具体步骤为：
B1：计算未分配到旅客的车辆以正常消耗速率驶离的总消耗时长extra_t：
extra_t＝(taxi_num-pass_num/a)×speed；
B2：基于当前时间与分配到旅客的车辆的总消耗时长consum_t1，确定经过consum_t1后所在时间窗格的位置标记，记为K；
B3：从第K+1个时间窗开始，依次产生一个随机数，根据对应时间窗内的车辆是否以正常消耗速率驶离来计算consum_t2。
车辆过剩时，首先计算未分配到旅客的车辆的总消耗时长，计算时仍以正常消耗速率与车辆数的乘积来计算。对于未分配到旅客的车辆的具体的消耗时长与等待时长，需要结合步骤S1中每个时间窗格内是否有人的概率来计算。
作为优选，所述的步骤B3中根据对应时间窗内的车辆是否以正常消耗速率驶离来计算consum_t2的步骤进一步表示为：
B3.1：将初始时间窗格的位置标记k＝K+1，消耗时长c_t＝0，空等时长w_t＝0；
B3.2：随机产生一个随机数rk，0≤rk≤1，比较rk与第k个时间窗格内有旅客排队的概率值Pk，若rk＞Pk，则判定该时间窗格内无旅客进入候车区，车辆需空等一个时间窗格长度，并更新空等时长w_t＝w_t+t，若rk≤Pk，则判定该时间窗格内有旅客进入候车区，车辆以正常消耗速率离场，并更新消耗时长c_t＝c_t+t，其中t为一个时间窗格长度；
B3.3：判断c_t与extra_t的值，若c_t≥extra_t，则计算未分配到旅客的车辆的总消耗时长：
consum_t2＝c_t+w_t，
否则令k＝k+1，返回步骤B3.2。
确定当前所处时间窗格，用电脑随机产生一个0-1之间的随机数，将产生的随机数与步骤S1中得到的对应的时间窗格是否有人的概率进行比较，判断车辆是否需要空等一个时间窗格。由于不同时间的乘客人流量也不同，因此将车辆等候时间精确到每一个细小的时间窗格上，预测时间更加准确。
因此，本发明具有如下有益效果：1、能够对枢纽场站内各排队区的排队时长进行有效预测，不仅仅适用于计算出租车预计等候时长，同样可以反向对旅客进行预计等候时长的计算；2、不仅仅关注单变量自身的变化规律，同时考虑存在供需关系的其他变量，更贴合实际情况；3、方便对各参数进行自由调整，将一天分为等长时间窗格，计算每个时间窗格内候车区是否有人的概率，结合概率估计，过程简单且准确率高。
附图说明
图1为本发明的操作流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
如图1所示的实施例中，可以看到一种基于时间窗格状态概率的大型场站等候时长预测方法，其具体操作流程为：
第一步：将一天分成等长细小时间窗格,计算每个时间窗格内有旅客排队的概率
设置时间窗格长度t＝15秒，则根据公式：
n＝86400/t＝5760，
一天被划分成5760个时间窗格。
设置判断候车区有人的人数阈值M＝2，获取历史近一个月内候车区进出口识别的旅客通过数，计算每天各个时间窗格内的排队人数，与候车区有人的人数阈值进行比对，并添加是否有人标识，其中1代表有人，0代表无人。一个月内其中一天的排队情况说明如下：
Figure BDA0003006235880000101
根据一个月内所有时间窗格内的排队情况，使用以下公式计算全天各个时间窗格有人的概率值：
Figure BDA0003006235880000102
其中，signij表示一天中第i个时间窗格在第j天是否有人的标识，signij＝1表示候车区有人，signij＝0表示候车区无人，30表示一个月的天数。
计算结果如下：
Figure BDA0003006235880000103
第二步:根据候客区出租车进出口的车辆检测信息，计算出租车的实时消耗速率
以15秒为更新频率，实时统计候客区内的排队车辆数及该些车辆对应的等候时长，其中排队车辆数wait_n为统计时刻最后一辆驶离车辆对应的进入时间t1到当前时刻一段时间内进口识别的车辆数，该些车辆对应的等候时长wait_t为该些车辆全部驶离候客区的持续时长，实时记录表部分结果如下：
Figure BDA0003006235880000111
假设当前时刻为2021/03/19 12:11:00，从上表中的历史记录数据表中可以看出，由于有些记录的结束时间比当前时刻大，该些记录在当前时刻是不完整的，即等候时长为空，处于待更新状态，因此取统计时刻为2021/03/1912:00:00对应的记录作为计算当前排队车辆实时消耗速率speed的基准，从而得到当前时刻排队车辆wait_n的实时消耗速率speed为15.75秒/辆。
第三步：根据当前候车区内旅客的排队人数与当前候客区内出租车的排队车辆数，分析人车供需平衡情况
按照第二步中的方式计算当前候客区内出租车的排队车辆数taxi_num，得到当前候客区内出租车的排队车辆数taxi_num为20辆；
基于旅客候车区进出口的人员检测设备，获取当前候车区进口检测的人数累计值pass_num1，与出口检测的人数累计值pass_num2，计算当前候车区内旅客的排队人数pass_num：
pass_num＝pass_num1-pass_num2；
得到当前候车区内旅客的排队人数pass_num为27人。
设置人车比例系数a为1.5，即一辆车平均载客1.5人，并分析人车供需平衡情况：
当pass_num≥a×taxi_num时，视当前状态为车辆不足，候客区所有车辆均可分配到旅客并依次离场；
当pass_num<a×taxi_num时，视当前状态为车辆过剩，候客区车辆只有一部分车可分配到旅客，其他车辆需等待候车区有更多的旅客进入才可离场。
已知当前候客区排队车辆数taxi_num为20辆，当前候车区排队人数pass_num为27人，a×taxi_num＝30，根据人车供需关系：pass_num<a×taxi_num，视当前状态为车辆过剩，即候客区车辆只有一部分车可分配到旅客，其他车辆需等待候车区有更多的旅客进入才可离场。
第四步：基于步骤S3中的结论，根据出租车的实时消耗速度与每个时间窗格有旅客排队的概率值，计算候客区内队尾出租车的预计等候时长
根据人车比例系数得到，当前排队人数只需要分配27/1.5辆车，即18辆车，多出2辆车无人可分配。18辆可分配旅客的出租车的消耗总时长consum_t1为车辆数taxi_num与消耗速率speed的乘积，即18×15.75＝283.5秒。
未分配到旅客的车辆的总消耗时长consum_t2为车辆以正常消耗速率驶离的消耗时长c_t与等待候车区旅客进入的等候时长w_t之和。
首先计算未分配到旅客的车辆以正常消耗速率驶离的总消耗时长为extra_t：
extra_t＝(taxi_num-pass_num/a)×speed＝31.5秒。
确定当前时刻经过283.5秒后所在的时间窗格位置标记K，K＝ceil((12×3600+11×60+283.5)/15)＝2943，其中ceil()表示向上取整。
从第K+1个时间窗格，即第2944个时间窗格开始，依次产生一个随机数，同时判断对应时间窗内的车辆是否以正常消耗速率驶离，直到满足未分配到旅客的车辆满足全部驶离的条件，具体步骤如下：
A：初始时间窗格的位置标记k＝2944，消耗时长c_t＝0，空等时长w_t＝0；
B：随机产生一个随机数0.9，由于0.9>0.85，其中0.85为第二步概率统计表中第2944个时间窗格有人的概率值，因此判定该时间窗格内无旅客进入候车区，车辆需空等一个时间窗格长度，并更新空等时长w_t＝15秒。
C：判断c_t与extra_t的值，由于消耗时长ct＝0<extra_t＝31.5，令k＝2945，返回到步骤B。
第二次执行B：随机产生一个随机数0.8，由于0.8<0.9，其中0.9为第二步概率统计表中第2945个时间窗格有人的概率值，因此判定该时间窗格内有旅客进入候车区，车辆以正常消耗速率离场，并更新消耗时长c_t＝15秒。
第二次执行C：判断c_t与extra_t的值，由于c_t＝15<extra_t＝31.5，令k＝2946，返回到步骤B。
第三次执行B：随机产生一个随机数0.6，由于0.6<0.87，其中0.87为第二步概率统计表中第2946个时间窗格有人的概率值，因此判定该时间窗格内有旅客进入候车区，车辆以正常消耗速率离场，并更新消耗时长c_t＝30秒。
第三次执行C：判断c_t与extra_t的值，由于c_t＝30<extra_t＝31.5，令k＝2947，返回到步骤B。
第四次执行B：随机产生一个随机数0.4，由于0.4<0.7，其中0.7为第二步概率统计表中第2947个时间窗格有人的概率值，因此判定该时间窗格内有旅客进入候车区，车辆以正常消耗速率离场，并更新消耗时长c_t＝45秒。
第三次执行C：判断c_t与extra_t的值，由于c_t＝45>extra_t＝31.5，则结束步骤，并计算未分配到旅客的车辆的总消耗时长，consum_t2＝c_t+w_t＝45+15＝60秒。
计算候客区队尾出租车的预计等候时长pre_wait_t：
pre_(wait_t)＝consum_t1+consum_t2，
即pre_wait_t＝283.5+60＝343.5秒。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (7)

1.一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，它包括下列步骤：
S1：将一天分成等长细小时间窗格,计算每个时间窗格内有旅客排队的概率；
S2：根据候客区出租车进出口的车辆检测信息，计算出租车的实时消耗速率；
S3：根据当前候车区内旅客的排队人数与当前候客区内出租车的排队车辆数，分析人车供需平衡情况；
S4：基于步骤S3中的结论，根据出租车的实时消耗速率与每个时间窗格有旅客排队的概率值，计算候客区内队尾出租车的预计等候时长：
S4.1：基于人车供需平衡情况，结合出租车的实时消耗速率，计算可分配到旅客的车辆的总消耗时长consum_t1：
consum_t1＝number×speed；
式中，number表示可分配到旅客的车辆数，speed表示出租车的实时消耗速率，其中不同人车供需平衡情况下可分配到旅客的车辆数不同；
S4.2：基于人车供需平衡情况，利用每个时间窗格有旅客排队的概率值判断每个时间窗格内是否有旅客进入候车区，若无，则得到该时间窗格空等时长，若有，则得到该时间窗格未分配到旅客的车辆的消耗时长，则计算未分配到旅客的车辆的总消耗时长consum_t2：
consum_t2＝c_t+w_t
其中，c_t表示未分配到旅客的车辆以正常消耗速率驶离的消耗时长，w_t表示未分配到旅客的车辆等待候车区旅客进入的等候时长；
S4.3：计算候客区内队尾出租车的预计等候时长pre_wait_t：
pre_wait_t＝consum_t1+consum_t2
其中，consum_t1为可分配到旅客的车辆的总消耗时长，consum_t2为未分配到旅客的车辆的总消耗时长。
2.根据权利要求1所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤S1进一步表示为：
S1.1：设置时间窗格长度为t秒，将一天划分为n个时间窗格：
n＝86400/t，
其中86400为一天的秒数；
S1.2：基于旅客候车区进出口的人员检测设备，分别获取历史近一段时间内每一天每个时间窗格内候车区进出口的进入乘客人数E与出去乘客人数O；
S1.3：计算候车区对应时间窗格内的排队人数H：
H＝E-O；
S1.4：设置判断候车区有人的人数阈值为M人，若时间窗格内的旅客排队人数H超过或等于M人，则视为候车区有人，否则视无人，为该段时间内所有的时间窗格添加是否有人标识，然后计算每个时间窗格有人的概率值Pi，计算公式如下：
Figure FDA0003517846210000021
j＝1,2,...,N，
i＝1,2,...,n，
其中，signij表示一天中第i个时间窗格在第j天是否有人的标识，signij＝1表示候车区有人，signij＝0表示候车区无人，N表示统计时间段的天数，n为一天的总时间窗格数。
3.根据权利要求2所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤S2进一步表示为：
S2.1：根据候客区出口识别的车牌记录，确定最后一辆驶离的车辆，从候客区进口识别的车辆记录中获取该车辆最近进入候客区的时间，记为t1，统计(t1,当前时间)时间段内进口识别的车辆数wait_n，并将wait_n视为当前候客区内的排队车辆数；
S2.2：根据候客区进口识别的车牌记录，确定最后一辆进入候客区的排队车辆，并记录该车进入的时间，记为t2，同时实时监测候客区出口识别的车辆数，当候客区出口从当前时间开始识别达到wait_n辆车时，记录对应的时间t3：
wait_t＝t3-t2，
其中wait_t表示wait_n辆车的等候时长；
S2.3：根据最近一条完整记录，计算当前排队车辆的实时消耗速率speed，计算公式如下所示：
speed＝wait_t/wait_n
其中，speed的单位为秒/辆。
4.根据权利要求3所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤S3进一步表示为：
S3.1：按照步骤S2.1中的方式计算当前候客区内出租车的排队车辆数，记为taxi_num；
S3.2：基于旅客候车区进出口的人员检测设备，统计当前候车区内进口检测的人数累计值pass_num1，与出口检测的人数累计值pass_num2，计算当前候车区内旅客的排队人数pass_num：
pass_num＝pass_num1-pass_num2；
S3.3：设置人车比例系数a，即一辆车平均载客a人，分析人车供需平衡情况，定义如下：
A：当pass_num≥a×taxi_num时，视当前状态为车辆不足，候客区所有车辆均可分配到旅客并依次离场，
B：当pass_num<a×taxi_num时，视当前状态为车辆过剩，候客区车辆只有一部分车可分配到旅客，其他车辆需等待候车区有更多的旅客进入才可离场。
5.根据权利要求1所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤S4进一步为：
S4.1：计算可分配到旅客的车辆的总消耗时长consum_t1：
a：若当前状态为车辆不足，即所有车辆均可分配到旅客，则规定所有的车辆均以出租车正常消耗速率驶离：
consum_t1＝taxi_num×speed，
b：若当前状态为车辆过剩，即只有一部分车可分配到旅客，则根据人车比例系数a确定可分配到旅客的车辆数，然后规定该些车辆均以出租车正常消耗速率speed驶离：
consum_t1＝pass_num/a×speed；
S4.2：计算未分配到旅客的车辆的总消耗时长consum_t2：
A：若当前状态为车辆不足，不存在未分配到旅客的车辆：
cunsum_t2＝0，
B：若当前状态为车辆过剩，未分配到旅客的车辆的消耗时长由两个部分组成，其中一部分为车辆以正常消耗速率驶离的消耗时长c_t，另一部分为等待候车区旅客进入的等候时长w_t：
cunsum_t2＝c_t+w_t。
6.根据权利要求5所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤S4.2中B中当前状态为车辆过剩时，计算consum_t2的具体步骤为：
B1：计算未分配到旅客的车辆以正常消耗速率驶离的总消耗时长extra_t：extra_t＝(taxi_num-pass_num/a)×speed；
B2：基于当前时间与分配到旅客的车辆的总消耗时长consum_t1，确定经过consum_t1后所在时间窗格的位置标记，记为K；
B3：从第K+1个时间窗开始，依次产生一个随机数，根据对应时间窗内的车辆是否以正常消耗速率驶离来计算consum_t2。
7.根据权利要求6所述的一种基于时间窗格状态概率的大型场站等候时长预测方法，其特征在于，所述的步骤B3中根据对应时间窗内的车辆是否以正常消耗速率驶离来计算consum_t2的步骤进一步表示为：
B3.1：将初始时间窗格的位置标记k＝K+1，消耗时长c_t＝0，空等时长w_t＝0；
B3.2：随机产生一个随机数rk，0≤rk≤1，比较rk与第k个时间窗格内有旅客排队的概率值Pk，若rk＞Pk，则判定该时间窗格内无旅客进入候车区，车辆需空等一个时间窗格长度，并更新空等时长w_t＝w_t+t，若rk≤Pk，则判定该时间窗格内有旅客进入候车区，车辆以正常消耗速率离场，并更新消耗时长c_t＝c_t+t，其中t为一个时间窗格长度；
B3.3：判断c_t与extra_t的值，若c_t≥extra_t，则计算未分配到旅客的车辆的总消耗时长：
consum_t2＝c_t+w_t，
否则令k＝k+1，返回步骤B3.2。
CN202110362702.4A 2021-04-02 2021-04-02 一种基于时间窗格状态概率的大型场站等候时长预测方法 Active CN113192354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110362702.4A CN113192354B (zh) 2021-04-02 2021-04-02 一种基于时间窗格状态概率的大型场站等候时长预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110362702.4A CN113192354B (zh) 2021-04-02 2021-04-02 一种基于时间窗格状态概率的大型场站等候时长预测方法

Publications (2)

Publication Number Publication Date
CN113192354A CN113192354A (zh) 2021-07-30
CN113192354B true CN113192354B (zh) 2022-06-17

Family

ID=76975005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110362702.4A Active CN113192354B (zh) 2021-04-02 2021-04-02 一种基于时间窗格状态概率的大型场站等候时长预测方法

Country Status (1)

Country Link
CN (1) CN113192354B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682783A (zh) * 2017-01-03 2017-05-17 青岛海信网络科技股份有限公司 一种蓄车场内出租车候车时间的预测方法及装置
CN106971246A (zh) * 2017-04-12 2017-07-21 青岛海信网络科技股份有限公司 一种出租车上客区乘客候车时间预测方法和装置
CN109035748A (zh) * 2018-07-18 2018-12-18 西安艾润物联网技术服务有限责任公司 出租车排队管理方法、移动终端及计算机可读存储介质
CN111047138A (zh) * 2019-11-13 2020-04-21 长沙学院 一种基于载客效益分析的出租车候车辅助决策方法和系统
CN111325439A (zh) * 2019-12-30 2020-06-23 武汉无线飞翔科技有限公司 一种出租车分流管理的方法和系统
CN111354212A (zh) * 2020-03-11 2020-06-30 青岛海信网络科技股份有限公司 应用于车站机场的出租车调度方法、服务器以及调度设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682783A (zh) * 2017-01-03 2017-05-17 青岛海信网络科技股份有限公司 一种蓄车场内出租车候车时间的预测方法及装置
CN106971246A (zh) * 2017-04-12 2017-07-21 青岛海信网络科技股份有限公司 一种出租车上客区乘客候车时间预测方法和装置
CN109035748A (zh) * 2018-07-18 2018-12-18 西安艾润物联网技术服务有限责任公司 出租车排队管理方法、移动终端及计算机可读存储介质
CN111047138A (zh) * 2019-11-13 2020-04-21 长沙学院 一种基于载客效益分析的出租车候车辅助决策方法和系统
CN111325439A (zh) * 2019-12-30 2020-06-23 武汉无线飞翔科技有限公司 一种出租车分流管理的方法和系统
CN111354212A (zh) * 2020-03-11 2020-06-30 青岛海信网络科技股份有限公司 应用于车站机场的出租车调度方法、服务器以及调度设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
出租车上客区规模的Monte Carlo仿真计算方法;黎冬平;《计算机工程与应用》;20110621(第18期);第22-25页 *
基于供需平衡条件下的城市出租车模型分析;李春平;《太原师范学院学报(自然科学版)》;20190325(第01期);第5-11页 *
基于排队论的枢纽内出租车上客区服务台优化;魏中华等;《公路交通科技(应用技术版)》;20171015(第10期);第298-300页 *
铁路客运站候车区运用多目标优化模型研究;屈晓勇等;《铁道运输与经济》;20201015(第10期);第85-91页 *

Also Published As

Publication number Publication date
CN113192354A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN106779256B (zh) 一种基于事件驱动的停车空余泊位数实时预测方法及系统
CN109961164B (zh) 客流量预测方法及装置
CN109308546B (zh) 乘客公交出行下车站点预测方法及系统
CN108961816B (zh) 基于优化lstm模型的道路停车泊位预测方法
US9697491B2 (en) System and method for analyzing performance data in a transit organization
CN103440768B (zh) 一种基于动态修正的公交车到达时间实时预测方法
CN104933860B (zh) 基于gps数据的公交车堵车延误时间预测方法
CN110348614B (zh) 一种获取乘客od的方法及公交客流的预测方法
CN102324128A (zh) 基于ic卡记录的公交站间od客流预测方法及装置
CN114023073B (zh) 一种基于车辆行为分析的高速公路拥堵预测方法
CN104715630A (zh) 一种到站时间预测系统与方法
CN106710215A (zh) 瓶颈上游车道级交通状态预测系统及实现方法
CN107918826B (zh) 一种驾驶环境感知的司机评价与调度方法
CN109887292B (zh) 车辆类型的识别方法及系统
CN113380071B (zh) 一种面向大型综合体的车位级停车需求状态评价方法
CN111009122A (zh) 隧道交通运行风险评估方法
CN101587565A (zh) 人员流量预测方法与系统
CN114117883A (zh) 一种基于强化学习的自适应轨道交通调度方法、系统、终端
CN112686417A (zh) 一种地铁大客流预测方法、系统及电子设备
CN113192354B (zh) 一种基于时间窗格状态概率的大型场站等候时长预测方法
CN112528867B (zh) 一种地铁车站突发大客流预警方法及其应用
CN112669595B (zh) 一种基于深度学习的网约车流量预测方法
CN114387816B (zh) 基于消费者行为预测分析的商城车流引导系统及方法
CN117350417A (zh) 一种零售户违规风险预警方法
CN113420908B (zh) 一种基于意愿性概率的大型场站旅客等候时长预测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 310051 floor 23-25, building 2, No. 352, BINKANG Road, Binjiang District, Hangzhou, Zhejiang Province

Applicant after: Zhejiang zhongkong Information Industry Co.,Ltd.

Address before: 310051 floor 23-25, building 2, No. 352, BINKANG Road, Binjiang District, Hangzhou, Zhejiang Province

Applicant before: ZHEJIANG SUPCON INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant