CN113269347A - 一种基于随机森林的高校快递网络节点流量预测方法 - Google Patents

一种基于随机森林的高校快递网络节点流量预测方法 Download PDF

Info

Publication number
CN113269347A
CN113269347A CN202110347022.5A CN202110347022A CN113269347A CN 113269347 A CN113269347 A CN 113269347A CN 202110347022 A CN202110347022 A CN 202110347022A CN 113269347 A CN113269347 A CN 113269347A
Authority
CN
China
Prior art keywords
express
ave
flow
time period
nodes
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.)
Granted
Application number
CN202110347022.5A
Other languages
English (en)
Other versions
CN113269347B (zh
Inventor
刘澳
姚越
陈祎琼
毕家泽
张玮
朱伟杰
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202110347022.5A priority Critical patent/CN113269347B/zh
Publication of CN113269347A publication Critical patent/CN113269347A/zh
Application granted granted Critical
Publication of CN113269347B publication Critical patent/CN113269347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • 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
    • G06Q50/20—Education
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/52—Network services specially adapted for the location of the user terminal

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Educational Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在
Figure DDA0003001119170000011
个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}。该基于随机森林的高校快递网络节点流量预测方法，在校园区域内确定了多个关键节点，并根据被服务者的需求找到各节点之间的关系，节点之间实现数据协同，将校园网络化、关系化、数据化、智能化，预测模型拥有源源不断的训练数据与标签值，自动化整理训练数据与其对应的标签值，并不断更新各网络节点之间的关系。

Description

一种基于随机森林的高校快递网络节点流量预测方法
技术领域
本发明属于校园物流技术领域，具体涉及一种基于随机森林的高校快递网络节点流量预测方法。
背景技术
近年来，电子商务产业的逐渐成熟，网购平台的普及和大学生消费能力的提高，都为高校校园快递服务提供了巨大的市场，而目前高校内快递的运营方式多是采用驿站存放以及用户自取的方式。
而高校的校园建筑占地面积较广，校园区域内地理信息采集不完整，校园内各节点之间的关系存在盲区，现有人流量预警模型系统大多数服务于城市生活领域，缺少针对校园区域且具有校园特点的人流量预警系统，目前无法根据校园各节点之间的关系、各节点人流量情况、快递服务点位置、被服务者所在位置等信息进行快递服务点的人流量预警，而这也导致了高校快递点拥挤、被服务者在取快递的行程中耗费时间过长、高校区域地理信息不完整等问题，亟待解决。
发明内容
本发明的目的就在于为了解决上述问题而提供一种结构简单，设计合理的一种基于随机森林的高校快递网络节点流量预测方法。
本发明通过以下技术方案来实现上述目的：
一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：
步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；
步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在
Figure RE-GDA0003115465420000021
个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；
步骤S3.将步骤S2以天为单位重复R次，计算N个道路关键节点在每个时间段内的人员流量平均值
Figure RE-GDA0003115465420000022
得到平均人员流量集合 PScore(ave)＝{S1(ave),S2(ave),S3(ave),...,SN(ave)}；
步骤S4.基于步骤S1中得到的各个道路关键交叉节点的经纬度信息集合P与步骤S3中得到的平均人员流量集合PScore(ave)结合转换出每个时间段内校园地图的无向带权图，再将无向带权图转换成与其相应的邻接矩阵集合 M＝{M1,M2,M3,...,M180}；
步骤S5.采集被服务者当前所在位置的经纬度信息Pu、快递服务点的经纬度信息Pe与当前所处时间段Tj；
步骤S6.对快递点进行人流量监控，同样以T为时间间隔，在TStart与TEnd之间进行流量检测，以天为单位重复R次后，得到快递点人流量集合 E＝{E1,E2,E3,...,ER}，确定快递服务点的人员容纳量C，根据人流量集合E和人员容纳量C计算出相应快递服务点的标签集合L＝{L1,L2,L3,...,LR}；
步骤S7.重复步骤S3得到新的校园区域各道路关键节点在时间间隔为 T的平均人流量结合PScore1(ave)，然后与步骤S6中得到的标签集合L形成随机森林的训练集，对随机森林模型进行训练，再利用训练完成后的随机森林模型从校园区域内N各道路关键节点中筛选出对快递点状态影响极低的h 个节点，剔除h个节点后得到快递点状态与其他节点的关系特征，并在下次模型训练时更新；
步骤S8.基于步骤S5中得到的被服务者经纬度信息Pu、快递服务点的经纬度信息Pe与步骤S1中得到的经纬度信息集合P进行逐个的距离计算，并得出当前被服务者距离最小的关键节点PStart和与快递服务点距离最小的关键节点PEnd；
步骤S9.根据步骤S5中得到的当前所处时间段Tj确定邻接矩阵集合中的Mz，然后根据步骤S6中得到的起始位置PStart和终止位置PEnd，结合Mz利用Floyd算法找到z时间段内的最优路线Wz；
步骤S10.利用步骤S7中训练完成的随机森林模型对z时间段内的快递点状态进行预测，得到当前时间段内的快递点预测状态yz，然后通过监控器实时获取当前时刻TN下最优路线Wz和快递点的人流量数据并与预测状态数据进行对比；
步骤S11.将步骤S9中得到的最优路线Wz与步骤S10中得到的快递点预测状态yz以及通过监控器实时获取的人流量数据汇总至服务器端，经过服务器端处理后传输至被服务者处。
作为本发明的进一步优化方案，所述人员流量数据集合 PScore＝{S1,S2,S3,...,SN}中的SN＝{SN1,SN2,SN3,...,SN180}，其中，SN为第N个道路关键交叉节点在每个时间段内人流量的集合。
作为本发明的进一步优化方案，所述步骤S3中的R＝30，其中，
Figure RE-GDA0003115465420000031
中的Skj是第k(0＜k≤N)个道路关键交叉节点在第j(0＜j≤180)个时间段内的人流量集合，平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...SN(ave)}中的 SN(ave)＝{SN1(ave),SN2(ave),SN3(ave),...SN180(ave)}。
作为本发明的进一步优化方案，所述快递点人流量集合 E＝{E1,E2,E3,...,ER}中的ER＝{ER2,ER3,ER4,...,ER180}，其为第R天以T为时间间隔的人流量集合，在计算标签集合时，将
Figure RE-GDA0003115465420000041
的快递点状态定义为不拥挤状态，将
Figure RE-GDA0003115465420000042
的快递点状态定义为拥挤状态，将
Figure RE-GDA0003115465420000043
的快递点状态定义为严重拥挤状态，其中，Eij为第i天第j个时间段内快递点的实际人流量。
本发明的有益效果在于：
1)本发明在校园区域内确定了多个关键节点，并根据被服务者的需求找到各节点之间的关系，节点之间实现数据协同，将校园网络化、关系化、数据化、智能化；
2)本发明预测模型拥有源源不断的训练数据与标签值，自动化整理训练数据与其对应的标签值，并不断更新各网络节点之间的关系；
3)本发明具有良好的通用性，不仅仅局限于快递点服务领域，还可更改为任意两个节点之间的预测模型。
附图说明
图1是本发明中生成邻接矩阵的流程框图；
图2是本发明中随机森林模型训练流程框图；
图3是本发明中最优路线的计算流程框图；
图4是本发明中随机森林模型筛选出的价值较高的校园道路关键节点示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
实施例1
如图1-3所示，一种基于随机森林的高校快递网络节点流量预测方法，包括以下具体步骤：
步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；
步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在
Figure RE-GDA0003115465420000051
个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；其中，SN＝{SN1,SN2,SN3,...,SN180}，其中， SN为第N个道路关键交叉节点在每个时间段内人流量的集合。
步骤S3.将步骤S2以天为单位重复R次，计算N个道路关键节点在每个时间段内的人员流量平均值
Figure RE-GDA0003115465420000052
得到平均人员流量集合 PScore(ave)＝{S1(ave),S2(ave),S3(ave),...,SN(ave)}；其中，R＝30，
Figure RE-GDA0003115465420000053
中的Skj是第 k(0＜k≤N)个道路关键交叉节点在第j(0＜j≤180)个时间段内的人流量集合，平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...SN(ave)}中的SN(ave)＝{SN1(ave),SN2(ave),SN3(ave),...SN180(ave)}；
步骤S4.基于步骤S1中得到的各个道路关键交叉节点的经纬度信息集合P与步骤S3中得到的平均人员流量集合PScore(ave)结合转换出每个时间段内校园地图的无向带权图，再将无向带权图转换成与其相应的邻接矩阵集合 M＝{M1,M2,M3,...,M180}；
如图1所示，步骤S1至步骤S4将校园区域内各个道路关键节点以及每个节点在相应时间段内的人流量进行详细的统计和计算，可以有效的得出校园区域中每个道路实际的人流量，将人流量多的道路和人流量少的道路分别区分，可以按照人流量多至少进行排序。
步骤S5.采集被服务者当前所在位置的经纬度信息Pu、快递服务点的经纬度信息Pe与当前所处时间段Tj；
步骤S6.对快递点进行人流量监控，同样以T为时间间隔，在TStart与TEnd之间进行流量检测，以天为单位重复R次后，得到快递点人流量集合 E＝{E1,E2,E3,...,ER}，确定快递服务点的人员容纳量C，根据人流量集合E和人员容纳量C计算出相应快递服务点的标签集合L＝{L1,L2,L3,...,LR}；
步骤S7.重复步骤S3得到新的校园区域各道路关键节点在时间间隔为 T的平均人流量结合PScore1(ave)，然后与步骤S6中得到的标签集合L形成随机森林的训练集，对随机森林模型进行训练，再利用训练完成后的随机森林模型从校园区域内N各道路关键节点中筛选出对快递点状态影响极低的h 个节点，剔除h个节点后得到快递点状态与其他节点的关系特征，并在下次模型训练时更新；其中，通过随机森林模型筛选出的价值较高的校园道路关键交叉节点如图4所示，具体数据以实际测试数据为准。
如图2所示，步骤S5至步骤S7将校园内各个快递点的人流量进行统计和计算，通过对各个快递点进行状态定义，快递点人流量集合 E＝{E1,E2,E3,...,ER}中的ER＝{ER2,ER3,ER4,...,ER180}，其为第R天以T为时间间隔的人流量集合，在计算标签集合时，将
Figure RE-GDA0003115465420000071
的快递点状态定义为不拥挤状态，将
Figure RE-GDA0003115465420000072
的快递点状态定义为拥挤状态，将
Figure RE-GDA0003115465420000073
的快递点状态定义为严重拥挤状态，其中，Eij为第i天第j个时间段内快递点的实际人流量；
步骤S8.基于步骤S5中得到的被服务者经纬度信息Pu、快递服务点的经纬度信息Pe与步骤S1中得到的经纬度信息集合P进行逐个的距离计算，并得出当前被服务者距离最小的关键节点PStart和与快递服务点距离最小的关键节点PEnd；
步骤S9.根据步骤S5中得到的当前所处时间段Tj确定邻接矩阵集合中的Mz，然后根据步骤S6中得到的起始位置PStart和终止位置PEnd，结合Mz利用Floyd算法找到z时间段内的最优路线Wz；
步骤S10.利用步骤S7中训练完成的随机森林模型对z时间段内的快递点状态进行预测，得到当前时间段内的快递点预测状态yz，然后通过监控器实时获取最优路线Wz和快递点的人流量数据并与预测状态数据进行对比；
步骤S11.将步骤S9中得到的最优路线Wz与步骤S10中得到的快递点预测状态yz以及通过监控器实时获取的人流量数据汇总至服务器端，经过服务器端处理后传输至被服务者处。
如附图3所示，根据当前被服务者的具体位置和其目标地快递点的位置进行距离计算，并结合校园区域内道路人流量的数据，将距离最短并且人流量最少的道路信息筛选出，此为用户去取出快递时的工作流程，当用户去快递点寄快递时，在上述基础上结合考虑快递点的标签，选取出不拥挤状态的快递点、距离最短以及人流量最少的道路等信息，然后根据道路各个关键节点处的监控器进行实时人流量监测，并将实际监测数据和预测的数据进行对比，若预测数据和实际数据相差较小，则将最优路线和最优的快递点信息发送至用户处，若相差较大则重新规划或选取其他的最优路线和最优的快递点数据。
每一次的对比后的数据均上传至后台进行分析处理，以提高最优路线和最优快递点信息的精准度。
可以有效的解决高校快递点拥挤、被服务者在取快递的行程中耗费时间过长、高校区域地理信息不完整等问题。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种基于随机森林的高校快递网络节点流量预测方法，其特征在于，包括以下具体步骤：
步骤S1.采集校园区域内地图数据，采集地图上各个道路关键交叉节点的经纬度信息并生成集合P＝{P1,P2,P3,...,PN}；
步骤S2.通过监控器实时统计各个道路关键交叉节点在T时间段内的人流量数据，确定各个道路关键节点在
Figure RE-FDA0003115465410000011
个时间段内人员流量数据并生成集合PScore＝{S1,S2,S3,...,SN}；
步骤S3.将步骤S2以天为单位重复R次，计算各个道路关键交叉节点在每个时间段内的人员流量平均值
Figure RE-FDA0003115465410000012
得到平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...,SN(ave)}；
步骤S4.基于步骤S1中得到的各个道路关键交叉节点的经纬度信息集合P与步骤S3中得到的平均人员流量集合PScore(ave)结合转换出每个时间段内校园地图的无向带权图，再将无向带权图转换成与其相应的邻接矩阵集合M＝{M1,M2,M3,...,M180}；
步骤S5.采集被服务者当前所在位置的经纬度信息Pu、快递服务点的经纬度信息Pe、当前所处时间段Tj与当前时刻TN；
步骤S6.对快递点进行人流量监控，同样以T为时间间隔，在TStart与TEnd之间进行流量检测，以天为单位重复R次后，得到快递点人流量集合E＝{E1,E2,E3,...,ER}，确定快递服务点的人员容纳量C，根据人流量集合E和人员容纳量C计算出相应快递服务点的标签集合L＝{L1,L2,L3,...,LR}；
步骤S7.重复步骤S3得到新的校园区域各道路关键节点在时间间隔为T的平均人流量结合PScore1(ave)，然后与步骤S6中得到的标签集合L形成随机森林的训练集，对随机森林模型进行训练，利用训练完成后的随机森林模型从校园区域内N各道路关键节点中筛选出对快递点状态影响极低的h个节点，剔除h个节点后得到快递点状态与其他节点的关系特征，并在下次模型训练时更新；
步骤S8.基于步骤S5中得到的被服务者经纬度信息Pu、快递服务点的经纬度信息Pe与步骤S1中得到的经纬度信息集合P进行逐个的距离计算，并得出当前被服务者距离最小的关键节点PStart和与快递服务点距离最小的关键节点PEnd；
步骤S9.根据步骤S5中得到的当前所处时间段Tj确定邻接矩阵集合中的Mz，然后根据步骤S6中得到的起始位置PStart和终止位置PEnd，结合Mz利用Floyd算法找到z时间段内的最优路线Wz；
步骤S10.利用步骤S7中训练完成的随机森林模型对z时间段内的快递点状态进行预测，得到当前时间段内的快递点预测状态yz，然后通过监控器实时获取当前时刻TN下最优路线Wz和快递点的人流量数据并与预测状态数据进行对比；
步骤S11.将步骤S9中得到的最优路线Wz与步骤S10中得到的快递点预测状态yz以及通过监控器实时获取的人流量数据汇总至服务器端，经过服务器端处理后传输至被服务者处。
2.根据权利要求1所述的一种基于随机森林的高校快递网络节点流量预测方法，其特征在于：所述人员流量数据集合PScore＝{S1,S2,S3,...,SN}中的SN＝{SN1,SN2,SN3,...,SN180}，其中，SN为第N个道路关键交叉节点在每个时间段内人流量的集合。
3.根据权利要求1所述的一种基于随机森林的高校快递网络节点流量预测方法，其特征在于：所述步骤S3中的R＝30，其中，
Figure RE-FDA0003115465410000031
中的Skj是第k(0＜k≤N)个道路关键交叉节点在第j(0＜j≤180)个时间段内的人流量集合，平均人员流量集合PScore(ave)＝{S1(ave),S2(ave),S3(ave),...SN(ave)}中的SN(ave)＝{SN1(ave),SN2(ave),SN3(ave),...SN180(ave)}。
4.根据权利要求1所述的一种基于随机森林的高校快递网络节点流量预测方法，其特征在于：所述快递点人流量集合E＝{E1,E2,E3,...,ER}中的ER＝{ER2,ER3,ER4,...,ER180}，其为第R天以T为时间间隔的人流量集合，在计算标签集合时，将
Figure RE-FDA0003115465410000032
的快递点状态定义为不拥挤状态，将
Figure RE-FDA0003115465410000033
的快递点状态定义为拥挤状态，将
Figure RE-FDA0003115465410000034
的快递点状态定义为严重拥挤状态，其中，Eij为第i天第j个时间段内快递点的实际人流量。
CN202110347022.5A 2021-03-31 2021-03-31 一种基于随机森林的高校快递网络节点流量预测方法 Active CN113269347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110347022.5A CN113269347B (zh) 2021-03-31 2021-03-31 一种基于随机森林的高校快递网络节点流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110347022.5A CN113269347B (zh) 2021-03-31 2021-03-31 一种基于随机森林的高校快递网络节点流量预测方法

Publications (2)

Publication Number Publication Date
CN113269347A true CN113269347A (zh) 2021-08-17
CN113269347B CN113269347B (zh) 2023-05-30

Family

ID=77228462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110347022.5A Active CN113269347B (zh) 2021-03-31 2021-03-31 一种基于随机森林的高校快递网络节点流量预测方法

Country Status (1)

Country Link
CN (1) CN113269347B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613145A (zh) * 2022-05-12 2022-06-10 中运科技股份有限公司 一种大数据下的客运流量感知预警系统及方法
CN115311846A (zh) * 2022-06-24 2022-11-08 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统
CN115358492A (zh) * 2022-10-19 2022-11-18 通号通信信息集团有限公司 客流预测方法、装置和系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060161335A1 (en) * 2005-01-14 2006-07-20 Ross Beinhaker Routing system and method
CN102110362A (zh) * 2011-02-01 2011-06-29 世纪战斧节能环保技术（北京）有限公司 一种规划出行路线的处理方法及系统
CN103646561A (zh) * 2013-12-24 2014-03-19 重庆大学 基于道路异常区域评估的路径选择方法及系统
CN106767753A (zh) * 2016-11-30 2017-05-31 哈尔滨理工大学 基于百度地图api的校园路径导航系统
CN108399748A (zh) * 2018-03-08 2018-08-14 重庆邮电大学 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN108765944A (zh) * 2018-05-30 2018-11-06 东南大学 基于多重路径集的最优交通流预测方法与拥挤收费方法
CN110275437A (zh) * 2019-06-06 2019-09-24 江苏大学 基于深度学习的sdn网络流量优势监控节点动态选择系统及其动态选择方法
CN110310480A (zh) * 2019-06-25 2019-10-08 电子科技大学 一种基于拥塞控制的实时路径规划方法
CN110674990A (zh) * 2019-09-24 2020-01-10 重庆城市管理职业学院 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN110689720A (zh) * 2019-10-10 2020-01-14 成都携恩科技有限公司 基于无人机的实时动态车流量检测方法
CN111950798A (zh) * 2020-08-21 2020-11-17 浙江中医药大学 一种基于小波神经网络的区域短期人流量趋势预测方法及其系统
WO2021018958A1 (fr) * 2019-07-29 2021-02-04 Alstom Transport Technologies Système amélioré de planification d'itinéraires pour des usagers d'un réseau multimodal de transports structurés
CN112382082A (zh) * 2020-09-30 2021-02-19 银江股份有限公司 一种拥堵区域交通运行状态预测方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060161335A1 (en) * 2005-01-14 2006-07-20 Ross Beinhaker Routing system and method
CN102110362A (zh) * 2011-02-01 2011-06-29 世纪战斧节能环保技术（北京）有限公司 一种规划出行路线的处理方法及系统
CN103646561A (zh) * 2013-12-24 2014-03-19 重庆大学 基于道路异常区域评估的路径选择方法及系统
CN106767753A (zh) * 2016-11-30 2017-05-31 哈尔滨理工大学 基于百度地图api的校园路径导航系统
CN108399748A (zh) * 2018-03-08 2018-08-14 重庆邮电大学 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN108765944A (zh) * 2018-05-30 2018-11-06 东南大学 基于多重路径集的最优交通流预测方法与拥挤收费方法
CN110275437A (zh) * 2019-06-06 2019-09-24 江苏大学 基于深度学习的sdn网络流量优势监控节点动态选择系统及其动态选择方法
CN110310480A (zh) * 2019-06-25 2019-10-08 电子科技大学 一种基于拥塞控制的实时路径规划方法
WO2021018958A1 (fr) * 2019-07-29 2021-02-04 Alstom Transport Technologies Système amélioré de planification d'itinéraires pour des usagers d'un réseau multimodal de transports structurés
CN110674990A (zh) * 2019-09-24 2020-01-10 重庆城市管理职业学院 设置滑动窗口更新机制的即时配送路径选择方法及系统
CN110689720A (zh) * 2019-10-10 2020-01-14 成都携恩科技有限公司 基于无人机的实时动态车流量检测方法
CN111950798A (zh) * 2020-08-21 2020-11-17 浙江中医药大学 一种基于小波神经网络的区域短期人流量趋势预测方法及其系统
CN112382082A (zh) * 2020-09-30 2021-02-19 银江股份有限公司 一种拥堵区域交通运行状态预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIAFU WAN ET AL: "Mobile crowd sensing for traffic prediction in internet of vehicles", 《SENSORS》 *
杨从平: "基于复杂网络理论的快递网络优化研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114613145A (zh) * 2022-05-12 2022-06-10 中运科技股份有限公司 一种大数据下的客运流量感知预警系统及方法
CN115311846A (zh) * 2022-06-24 2022-11-08 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统
CN115311846B (zh) * 2022-06-24 2023-08-11 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统
CN115358492A (zh) * 2022-10-19 2022-11-18 通号通信信息集团有限公司 客流预测方法、装置和系统

Also Published As

Publication number Publication date
CN113269347B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN113269347A (zh) 一种基于随机森林的高校快递网络节点流量预测方法
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
D’Angelo et al. Travel-time prediction for freeway corridors
EP2590151A1 (en) A framework for the systematic study of vehicular mobility and the analysis of city dynamics using public web cameras
Wen et al. Understanding the topological characteristics and flow complexity of urban traffic congestion
CN109688532B (zh) 一种划分城市功能区域的方法及装置
CN113808401B (zh) 交通拥堵预测方法、装置、设备及存储介质
CN110276950A (zh) 一种基于卡口视频数据的城市交通出行链重构方法
CN105788270A (zh) 基于物联网的交通数据预测方法及处理服务器
CN110849384A (zh) 导航路线生成方法、装置、可读存储介质和计算机设备
CN107256631A (zh) 一种车辆轨迹数据聚合运算方法
CN111882867A (zh) 一种基于物联网的城市智慧交通预警系统
Lu et al. Modeling the heterogeneous traffic correlations in urban road systems using traffic-enhanced community detection approach
Olia et al. Optimizing the number and locations of freeway roadside equipment units for travel time estimation in a connected vehicle environment
CN108345987B (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
CN114723480B (zh) 一种针对乡村旅游的客流量预测方法及货物调度系统
CN111950798A (zh) 一种基于小波神经网络的区域短期人流量趋势预测方法及其系统
CN115060278A (zh) 基于多目标遗传算法的车辆智能换电导航方法和系统
CN111612223A (zh) 基于土地和交通多源数据的人口就业分布预测方法及装置
Chowdhury et al. A traffic congestion forecasting model using cmtf and machine learning
CN114822709A (zh) 大气污染多粒度精准成因分析方法及装置
Shoman et al. Spatio-temporal evaluation of transport accessibility of the Istanbul metrobus line
KR102359902B1 (ko) 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
Kottayil et al. Investigation of driver route choice behaviour using bluetooth 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