CN113283754A - 一种车站选址方法、装置、计算设备和存储介质 - Google Patents

一种车站选址方法、装置、计算设备和存储介质 Download PDF

Info

Publication number
CN113283754A
CN113283754A CN202110587308.0A CN202110587308A CN113283754A CN 113283754 A CN113283754 A CN 113283754A CN 202110587308 A CN202110587308 A CN 202110587308A CN 113283754 A CN113283754 A CN 113283754A
Authority
CN
China
Prior art keywords
station
data set
type
preset
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.)
Pending
Application number
CN202110587308.0A
Other languages
English (en)
Inventor
许钢焱
舒鹏锋
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202110587308.0A priority Critical patent/CN113283754A/zh
Publication of CN113283754A publication Critical patent/CN113283754A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种车站选址方法、装置、计算设备和存储介质，涉及公共交通规划技术领域，包括：分别获取与服务于第一类公共交通车的第一类车站对应的车站位置信息以及与第三类公共交通车对应的标准化订单数据集，根据车站位置信息对标准化订单数据集进行需求分析，得到适于表征第三类公共交通车从第一类车站附近载客至待选址区域的末端需求数据集，根据末端需求数据集生成站点选址结果，站点选址结果适于表征在待选址区域建设服务于第二类公共交通车的第二类车站，促使第三类公共交通车从第一类车站附近载客至待选址区域的末端需求成为更加合理化布局第二类车站的参考因素，以改善多种公共交通模式之间的接驳性。

Description

一种车站选址方法、装置、计算设备和存储介质
技术领域
本发明涉及公共交通规划技术领域，具体而言，涉及一种车站选址方法、装置、计算设备和存储介质。
背景技术
随着公共交通拥堵情况日益加剧，人们越来越青睐于乘坐诸如高铁列车、地铁列车和公交车等多种公共交通车，在公共交通系统建设过程中，分别布局为多种公共交通车提供停靠服务的多种车站尤显重要，既便于人们出行，也有助于缓解交通压力。
在城市中，多数车站通常建设在具备人流量或/和人口密度或/和交通拥堵状况等特性的区域，致使车站布局合理性偏差，容易脱离一些人们从车站乘车至目的地的出行需求，为了满足该出行需求，一些新兴的公共交通模式不断出现，这些新兴的公共交通模式与传统的公共交通模式之间存在接驳性偏差的缺陷，有损于公共交通资源利用率。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题，为达上述目的，本发明提供一种车站选址方法、装置、计算设备和非临时性计算机可读存储介质。
第一方面，本发明提供了一种车站选址方法，其包括：
分别获取与服务于第一类公共交通车的第一类车站对应的车站位置信息以及与第三类公共交通车对应的标准化订单数据集；
根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到末端需求数据集，所述末端需求数据集适于表征所述第三类公共交通车从所述第一类车站附近载客至待选址区域；
根据所述末端需求数据集生成站点选址结果，所述站点选址结果适于表征在所述待选址区域建设服务于第二类公共交通车的第二类车站。
进一步地，所述获取所述标准化订单数据集包括：
读取原始车辆轨迹数据集，所述原始车辆轨迹数据集包括多个车辆身份信息以及分别与多个所述车辆身份信息一一关联的多个轨迹数据子集，其中，每个车辆身份信息用以唯一标识对应的所述第三类公共交通车，每个所述轨迹数据子集包括出车记录和/或停车记录；
分别检索多个所述车辆身份信息，当检索至任一所述车辆身份信息时，对与检索到的所述车辆身份信息关联的所述轨迹数据子集进行识别；
当识别到所述轨迹数据子集中的所述出车记录或所述停车记录为单状态记录时，则删除所述单状态记录；
当识别到所述轨迹数据子集中的所述出车记录和所述停车记录互为配对时，则将配对的所述出车记录和所述停车记录合并为与检索到的所述车辆身份信息关联的行车轨迹记录；
基于与多个所述车辆身份信息关联的多条所述行车轨迹记录生成所述标准化订单数据集。
进一步地，所述根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到末端需求数据集包括：
根据所述车站位置信息从所述标准化订单数据集中筛选出符合于第一预设筛选规则的多条行车轨迹记录；
通过预设密度聚类模型对符合于所述第一预设筛选规则的多条所述行车轨迹记录进行起点聚类分析，得到多个第一聚类簇；
根据所述车站位置信息、多个所述第一聚类簇以及符合于所述第一预设筛选规则的多条所述行车轨迹记录生成符合于第二预设筛选规则的所述末端需求数据集。
进一步地，所述根据所述车站位置信息从所述标准化订单数据集中筛选出符合于第一预设筛选规则的多条行车轨迹记录包括：
在所述标准化订单数据集中分别检索包含有不同起点坐标的多条行车轨迹记录，当检索至任一所述行车轨迹记录时，判断检索到的所述行车轨迹记录中的所述起点坐标与所述车站位置信息之间的第一距离是否小于或等于预设距离阈值；
若否，则判定对应的所述行车轨迹记录不符合所述第一预设筛选规则；
若是，则判定对应的所述行车轨迹记录符合所述第一预设筛选规则。
进一步地，所述根据所述车站位置信息、多个所述第一聚类簇以及符合于所述第一预设筛选规则的多条所述行车轨迹记录生成符合于第二预设筛选规则的所述末端需求数据集包括：
分别计算每个所述第一聚类簇与所述车站位置信息之间的第二距离，并计算所有所述第二距离之间的平均距离，以及，分别识别出所述第二距离小于或等于所述平均距离的每个所述第一聚类簇,其中，每个所述第一聚类簇包括与多条所述行车轨迹记录一一对应的多个需求起点；
分别对所述第二距离小于或等于所述平均距离的每个所述第一聚类簇中的所有所述需求起点进行个数统计，得到对应的第一点数，并对所有所述第一点数进行排序，得到点个数序列，以及，在所述点个数序列中分别识别出处在标定聚集分区的每个所述第一点数；
基于与处在所述标定聚集分区的所有所述第一点数对应的所有所述行车轨迹记录生成符合于所述第二预设筛选规则的所述末端需求数据集。
进一步地，所述根据所述末端需求数据集生成站点选址结果包括：
通过预设无监督聚类模型对所述末端需求数据集中的所有所述行车轨迹记录进行终点聚类分析，得到多个待选站点以及分别一一附属于多个所述待选站点的多个第二聚类簇，其中，每个所述第二聚类簇包括与多条所述行车轨迹记录一一对应的多个需求终点；
根据每个所述第二聚类簇分别对每个所述待选站点进行属性识别；
当至少一个所述待选站点被识别为待分裂站点时，对每个所述待分裂站点以及附属于每个所述待分裂站点的每个所述第二聚类簇进行分裂处理，以使每个所述待分裂站点更新为多个所述待选站点；
当多个所述待选站点分别被识别为待合并站点时，对多个所述待合并站点以及附属于多个所述待合并站点的多个所述第二聚类簇进行合并处理，以使多个所述待合并站点更新为一个所述待选站点；
当至少一个所述待选站点被识别为与所述第二类车站对应的目标接驳站点时，将所有所述目标接驳站点设为所述站点选址结果。
进一步地，所述根据每个所述第二聚类簇分别对每个所述待选站点进行属性识别包括：
分别对每个所述第二聚类簇中的所有所述需求终点进行个数统计，得到对应的第二点数，并计算所有所述第二点数之间的平均点数，以及，计算所述第二点数与所述平均点数之间的第一比例；
对在每个所述第二聚类簇中且距离附属的所述待选站点小于第二预设距离阈值的所有所述需求终点进行个数统计，得到对应的第三点数，以及，计算所述第三点数与对应的所述第二点数之间的第二比例；
当所述第一比例大于或等于第一预设比例阈值或/和所述第二比例超出预设比例范围时，将对应的所述待选站点标记为所述待分裂站点；
当所述第一比例小于或等于第二预设比例阈值以及所述第二比例处在所述预设比例范围时，将对应的所述待选站点标记为所述待合并站点，其中，所述第二预设比例阈值小于所述第一预设比例阈值；
当所述第一比例介于所述第一预设比例阈值和所述第二预设比例阈值之间以及所述第二比例处在所述预设比例范围时，将对应的所述待选站点标记为所述目标接驳站点。
第二方面，本发明提供一种车站选址装置，其包括：
交通数据获取模块，用以获取与第三类公共交通车对应的标准化订单数据集；
车站位置获取模块，用以获取与服务于第一类公共交通车的第一类车站对应的车站位置信息；
末端需求分析模块，用以根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到适于表征所述第三类公共交通车从所述第一类车站附近载客至待选址区域的末端需求数据集；
接驳站点选址模块，用以根据所述末端需求数据集生成站点选址结果，所述站点选址结果适于表征在所述待选址区域建设服务于第二类公共交通车的第二类车站。
第三方面，本发明提供一种计算设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如第一方面所述的车站选址方法。
第四方面，本发明供一种非临时性计算机可读存储介质，其其上存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的车站选址方法。
上述车站选址方法、装置、计算设备和非临时性计算机可读存储介质的有益效果是：为了遵循例如共享单车的第三类公共交通车从服务于例如地铁列车的第一类公共交通车的第一类车站附近载客至待选址区域的末端需求，结合与第三类公共交通车对应的标准化订单信息和与第一类车站对应的车站位置信息，产生表征末端需求的末端需求数据集，继而，根据末端需求数据集生成站点选址结果，以供在待选址区域建设服务于例如巴士车的第二类公共交通车的第二类车站，相比于多数车站建设在具备人流量或/和人口密度等特性的区域，使用本发明提供的车站选址方法，促使末端需求成为更加合理化布局第二类车站的参考因素，以改善多种公共交通模式之间的接驳性，从而，有助于提升公共交通资源利用率和人们出行体验。
附图说明
图1为本发明实施例的一种车站选址方法的流程示意图。
图2为本发明实施例的一种电子地图的示意图；
图3为本发明实施例的S1的流程示意图；
图4为本发明实施例的S3的流程示意图；
图5为本发明实施例的S4的流程示意图。
具体实施方式
下面将参照附图详细描述本发明的实施例，描述涉及附图时，除非另有表示，不同附图中的相同附图标定表示相同或相似的要素。要说明的是，以下示例性实施例中所描述的实施方式并不代表本发明的所有实施方式。它们仅是与如权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子，本发明的范围并不局限于此。在不矛盾的前提下，本发明各个实施例中的特征可以相互组合。
此外，术语“第一”、“第二”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
参见图1，本发明一实施例的车站选址方法，包括S1至S4。
S1中，获取与第三类公共交通车对应的标准化订单数据集。
S2中，获取车站位置信息，车站位置信息适于表征为第一类公共交通车服务的第一类车站。
本发明实施例中，可以通过订单API接口从第三方订单服务器调取标准化订单数据集，可以通过地图API接口从第三方地图服务器调取电子地图，在该电子地图上标注有车站位置信息，该车站位置信息可以包括车站区域以及位于车站区域上的站点坐标，车站区域可以表示某个第一类车站所占的地理区域，站点坐标可以表示前述第一类车站或前述地理区域的任一点，例如，站点坐标可以是以经度和纬度表示且用以表示对应的第一类车站中的中心点，以供分析末端需求。
S3中，根据车站位置信息对标准化订单数据集进行需求分析，得到末端需求数据集，末端需求数据集适于表征第三类公共交通车从第一类车站附近载客至待选址区域。
S4中，根据末端需求数据集生成站点选址结果，站点选址结果适于表征在待选址区域建设服务于第二类公共交通车的第二类车站。
在一些场景下，第一类公共交通车可以为地铁列车，第一类车站可以为地铁站，第二类公共交通车可以为巴士车，第三类公共交通车可以为共享单车，第二类车站可以为巴士站。其中，通常情况下，第一类公共交通车的满载载客量大于第二类公共交通车的满载载客量，第二类公共交通车的满载载客量大于第三类公共交通车的满载载客量。
示例性地，参见图2，提炼共享单车的标准化订单数据集，叉符号表示共享单车的起点，星符号表示共享单车的终点，线段L1和线段L2各自带有的箭头表示行车方向，线段L1可以表示共享单车从地铁站附近行进至待选址区域的距离，线段L2可以表示共享单车从待选址区域行进至地铁站附近的距离，共享单车从起点载客至终点，以满足人们的“最后一公里”出行需求，此为一种末端需求。圆形区域A1可以表示以地铁站的中心点为圆心且150米为半径的聚车区域，环形区域A2可以表示环绕在聚车区域外围的断层区域，该断层区域的边界到前述圆心之间的半径可以为700米，环形区域A3可以表示环绕在断层区域外围的待选址区域，该待选址区域的边界到前述圆心之间的半径可以为1000米，反映了“最后一公里”出行需求自地铁站向其外围延伸过程中的分布规律，即：在地铁站附近呈聚集性分布、在断层区域明显减少以及在待选址区域呈分散性分布。相比于巴士站分布在聚集区域或断层区域，将巴士站布局在待选址区域将更便于人们在待选址区域选择巴士车出行，例如，巴士车可以在待选址区域运营或者从待选址区域返回地铁站或从待选址区域跨区至其他区域，在满足末端需求的基础上，更为合理化布局巴士站，以使巴士交通模式与共享单车交通模式之间的接驳性更好，从而，有助于提升公共交通利用率和人们出行体验。
为了遵循第三类公共交通车从服务于第一类公共交通车的第一类车站附近载客至待选址区域的末端需求，结合与第三类公共交通车对应的标准化订单信息和与第一类车站对应的车站位置信息，产生表征末端需求的末端需求数据集，继而，根据末端需求数据集生成站点选址结果，以供在待选址区域建设服务于第二类公共交通车的第二类车站，相比于多数车站建设在具备人流量或/和人口密度等特性的区域，使用本发明提供的车站选址方法，促使末端需求成为更加合理化布局第二类车站的参考因素，以改善多种公共交通模式之间的接驳性，从而，有助于提升公共交通资源利用率和人们出行体验。
可选地，参见图3，S1包括S11至S14。
S11中，读取原始车辆轨迹数据集，原始车辆轨迹数据集包括多个车辆身份信息以及分别与多个车辆身份信息一一关联的多个轨迹数据子集，其中，每个车辆身份信息用以唯一标识对应的第三类公共交通车，每个轨迹数据子集包括出车记录和/或停车记录。
本发明实施例中，可以通过订单API接口从第三方订单服务器分别调取多个原始数据表，每个原始数据表可以作为由第三方订单服务器根据共享单车传的订单数据生成的轨迹数据子集。
以表1示出的一个原始数据表为例，A表示一辆共享单车的车辆身份信息ID，三条发车记录所在原始数据表的行数依次为第一行、第三行和第五行，三条停车记录所在原始数据表的行数依次为第二行、第四行和第六行；第一行的发车记录与第二行的停车记录配对，第三行的发车记录与第四行的停车记录配对，第五行的发车记录与第六行的停车记录配对。
以第一行的发车记录为例，1xxx表示共享单车的订单号，2018-09-0108:35:54表示共享单车的开锁时间，0表示共享单车处于开锁状态，以经度121.604196和纬度31.242506表示共享单车的起点坐标，反映出：共享单车A当接受订单号为1xxx的载客订单时，于2018-09-0108:35:54，在以经度121.604196和纬度31.242506表示的起点坐标处开锁。
以第二行的停车记录为例，其中，2018-09-0108:48:05表示共享单车的关锁时间，1表示共享单车处于关锁状态，以经度121.592929和纬度31.251388表示共享单车的终点坐标，反映出：共享单车A当完成上述载客订单时，于2018-09-0108:48:05，在以经度121.592929和纬度31.251388表示共享单车的终点坐标处关锁。
表1
Figure BDA0003088135410000091
S12中，分别检索多个车辆身份信息，当检索至任一车辆身份信息时，对与检索到的车辆身份信息关联的轨迹数据子集进行识别。
本发明实施例中，遍历原始车辆轨迹数据集中的所有车辆ID，当遍历至A时，按照订单号在原始数据表中搜索出车记录或/和停车记录；如果搜索到具有同一订单号的出车记录和停车记录，则判定该两条记录互为配对，说明共享单车的开关锁状态成对出现；如果仅搜索到出车记录或停车记录，则判定出车记录或停车记录为单状态记录，说明共享单车呈现单一的开锁状态或关锁状态。
S13中，当识别到轨迹数据子集中的出车记录或停车记录为单状态记录时，则删除单状态记录；当识别到轨迹数据子集中的出车记录和停车记录互为配对时，则将配对的出车记录和停车记录合并为与检索到的车辆身份信息关联的行车轨迹记录。
S14中，基于与多个车辆身份信息关联的多条行车轨迹记录生成标准化订单数据集。
本发明实施例中，标准化订单数据集可以由与多辆共享单车一一对应的多个标准数据表，以表2示出的一个标准数据表为例，该标准数据表可以是经过对表1所示的原始数据表进行记录更新后得到，在该标准数据表中，每行数据可以包括与一辆共享单车对应的车辆身份信息以及与该车辆身份信息一一关联的行车轨迹记录，例如，第一行的行车轨迹记录可以包括：1xxx、2018-09-0108:35:54、2018-09-0108:48:05、121.604196、31.242506、121.592929和31.251388，为了简要说明，此处不再赘述。
表2
Figure BDA0003088135410000101
受到一些第三方订单服务器提供非标准化数据限制，原始车辆轨迹数据集具有非标准化特点，这会增加后续数据分析难度，降低后续数据分析效率，通过删除操作对无法配对的发车记录或停车记录进行去除，以排除一些异常数据对后续数据分析过程产生干扰，通过合并操作对正常配对的发车记录和停车记录进行合并，以简单、快速地将原始车辆轨迹数据集标准化更新为标准化订单数据集，有助于降低后续数据分析难度，有助于提升后续数据分析效率，有助于提升车站选址效果。
可选地，参见图4，S3包括S31至S33。
S31中，根据车站位置信息从标准化订单数据集中筛选出符合于第一预设筛选规则的多条行车轨迹记录。
S32中，通过预设密度聚类模型对符合于第一预设筛选规则的多条行车轨迹记录进行起点聚类分析，得到多个第一聚类簇。
在本发明实施例中，可以将符合于第一预设筛选规则的多条行车轨迹记录组合成初始化数据集，将初始化数据集输入至预设密度聚类模型中，以对符合于第一预设筛选规则的多条行车轨迹记录进行聚类分析，产生具有高密度区域聚集特征的多个第一聚类簇，可以将多个第一聚类簇组合为高密度区域集合。
在本发明实施例中，预设密度聚类模型可以采用DBSCAN聚类算法，DBSCAN聚类算法可以基于领域搜索法来描述多个点的紧密程度，其可以对落入圆形区域A1的所有起点坐标进行聚，剔除离散分布的每个起点坐标，将高密度聚集的多个起点坐标聚类成簇，每个起点坐标可以表示需求起点。
S33中，根据车站位置信息、多个第一聚类簇和符合于第一预设筛选规则的多条行车轨迹记录生成符合于第二预设筛选规则的末端需求数据集。
结合车站位置信息和预设密度聚类模型，经过对标准化订单数据集中的多条行车轨迹记录进行多次筛选后，产生与不同筛选规则相符的末端需求数据集，更为准确地排除了异常数据，提升了数据准确性，有助于进一步排除了一些异常数据对后续数据分析过程产生干扰。
可选地，S32包括：在标准化订单数据集中分别检索包含有不同起点坐标的多条行车轨迹记录，当检索至任一行车轨迹记录时，判断检索到的行车轨迹记录中的起点坐标与车站位置信息之间的第一距离是否小于或等于预设距离阈值；若否，则判定对应的行车轨迹记录不符合第一预设筛选规则；若是，则判定对应的行车轨迹记录符合第一预设筛选规则。
在本发明实施例中，以一条行车轨迹记录为例，识别经度121.604196和31.242506表示的起点坐标与圆形区域A1之间的位置关系，如果该起点坐标处在圆形区域A1内，则该起点坐标与车站位置信息之间的第一距离小于预设距离阈值，如果该起点坐标处在圆形区域A1的边界上，则前述第一距离等于预设距离阈值，如果该起点坐标处在圆形区域A1外，则前述第一距离大于预设距离阈值，以保证距离识别效率。
本发明实施例中，在第一距离超过预设距离阈值的条件下，在标准数据表中删除与第一距离对应的行车轨迹记录；在第一距离不超过预设距离阈值的条件下，从标准数据表中提取与第一距离对应的行车轨迹记录。
需要说明的是，第一预设筛选规则即为第一距离不超过预设距离阈值，以供分析出从第一类车站附近出发的末端需求，其中，预设距离阈值可以设为120米或150米或170米等。
通过距离识别方式，从标准化订单数据集中筛选出符合第一预设筛选规则的行车轨迹记录，反映了从第一类车站附近出发的末端需求，以及，排除了不符合第一预设筛选规则的行车轨迹记录，反映了未从第一类车站附近出发的末端需求，有助于提升末端需求分析的效率、准确性和可靠性。
可选地，S33包括S331至S335。
S331中，分别计算每个第一聚类簇与车站位置信息之间的第二距离，并计算所有第二距离之间的平均距离，以及，分别识别出第二距离小于或等于平均距离的每个第一聚类簇,其中，每个第一聚类簇包括与符合于第一预设筛选规则的多条行车轨迹记录一一对应的多个需求起点。
S332中，分别对第二距离小于或等于平均距离的每个第一聚类簇中的所有需求起点进行个数统计，得到对应的第一点数，并对所有第一点数进行排序，得到点个数序列，以及，在点个数序列中分别识别出处在标定聚集分区的每个第一点数。
在本发明实施例中，可以对50个第一点数进行降序，计算50与预设百分比之间的乘积，得到标定分位数，在点个数序列中，标定聚集分区可以为从第一位到待标定分位数之间的分区，预设百分比可以为80％，标定分位数可以为40，例如，点个数序列可以为[30，29，29，28，27，27，27，27，26，26，26，25，25，25，25，24，24，24，24，24，23，22，21，21，21，20，20，20，19，19，18，18，18，18，17，17，16，16，16，15，3，3，2，2，2，2，2，2，2，2]。
在本发明实施例中，可以对50个第一点数进行升序，在点个数序列中，标定聚集分区可以为从第十五位到最后一位之间的分区，预设百分比可以为30％，标定分位数可以为15，例如，点个数序列可以为[2，2，2，2，2，2，2，2，3，3，3，3，4，4，17，17，18，18，18，18，19，19，20，20，20，21，21，21，22，23，24，24，24，24，24，25，25，25，25，26，26，26，27，27，27，27，28，29，29，30]。
S333中，基于与处在标定聚集分区的所有第一点数对应的所有行车轨迹记录生成符合于第二预设筛选规则的末端需求数据集。
在本发明实施例中，使用处在标定聚集分区的任一第一点数，确定具有高密度区域聚集特征的第一聚类簇，按照具有高密度区域聚集特征的第一聚类簇中的每个需求起点，从标准化订单数据集中提取出与第二预设筛选规则相符的每条行车轨迹记录，将与第二预设筛选规则相符的每条行车轨迹记录添加至新的数据表中，以形成末端需求数据集。
在一些情况下，部分第一聚类簇呈现距离远且点数少等分散特征，反映出一些末端需求从第一类车站附近出发存在空间分散性，为了在第一类车站附近更为集中化提供出行服务，结合距离识别方式和点数识别方式，过滤掉具有分散特征的部分第一聚类簇，进而，通过与保留下来的其他第一聚类簇各自所属的第一点数，更为精确地分析出末端需求数据集，有助于提升末端需求分析的有效性和准确性。
需要说明的是，第一预设筛选规则即为：第一聚类族的第二距离不超出平均距离，以及，第一点数处在标定聚集分区。
可选地，参见图5，S4包括S41至S45。
S41中，通过预设无监督聚类模型对末端需求数据集中的所有行车轨迹记录进行终点聚类分析，得到多个待选站点以及分别一一附属于多个待选站点的多个第二聚类簇，其中，每个第二聚类簇包括与多条行车轨迹记录一一对应的多个需求终点。
本发明实施例中，预设无监督聚类模型可以采用K-Means算法，在K-Means算法中，初始化站点数量，按照站点数量，对末端需求数据集中的所有终点坐标进行聚类，在聚类过程中，可以随机选择个数等于站点数量相同的多个终点坐标作为待选站点，除站点之外的其他终点坐标聚类成簇，每个终点坐标可以表示需求终点。
S42中，根据每个第二聚类簇分别对每个待选站点进行属性识别。
S43中，当至少一个待选站点被识别为待分裂站点时，对每个待分裂站点以及附属于每个待分裂站点的每个第二聚类簇进行分裂处理，以使每个待分裂站点更新为多个待选站点。
在本发明实施例中，可以对上述站点数量进行调大，将调大后的站点数量输入至K-Means算法中，在K-Means算法中，按照调大后的站点重新聚类，实现分裂处理，增加了待选站点和第二聚类簇，例如，初始化站点数量为2个，最终的站点数量为5个。
在待选站点被识别为待分裂站点的条件下，说明附属于待分裂站点的第二聚类簇过大，从而，表征第二类车站所要承担的末端需求过多。
S44中，当多个待选站点分别被识别为待合并站点时，对多个待合并站点以及附属于多个待合并站点的多个第二聚类簇进行合并处理，以使多个待合并站点更新为一个待选站点。
在多个待选站点分别被识别为待合并站点的条件下，说明附属于每个待合并站点的每个第二聚类族过小，从而，表征第二类车站所要承担的末端需求过少。
S45中，当至少一个待选站点被识别为与第二类车站对应的目标接驳站点时，将所有目标接驳站点设为站点选址结果。
在待选站点被识别为目标接驳站点的条件下，说明附属于目标接驳站点的第二聚类簇适中，从而，表征第二类车站所要承担的末端需求适中。
鉴于以K-Means算法为代表的无监督聚类模型是以簇内距离最短为依据聚类，缺乏聚类均衡性，难以均衡多站点之间的距离以及附属于多站点的多第二聚类簇，通过分裂或合并方式，调节待选站点及附属于待选站点的第二聚类簇，以均匀化站点选址结果的数量及位置。
可选地，参见图5，S42包括S421至S425。
S421中，分别对每个第二聚类簇中的所有需求终点进行个数统计，得到对应的第二点数，并计算所有第二点数之间的平均点数，以及，计算第二点数与所述平均点数之间的第一比例。
S422中，对在每个第二聚类簇中且距离附属的待选站点小于第二预设距离阈值的所有需求终点进行个数统计，得到对应的第三点数，以及，计算第三点数与对应的第二点数之间的第二比例。
S423中，当第一比例大于或等于第一预设比例阈值或/和第二比例超出预设比例范围时，将待选站点标记为待分裂站点。
S424中，当第一比例小于或等于第二预设比例阈值以及第二比例处在预设比例范围时，将待选站点标记为待合并站点，其中，第二预设比例阈值小于第一预设比例阈值。
S425中，当第一比例介于第一预设比例阈值和第二预设比例阈值之间以及第二比例处在预设比例范围时，将待选站点标记为目标接驳站点。
在本发明实施例中，判断第一比例是否小于第一预设比例阈值以及第二比例是否处在预设比例范围，若否，则将待选站点的颜色标记为黄色，使待选站点被标记为待分裂站点，若是，则判断第一比例是否大于第二预设比例阈值；如果第一比例小于或等于第二预设比例阈值，则将待选站点的颜色标记为绿色，使待选站点被标记为待合并站点；如果第一比例大于第二预设比例阈值，则将待选站点的颜色标记为红色，使待选站点被标记为目标接驳站点。
本发明实施例中，第二预设距离阈值可以为250米或300米等，第一预设比例阈值可以为200％或250％等，第二预设比例阈值可以为50％或80％等，预设比例范围可以为70％至90％或者85％至95％等，例如，预设比例范围的中位数为80％。
通过点数识别方式，对多个待选站点进行精准化属性识别，兼顾了站点识别效率和可靠性。
本发明另一实施例的车站选址装置，包括：交通数据获取模块、车站位置获取模块、末端需求分析模块和接驳站点选址模块。
交通数据获取模块，用以获取与第三类公共交通车对应的标准化订单数据集。
车站位置获取模块，用以获取与服务于第一类公共交通车的第一类车站对应的车站位置信息。
末端需求分析模块，用以根据车站位置信息对标准化订单数据集进行需求分析，得到末端需求数据集，末端需求数据集适于表征第三类公共交通车从第一类车站附近载客至待选址区域的末端需求；
接驳站点选址模块，用以根据末端需求数据集生成站点选址结果，以供在待选址区域为第二类公共交通车服务的第二类车站。
本发明另一实施例的一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，前述处理器执行前述计算机程序程序时，实现上述车站选址方法。可以理解的是，本发明的计算设备可以是服务器，也可以是诸如笔记本电脑和智能公交车等终端设备，其中，处理器可以通过通用串行总线与存储器连接。
本发明另一实施例的一种非临时性计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述车站选址方法。
一般来说，用以实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质，除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是，但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用以执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言，特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或，连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述车站选址装置、计算设备和非临时性计算机可读存储介质，可以参见上述车站选址方法的具体描述，且具有与之相似的有益效果，在此不再赘述。
尽管上面已经示出和描述了本发明的实施例，应当理解的是，上述实施例是示例性的，不能解释为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种车站选址方法，其特征在于，包括：
分别获取与服务于第一类公共交通车的第一类车站对应的车站位置信息以及与第三类公共交通车对应的标准化订单数据集；
根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到适于表征所述第三类公共交通车从所述第一类车站附近载客至待选址区域的末端需求数据集；
根据所述末端需求数据集生成站点选址结果，所述站点选址结果适于表征在所述待选址区域建设服务于第二类公共交通车的第二类车站。
2.根据权利要求1所述的车站选址方法，其特征在于，所述获取所述标准化订单数据集包括：
读取原始车辆轨迹数据集，所述原始车辆轨迹数据集包括多个车辆身份信息以及分别与多个所述车辆身份信息一一关联的多个轨迹数据子集，其中，每个车辆身份信息用以唯一标识对应的所述第三类公共交通车，每个所述轨迹数据子集包括出车记录和/或停车记录；
分别检索多个所述车辆身份信息，当检索至任一所述车辆身份信息时，对与检索到的所述车辆身份信息关联的所述轨迹数据子集进行识别；
当识别到所述轨迹数据子集中的所述出车记录或所述停车记录为单状态记录时，则删除所述单状态记录；
当识别到所述轨迹数据子集中的所述出车记录和所述停车记录互为配对时，则将配对的所述出车记录和所述停车记录合并为与检索到的所述车辆身份信息关联的行车轨迹记录；
基于与多个所述车辆身份信息关联的多条所述行车轨迹记录生成所述标准化订单数据集。
3.根据权利要求1所述的车站选址方法，其特征在于，所述根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到末端需求数据集包括：
根据所述车站位置信息从所述标准化订单数据集中筛选出符合于第一预设筛选规则的多条行车轨迹记录；
通过预设密度聚类模型对符合于所述第一预设筛选规则的多条所述行车轨迹记录进行起点聚类分析，得到多个第一聚类簇；
根据所述车站位置信息、多个所述第一聚类簇以及符合于所述第一预设筛选规则的多条所述行车轨迹记录生成符合于第二预设筛选规则的所述末端需求数据集。
4.根据权利要求3所述的车站选址方法，其特征在于，所述根据所述车站位置信息从所述标准化订单数据集中筛选出符合于第一预设筛选规则的多条行车轨迹记录包括：
在所述标准化订单数据集中分别检索包含有不同起点坐标的多条行车轨迹记录，当检索至任一所述行车轨迹记录时，判断检索到的所述行车轨迹记录中的所述起点坐标与所述车站位置信息之间的第一距离是否小于或等于预设距离阈值；
若否，则判定对应的所述行车轨迹记录不符合所述第一预设筛选规则；
若是，则判定对应的所述行车轨迹记录符合所述第一预设筛选规则。
5.根据权利要求3所述的车站选址方法，其特征在于，所述根据所述车站位置信息、多个所述第一聚类簇以及符合于所述第一预设筛选规则的多条所述行车轨迹记录生成符合于第二预设筛选规则的所述末端需求数据集包括：
分别计算每个所述第一聚类簇与所述车站位置信息之间的第二距离，并计算所有所述第二距离之间的平均距离，以及，分别识别出所述第二距离小于或等于所述平均距离的每个所述第一聚类簇,其中，每个所述第一聚类簇包括与多条所述行车轨迹记录一一对应的多个需求起点；
分别对所述第二距离小于或等于所述平均距离的每个所述第一聚类簇中的所有所述需求起点进行个数统计，得到对应的第一点数，并对所有所述第一点数进行排序，得到点个数序列，以及，在所述点个数序列中分别识别出处在标定聚集分区的每个所述第一点数；
基于与处在所述标定聚集分区的所有所述第一点数对应的所有所述行车轨迹记录生成符合于所述第二预设筛选规则的所述末端需求数据集。
6.根据权利要求1-4任一项所述的车站选址方法，其特征在于，所述根据所述末端需求数据集生成站点选址结果包括：
通过预设无监督聚类模型对所述末端需求数据集中的所有所述行车轨迹记录进行终点聚类分析，得到多个待选站点以及分别一一附属于多个所述待选站点的多个第二聚类簇，其中，每个所述第二聚类簇包括与多条所述行车轨迹记录一一对应的多个需求终点；
根据每个所述第二聚类簇分别对每个所述待选站点进行属性识别；
当至少一个所述待选站点被识别为待分裂站点时，对每个所述待分裂站点以及附属于每个所述待分裂站点的每个所述第二聚类簇进行分裂处理，以使每个所述待分裂站点更新为多个所述待选站点；
当多个所述待选站点分别被识别为待合并站点时，对多个所述待合并站点以及附属于多个所述待合并站点的多个所述第二聚类簇进行合并处理，以使多个所述待合并站点更新为一个所述待选站点；
当至少一个所述待选站点被识别为与所述第二类车站对应的目标接驳站点时，将所有所述目标接驳站点设为所述站点选址结果。
7.根据权利要求6所述的车站选址方法，其特征在于，所述根据每个所述第二聚类簇分别对每个所述待选站点进行属性识别包括：
分别对每个所述第二聚类簇中的所有所述需求终点进行个数统计，得到对应的第二点数，并计算所有所述第二点数之间的平均点数，以及，计算所述第二点数与所述平均点数之间的第一比例；
对在每个所述第二聚类簇中且距离附属的所述待选站点小于第二预设距离阈值的所有所述需求终点进行个数统计，得到对应的第三点数，以及，计算所述第三点数与对应的所述第二点数之间的第二比例；
当所述第一比例大于或等于第一预设比例阈值或/和所述第二比例超出预设比例范围时，将对应的所述待选站点标记为所述待分裂站点；
当所述第一比例小于或等于第二预设比例阈值以及所述第二比例处在所述预设比例范围时，将对应的所述待选站点标记为所述待合并站点，其中，所述第二预设比例阈值小于所述第一预设比例阈值；
当所述第一比例介于所述第一预设比例阈值和所述第二预设比例阈值之间以及所述第二比例处在所述预设比例范围时，将对应的所述待选站点标记为所述目标接驳站点。
8.一种车站选址装置，其特征在于，包括：
交通数据获取模块，用以获取与第三类公共交通车对应的标准化订单数据集；
车站位置获取模块，用以获取与服务于第一类公共交通车的第一类车站对应的车站位置信息；
末端需求分析模块，用以根据所述车站位置信息对所述标准化订单数据集进行需求分析，得到末端需求数据集，所述末端需求数据集适于表征所述第三类公共交通车从所述第一类车站附近载客至待选址区域；
接驳站点选址模块，用以根据所述末端需求数据集生成站点选址结果，所述站点选址结果适于表征在所述待选址区域建设服务于第二类公共交通车的第二类车站。
9.一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的车站选址方法。
10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的车站选址方法。
CN202110587308.0A 2021-05-27 2021-05-27 一种车站选址方法、装置、计算设备和存储介质 Pending CN113283754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110587308.0A CN113283754A (zh) 2021-05-27 2021-05-27 一种车站选址方法、装置、计算设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110587308.0A CN113283754A (zh) 2021-05-27 2021-05-27 一种车站选址方法、装置、计算设备和存储介质

Publications (1)

Publication Number Publication Date
CN113283754A true CN113283754A (zh) 2021-08-20

Family

ID=77282238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110587308.0A Pending CN113283754A (zh) 2021-05-27 2021-05-27 一种车站选址方法、装置、计算设备和存储介质

Country Status (1)

Country Link
CN (1) CN113283754A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417964A (zh) * 2021-12-10 2022-04-29 中国卫通集团股份有限公司 卫星运营商分类方法、装置及电子设备
CN114565147A (zh) * 2022-02-23 2022-05-31 北京阿帕科蓝科技有限公司 一种自动创建车站的方法
CN114613123A (zh) * 2022-02-17 2022-06-10 华录智达科技股份有限公司 一种基于大数据的公交智能调度方法
CN114626762A (zh) * 2022-04-28 2022-06-14 北京建筑大学 移动换电网络选址方法、电池调度方法、装置及系统
CN114677048A (zh) * 2022-04-22 2022-06-28 北京阿帕科蓝科技有限公司 一种需求区域挖掘方法
CN114819757A (zh) * 2022-06-24 2022-07-29 北京阿帕科蓝科技有限公司 车站位置调整的方法、系统及计算机可读存储介质
CN116503098A (zh) * 2023-06-27 2023-07-28 北京阿帕科蓝科技有限公司 共享车辆车站的挖掘方法、装置、计算机设备和存储介质
CN116739320A (zh) * 2023-08-15 2023-09-12 北京阿帕科蓝科技有限公司 车站布局方法、装置、计算机设备和存储介质
CN116798234A (zh) * 2023-08-28 2023-09-22 北京阿帕科蓝科技有限公司 车站参数信息的确定方法、装置、计算机设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647910A (zh) * 2018-06-15 2018-10-12 武汉轻工大学 城市公交站点的设置方法、装置、终端及计算机存储介质
CN109583611A (zh) * 2018-11-19 2019-04-05 北京航空航天大学 基于网约车数据的定制公交站点选址方法
CN111275296A (zh) * 2020-01-14 2020-06-12 北京交通大学 一种基于轨迹数据的单向共享汽车系统选址优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647910A (zh) * 2018-06-15 2018-10-12 武汉轻工大学 城市公交站点的设置方法、装置、终端及计算机存储介质
CN109583611A (zh) * 2018-11-19 2019-04-05 北京航空航天大学 基于网约车数据的定制公交站点选址方法
CN111275296A (zh) * 2020-01-14 2020-06-12 北京交通大学 一种基于轨迹数据的单向共享汽车系统选址优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
舒鹏锋: "数据驱动的末端出行接驳系统优化", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417964B (zh) * 2021-12-10 2023-09-12 中国卫通集团股份有限公司 卫星运营商分类方法、装置及电子设备
CN114417964A (zh) * 2021-12-10 2022-04-29 中国卫通集团股份有限公司 卫星运营商分类方法、装置及电子设备
CN114613123A (zh) * 2022-02-17 2022-06-10 华录智达科技股份有限公司 一种基于大数据的公交智能调度方法
CN114565147A (zh) * 2022-02-23 2022-05-31 北京阿帕科蓝科技有限公司 一种自动创建车站的方法
CN114565147B (zh) * 2022-02-23 2023-12-26 北京阿帕科蓝科技有限公司 一种自动创建车站的方法
CN114677048A (zh) * 2022-04-22 2022-06-28 北京阿帕科蓝科技有限公司 一种需求区域挖掘方法
CN114677048B (zh) * 2022-04-22 2024-01-16 北京阿帕科蓝科技有限公司 一种需求区域挖掘方法
CN114626762B (zh) * 2022-04-28 2023-04-07 北京建筑大学 移动换电网络选址方法、电池调度方法、装置及系统
CN114626762A (zh) * 2022-04-28 2022-06-14 北京建筑大学 移动换电网络选址方法、电池调度方法、装置及系统
CN114819757A (zh) * 2022-06-24 2022-07-29 北京阿帕科蓝科技有限公司 车站位置调整的方法、系统及计算机可读存储介质
CN116503098A (zh) * 2023-06-27 2023-07-28 北京阿帕科蓝科技有限公司 共享车辆车站的挖掘方法、装置、计算机设备和存储介质
CN116503098B (zh) * 2023-06-27 2023-11-14 北京阿帕科蓝科技有限公司 共享车辆车站的挖掘方法、装置、计算机设备和存储介质
CN116739320A (zh) * 2023-08-15 2023-09-12 北京阿帕科蓝科技有限公司 车站布局方法、装置、计算机设备和存储介质
CN116739320B (zh) * 2023-08-15 2023-12-26 北京阿帕科蓝科技有限公司 车站布局方法、装置、计算机设备和存储介质
CN116798234A (zh) * 2023-08-28 2023-09-22 北京阿帕科蓝科技有限公司 车站参数信息的确定方法、装置、计算机设备和存储介质
CN116798234B (zh) * 2023-08-28 2024-01-26 北京阿帕科蓝科技有限公司 车站参数信息的确定方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN113283754A (zh) 一种车站选址方法、装置、计算设备和存储介质
Ma et al. Transit smart card data mining for passenger origin information extraction
CN110008413B (zh) 一种交通出行问题查询方法和装置
CN110942198B (zh) 一种用于轨道交通运营的乘客路径识别方法和系统
CN112133090A (zh) 一种基于手机信令数据的多方式交通分布模型构建方法
CN111881713A (zh) 一种识别违停地点的方法、系统、装置及存储介质
CN108417023A (zh) 基于出租车上下客点空间聚类的交通小区中心点选取方法
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
CN110095126A (zh) 地图匹配方法、装置、设备和介质
CN111581325B (zh) 一种基于时空影响距离的K-means站点区域划分方法
US20220357176A1 (en) Methods and data processing systems for predicting road attributes
CN111931077B (zh) 数据处理方法、装置、电子设备及存储介质
Hong et al. Assigning passenger flows on a metro network based on automatic fare collection data and timetable
CN112381472A (zh) 一种地铁接驳公交线路优化方法、装置及存储介质
Chen et al. An analysis of movement patterns between zones using taxi GPS data
CN110555432A (zh) 一种兴趣点处理方法、装置、设备和介质
WO2020167945A1 (en) Systems and methods for route computing for destination-oriented navigation
CN112733112B (zh) 一种用户出行方式的确定方法、装置、电子设备和存储介质
CN110555473A (zh) 行车线路规划方法、服务器及系统
CN113573238A (zh) 一种基于手机信令的联程旅客出行链识别方法
CN113096389B (zh) 一种基于多源数据的全国高速公路网络拓扑构建方法
CN111444286B (zh) 一种基于轨迹数据的远距离交通节点关联性挖掘方法
CN104121917A (zh) 一种自动发现新建桥梁的方法和装置
CN116823535A (zh) 一种基于多模态大模型的行程规划及智能导览系统
CN113449403B (zh) 一种基于分层网络划分的复杂网络节点评价方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210820

RJ01 Rejection of invention patent application after publication