CN113327424A - 交通需求的预测方法、预测装置及电子设备 - Google Patents

交通需求的预测方法、预测装置及电子设备 Download PDF

Info

Publication number
CN113327424A
CN113327424A CN202110882732.8A CN202110882732A CN113327424A CN 113327424 A CN113327424 A CN 113327424A CN 202110882732 A CN202110882732 A CN 202110882732A CN 113327424 A CN113327424 A CN 113327424A
Authority
CN
China
Prior art keywords
travel
trip
traffic
target
chain
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
CN202110882732.8A
Other languages
English (en)
Other versions
CN113327424B (zh
Inventor
张晓春
黄�焕
郑猛
丘建栋
胡跃平
佘世英
向燕陵
刘恒
雷焕宇
刘晓玲
丁雪晴
何磊
邓远冬
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 Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202110882732.8A priority Critical patent/CN113327424B/zh
Publication of CN113327424A publication Critical patent/CN113327424A/zh
Application granted granted Critical
Publication of CN113327424B publication Critical patent/CN113327424B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种交通需求的预测方法、装置及电子设备，该方法包括：获取目标区域内各目标出行人群的出行链；基于出行链和出行数据生成模型，生成各目标出行人群的预测出行数据；基于各目标出行人群的预测出行数据确定目标区域的交通分配结果；若交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，结合交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；若交通分配结果或更新后的交通分配结果满足收敛条件，则输出目标区域内的交通需求预测结果，交通需求预测结果包括预测出行数据以及交通分配结果。本申请能够提高出行需求预测结果的准确性。

Description

交通需求的预测方法、预测装置及电子设备
技术领域
本申请属于数据处理技术领域，尤其涉及一种交通需求的预测方法、交通需求的预测装置、电子设备及计算机可读存储介质。
背景技术
城市交通需求预测主要根据交通系统及其外部系统的过去和现状预测未来，结合历史经验、客观资料和逻辑判断，交通系统的发展规律和未来趋势的过程。其不仅是对未来的一种预见，更是一种决策，即既要探索和掌握交通需求未来的发展规律，更要基于现有资源条件正确引导且合理控制未来的交通需求。交通需求预测是城市交通管理规划的重要一环，其结果的准确与否，严重影响着交通管理规划的科学性和合理性。
目前交通需求的预测多依赖于集计出行的四阶段模型。但是该模型的出行生成、出行分布、方式划分和交通分配各子模型之间相互独立，行为参数缺乏稳定性和一致性，导致交通需求预测结果准确率低，因此，如何提供一种预测准确率较高的交通需求的预测方法，丞待解决。
发明内容
本申请提供了一种交通需求的预测方法、交通需求的预测装置、电子设备及计算机可读存储介质，可以提高交通需求预测结果的准确率。
第一方面，本申请提供了一种交通需求的预测方法，包括：
获取目标区域内各目标出行人群的出行链；
基于上述出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，其中，上述预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地；
基于上述各目标出行人群的预测出行数据确定上述目标区域的交通分配结果；
若上述交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，以结合上述交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；
若上述交通分配结果或所述更新后的交通分配结果满足上述收敛条件，则输出上述目标区域内的交通需求预测结果，上述交通需求预测结果包括上述预测出行数据以及上述交通分配结果。
第二方面，本申请提供了一种交通需求的预测装置，包括：
第一获取模块，用于获取目标区域内各目标出行人群的出行链；
第一生成模块，用于基于上述出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，其中，上述预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地；
分配模块，用于基于上述各目标出行人群的预测出行数据确定上述目标区域的交通分配结果；
更新模块，用于若上述交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，以结合上述交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；
输出模块，用于若上述交通分配结果或所述更新后的交通分配结果满足上述收敛条件，则输出上述目标区域内的交通需求预测结果，上述交通需求预测结果包括上述预测出行数据以及上述交通分配结果。
第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。
第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。
本申请与现有技术相比存在的有益效果是：本申请以出行链为基本单位，基于出行链生成各目标人群的预测出行数据，并且在选择出行目的地之后，充分考虑实际应用场景中出行的复杂性，可以进一步选择中途停留地，使得预测出行数据更丰富，接着基于预测出行数据生成的交通需求预测结果，也更贴近实际应用场景，提高出行需求预测结果的准确性，最后还会对该交通分配结果进行校验，进一步确保出行需求预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的交通需求的预测方法的流程示意图；
图2是本申请实施例提供的交通需求的预测装置的结构示意图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的交通需求的预测方法可以应用于平板电脑、车载设备笔记本电脑、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本、个人数字助理（personal digital assistant，PDA）等电子设备上，本申请实施例对电子设备的具体类型不作任何限制。
本申请实施例提供的交通需求的预测方法主要依托于出行链的城市交通模型，该交通模型以出行链为单位，综合考虑出行生成、时间选择、目的地选择、方式选择和路径选择之间的相互关系，且包含全套模型的数学表达和满足收敛条件的方法。基于该模型所执行的交通需求的预测方法适用于城市规划工作的交通需求预测和城市发展不确定因素的交通分析，提出了一种现实可行的交通需求预测的方法，能够提高交通需求预测结果的准确性。
为了说明本申请所提出的技术方案，下面通过具体实施例来进行说明。
图1示出了本申请提供的交通需求的预测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任意一种电子设备中。
步骤101、获取目标区域内各目标出行人群的出行链。
在本申请实施例中，目标区域可以是交通小区集合。交通小区主要以铁路，高等级道路以及河川等天然屏障分界，划分遵循分区内土地使用，经济，社会等特性尽量使其一致的原则，交通小区是进行出行调查、搜集交通数据的基本单元。因此，交通小区的划分和规模都将直接影响到交通调查、分析、预测的工作量及精度，从而影响到整个城市的交通规划和布局。为了在满足精度要求的情况下，增强交通调查的实际可操作性，尽可能的减小交通调查的工作量，降低交通分析与预测的难度；交通小区的划分应充分考虑OD调查工作的目的和区域的交通出行特征。本申请实施例所采取的交通小区划分方法包括但不限于：基于聚类分析的交通小区划分方法、面向控制的交通小区划分、面向控制的交通小区划分、对手机话务量的聚类分析方法以及扇形分割方法。这几种划分方法各有优缺点，可以从众多方法中选取2种以上的方法进行组合，实现优势互补。具体地可以根据待预测城市的交通特性进行选择，在此不做限定。
在确定出目标区域之后，即可获取该区域内的各目标出行人群。其中，目标出行人群是通过对目标区域内的人口类型、家庭类型、收入类型、用车类型交叉分类后得到。具体地，人口类型可以包括常住人口和流动人口，家庭类型可以包括家庭户和集体户，收入类型可以包括高收入、中收入、低收入，用车类型包括有车和无车。在划分的过程中，可以以交通方式选择倾向为原则进行划分，例如可以划分为高收入有车人群、高收入无车人群、中收入有车人群、中收入无车人群、低收入有车人群以及低收入无车人群。另外，除了对上班人群进行划分，对于学生和退休人员这样的目标出行群体，也可以进一步划分为大学生、中学生、小学生以及退休人员。
在确定出各目标人群之后，即可获取每个目标人群的出行链。其中，出行链描述的是出行个体基于出行目的，从起点出发，在一定时间顺序上依次经过若干目的地，最后到达终止点的全部过程，其包含了时间上和空间上彼此相互联系的变量。这是简单的出行链，其仅包含了去程，并没有包括回程。而在本申请中，出行链指从起点到目的地最后回到起点的完整出行链条，例如由家出发去工作地然后返回家的出行链。这里，家和工作地是本次出行链的活动地，而在实际的应用场景中，活动地是多样的，因此出行链类型具备多样性。
在本申请实施例中，目标区域内人群的活动地可以分为9类，如表1所示：
表1
Figure 146067DEST_PATH_IMAGE001
其中，为了便于简洁的描述出行链，对不同的活动地赋予不同的代码。常见的出行链类型可以参见下表表2：
表2
序号 活动链类型 出行链代码 出行类型 出行代码
1 家-工作-家 HWH 上班，下班回家 H->W,W->H
2 家-学校-家 HEH 上学，放学回家 H->E,E->H
3 家-EB-家 HBH 商务出行，商务回家 H->B,B->H
4 家-购物-家 HSH 购物出行，购物回家 H->S,S->H
5 家-其他-家 HOH 其他出行，其他回家 H->O,O->H
6 办公室-外出就餐-办公室 FAF 外出就餐，返回办公室 F->A,A->F
7 办公室-商务地-办公室 FBF 外出商务，返回办公室 F->B,B->F
8 办公室-其他-办公室 FOF 外出其他，返回办公室 F->O,O->F
9 家-接送孩子-工作地-家 HCWH 接送孩子，上班，下班回家 H->C,C->W,W->H
在一些实施例中，为了让提高交通需求预测结果的准确性，在上述步骤101之前，还包括：
A1、获取各目标出行人群的出行链特征数据。
A2、根据出行链特征数据生成各目标出行人群的出行链。
在本申请实施例中，出行链是根据各目标出行人群的出行链特征数据进行构建的。其中，出行链特征数据是从出行链模型相关的社会经济数据、交通供给设施数据、居民出行特征数据以及相关交通大数据等抽取出来的。在获得出行链特征数据之后，即可生成各目标出行人群的出行链，以便于后续对目标区域内的交通需求进行预测。
102、基于出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据。
在本申请实施例中，获得目标区域内各目标出行人群的出行链之后，即可根据出行链和预先设置的出行数据生成模型，生成各目标出行人群的预测出行数据。其中，预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地。
在一些实施例中，为了提高出行行为的一致性，上述出行数据生成模型包括时间选择子模型、目的地选择子模型、方式选择子模型以及中途点停留子模型。其中时间选择子模型，用于确定出行链的出行时间段；目的地选择子模型，用于确定出行链的目的地；方式选择子模型，用于确定出行链的出行方式；中途点停留子模型，用于确定出行链的中途停留地。
在一些实施例中，上述时间选择子模型、目的地选择子模型以及方式选择子模型是采用多层多项分类评定模型（Logit）模型构建。Logit模型是一种离散选择模型，具备概率表达式的显性特点，求解速度快且应用方便。当Logit模型选择集没有发生变化，而仅仅是当各变量的水平发生变化时（如出行时间发生变化），可以方便的求解各选择枝在新环境下的各选择枝的被选概率。根据Logit模型的IIA特性，选择枝的减少或者增加不影响其他各选择之间被选概率比值的大小，因此，可以直接将需要去掉的选择枝从模型中去掉，也可将新加入的选择枝添加到模型中直接用于预测。而对于Logit模型来说，其核心是效用函数。
需要说明的是，为了提高模型时间一致性和行为一致性，在确定时间选择子模型、目的地选择子模型以及方式选择子模型的效用函数时，可以先单独确定出每个选择子模型的效用函数，然后计算出这三个模型的联合效用函数，最后利用联合效用函数分别调整每个选择子模型，从而依次构建出层层递进的时间选择效用函数、目的地选择效用函数以及方式选择效用函数。
在一个实施例中，构建出来的时间选择效用函数、目的地选择效用函数以及方式选择效用函数可以如下：
B1、时间选择子模型的时间选择效用函数为：
Figure 248015DEST_PATH_IMAGE002
其中，p为出行链类型， c为目标出行人群的类型，W pct 为目标出行人群c基于出行链类型p选择出行时间段组合t在全部出行时间段组合的出行链的比重。
先将指定时长划分为n个时间段（T 1，T 2……T n），T为时间段，T∈（T 1，T 2……T n ）。假设出行链的出行时间组合t满足回程时段大于等于去程时段的约束，那么出行链时间组合合计有n*(n+1)/2种，t为出行时间段组合，t∈（t 1，t 2…t n*(n+1)/2）。例如将全天24小时划分为5个时段：06:00-09:00（AM），09:00-16:00（MD），16:00-19:00（PM），19:00-22:00（EN），22:00-06:00（NT）基于5个时间段，在出行链的时间组合t满足回程时段大于等于去程时段的约束，因此出行链的时间段组合合计有15种，如下表3所示：
表3
Figure 224061DEST_PATH_IMAGE003
B2、目的地选择子模型的目的地选择效用函数为：
Figure 295922DEST_PATH_IMAGE004
Figure 673814DEST_PATH_IMAGE005
和
Figure 664773DEST_PATH_IMAGE006
为预先标定的影响因子，
Figure 190432DEST_PATH_IMAGE007
为主方式选择效用，m为出行方式，k为目的 地j的影响因子，
Figure 3667DEST_PATH_IMAGE008
为目的地j对出行链类型p的出行链的服务能力。
B3、方式选择子模型的方式选择效用函数为：
Figure 173748DEST_PATH_IMAGE009
Figure 679816DEST_PATH_IMAGE010
分别为不同的出行对应 的影响因素，所述
Figure 427192DEST_PATH_IMAGE011
Figure 44118DEST_PATH_IMAGE012
分别为T时段下，从出发地i到目的地j，采用方式m的车辆出行时间、步行到达车辆的时间、步行离开车辆的时间、出行 距离、出行费用、出行时的等待时间以及换乘次数，这些数据也即后续步骤中根据交通分配 结果计算所得到的交通综合阻抗。
出行链方式选择由去程和回程方式选择两部分构成，当去程方式为m为小汽车司机时，回程方式不变，当去程方式为除小汽车司机之外的方式时，回程m r 允许其他的所有方式。基于模型对方式切换的约束，去程和回程（m，m r ）之间合计有17种方式组合如表4所示。
表4
Figure 317974DEST_PATH_IMAGE013
在混合方式出行（m∈mix, mr≠m）情况下，回程的方式选择效用
Figure 994943DEST_PATH_IMAGE014
：
Figure 229615DEST_PATH_IMAGE015
其中，
Figure 384653DEST_PATH_IMAGE016
是主方式选择的缩放系数，
Figure 263747DEST_PATH_IMAGE017
是回程m r 的方式选择效用。
出行链主方式选择效用
Figure 173934DEST_PATH_IMAGE018
：
Figure 833586DEST_PATH_IMAGE019
其中，W pct 为出行时间段组合t在全部出行时间段组合的出行链的比重，
Figure 57894DEST_PATH_IMAGE020
是 去程交通方式m的效用，
Figure 775183DEST_PATH_IMAGE021
是回程m r 的方式选择效用，
Figure 856271DEST_PATH_IMAGE022
是回程所有可选交通方式m r 的效用logsum。在混合方式出行情况下，回程的方式选择效用是
Figure 3219DEST_PATH_IMAGE023
表示出行链往返 行程同方式和不同方式的占比。当方式相同时，
Figure 703322DEST_PATH_IMAGE024
；当方式不同时，
Figure 884904DEST_PATH_IMAGE025
。
在一些实施例中，预测出行数据可以通过以下步骤得到：
C10、针对每条出行链：
C11、基于时间选择效用函数计算每个时间段的时间效用值，根据每个时间段的时间效用值确定出行链的出行时间。
在计算每个时间段的时间效用值之后，可以通过每个时间段的效用值确定出行链的出行时间，其中，出行时间由出行时间段组合而成。
C12、基于方式选择效用函数计算每种方式的方式效用值，根据每种方式的方式效用值确定出行链的出行方式，出行方式包括单一出行方式以及组合出行方式。
出行链包含了去程和回程，对应的，方式选择上可以分为去程方式选择和回程方式选择。在计算出每种方式的方式效用值之后，根据去程选择概率计算公式计算出去程的出行方式。其中，去程选择概率计算公式为：
Figure 605736DEST_PATH_IMAGE026
其中，
Figure 239979DEST_PATH_IMAGE027
是主方式选择的缩放系数，
Figure 727461DEST_PATH_IMAGE028
是出行链主方式选择效用， k是目的地j的影响因子，
Figure 763550DEST_PATH_IMAGE029
是出行链主方式选择效用，和
Figure 920862DEST_PATH_IMAGE030
相同，之所以换成
Figure 42402DEST_PATH_IMAGE031
，是因为在 上述公式中，分母部分是累积求和的公式，为了不引起歧义，换一个字母进行表示。
根据回程选择概率计算公式计算出去程的出行方式。其中，回程方式选择概率计算公式为：
Figure 84307DEST_PATH_IMAGE032
其中，
Figure 709324DEST_PATH_IMAGE033
是主方式选择的缩放系数，
Figure 303116DEST_PATH_IMAGE034
是回程交通方式m r 的效用，
Figure 646373DEST_PATH_IMAGE035
是 回程交通方式m k 的效用。
C13、基于目的地选择效用函数计算每个目的地的目的地效用值，根据每个目的地的目的地效用值确定出行链的目的地。
在计算出每个目的地的目的地效用值之后，可以根据目的地选择概率去定出出行链的目的地。其中，目的地选择概率计算公式为：
Figure 741237DEST_PATH_IMAGE036
其中，j为目的地，
Figure 486339DEST_PATH_IMAGE037
是双约束条件下的目的地选择概率计算中的列平衡系数，
Figure 251032DEST_PATH_IMAGE038
是出行链的目的地选择NL结构参数，
Figure 81585DEST_PATH_IMAGE039
是出行链的主目的地选择效用。
C14、基于出行时间、出行方式以及出行目的地，通过路径选择子模型对目标区域内的道路和公共交通工具进行分配，得到出行链的预测出行数据。
C20、基于每条出行链的预测出行数据，统计得到各目标人群的预测出行数据。
当对每条出行链都执行上述步骤C11~C13的步骤之后，可以统计得到各目标人群的预测出行数据。
103、基于各目标出行人群的预测出行数据确定目标区域的交通分配结果。
在得到各目标出行人群的预测出行数据之后，可以根据该数据进一步确定目标区域内的交通分配结果。具体地，在确定出出行时间、出行方式以及出行目的地之后，可以通过路径选择子模型基于交通分配模型的算法，对目标区域内的道路和交通工具进行分配，分配后，可以得到时段T下，从出发地i到目的地j之间目标出行人群为c、出行链类型为p、出行方式为m的出行链的路径选择结果，根据路径选择结果，即可得到出行链的预测出行数据。
需要说明的是，之所以没有写出中途停留地的选择步骤，是因为中途停留地的选择是会对时间选择子模型、方式选择子模型以及目的地选择子模型的效用函数有影响，因此在通过这三个模型的效用函数确定出行链的出行时间、出行方式以及出行目的地时，已经把中途定留地考虑到其中。
在一些实施例中，中途停留地模型时为了更贴近实际应用场景，在允许主目的地选择的基础上增加次目的地的选择。相应地，在去程和回程中间，基于橡皮筋法，对中间停留点基于广义阻抗实现MNL目的地选择，并且假设中间停留点的方式选择与对应的去程/回程方式保持一致。模型在集计层面联合出行的创新，体现在小汽车司机和乘客的联合出行。考虑上下班途中送子女上学典型联合出行行为建模，以早高峰影响最大的父母驾车上班过程中送子女上学为例进行说明（HCWH: 家-接送小孩-上班-家）。
对于集计出行链HCWH，父母开车上班途中的学校选择基于集计出行链的主方式选择、国内学区划分和校门口实载率可观察的特征，中途停留地模型的处理过程如下：
①根据方式选择效用函数，得到上班（HWH:家-上班-家）和上学（HCH:家-学校-家）的集计出行链的主方式选择。
②假设学生和家长前往学校s的比例都是
Figure 465293DEST_PATH_IMAGE040
，即当乘车上学的出行比例在所有出 行方式中为
Figure 64902DEST_PATH_IMAGE040
，同样，家长从出发地i驾车前往中途停留地s的比例也是
Figure 497DEST_PATH_IMAGE040
。那么可以估计 送孩子前往中途停留地s即学校s的总出行需求为
Figure 318346DEST_PATH_IMAGE041
，
Figure 489433DEST_PATH_IMAGE042
，其中，
Figure 209127DEST_PATH_IMAGE043
为从出发地i开车上班总量中送孩子上学的比例，
Figure 315623DEST_PATH_IMAGE044
为驾车从家庭所在出发地i到都目的 地j中的家-工作-家出行链去程的总出行需求；所有到学校的总出行需求为
Figure 120768DEST_PATH_IMAGE045
。
③
Figure 846279DEST_PATH_IMAGE046
和
Figure 217217DEST_PATH_IMAGE047
需要进行调节。因为通常情况下，驾驶小汽车送学生上学再上班 的家长总数和乘坐小汽车上学的学生总数不一定相等，即
Figure 432298DEST_PATH_IMAGE048
，也就是说一个家长 可以同时搭载多名学生上学。因此该模型可以基于各学校附近可调查的平均停车实载率进 行缩放，
Figure 657829DEST_PATH_IMAGE049
。
④基于实载率
Figure 249348DEST_PATH_IMAGE050
的缩放，家长从出发地i到目的地j上班途中，送孩子到中途 停留地s的总出行需求为:
Figure 740372DEST_PATH_IMAGE051
在一些实施例中，为了提供交通分配结果的准确性，上述步骤103具体可以包括：
基于各目标人群的预测出行数据，对目标区域内的道路和公共交通工具进行分配，得到目标区域的交通分配结果。
在得到各目标人群的预测出行数据之后，即可基于各目标人群的预测出行数据实现目标区域内的交通分配。其中，交通分配是把各种出行方式的空间OD量分配到目标区域内的交通网络上，得到目标区域内各道路和各公共交通工具对应的流量。
104、若交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗。
在本申请实施例中，得到交通分配结果之后，为了提高交通需求预测结果的准确率，可以判断当前得到的交通分配结果是否满足预设的收敛条件。如果交通分配结果不满足预设的收敛条件，可以根据当前的交通分配结果计算出交通综合阻抗，并结合该交通综合阻抗重复执行步骤102及其以后的步骤，即再次通过该模型得到更新后的各目标出行人群的预测出行数据，并基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果。通过该方法，能够提高各个子模型之间时间和行为的一致性，从而能够提高交通需求预测结果的准确性。
其中，交通综合阻抗是道路或者公共交通使用者在出行过程中花费的时间、距离或者费用等一系列表示交通出行难易程度的指标。其具体用于将由交通供给设施决定的交通分配的结果反馈至出行需求预测的出行数据生成模型，通过多次反馈迭代，最终达到交通供给与交通需求的平衡。
105、若交通分配结果或所述更新后的交通分配结果满足收敛条件，则输出目标区域内的交通需求预测结果。
在本申请实施例中，如果当前得到的交通分配结果或所述更新后的交通分配结果满足收敛条件，即可输出目标区域内的交通需求预测结果，具体地交通需求预测结果包括预测出行数据以及交通分配结果。
其中，交通分配结果具体可以包括：
（1）对于出行链类型为p和目标出行人群为c的出发地i的总出行需求，起计算公式为：
Figure 126354DEST_PATH_IMAGE052
其中，
Figure 843774DEST_PATH_IMAGE053
是出发地i出行人群类型c出行链类型为p的出行人数，
Figure 973404DEST_PATH_IMAGE054
为出行率参数。
（2）对于出行链类型为p和目标出行人群为c，从出发地i到目的地j之间的总出行需求为：
Figure 318935DEST_PATH_IMAGE055
其中，
Figure 141397DEST_PATH_IMAGE056
出行链类型为p和目标出行人群为c的出发地i的总出行需求，
Figure 329802DEST_PATH_IMAGE057
是目的地选择概率。
（3）对于出行链类型为p和目标出行人群为c，采用去程方式m的总出行需求为：
Figure 263123DEST_PATH_IMAGE058
其中，
Figure 463160DEST_PATH_IMAGE059
出行链类型为p和目标出行人群为c的出发地i的总出行需求，
Figure 456524DEST_PATH_IMAGE060
是出行链去程方式选择概率。
（4）对于出行链类型为p和目标出行人群为c，出行方式为m，出行时间为t的总出行需求为：
Figure 882957DEST_PATH_IMAGE061
Figure 354390DEST_PATH_IMAGE062
是出行链类型为p和目标出行人群为c，采用去程方式m的总出行，W pct 为出行时间段组合t在全部出行时间段组合的出行链的比重。
（5）在T时段中的从出发地i到目的地j的总出行需求为：
Figure 674513DEST_PATH_IMAGE063
其中，
Figure 104357DEST_PATH_IMAGE064
出行链类型为p和目标出行人群为c，出行方式为m，出行时间为t 的总出行需求。
（6）在T时段中，回程方式采用可变方式m r ，且去程方式和回程方式不相等时，回程的总出行需求为：
Figure 814824DEST_PATH_IMAGE065
其中，
Figure 276898DEST_PATH_IMAGE066
出行链类型为p和目标出行人群为c，出行方式为m，出行时间为t 的总出行需求，
Figure 654790DEST_PATH_IMAGE067
是出行链往返行程不同方式的占比，回程方式选择概率。
在一些实施例中，要准确判断交通分配结果是否满足收敛条件，可以通过计算目标区域内各道路的断面流量，和上一轮计算得到的目标区域内各道路的断面流量相比较，计算相对误差，如果相对误差不在允许的范围内，则将当前一轮的交通需求预测结果重新计算交通方式阻抗作为时间选择子模型、方式选择子模型以及目的地选择做模型的输入重新计算相对误差，直至相对误差满足需求，输出交通需求预测结果。
在本申请实施例中，以出行链为基本单位，基于出行链的时间选择、目的地选择、方式选择行为参数的一致性预测出行数据，并且在选择出行目的地之后，充分考虑实际应用场景中出行的复杂性，可以进一步选择中途停留地，使得预测出行数据更丰富，接着基于预测出行数据根据交通供给设施进行路径选择生成交通分配结果，并将该交通分配的结果反馈至出行数据预测，通过多次反馈迭代，最终达到交通供给与交通需求的平衡，提高出行需求预测结果的准确性。
在一些实施例中，为了进一步提高交通需求的预测准确率，可以基于弹性量表达对出行数据生成模型进行敏感性测试，弹性量定义为10%的时间或费用的变化引起的出行需求的变化百分比，弹性量表达的公式为：
Figure 786694DEST_PATH_IMAGE068
P 1 表示基础自变量，P 2 表示增加10%的基础自变量，Q 1 表示基础自变量下的出行需求，Q 2 表示增加10%的基础自变量下的出行需求。
表5
Figure 250037DEST_PATH_IMAGE069
为了便于理解，举例说明。参见上标表5所示，出行数据生成模型分别从燃油费弹性量、公交费用弹性量以及基于活动时长的停车费用弹性量三种情形进行了实证分析，测试结果显示：燃油费增长10%后，全市范围总体平均弹性值为-0.17，非刚性需求的弹性量相对较低；而公交票价提高10%后，总弹性量为-0.63，其中从家上学出行链弹性量相对较大。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的交通需求的预测方法，图2示出了本申请实施例提供的交通需求的预测装置2的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图2，该交通需求的预测装置2包括：
第一获取模块21，用于获取目标区域内各目标出行人群的出行链；
第一生成模块22，用于基于出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，其中，预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地；
分配模块23，用于基于各目标出行人群的预测出行数据确定目标区域的交通分配结果；
更新模块24，用于若交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，以结合交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；
数据输出模块25，用于若交通分配结果或所述更新后的交通分配结果满足收敛条件，则输出目标区域内的交通需求预测结果，交通需求预测结果包括预测出行数据以及交通分配结果。
可选地，上述预测装置2还包括：
第二获取模块，用于获取各目标出行人群的出行链特征数据；
第二生成模块，用于根据出行链特征数据生成各目标出行人群的出行链。
可选地，出行数据生成模型包括时间选择子模型、目的地选择子模型、方式选择子模型以及中途点停留子模型；
时间选择子模型，用于确定出行链的出行时间段；
目的地选择子模型，用于确定出行链的目的地；
方式选择子模型，用于确定出行链的出行方式；
中途点停留子模型，用于确定出行链的中途停留地；
第一生成模块22具体用于：基于出行链、时间选择子模型、目的地选择子模型、方式选择子模型以及中途点停留子模型生成各目标出行人群的预测出行数据。
可选地，上述第一生成模块22具体用于对时间选择子模型、目的地选择子模型的方式选择子模型效用函数进行设置，即：
时间选择子模型的时间选择效用函数为：
Figure 955DEST_PATH_IMAGE070
其中，t为出行链的出行时间段组合，p为出行链类型，c为目标出行人群的类型，W pct 为目标出行人群c基于出行链类型p选择出行时间段组合t在全部出行时间段组合的出行链的比重；
目的地选择子模型的目的地选择效用函数为：
Figure 233353DEST_PATH_IMAGE004
Figure 536158DEST_PATH_IMAGE071
和
Figure 752376DEST_PATH_IMAGE072
为预先标定的影响因子，m为出行方式，k为目的地j的影响因子，
Figure 369302DEST_PATH_IMAGE073
为目的地j对出行链类型p的服务能力。
方式选择子模型的方式选择效用函数为：
Figure 643158DEST_PATH_IMAGE009
Figure 320127DEST_PATH_IMAGE010
分别为不同的出行对应 的影响因素，
Figure 554799DEST_PATH_IMAGE074
Figure 709837DEST_PATH_IMAGE075
分别为T时段下，从出 发地i到目的地j，采用方式m的车辆出行时间、步行到达车辆的时间、步行离开车辆的时间、 出行距离、出行费用、出行时的等待时间以及换乘次数。
可选地，上述第一生成模块22可以包括：
第一生成单元，用于针对每条出行链：
基于时间选择效用函数计算每个时间段的时间效用值，根据每个时间段的时间效用值确定出行链的出行时间，出行时间由出行时间段组合而成；
基于方式选择效用函数计算每种方式的方式效用值，根据每种方式的方式效用值确定出行链的出行方式，出行方式包括单一出行方式以及组合出行方式；
基于目的地选择效用函数计算每个目的地的目的地效用值，根据每个目的地的目的地效用值确定出行链的目的地；
第二生成单元，用于基于每条出行链的预测出行数据，统计得到各目标人群的预测出行数据。
可选地，上述分配模块23具体用于，基于各目标人群的预测出行数据，对目标区域内的道路和公共交通工具进行分配，得到目标区域的交通分配结果。
可选地，上述预测装置2还包括：
测试模块，用于基于弹性量表达对出行数据生成模型进行敏感性测试，弹性量定义为10%的时间或费用的变化引起的出行需求的变化百分比，弹性量表达的公式为：
Figure 854510DEST_PATH_IMAGE076
P 1 表示基础自变量，P 2 表示增加10%的基础自变量，Q 1 表示基础自变量下的出行需求，Q 2 表示增加10%的基础自变量下的出行需求。
需要说明的是，上述装置/单元之间的信息交互和执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图3为本申请一实施例提供的电子设备的结构示意图。如图3所示，该实施例的电子设备3包括：至少一个处理器30（图3中仅示出一个）处理器、存储器31以及存储在存储器31中并可在至少一个处理器30上运行的计算机程序32，处理器30执行计算机程序32时实现上述任意交通需求的预测方法实施例中的步骤，例如图1所示出的步骤101-105。
所称处理器30可以是中央处理单元（Central Processing Unit，CPU），该处理器30还可以是其他通用处理器、数字信号处理器（ Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31在一些实施例中可以是电子设备3的内部存储单元，例如电子设备3的硬盘或内存。存储器31在另一些实施例中也可以是电子设备3的外部存储设备，例如电子设备3上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器31还可以既包括终端设备3的内部存储单元也包括外部存储设备。存储器31用于存储操作装置、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，例如计算机程序的程序代码等。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种交通需求的预测方法，其特征在于，所述预测方法包括：
获取目标区域内各目标出行人群的出行链；
基于所述出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，其中，所述预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地；
基于所述各目标出行人群的预测出行数据确定所述目标区域的交通分配结果；
若所述交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，以结合所述交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；
若所述交通分配结果或所述更新后的交通分配结果满足所述收敛条件，则输出所述目标区域内的交通需求预测结果，所述交通需求预测结果包括所述预测出行数据以及所述交通分配结果。
2.如权利要求1所述的预测方法，其特征在于，在所述获取目标区域内各目标出行人群的出行链之前，所述预测方法还包括：
获取所述各目标出行人群的出行链特征数据；
根据所述出行链特征数据生成所述各目标出行人群的出行链。
3.如权利要求1所述的预测方法，其特征在于，所述出行数据生成模型包括时间选择子模型、目的地选择子模型、方式选择子模型以及中途点停留子模型；
所述时间选择子模型，用于确定所述出行链的出行时间段；
所述目的地选择子模型，用于确定所述出行链的目的地；
所述方式选择子模型，用于确定所述出行链的出行方式；
所述中途点停留子模型，用于确定所述出行链的中途停留地。
4.如权利要求3所述的预测方法，其特征在于，所述时间选择子模型的时间选择效用函数为：
Figure 181301DEST_PATH_IMAGE001
其中，所述t为所述出行链的出行时间段组合，所述p为出行链类型，所述c为目标出行人群的类型，所述W pct 为目标出行人群c出行链类型为p选择出行时间段组合t在全部出行时间段组合的出行链的比重；
所述目的地选择子模型的目的地选择效用函数为：
Figure 832862DEST_PATH_IMAGE002
所述
Figure 284704DEST_PATH_IMAGE003
和所述
Figure 414334DEST_PATH_IMAGE004
为预先标定的影响因子，所述
Figure 25443DEST_PATH_IMAGE005
为主方式选择效用，所述m为出 行方式，所述k为目的地j的影响因子，所述
Figure 582327DEST_PATH_IMAGE006
为目的地j对出行链类型p的服务 能力；
所述方式选择子模型的方式选择效用函数为：
Figure 770732DEST_PATH_IMAGE007
所述
Figure 704052DEST_PATH_IMAGE008
以及
Figure 169669DEST_PATH_IMAGE009
分别为不同的出行对应的影响 因素，所述
Figure 897453DEST_PATH_IMAGE010
Figure 323887DEST_PATH_IMAGE011
分别为T时段下，从出发地i到 目的地j，采用方式m的车辆出行时间、步行到达车辆的时间、步行离开车辆的时间、出行距 离、出行费用、出行时的等待时间以及换乘次数。
5.如权利要求4所述的预测方法，其特征在于，所述基于所述出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，包括：
针对每条所述出行链：
基于所述时间选择效用函数计算每个时间段的时间效用值，根据所述每个时间段的时间效用值确定所述出行链的出行时间，所述出行时间由出行时间段组合而成；
基于所述方式选择效用函数计算每种方式的方式效用值，根据所述每种方式的方式效用值确定所述出行链的出行方式，所述出行方式包括单一出行方式以及组合出行方式；
基于所述目的地选择效用函数计算每个目的地的目的地效用值，根据所述每个目的地的目的地效用值确定所述出行链的目的地；
基于每条出行链的预测出行数据，统计得到各目标人群的预测出行数据。
6.如权利要求1-5任意一项所述的预测方法，其特征在于，所述基于所述各目标出行人群的预测出行数据确定所述目标区域的交通分配结果，包括：
基于所述预测出行数据，对所述目标区域内的道路和公共交通工具进行分配，得到所述目标区域的交通分配结果。
7.如权利要求1-5任意一项所述的预测方法，其特征在于，基于弹性量表达对所述出行数据生成模型进行敏感性测试，所述弹性量定义为10%的时间或费用的变化引起的出行需求的变化百分比，所述弹性量表达的公式为：
Figure 795319DEST_PATH_IMAGE012
所述P 1 表示基础自变量，所述P 2 表示增加10%的基础自变量，所述Q 1 表示基础自变量下的出行需求，所述Q 2 表示增加10%的基础自变量下的出行需求。
8.一种交通需求的预测装置，其特征在于，包括：
第一获取模块，用于获取目标区域内各目标出行人群的出行链；
第一生成模块，用于基于所述出行链和预设的出行数据生成模型，生成各目标出行人群的预测出行数据，其中，所述预测出行数据包括：出行时间、出行目的地、出行方式以及中途停留地；
分配模块，用于基于所述各目标出行人群的预测出行数据确定所述目标区域的交通分配结果；
更新模块，用于若所述交通分配结果不满足预设的收敛条件，则根据交通分配结果计算交通综合阻抗，以结合所述交通综合阻抗获得更新后的各目标出行人群的预测出行数据，基于更新后的各目标出行人群的预测出行数据获取更新后的交通分配结果；
输出模块，用于若所述交通分配结果或所述更新后的交通分配结果满足所述收敛条件，则输出所述目标区域内的交通需求预测结果，所述交通需求预测结果包括所述预测出行数据以及所述交通分配结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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至7任一项所述的交通需求的预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述的交通需求的预测方法。
CN202110882732.8A 2021-08-02 2021-08-02 交通需求的预测方法、预测装置及电子设备 Active CN113327424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110882732.8A CN113327424B (zh) 2021-08-02 2021-08-02 交通需求的预测方法、预测装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110882732.8A CN113327424B (zh) 2021-08-02 2021-08-02 交通需求的预测方法、预测装置及电子设备

Publications (2)

Publication Number Publication Date
CN113327424A true CN113327424A (zh) 2021-08-31
CN113327424B CN113327424B (zh) 2022-01-07

Family

ID=77426731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110882732.8A Active CN113327424B (zh) 2021-08-02 2021-08-02 交通需求的预测方法、预测装置及电子设备

Country Status (1)

Country Link
CN (1) CN113327424B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100849A (zh) * 2022-05-24 2022-09-23 东南大学 一种面向综合交通系统的组合式交通分布分析方法
CN115099542A (zh) * 2022-08-26 2022-09-23 深圳市城市交通规划设计研究中心股份有限公司 跨城通勤出行生成和分布预测方法、电子设备及存储介质
CN115547058A (zh) * 2022-12-02 2022-12-30 深圳市城市交通规划设计研究中心股份有限公司 一种基于梯度下降的出行链模型参数快速标定方法
CN117746640A (zh) * 2024-02-20 2024-03-22 云南省公路科学技术研究院 一种道路交通车流量滚动预测方法、系统、终端及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130304367A1 (en) * 2004-12-22 2013-11-14 Hntb Holdings Ltd. Optimizing traffic predictions and enhancing notifications
CN106530680A (zh) * 2016-12-02 2017-03-22 东南大学 一种基于大站快车的公交线路组合服务方法
CN108876035A (zh) * 2018-06-01 2018-11-23 东南大学 考虑出行者目的地偏好的交通分布与交通流分配组合模型
CN108876042A (zh) * 2018-06-08 2018-11-23 东南大学 新型交通分布与交通流分配组合模型的r语言处理方法
CN108961744A (zh) * 2017-06-03 2018-12-07 广东联大智能科技有限公司 智慧出行的系统和终端
CN111784084A (zh) * 2020-08-17 2020-10-16 北京市城市规划设计研究院 基于梯度提升决策树的出行生成预测方法、系统及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130304367A1 (en) * 2004-12-22 2013-11-14 Hntb Holdings Ltd. Optimizing traffic predictions and enhancing notifications
CN106530680A (zh) * 2016-12-02 2017-03-22 东南大学 一种基于大站快车的公交线路组合服务方法
CN108961744A (zh) * 2017-06-03 2018-12-07 广东联大智能科技有限公司 智慧出行的系统和终端
CN108876035A (zh) * 2018-06-01 2018-11-23 东南大学 考虑出行者目的地偏好的交通分布与交通流分配组合模型
CN108876042A (zh) * 2018-06-08 2018-11-23 东南大学 新型交通分布与交通流分配组合模型的r语言处理方法
CN111784084A (zh) * 2020-08-17 2020-10-16 北京市城市规划设计研究院 基于梯度提升决策树的出行生成预测方法、系统及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张弘弢: "基于活动方法的个体出行行为分析与出行需求预测模型系统研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
许志勇: "基于活动链的居民出行需求预测模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
贾佃精: "基于出行链的公共交通出行需求预测研究", 《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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100849A (zh) * 2022-05-24 2022-09-23 东南大学 一种面向综合交通系统的组合式交通分布分析方法
CN115100849B (zh) * 2022-05-24 2023-04-18 东南大学 一种面向综合交通系统的组合式交通分布分析方法
CN115099542A (zh) * 2022-08-26 2022-09-23 深圳市城市交通规划设计研究中心股份有限公司 跨城通勤出行生成和分布预测方法、电子设备及存储介质
CN115099542B (zh) * 2022-08-26 2023-02-03 深圳市城市交通规划设计研究中心股份有限公司 跨城通勤出行生成和分布预测方法、电子设备及存储介质
CN115547058A (zh) * 2022-12-02 2022-12-30 深圳市城市交通规划设计研究中心股份有限公司 一种基于梯度下降的出行链模型参数快速标定方法
CN117746640A (zh) * 2024-02-20 2024-03-22 云南省公路科学技术研究院 一种道路交通车流量滚动预测方法、系统、终端及介质
CN117746640B (zh) * 2024-02-20 2024-04-30 云南省公路科学技术研究院 一种道路交通车流量滚动预测方法、系统、终端及介质

Also Published As

Publication number Publication date
CN113327424B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN113327424B (zh) 交通需求的预测方法、预测装置及电子设备
Narayanan et al. Shared autonomous vehicle services: A comprehensive review
Salazar et al. On the interaction between autonomous mobility-on-demand and public transportation systems
Ma et al. Large-scale demand driven design of a customized bus network: A methodological framework and Beijing case study
Daganzo et al. On stochastic models of traffic assignment
Duan et al. Centralized and decentralized autonomous dispatching strategy for dynamic autonomous taxi operation in hybrid request mode
Song et al. Integrated planning of park-and-ride facilities and transit service
Chow et al. Activity-based market equilibrium for capacitated multimodal transport systems
Chen et al. Customized bus route design with pickup and delivery and time windows: Model, case study and comparative analysis
Qin et al. Reinforcement learning for ridesharing: An extended survey
Yao et al. Allocation method for transit lines considering the user equilibrium for operators
Li et al. Improving service quality with the fuzzy TOPSIS method: a case study of the Beijing rail transit system
Oh et al. Evaluating automated demand responsive transit using microsimulation
Dantsuji et al. Simulation-based joint optimization framework for congestion mitigation in multimodal urban network: a macroscopic approach
Feng et al. Coordinating ride-sourcing and public transport services with a reinforcement learning approach
Zardini et al. Towards a co-design framework for future mobility systems
Kamel et al. A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks
Zhong et al. A fast-charging navigation strategy for electric vehicles considering user time utility differences
Zheng et al. Route design model of multiple feeder bus service based on existing bus lines
Li et al. On the allocation of new lines in a competitive transit network with uncertain demand and scale economies
CN111914940A (zh) 一种共享车辆站点分群聚类方法、系统、装置及存储介质
Khayati et al. Household use of autonomous vehicles with ride sourcing
Shi et al. Efficient energy management of wireless charging roads with energy storage for coupled transportation–power systems
Zhang et al. Integrating transit systems with ride-sourcing services: A study on the system users’ stochastic equilibrium problem
Lin et al. Bus frequency optimisation considering user behaviour based on mobile bus applications

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