CN113344371A - 一种公共交通智能调度方法 - Google Patents

一种公共交通智能调度方法 Download PDF

Info

Publication number
CN113344371A
CN113344371A CN202110606096.6A CN202110606096A CN113344371A CN 113344371 A CN113344371 A CN 113344371A CN 202110606096 A CN202110606096 A CN 202110606096A CN 113344371 A CN113344371 A CN 113344371A
Authority
CN
China
Prior art keywords
passenger
traffic
vehicle
transportation
mode
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.)
Withdrawn
Application number
CN202110606096.6A
Other languages
English (en)
Inventor
徐娜子
迟静
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.)
Shandong Yanhuang Industrial Design Co ltd
Original Assignee
Shandong Yanhuang Industrial Design 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 Shandong Yanhuang Industrial Design Co ltd filed Critical Shandong Yanhuang Industrial Design Co ltd
Priority to CN202110606096.6A priority Critical patent/CN113344371A/zh
Publication of CN113344371A publication Critical patent/CN113344371A/zh
Withdrawn legal-status Critical Current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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (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

本发明公开了一种公共交通智能调度方法，包括以下处理步骤：A.建立基于特征变量的各类公共交通选乘评价模型体系，对乘客个体选乘何种交通工具进行模型评价；B.依次对乘客个体选乘某一种交通方式时的评价模型体系求导，得到乘客个体选乘最佳交通方式的类型；C.计算目标调度交通方式在时刻t时的信息素，并依据信息素进行智能调度。本发明所述智能调度方法具有计算快捷、实时性好，并且抗干扰能力强的优点，可以实现精准智能调度，降低运营成本、提升乘坐体验的技术效果。

Description

一种公共交通智能调度方法
本发明为申请号名称为“一种公共交通智能调度方法“，申请号为“2020109778042”的发明专利的分案申请。
技术领域
本发明属于计算机智能计算领域，尤其涉及一种公共交通智能调度方法。
背景技术
随着技术的进步，目前具有中心端管理功能的车联网智能公共交通工具快速发展，例如：无人出租车、捷运系统、无人公交车等。高效的车辆调度对于节省运营成本，提升乘客的服务效率具有重要意义。
现有技术大多根据固定班期和热力图指示，粗犷式的调度车辆，在上下班高峰期，乘客经常挤不上车，而在空闲时，公共交通经常空车运行，进而浪费运营成本，降低了坐乘体验。
另外，目前的调度方法中，目标调度交通方式设置不合理，导致整个方法中的智能调度不精准。
发明内容
本发明公开了一种公共交通的智能调度方法，目的是解决背景技术中指出的目前车联网智能公共交通工具存在的粗犷式调度车辆，不能有效利用车辆资源，以及提升乘坐体验的问题，以实现精准智能调度，降低运营成本、提升乘坐体验的技术效果。
本申请的技术方案如下：
一种公共交通智能调度方法，包括以下步骤：站点设备采集到各站点的拥挤程度信息后，实时上传中心端设备；公共交通车载设备采集到公共交通工具内拥挤程度信息后，也实时上传中心端设备，中心端设备采用公共交通智能调度方法计算后，生成调度信息，发送给各公共交通车载设备，公共交通车载设备接收到中心端设备传来的调度指令后，根据指令做出相应的运行；所述公共交通智能调度方法包括以下步骤：
A.建立基于特征变量的各类公共交通选乘评价模型体系，对乘客个体选乘何种交通工具进行模型评价；
B.依次对乘客个体选乘某一种交通方式时的评价模型体系求导，得到乘客个体选乘最佳交通方式的类型；
C.计算目标调度交通方式在时刻t时的信息素，并依据信息素进行智能调度。
进一步，所述中心端设备，一方面用于接收各个站点设备和公共交通车载设备采集到的站点拥挤程度信息，另一方面其上运行所述的公共交通智能调度方法程序，可根据采集到的拥挤程度信息进行智能调度，并将调度信息发送给公共交通车载设备；所述站点设备，用于采集站点等待的人群图像，通过图像识别计数等待人数生成拥挤程度信息，并将拥挤程度信息实时发送给中心端设备；所述公共交通车载设备，用于采集公共交通工具内的拥挤程度信息，并将拥挤程度信息实时发送给中心端设备，另一方面，公共交通车载设备用于接收中心端设备发来的调度指令。
进一步，所述步骤A中建立基于特征变量的各类公共交通选乘评价的模型体系，采用概率模型评价体系，记
Figure BDA0003093478540000021
为乘客n选择第i种交通方式的概率，
Figure BDA0003093478540000022
是乘客n选择第i种交通方式的效用函数，j是实际场景中各类交通方式的计数，Sn是乘客n可选择的公共交通方式的种类数，βk为各交通方式的热点系数，用来描述某种交通方式当前的选乘热度，
Figure BDA0003093478540000031
是乘客n选乘的第i种交通方式中的第k个特征变量；
基于特征变量的概率评价模型如下：
Figure BDA0003093478540000032
其中，
Figure BDA0003093478540000033
表示乘客n选乘第k种交通的拥挤程度等级；
Figure BDA0003093478540000034
表示乘客n选乘第w种交通的拥挤程度等级，1≤w≤g；g表示交通方式的种类数。
进一步，所述步骤B的具体方法为，对于乘客个体n，选乘交通方式i时，对所述概率评价模型求导：
Figure BDA0003093478540000035
令
Figure BDA0003093478540000036
可得评价模型取得区域性极值时的特征变量值，记为
Figure BDA0003093478540000037
依次对乘客个体n选乘交通方式i的q种属性的特征变量的概率评价模型分别求导，并令导数为零，可得到q个评价模型取得区域性极值的特征变量值，所述q个特征变量值的集合记为
Figure BDA0003093478540000038
将Ji集合中的特征变量值代入概率评价模型，可得乘客个体n选乘交通方式i的概率，同理，对于有g种交通方式类型的场景，将得到乘客n选乘g种交通方式的概率集合，记为
Figure BDA0003093478540000039
取Max(Pn)，即得到乘客n最可能选乘的交通方式，也就是目标调度交通方式。
进一步，所述步骤C的具体方法为：
根据步骤B得到的目标调度交通方式，引入信息素理论作为智能调度的依据所述信息素是指顺序调度中，利用前车、目标车和后车三个对象之间的时间队列特性，生成一个可以反映目标车辆服务能力的信息值；
采用如下方法计算信息素：
Figure BDA0003093478540000041
ε为对乘客个体来说，目标车内拥挤度等级，
Figure BDA0003093478540000042
为t时刻目标车辆m在站点(i，j)处等待乘客上车的停留时间，
Figure BDA0003093478540000043
为t时刻车辆m等待上车的乘客人数，
Figure BDA0003093478540000044
为乘客h的等车时间，
Figure BDA0003093478540000045
为车辆m中在站点(i，j)处上车的乘客的乘车时间；
采用阈值调节法，当信息素τm(t)小于阈值时，中心设备将向公共交通车载设备发出立即出发或缩短班期指令。
本发明至少具有以下有益效果：
(1)本申请技术方案中采用的算法结构简单，决策实时性好。
(2)本申请技术方案中计算模型具有优秀的泛化性能，抗偶发性因素影响能力强，决策准确度高。
(3)本发明所述方法支持乘客临时换乘交通方式的情况，能够很好的应对在例如上下班高峰时，等待公交车的乘客临时换乘出租车等场景下的精准智能调度任务。
(4)根据步骤B得到的目标调度交通方式，引入信息素理论来描述目标调度交通方式的实时服务能力，并作为智能调度的依据。所述信息素是指顺序调度中，利用前车、目标车和后车三个对象之间的时间队列特性，生成一个可以反映目标车辆服务能力的信息值，能够更精确的实现智能调度。
附图说明
图1本发明所述的具有中心端管理功能的智能公共交通的典型架构图；
图2本发明所述一种公共交通智能调度方法流程图。
具体实施方式
为了更好的说明本发明，下面将结合附图和具体实施例来做详细说明。
参照图1，具有中心端管理功能的智能公共交通的典型架构包括中心端设备10，若干站点设备20，若干公共交通车载设备30。
所述中心端设备10，一方面用于接收各个站点设备20和公共交通车载设备30采集到的站点拥挤程度信息，另一方面其上运行有本发明所述的公共交通智能调度方法程序，可根据采集到的拥挤程度信息进行智能调度，并将调度信息发送给公共交通车载设备30；
所述中心端设备10与站点设备20和公共交通车载设备30具有通信连接。
所述站点设备20，用于采集站点等待的人群图像，通过图像识别计数等待人数生成拥挤程度信息，并将拥挤程度信息实时发送给中心端设备10。本发明将拥挤程度分为四个等级：严重拥挤、拥挤、正常、畅通，对应于四个等级量化为a、b、c、d(a，b，c，d为实数)四个数值，拥挤程度的判定可根据实际拥挤程度划定。
作为本发明所述拥挤程度划定的一个实施例，对于一个可容纳30人的站点来说，当站点设备20采集到视野内人数在10人以下时，可划定为畅通，对应的量化数值为1；当站点设备20采集到视野内人数在11-20人时，可划定为正常，对应的量化数值为2；当站点设备20采集到视野内人数在20-25人，可划定为拥挤，对应量化数值为3；当站点设备20采集到视野内人数在26人以上，可划定为拥挤，对应量化数值为4。
所述公共交通车载设备30，用于采集公共交通工具内的拥挤程度信息，并将拥挤程度信息实时发送给中心端设备10，此处拥挤程度的等级量化过程同站点设备20。另一方面，公共交通车载设备30用于接收中心端设备10发来的调度指令。
站点设备20采集到各站点的拥挤程度信息后，实时上传中心端设备10；公共交通车载设备30采集到公共交通工具内拥挤程度信息后，也实时上传中心端设备10，中心端设备10采用本发明所述的智能调度方法计算后，生成调度信息，发送给各公共交通车载设备30，公共交通车载设备30接收到中心端设备传来的调度指令后，根据指令做出相应的运行。
本发明所述的智能调度方法，具体处理过程如下：
A.建立基于特征变量的各类公共交通选乘评价模型体系，对乘客个体选乘何种交通工具进行模型评价。
建立基于特征变量的各类公共交通选乘评价的模型体系，本发明采用概率模型评价体系。记
Figure BDA0003093478540000061
为乘客n选择第i种交通方式的概率，
Figure BDA0003093478540000062
是乘客n选择第i种交通方式的效用函数，j是实际场景中各类交通方式的计数，Sn是乘客n可选择的公共交通方式的种类数，βk为各交通方式的热点系数，用来描述某种交通方式当前的选乘热度，
Figure BDA0003093478540000063
是乘客n选乘的第i种交通方式中的第k个特征变量。所述交通方式的特征变量，是指能够明显影响到乘客选乘的属性。本发明采用拥挤程度、出行费用、车内时间、车外等待时间等属性作为特征变量。
基于特征变量的概率评价模型如下：
Figure BDA0003093478540000071
其中，
Figure BDA0003093478540000072
表示乘客n选乘第k种交通的拥挤程度等级；
Figure BDA0003093478540000073
表示乘客n选乘第w种交通的拥挤程度等级，1≤w≤g；g表示交通方式的种类数。
B.依次对乘客个体选乘某一种交通方式时的评价模型体系求导，得到乘客个体选乘最佳交通方式的类型。
对于乘客个体n来说，选乘交通方式i时，对所述概率评价模型求导：
Figure BDA0003093478540000074
令
Figure BDA0003093478540000075
可得评价模型取得区域性极值时的特征变量值，记为
Figure BDA0003093478540000076
依次对乘客个体n选乘交通方式i的q种属性的特征变量的概率评价模型分别求导，并令导数为零，可得到q个评价模型取得区域性极值的特征变量值，所述q个特征变量值的集合记为
Figure BDA0003093478540000077
将Ji集合中的特征变量值代入概率评价模型，可得乘客个体n选乘交通方式i的概率，同理，对于有g种交通方式类型的场景，将得到乘客n选乘g种交通方式的概率集合，记为
Figure BDA0003093478540000078
取Max(Pn)，即得到乘客n最可能选乘的交通方式，也就是目标调度交通方式。
C.计算目标调度交通方式在时刻t时的信息素，并依据信息素进行智能调度。
根据步骤B得到的目标调度交通方式，引入信息素理论来描述目标调度交通方式的实时服务能力，并作为智能调度的依据。所述信息素是指顺序调度中，利用前车、目标车和后车三个对象之间的时间队列特性，生成一个可以反映目标车辆服务能力的信息值。
在公共交通智能调度场景中，车内拥挤程度、车辆运行效率、乘客人数、候车时间等，均对车辆服务能力具有负相关的影响。本发明采用如下方法计算信息素：
Figure BDA0003093478540000081
ε为对乘客个体来说，目标车内拥挤度等级，
Figure BDA0003093478540000082
为t时刻目标车辆m在站点(i，j)处等待乘客上车的停留时间，
Figure BDA0003093478540000083
为t时刻车辆m等待上车的乘客人数，
Figure BDA0003093478540000084
为乘客h的等车时间，
Figure BDA0003093478540000085
为车辆m中在站点(i，j)处上车的乘客的乘车时间。
计算得到目标车辆m在t时刻的信息素τm(t)越小，表明调度需求越大，下一班次应尽快出发，或缩短班期，本发明采用阈值调节法，当信息素τm(t)小于阈值时，中心设备10将向公共交通车载设备30发出立即出发或缩短班期指令。
综上，便实现了本发明所述的公共交通智能调度方法。可以理解的是，以上仅是本发明的较佳实施例，任何基于本发明的精神所做的改动均应包含在本发明的保护范围内。

Claims (1)

1.一种公共交通智能调度方法，其特征在于，包括以下步骤：站点设备(20)采集到各站点的拥挤程度信息后，实时上传中心端设备(10)；公共交通车载设备(30)采集到公共交通工具内拥挤程度信息后，也实时上传中心端设备(10)，中心端设备(10)采用智能调度方法计算后，生成调度信息，发送给各公共交通车载设备(30)，公共交通车载设备(30)接收到中心端设备传来的调度指令后，根据指令做出相应的运行；所述智能调度方法包括以下步骤：
A.建立基于特征变量的各类公共交通选乘评价模型体系，对乘客个体选乘何种交通工具进行模型评价；
所述智能调度方法的步骤A中建立基于特征变量的各类公共交通选乘评价的模型体系，采用概率模型评价体系，记
Figure FDA0003093478530000011
为乘客n选择第i种交通方式的概率，
Figure FDA0003093478530000012
是乘客n选择第i种交通方式的效用函数，j是实际场景中各类交通方式的计数，Sn是乘客n可选择的公共交通方式的种类数，βk为各交通方式的热点系数，用来描述某种交通方式当前的选乘热度，
Figure FDA0003093478530000013
是乘客n选乘的第i种交通方式中的第k个特征变量；
基于特征变量的概率评价模型如下：
Figure FDA0003093478530000014
其中，
Figure FDA0003093478530000015
表示乘客n选乘第k种交通的拥挤程度等级；
Figure FDA0003093478530000016
表示乘客n选乘第w种交通的拥挤程度等级，1≤w≤g；g表示交通方式的种类数；
B.依次对乘客个体选乘某一种交通方式时的评价模型体系求导，得到乘客个体选乘最佳交通方式的类型；
C.计算目标调度交通方式在时刻t时的信息素，并依据信息素进行智能调度；所述步骤B的具体方法为，对于乘客个体n，选乘交通方式i时，对所述概率评价模型求导：
Figure FDA0003093478530000021
令
Figure FDA0003093478530000022
可得评价模型取得区域性极值时的特征变量值，记为
Figure FDA0003093478530000023
依次对乘客个体n选乘交通方式i的q种属性的特征变量的概率评价模型分别求导，并令导数为零，可得到q个评价模型取得区域性极值的特征变量值，q个特征变量值的集合记为
Figure FDA0003093478530000024
将Ji集合中的特征变量值代入概率评价模型，可得乘客个体n选乘交通方式i的概率，同理，对于有g种交通方式类型的场景，将得到乘客n选乘g种交通方式的概率集合，记为
Figure FDA0003093478530000025
取Max(Pn)，即得到乘客n最可能选乘的交通方式，也就是目标调度交通方式；
所述步骤C的具体方法为：
根据步骤B得到的目标调度交通方式，引入信息素理论作为智能调度的依据所述信息素是指顺序调度中，利用前车、目标车和后车三个对象之间的时间队列特性，生成一个可以反映目标车辆服务能力的信息值；
采用如下方法计算信息素：
Figure FDA0003093478530000026
ε为对乘客个体来说，目标车内拥挤度等级，
Figure FDA0003093478530000027
为t时刻目标车辆m在站点(i,j)处等待乘客上车的停留时间，
Figure FDA0003093478530000028
为t时刻车辆m等待上车的乘客人数，
Figure FDA0003093478530000031
为乘客h的等车时间，
Figure FDA0003093478530000032
为车辆m中在站点(i,j)处上车的乘客的乘车时间；
采用阈值调节法，当信息素τm(t)小于阈值时，中心设备(10)将向公共交通车载设备(30)发出立即出发或缩短班期指令。
CN202110606096.6A 2020-09-16 2020-09-16 一种公共交通智能调度方法 Withdrawn CN113344371A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110606096.6A CN113344371A (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010977804.2A CN112116241B (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法
CN202110606096.6A CN113344371A (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010977804.2A Division CN112116241B (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法

Publications (1)

Publication Number Publication Date
CN113344371A true CN113344371A (zh) 2021-09-03

Family

ID=73802162

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010977804.2A Active CN112116241B (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法
CN202110606096.6A Withdrawn CN113344371A (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010977804.2A Active CN112116241B (zh) 2020-09-16 2020-09-16 一种公共交通智能调度方法

Country Status (1)

Country Link
CN (2) CN112116241B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613663B (zh) * 2020-12-25 2022-10-28 环球车享汽车租赁有限公司 共享车辆调度方法、计算设备和计算机可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1312004C (zh) * 2003-08-15 2007-04-25 株式会社日立制作所 具有信息交换的公车、车站和中心的系统
CN102724484A (zh) * 2012-06-25 2012-10-10 中国科学院自动化研究所 一种公交站台人群监控装置及其监控方法
CN103761874B (zh) * 2014-02-18 2016-04-20 吉林大学 智能化公共交通信息交互与显示系统
CN104504377B (zh) * 2014-12-25 2017-09-15 中邮科通信技术股份有限公司 一种公交车乘客拥挤程度识别系统及方法
CN105808877B (zh) * 2016-03-21 2019-03-19 南通大学 一种基于站点停靠能力的公交线网布设方法
CN106021902B (zh) * 2016-05-16 2018-08-03 宁波工程学院 一种用于城市轨道交通客流拥挤指数的分级方法
CN107330547B (zh) * 2017-06-15 2020-07-28 重庆交通大学 一种城市公交动态调度优化方法及系统
CN107818411B (zh) * 2017-10-24 2021-08-10 东南大学 基于WiFi检测和GPS定位的公交车动态调度系统及调度方法
CN109598453B (zh) * 2019-01-09 2023-11-10 卡斯柯信号有限公司 一种面向城市轨道交通的乘客智能调度指挥系统及方法
CN110097249A (zh) * 2019-03-19 2019-08-06 厦门交保通达信息科技有限公司 一种公交客流监测分析系统及其方法

Also Published As

Publication number Publication date
CN112116241A (zh) 2020-12-22
CN112116241B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN110390349A (zh) 基于XGBoost模型的公交车客流量预测建模方法
CN111169480A (zh) 一种动力系统能量管理方法、装置、设备和介质
CN110400462B (zh) 基于模糊理论的轨道交通客流监测预警方法及其系统
CN102087788A (zh) 基于浮动车车速置信度的交通状态参数估计方法
CN110660234A (zh) 智能交通灯控制方法
CN110901447A (zh) 一种电动汽车充电桩云管理系统及方法
CN110395245B (zh) 一种基于固定路线驾驶信息的混动汽车能量管理系统
CN111986337A (zh) 基于机器人的路侧停车收费管理系统及方法
CN112116241B (zh) 一种公共交通智能调度方法
CN117437789B (zh) 一种基于城市信息模型多维联动指挥调度的智慧园区系统
CN113140108B (zh) 一种网联智能交通系统中的云端交通态势预测方法
CN117076761B (zh) 一种新能源汽车充电桩智能管理方法和系统
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN111445091A (zh) 一种客运中心出租车司机的智能决策方法
CN114937352B (zh) 适用于车队云服务的智能调度方法及系统
CN116229424A (zh) 基于改进YOLO v3的智能网联汽车行人检测方法
CN114202131B (zh) 一种纯电动公交车充电等候时长的预测方法及装置
CN114492169B (zh) 考虑用户市场响应潜力的电动汽车用户画像方法及系统
CN115985132A (zh) 一种基于图神经网络的路边停车可用性预测方法
CN116312022A (zh) 一种基于用户偏好和车位占用率的停车推荐系统
CN115223087A (zh) 一种群控电梯交通模式识别的方法
CN115100847A (zh) 面向低渗透率网联车轨迹数据的排队服务时间估计方法
CN113222248A (zh) 一种自动驾驶出租车充电桩选择方法
CN114048978A (zh) 一种基于机器学习模型的供需调度策略融合应用
CN114274840B (zh) 基于s-crann的智能网联电动汽车电量消耗预测方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210903

WW01 Invention patent application withdrawn after publication