CN113780608A - 基于车辆数据的排队时长预估方法、装置及相关设备 - Google Patents
基于车辆数据的排队时长预估方法、装置及相关设备 Download PDFInfo
- Publication number
- CN113780608A CN113780608A CN202011291760.4A CN202011291760A CN113780608A CN 113780608 A CN113780608 A CN 113780608A CN 202011291760 A CN202011291760 A CN 202011291760A CN 113780608 A CN113780608 A CN 113780608A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- estimated
- target
- station
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G06Q50/40—
Abstract
本公开实施例提供一种基于车辆数据的排队时长预估方法、装置、电子设备及可读介质,该方法包括:获取目标车辆的历史行驶轨迹;根据历史行驶轨迹确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;接收对预设站点中目标站点的时长预估请求,根据目标车辆的所述预估上客人数、预估下客人数和目标站点的排队人数确定最小等待车辆数s;根据最小等待车辆数s和预估停留时长确定所述目标站点的预估排队时长;响应时长预估请求发送所述预估排队时长。本公开实施例提供的基于车辆数据的排队时长预估方法、装置、电子设备及可读介质,根据车辆数据准确预估每个站点的预估排队时长,从而能够帮助游客做出是否排队等候的合理决策。
Description
技术领域
本公开涉及智能交通技术领域,尤其涉及一种基于车辆数据的排队时长预估方法、装置、电子设备及计算机可读介质。
背景技术
随着经济的高速发展,人们生活水平的日益提高,综合性旅游景区变成了人们休闲娱乐度假的热门选择之一。但不论是哪个城市的哪个大型景区,每到节假日,总是人满为患,在缆车上车处、观光车等候处、热门子景点入口等地方常常仅排队就耗费少则半小时,多则大半天等时间。同时游客由于不知道排队时长,可能会导致游客往返于各个景点之间的路上,不能充分利用时间去园内其它休息,餐饮,购物等场所,大大降低游玩体验感,容易影响景点的游客口碑,不利于景区长期发展。
针对缆车、观光车、接驳车等车辆等候处,目前大多数景区内仅设置排队等候区域,并不会给予排队区游客任何车辆信息。少部分景区则会给出一个固定的车辆排班表,供游客参考,但并不能根据现场车辆情况来灵活的传达车辆信息。这些都可能导致游客盲目等候或盲目选择景点间穿梭方式,从而浪费游玩时间,降低游玩体验。
因此,需要一种新的基于车辆数据的排队时长预估方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供一种基于车辆数据的排队时长预估方法、装置、电子设备及计算机可读介质,能够根据车辆数据准确预估每个站点的预估排队时长,从而能够帮助游客做出是否排队等候的合理决策。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提出一种基于车辆数据的排队时长预估方法,该方法包括:获取目标车辆的历史行驶轨迹;根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;接收对所述预设站点中目标站点的时长预估请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s;根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长;响应所述时长预估请求发送所述预估排队时长。
在本公开的一种示例性实施例中,所述方法还包括:将所述历史行驶轨迹中停留时长大于停留时长阈值的轨迹地点确定为驻留点;将所述驻留点的坐标信息与所述预设站点的坐标信息进行匹配,获得所述预设站点对应的驻留点;将所述预设站点对应的驻留点的停留时长确定为所述目标车辆在所述预设站点的历史停留时长。
在本公开的一种示例性实施例中,根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、所述预估上客人数和所述预估下客人数包括:根据所述目标车辆中的摄像设备获取的摄像数据确定所述目标车辆在所述预设站点的历史上客前人数、历史上客人数和历史上客后人数;根据所述目标车辆在所述预设站点的历史上客前人数、历史上客人数和历史上客后人数确定所述目标车辆在所述预设站点的历史下客人数;利用时间序列模型分别对所述历史停留时长、所述历史上客人数和所述历史下客人数进行处理,获得所述目标车辆在所述预设站点的所述预估停留时长、所述预估上客人数和所述预估下客人数。
在本公开的一种示例性实施例中,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s包括:根据所述目标车辆的预设路线信息确定将要途经所述目标站点的目标车辆;根据所述将要途经所述目标站点的目标车辆与所述目标站点的路网距离对所述将要途经所述目标站点的目标车辆进行排序,获得目标车辆序列;根据所述目标站点的排队人数、所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定最小等待车辆数s。
在本公开的一种示例性实施例中,根据所述目标站点的排队人数、所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定最小等待车辆数s包括:确定i的当前值;根据所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定所述目标车辆序列中前i个目标车辆在所述目标站点的可承载人数总和;在所述可承载人数总和小于所述目标车辆的排队人数时,根据预设步长对所述i的当前值进行更新后循环执行上述步骤;在所述可承载人数总和大于或等于所述目标车辆的排队人数时,将所述i的当前值确定为所述最小等待车辆数s。
在本公开的一种示例性实施例中,根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长包括:根据所述最小等待车辆数s确定目标车辆序列中第s个目标车辆;根据所述目标车辆序列中第s个目标车辆的当前行驶数据确定所述第s个目标车辆到达所述目标站点的行驶时间;根据所述目标车辆序列中第s个目标车辆在预设站点的预估停留时长确定站点停留时间总和;根据所述目标车辆序列中第s个目标车辆的行驶时间和所述站点停留时间总和确定所述目标站点的预估排队时长。
在本公开的一种示例性实施例中,根据所述目标车辆序列中第s个目标车辆在预设站点的预估停留时长确定所述第s个目标车辆的站点停留时间总和包括:根据所述目标车辆序列中第s个目标车辆的预设路线信息确定途经站点;根据所述目标车辆序列中第s个目标车辆在所述途经站点的预估停留时长的和值确定所述站点停留时间总和。
根据本公开实施例的第二方面,提出一种基于车辆数据的排队时长预估装置,该装置包括:数据获取模块,配置为获取目标车辆的历史行驶轨迹;数据预估模块,配置为根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;车辆数计算模块,配置为响应对所述预设站点中目标站点的数据获取请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s;时长预估模块,配置为根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长;请求响应模块,配置为响应所述数据获取请求方式发送所述预估排队时长。
根据本公开实施例的第三方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的基于车辆数据的排队时长预估方法。
根据本公开实施例的第四方面,提出一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的基于车辆数据的排队时长预估方法。
根据本公开某些实施例提供的基于车辆数据的排队时长预估方法、装置、电子设备及计算机可读介质,根据目标车辆的历史行驶轨迹进行预测,能够预测获得目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。在接收到对预设站点中目标站点的时长预估请求时,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数能够准确计算获得最小等待车辆数s。进而能够根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长,进而能够帮助游客做出是否排队等候的合理决策。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法及装置的系统框图。
图2是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的流程图。
图3是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的流程图。
图4是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的流程图。
图5是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的数据流示意图。
图6是根据一示例性实施例示出的一种基于车辆数据的排队时长预估装置的框图。
图7示意性示出本公开一个示例性实施例中一种电子设备的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图仅为本发明的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图对本发明示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法及装置的系统框图。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的基于车辆数据的排队时长预估系统提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的基于车辆数据的排队时长预估请求等数据进行分析等处理,并将处理结果(例如预估排队时长--仅为示例)反馈给终端设备。
服务器105可例如获取目标车辆的历史行驶轨迹;服务器105可例如根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;服务器105可例如接收对所述预设站点中目标站点的时长预估请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s。服务器105可例如根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长。服务器105可例如响应所述时长预估请求发送所述预估排队时长。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如作为本公开中的基于车辆数据的排队时长预估任务提交系统,用于获取将要执行基于车辆数据的排队时长预估命令的任务;以及服务器105中的一部分还可例如作为本公开中的基于车辆数据的排队时长预估系统,用于获取目标车辆的历史行驶轨迹;根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;接收对所述预设站点中目标站点的时长预估请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s;根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长;响应所述时长预估请求发送所述预估排队时长。
根据本公开实施例提供的基于车辆数据的排队时长预估方法及装置,能够根据车辆数据准确预估每个站点的预估排队时长,从而能够帮助游客做出是否排队等候的合理决策。
图2是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的流程图。本公开实施例提供的基于车辆数据的排队时长预估方法可以由任意具备计算处理能力的电子设备执行,例如终端设备101、102、103和/或服务器105,在下面的实施例中,以服务器执行方法为例进行举例说明,但本公开并不限定于此。本公开实施例提供的基于车辆数据的排队时长预估方法20可以包括步骤S202至S210。本公开实施例的基于车辆数据的排队时长预估方法的数据流示意图可例如图5所示。
如图2所示,在步骤S202中,获取目标车辆的历史行驶轨迹。
本公开实施例中,目标车辆可为景观区内的观光车。历史行驶轨迹可包括目标车辆在预设的历史时间段内行驶过程中途经的轨迹地点的坐标信息。历史行驶轨迹还可包括目标车辆在途经的轨迹地点的停留时长。
在示例性实施例中,可将历史行驶轨迹中停留时长大于停留时长阈值的轨迹地点确定为驻留点;将驻留点的坐标信息与预设站点的坐标信息进行匹配,获得预设站点对应的驻留点;将预设站点对应的驻留点的停留时长确定为目标车辆在预设站点的历史停留时长。
其中,在预设站点可为景观区内的观光车站点。目标车辆在预设站点的历史停留时长可根据预设的时段进行划分。每个驻留点可根据经纬度和停留时长表示为sp={latsp,lngsp,stimesp},其中,latsp为驻留点sp的纬度,,lngsp为驻留点sp的经度,stimesp为驻留点sp的停留时长。历史停留时长为历史行驶轨迹中目标车辆在预设的时段内时停靠在预设站点等待乘客上车、下车的时长。
在步骤S204中,根据历史行驶轨迹确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。
本公开实施例中,预估停留时长为预估的目标车辆在预设的时段内时停靠在预设站点等待乘客上车、下车的时长。
在示例性实施例中,可根据目标车辆中的摄像设备获取的摄像数据确定目标车辆在预设站点的历史上客前人数、历史上客人数和历史上客后人数;根据目标车辆在预设站点的历史上客前人数、历史上客人数和历史上客后人数确定目标车辆在预设站点的历史下客人数。以及根据目标车辆在预设站点的历史上客前人数、历史上客人数和历史上客后人数确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。
目标车辆中的摄像设备获取的摄像数据可包括目标车辆在到达预设站点前、历史停留时长内以及离开预设站点后的摄像数据。通过对摄像数据进行图像处理和人脸检测(或行人检测),能够获得目标车辆在预设站点的历史上客前人数、历史上客人数和历史上客后人数。假设目标车辆在历史行驶过程中,在各个预设站点的历史上客前人数表示为passbefore,历史上客人数表示为Up,历史上客后人数表示为passafter,则目标车辆在预设站点的历史下客人数Down=passafter-passbefore+Up。
其中,在根据目标车辆在预设站点的历史上客前人数、历史上客人数和历史上客后人数确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数时,可利用时间序列模型分别对历史停留时长、历史上客人数和历史下客人数进行处理,获得目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。
可对历史停留时长ST、历史上客人数Up和历史下客人数Down分别进行时序建模,来求得历史行驶过程中目标车辆在各预设的时段中在这三个方面的趋势性、周期性和季节性,从而获得在未来指定某时段内,目标车辆的预估停留时长estST、预估上客人数estUp和预估下客人数estDown的预估。
本公开实施例中,在步骤S202至S204可实现预估获得目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。其中,算法输入可包括目标车辆的历史行驶轨迹、最大容客数、各预设时段内在每个预设站点上车的上客人数(可通过检票机获得)、预设站点的站点标识、预设站点的经纬度信息(坐标信息),历史行驶轨迹可包括目标车辆的车辆标识(ID)、经纬度信息和通过摄像设备获得的每个时刻的乘客人数pass。进而能够输出获得预设时段内目标车辆在每个预设站点最终在T时刻的预估停留时长、预估上客人数和预估下客人数。
在步骤S206中,接收对预设站点中目标站点的时长预估请求,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数确定最小等待车辆数s。
本公开实施例中,时长预估请求可例如在游客A将在时刻TA(例如可精确到秒)做出是否去预设站点X(即目标站点)的排队区排队等候观光车的判断决策时生成。最小等待车辆数s可为时刻TA目标站点X的排队区的最后一名游客排队至排队队伍的第一个时需要等待的目标车辆的车辆数。
在步骤S208中,根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长。
本公开实施例中,可根据最小车辆数s确定时刻TA目标站点X的排队区的最后一名游客将要乘坐的目标车辆的预估停留时长以及该目标车辆的当前行驶数据进行计算,获得该目标车辆行驶至目标站点所需时长,即预估排队时长。
在步骤S210中,响应时长预估请求发送预估排队时长。
本公开实施例中,在发送预估排队时长后,可将决策这一时刻TA的预计排队时长展示在例如观景区内各个预设站点或显眼位置的信息大屏、小程序、公众号等。
根据本公开实施例提供的基于车辆数据的排队时长预估方法,根据目标车辆的历史行驶轨迹进行预测,能够预测获得目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。在接收到对预设站点中目标站点的时长预估请求时,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数能够准确计算获得最小等待车辆数s。进而能够根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长,进而能够帮助游客做出是否排队等候的合理决策。
在示例性实施例中,时间序列模型可获取时段为[TA-Tw,TA-1]这段历史时间内,各景点的在各时段的游客数量。其中,Tw为时间窗参数,单位可例如为天,Tw越大,预测效果越好。一般地,可取Tw=90。将时间序列分解成季节项、趋势项和周期项三项,则他可以表达成相加或相乘的两种形式,分别为:yt=St+Tt+Rt和yt=St*Tt*Rt。其中,St为季节项、Tt为趋势项,Rt为周期项。如果季节性波动的幅度或者趋势周期项的波动不随时间序列水平的变化而变化,那么加法模型是最为合适的。当季节项或趋势周期项的变化与时间序列的水平成比例时,则乘法模型更为合适。在本公开实施例中,由于需要建模的三项数据的季节性波动幅度和周期性波动随时间序列水平的变化较小,因此选用加法模型更加合适。
常用的时间序列分解算法可例如包括但不限于为:自回归移动平均模型(ARMA)模型、季节性提取方法(SEATS分解法)、X11分解法、STL分解法等。分解后的时间序列可以表达为:其中是经季节调整后的部分。对于预测一个分解的时间序列,我们需要分别预测季节项和经季节调整后的通常情况下假设季节项不变,或者变化得很慢,因此它可以通过简单地使用最后一年的季节项的估计来预测。即,可以使用任意非季节性预测方法来预测季节调整后的分量。例如,可以使用带漂移项的随机游走法,也可以使用三次指数平滑法。
在本公开实施例中,可例如使用三次指数平滑方法(Holt-Winters)来进行指标的预测。Holt-Winters方法包括预测方程和三个平滑方程:一个用于水平lt,一个用于趋势bt,一个用于季节性分量st,相应的平滑参数分别为α、β、γ。用m来表示季节频率,即一年中包含的季节周期数。在本公开实施例的场景下,将一天看作一个季节性变化周期,设目标车辆在一天内的运行时段为[Ts,Te],单位为分钟。将时段按小时划分,则一天内共有个时段,即
分量的平滑参数和初始估计值通过最小化均方根误差(RMSE)获得。
在示例性实施例中,在步骤S208中,可根据最小等待车辆数s确定目标车辆序列中第s个目标车辆;根据目标车辆序列中第s个目标车辆的当前行驶数据确定第s个目标车辆到达目标站点的行驶时间根据目标车辆序列中第s个目标车辆在预设站点的预估停留时长确定站点停留时间总和根据目标车辆序列中第s个目标车辆的行驶时间和站点停留时间总和确定目标站点的预估排队时长。
其中,目标车辆的当前行驶数据可表示为Infoon={lng,lat,speed,time,pass},分别表示目标车辆在当前时刻的经度、纬度、速度、时间、乘客人数。行驶时间表示目标车辆序列中第s辆抵达目标站点X的目标车辆需要花费的在路上的行驶时间,行驶时间等于第s辆目标车辆在时刻TA距目标站点X的路网距离与目标车辆序列中第s辆目标车辆当前的行驶速度speeds的比值。
其中,该目标车辆序列中第s个目标车辆在停靠目标站点X前,需要停靠q个途经站点,则其中,j∈(0,q],表示目标车辆序列中第s辆目标车辆抵达目标站点X前需经过的第j个预设站点,Tj表示经过第j个预设站点的那一时刻,STj为目标车辆序列中第s辆目标车辆在第j个预设站点的预估停留时长。
在确定目标站点X的预估排队时长waitTimeX时,可根据下式获得:
在示例性实施例中,可根据目标车辆的实际运行情况实时地对预估排队时长waitTimeX进行修正,例如,可根据已经到达目标站点的目标车辆的实际的到达时长和未到达目标站点的目标车辆的预估的到达时长获得并根据waitTimesum对预估排队时长waitTimex进行修正。
图3是根据一示例性实施例示出的一种基于车辆数据的排队时长预估方法的流程图。如图3所示,本公开实施例提供的基于车辆数据的排队时长预估方法在“根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数确定最小等待车辆数s”时,可以包括步骤S302至S306。
在步骤S302中,根据目标车辆的预设路线信息确定将要途经目标站点的目标车辆。
本公开实施例中,目标车辆的预设线路信息例如为景观区内预先设置的目标车辆的固定行驶路线以及途径的预设站点。每个目标车辆可包括离线行驶信息Infooff={line,cap},其中,line表示目标车辆的预设行驶路线,cap表示目标车辆的最大客容人数。其中,可根据目标车辆的当前行驶数据和目标车辆的预设路线信息确定将要途经目标站点的目标车辆。通过目标车辆在当前时刻的经度、纬度和目标车辆的预设路线信息确定预设路线信息中包括目标站点但尚未到达目标站点的目标车辆,能够确定将要途经目标站点的目标车辆。
在步骤S304中,根据将要途经目标站点的目标车辆与目标站点的路网距离对将要途经目标站点的目标车辆进行排序,获得目标车辆序列。
本公开实施例中,将要途经目标站点的目标车辆与目标站点的路网距离可根据目标车辆所处场所(例如景观区)的路网信息获得,如图5所示。路网信息可表示为Route={r1,r2,....,rk,...,rK},rk表示路网内的第k个路段,共由K个路段组成。其中,可将将要途经目标站点的目标车辆的经度、纬度和目标站点的经纬度以及园区内的路网信息确定将要途经目标站点的目标车辆与目标站点的路网距离。目标站点可表示为Infop={id,loc,waitNum},分别表示目标站点的站点标识、经纬度和当前时刻的等待人数。其中,路网距离是目标车辆沿在路网信息中预设的路线信息行驶至目标站点的真实距离,而非两点间的欧几里得直线距离。其中,在进行排序时,可根据路网距离从小到大进行排序,获得目标车辆序列。
在步骤S306中,根据目标站点的排队人数、目标车辆的最大容客人数、预估上客人数、预估下客人数确定最小等待车辆数s。
在示例性实施例中,如图4所示,步骤S306可包括如下步骤S402至S408。
在步骤S402中,确定i的当前值。
本公开实施例中,在第一次执行时,i的值可例如初始化为1。
在步骤S404中,根据目标车辆的最大容客人数、预估上客人数、预估下客人数确定目标车辆序列中前i个目标车辆在目标站点的可承载人数总和。
本公开实施例中,第i个目标车辆在停靠目标站点X前的当前乘客人数可表示为其中,第i个目标车辆在停靠目标站点X时的可承载人数可表示为capi-passi+estDowni,其中,capi为目标车辆序列中第i辆目标车辆的最大客容量,passi为目标车辆序列中第i辆目标车辆停靠目标站点X时的乘客人数,estDowni为目标车辆序列中第i辆目标车辆在目标站点X的预估下客人数。
在步骤S406中,在可承载人数总和小于目标车辆的排队人数时,根据预设步长对i的当前值进行更新后循环执行上述步骤。
本公开实施例中,可承载人数总和小于目标车辆的排队人数可表示为下式:
在步骤S408中,在可承载人数总和大于或等于目标车辆的排队人数时,将i的当前值确定为最小等待车辆数s。
根据本公开实施例提供的基于车辆数据的排队时长预估方法,在确定预估排队时长时,加入目标车辆的停留时长这一因素,能够使获得的预估排队时长更加精准。利用目标车辆的当前行驶数据,如速度、班次、满载度,结合站点当前的排队人数,来预估位于目标站点的当前等候队列中,最后一名游客的等候时长,以此帮助游客做出是否排队等候的合理决策。通过分析目标车辆的历史行车轨迹,来挖掘目标车辆在不同时段在不同预设站点的停留时间、上客人数和下客人数,以此精确指导目标车辆抵达目标站点的时间预估。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由中央处理器(Central Processing Unit,CPU)执行的计算机程序。在该计算机程序被中央处理器CPU执行时,执行本公开提供的上述方法所限定的上述功能。的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图6是根据一示例性实施例示出的一种基于车辆数据的排队时长预估装置的框图。参照图6,本公开实施例提供的基于车辆数据的排队时长预估装置60可以包括:数据获取模块602、数据预估模块604、车辆数计算模块606、时长预估模块608和请求响应模块610。
在基于车辆数据的排队时长预估装置60中,数据获取模块602可配置为获取目标车辆的历史行驶轨迹。
数据预估模块604可配置为根据历史行驶轨迹确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。
车辆数计算模块606可配置为响应对预设站点中目标站点的数据获取请求,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数确定最小等待车辆数s。
时长预估模块608可配置为根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长。
请求响应模块610可配置为响应数据获取请求方式发送预估排队时长。
根据本公开实施例提供的基于车辆数据的排队时长预估装置,根据目标车辆的历史行驶轨迹进行预测,能够预测获得目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数。在接收到对预设站点中目标站点的时长预估请求时,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数能够准确计算获得最小等待车辆数s。进而能够根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长,进而能够帮助游客做出是否排队等候的合理决策。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于:上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中,存储单元存储有程序代码,程序代码可以被处理单元710执行,使得处理单元710执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,处理单元710可以执行如图2中所示的步骤S202:获取目标车辆的历史行驶轨迹;步骤S204:根据历史行驶轨迹确定目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;步骤S206:接收对预设站点中目标站点的时长预估请求,根据目标车辆的预估上客人数、预估下客人数和目标站点的排队人数确定最小等待车辆数s;步骤S208:根据最小等待车辆数s和预估停留时长确定目标站点的预估排队时长;步骤S210:响应数据获取请求方式发送预估排队时长。
存储单元720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202,还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204,这样的程序模块7205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备700交互的设备通信,和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且,电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器760通过总线730与电子设备700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。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。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,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。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和构思由权利要求指出。
Claims (10)
1.一种基于车辆数据的排队时长预估方法,其特征在于,包括:
获取目标车辆的历史行驶轨迹;
根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;
接收对所述预设站点中目标站点的时长预估请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s;
根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长;
响应所述时长预估请求发送所述预估排队时长。
2.如权利要求1所述的方法,其特征在于,还包括:
将所述历史行驶轨迹中停留时长大于停留时长阈值的轨迹地点确定为驻留点;
将所述驻留点的坐标信息与所述预设站点的坐标信息进行匹配,获得所述预设站点对应的驻留点;
将所述预设站点对应的驻留点的停留时长确定为所述目标车辆在所述预设站点的历史停留时长。
3.如权利要求2所述的方法,其特征在于,根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、所述预估上客人数和所述预估下客人数包括:
根据所述目标车辆中的摄像设备获取的摄像数据确定所述目标车辆在所述预设站点的历史上客前人数、历史上客人数和历史上客后人数;
根据所述目标车辆在所述预设站点的历史上客前人数、历史上客人数和历史上客后人数确定所述目标车辆在所述预设站点的历史下客人数;
利用时间序列模型分别对所述历史停留时长、所述历史上客人数和所述历史下客人数进行处理,获得所述目标车辆在所述预设站点的所述预估停留时长、所述预估上客人数和所述预估下客人数。
4.如权利要求1所述的方法,其特征在于,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s包括:
根据所述目标车辆的预设路线信息确定将要途经所述目标站点的目标车辆;
根据所述将要途经所述目标站点的目标车辆与所述目标站点的路网距离对所述将要途经所述目标站点的目标车辆进行排序,获得目标车辆序列;
根据所述目标站点的排队人数、所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定最小等待车辆数s。
5.如权利要求4所述的方法,其特征在于,根据所述目标站点的排队人数、所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定最小等待车辆数s包括:
确定i的当前值;
根据所述目标车辆的最大容客人数、所述预估上客人数、所述预估下客人数确定所述目标车辆序列中前i个目标车辆在所述目标站点的可承载人数总和;
在所述可承载人数总和小于所述目标车辆的排队人数时,根据预设步长对所述i的当前值进行更新后循环执行上述步骤;
在所述可承载人数总和大于或等于所述目标车辆的排队人数时,将所述i的当前值确定为所述最小等待车辆数s。
6.如权利要求1所述的方法,其特征在于,根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长包括:
根据所述最小等待车辆数s确定目标车辆序列中第s个目标车辆;
根据所述目标车辆序列中第s个目标车辆的当前行驶数据确定所述第s个目标车辆到达所述目标站点的行驶时间;
根据所述目标车辆序列中第s个目标车辆在预设站点的预估停留时长确定站点停留时间总和;
根据所述目标车辆序列中第s个目标车辆的行驶时间和所述站点停留时间总和确定所述目标站点的预估排队时长。
7.如权利要求6所述的方法,其特征在于,根据所述目标车辆序列中第s个目标车辆在预设站点的预估停留时长确定所述第s个目标车辆的站点停留时间总和包括:
根据所述目标车辆序列中第s个目标车辆的预设路线信息确定途经站点;
根据所述目标车辆序列中第s个目标车辆在所述途经站点的预估停留时长的和值确定所述站点停留时间总和。
8.一种基于车辆数据的排队时长预估装置,其特征在于,包括:
数据获取模块,配置为获取目标车辆的历史行驶轨迹;
数据预估模块,配置为根据所述历史行驶轨迹确定所述目标车辆在预设站点的预估停留时长、预估上客人数和预估下客人数;
车辆数计算模块,配置为响应对所述预设站点中目标站点的数据获取请求,根据所述目标车辆的所述预估上客人数、所述预估下客人数和所述目标站点的排队人数确定最小等待车辆数s;
时长预估模块,配置为根据所述最小等待车辆数s和所述预估停留时长确定所述目标站点的预估排队时长;
请求响应模块,配置为响应所述数据获取请求方式发送所述预估排队时长。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291760.4A CN113780608A (zh) | 2020-11-18 | 2020-11-18 | 基于车辆数据的排队时长预估方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011291760.4A CN113780608A (zh) | 2020-11-18 | 2020-11-18 | 基于车辆数据的排队时长预估方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780608A true CN113780608A (zh) | 2021-12-10 |
Family
ID=78835318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011291760.4A Pending CN113780608A (zh) | 2020-11-18 | 2020-11-18 | 基于车辆数据的排队时长预估方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780608A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702035A (zh) * | 2016-03-23 | 2016-06-22 | 武汉大学 | 一种利用历史公交数据评估乘车难易程度的方法 |
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 |
CN107392337A (zh) * | 2017-07-18 | 2017-11-24 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的预约乘车方法及物联网服务器 |
CN107563537A (zh) * | 2016-06-30 | 2018-01-09 | 高德软件有限公司 | 一种候车时间的确定方法及装置 |
CN109543923A (zh) * | 2018-12-21 | 2019-03-29 | 英华达(上海)科技有限公司 | 车辆排队时间预测方法、系统、设备及存储介质 |
US20190204109A1 (en) * | 2016-05-25 | 2019-07-04 | Ford Global Technologies, Llc | Predicting a point-of-interest wait time for an estimated time-of-arrval |
CN111831764A (zh) * | 2020-01-20 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种停留站点的确定方法、装置、电子设备和介质 |
-
2020
- 2020-11-18 CN CN202011291760.4A patent/CN113780608A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702035A (zh) * | 2016-03-23 | 2016-06-22 | 武汉大学 | 一种利用历史公交数据评估乘车难易程度的方法 |
US20190204109A1 (en) * | 2016-05-25 | 2019-07-04 | Ford Global Technologies, Llc | Predicting a point-of-interest wait time for an estimated time-of-arrval |
CN107563537A (zh) * | 2016-06-30 | 2018-01-09 | 高德软件有限公司 | 一种候车时间的确定方法及装置 |
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 |
CN107392337A (zh) * | 2017-07-18 | 2017-11-24 | 深圳市盛路物联通讯技术有限公司 | 一种基于物联网的预约乘车方法及物联网服务器 |
CN109543923A (zh) * | 2018-12-21 | 2019-03-29 | 英华达(上海)科技有限公司 | 车辆排队时间预测方法、系统、设备及存储介质 |
CN111831764A (zh) * | 2020-01-20 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 一种停留站点的确定方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10639995B2 (en) | Methods, circuits, devices, systems and associated computer executable code for driver decision support | |
CN109478364B (zh) | 确定预计到达时间的方法及系统 | |
CN112074845A (zh) | 用于优化拼车策略的深度强化学习 | |
CN110383007A (zh) | 智能车辆停泊设备和相关方法 | |
CN113284359B (zh) | 车位推荐方法、装置、设备及计算机可读存储介质 | |
US20170092130A1 (en) | Automatic selection of parking spaces based on parking space attributes, driver preferences, and vehicle information | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和系统以及评价方法和系统 | |
WO2021121354A1 (en) | Model-based deep reinforcement learning for dynamic pricing in online ride-hailing platform | |
JP2013545078A (ja) | ルート設計デジタル地図を最適化するための方法、システム、およびコンピュータ・プログラム製品 | |
CN111065894A (zh) | 用于提供从出发地点到目标地点的旅程路线或旅程路线所需时间的方法与计算机系统 | |
US20210117874A1 (en) | System for dispatching a driver | |
Häme | Demand-responsive transport: models and algorithms | |
Sayarshad et al. | A scalable non-myopic atomic game for a smart parking mechanism | |
CN111737601A (zh) | 出行策略的推荐方法、装置、设备及存储介质 | |
CN112106021B (zh) | 提供车辆导航模拟环境的方法和装置 | |
CN107545314B (zh) | 公共出行路线的排序方法及装置 | |
JP6633981B2 (ja) | 交通情報配信システムおよび交通情報配信方法 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
Chowdhury et al. | Preference-aware public transport matching | |
CN113780608A (zh) | 基于车辆数据的排队时长预估方法、装置及相关设备 | |
Tayade et al. | Advance prediction of parking space availability and other facilities for car parks in smart cities | |
CN112101677B (zh) | 一种公共交通出行路径规划方法、装置、设备及存储介质 | |
Rahaman | Context-aware mobility analytics and trip planning | |
US10989546B2 (en) | Method and device for providing vehicle navigation simulation environment | |
CN112686457A (zh) | 路线到达时间预估方法及装置、电子设备、存储介质 |
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 |