CN113822462A - 一种车站应急指挥方法及装置 - Google Patents
一种车站应急指挥方法及装置 Download PDFInfo
- Publication number
- CN113822462A CN113822462A CN202110900825.9A CN202110900825A CN113822462A CN 113822462 A CN113822462 A CN 113822462A CN 202110900825 A CN202110900825 A CN 202110900825A CN 113822462 A CN113822462 A CN 113822462A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- station
- passenger
- emergency
- early warning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013468 resource allocation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种车站应急指挥方法及装置，方法包括：利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；利用AI视频识别算法得到各个关键位置的实时客流量；实时比较实时客流量和客流拥挤报警阈值，发出车站应急预警提醒，进入应急指挥流程。与现有技术相比，本发明使用AI短时客流预测算法预测得到客站的客流总量预测值，再设置客流拥挤预警阈值，使用AI视频识别算法得到实时客流量，对比实时客流量和客流拥挤预警阈值发出车站应急预警提醒，进入应急指挥流程，提高了车站管理的智能化水平，应急指挥更加及时、科学。
Description
技术领域
本发明涉及铁路交通运输技术，尤其是涉及一种车站应急指挥方法及装置。
背景技术
近年来，随着高速铁路的建设，城际交通规模不断增长，铁路站点是城市交通运输枢纽中的关键一环，是交通运输领域的重要节点。建立车站应急指挥平台不仅是铁路部门处置突发事件的需要，也是国家处置各类突发事件的要求。
铁路站点的应急指挥所遇到的主要问题有大客流、大面积晚点等，主要问题都会反映为客流在车站的聚集。传统的应急指挥中，往往会人工监测站点的人流量，根据经验进行判断，当感觉人流量较多时，或出现突发事件时，启动应急指挥。现有的应急指挥方法还不够成熟。
随着各种AI预测和AI识别技术的成熟，各个领域已经逐步向智能化方向发展，目前，建设基于AI技术的铁路客站应急指挥系统具有迫切要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种车站应急指挥方法及装置，使用AI短时客流预测算法预测得到客站的客流总量预测值，再设置各个关键位置的客流拥挤预警阈值，使用AI视频识别算法得到各个关键位置的实时客流量，对比实时客流量和客流拥挤预警阈值发出车站应急预警提醒，进入应急指挥流程，提高了车站管理的智能化水平，应急指挥更加及时、科学。
本发明的目的可以通过以下技术方案来实现：
一种车站应急指挥方法，包括以下步骤：
S1、利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
S2、根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值，所述关键位置是预先确定的；
S3、各个关键位置布置有摄像头，用于采集实时客流图像，利用AI视频识别算法得到各个关键位置的实时客流量；
S4、实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
进一步的，步骤S1中，所述AI短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
更进一步的，参数模型预测算法包括但不限于非线性回归、ARIMA、卡尔曼滤波等方法；非参模型预测算法包括但不限于LSTM、XGBoost等方法；混合预测算法结合了参数模型预测算法与非参数模型预测算法。
进一步的，步骤S1中，所述AI短时客流预测算法是根据铁路客站的规模等级、客流特点和AI计算资源配置情况确定的。
进一步的，步骤S2中，获取铁路客站各个关键位置的历史客流数据，基于各个关键位置的历史客流数据和客运车站预设置的车站应急标准，设置各个关键位置的客流拥挤预警阈值。
更进一步的，步骤S2中，各个关键位置的客流拥挤预警阈值根据列车正晚点信息、列车停靠股道信息和客调命令关键信息动态调整。
进一步的，步骤S3中，所述AI视频识别算法是是基于CNN的卷积图像识别神经网络，也可以是其他图像识别算法，以识别关键位置的人流量。
进一步的，步骤S4中，计算实时客流量超出客流拥挤报警阈值的绝对值以及实时客流量超出客流拥挤报警阈值的幅度，如果绝对值和幅度满足预设置的触发条件，则发出对应的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程；所述触发条件的数量为多个，分别对应不同等级的车站应急预警提醒，每个应急指挥流程包括应急预案和应急处理人员。
一种车站应急指挥装置，基于如上所述的车站应急指挥方法，包括：
AI短时客流预测部，用于利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
AI视频识别部，根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；
应急指挥预警部，实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
进一步的，所述AI短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
进一步的，所述AI短时客流预测算法是根据铁路客站的规模等级、客流特点和AI计算资源配置情况确定的。
与现有技术相比，本发明使用AI短时客流预测算法预测得到客站的客流总量预测值，再设置各个关键位置的客流拥挤预警阈值，使用AI视频识别算法得到各个关键位置的实时客流量，对比实时客流量和客流拥挤预警阈值发出车站应急预警提醒，进入应急指挥流程，提高了车站管理的智能化水平，应急指挥更加及时、科学。
附图说明
图1为车站应急指挥方法的流程示意图；
图2为车站应急指挥方法的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种车站应急指挥方法，如图1所示，包括以下步骤：
S1、利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
S2、根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值，关键位置是预先确定的；
S3、各个关键位置布置有摄像头，用于采集实时客流图像，利用AI视频识别算法得到各个关键位置的实时客流量；
S4、实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
一种车站应急指挥装置，如图2所示，包括：
AI短时客流预测部，用于利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
AI视频识别部，根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；
应急指挥预警部，实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
AI短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法；参数模型预测算法包括但不限于非线性回归、ARIMA、卡尔曼滤波等方法；非参模型预测算法包括但不限于LSTM、XGBoost等方法；混合预测算法结合了参数模型预测算法与非参数模型预测算法。
步骤S1中，AI短时客流预测算法是根据铁路客站的规模等级、客流特点和AI计算资源配置情况确定的。对于规模等级小、AI计算资源少的铁路客站，可以应用较简单的AI短时客流预测算法，如非线性回归、ARIMA、卡尔曼滤波等时序序列预测方法；对于规模等级大、客流量多的铁路客站，可以采用较复杂、准确度较高的混合预测算法，如以LSTM、XGBoost为核心的基于机器学习的客流预测方法。
步骤S2中，获取铁路客站各个关键位置的历史客流数据，基于各个关键位置的历史客流数据和客运车站预设置的车站应急标准，设置各个关键位置的客流拥挤预警阈值。
如步骤S1中预测得到的铁路客站当日的客流总量预测值为N，就可以找到历史上客流总量接近N的日期的客流记录，进一步的，还可以比较当日与历史日期的节日属性、春运暑运属性等，以找到与当日客流特点最接近的历史数据，从而预测当日各个关键位置的客流数据。基于预测的各个关键位置的客流数据以及车站预设置的车站应急标准(如应急标准为当关键位置的客流量大于阈值则触发应急指挥)，得到各个关键位置的客流拥挤预警阈值。
步骤S2中，客流拥挤预警阈值可以是固定的，一经设置，当日不再改变，也可以是实时调整的，将各个关键位置的客流拥挤预警阈值根据列车正晚点信息、列车停靠股道信息和客调命令关键信息动态调整。
步骤S2中，客流拥挤预警阈值的动态调整包括但不限于如下方法：在节假日等重点客流监控时间，当收到列车晚点信息时，对应调低客流拥挤预警阈值，提前触发车站应急预警；在非重点客流监控时间，当收到列车晚点信息时，对应调高客流拥挤预警阈值，适应由于晚点造成一定程度的客流聚集。
步骤S3中，AI视频识别算法是是基于CNN的卷积图像识别神经网络，也可以是其他图像识别算法，以识别关键位置的人流量。
步骤S4中，计算实时客流量超出客流拥挤报警阈值的绝对值以及实时客流量超出客流拥挤报警阈值的幅度，如果绝对值和幅度满足预设置的触发条件，则发出对应的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程；触发条件的数量为多个，分别对应不同等级的车站应急预警提醒，每个应急指挥流程包括应急预案和应急处理人员，车站的相应部门和人员(应急处理人员)按照应急预案进行应急指挥。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种车站应急指挥方法，其特征在于，包括以下步骤：
S1、利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
S2、根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值，所述关键位置是预先确定的；
S3、各个关键位置布置有摄像头，利用AI视频识别算法得到各个关键位置的实时客流量；
S4、实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
2.根据权利要求1所述的一种车站应急指挥方法，其特征在于，步骤S1中，所述AI短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
3.根据权利要求1所述的一种车站应急指挥方法，其特征在于，步骤S1中，所述AI短时客流预测算法是根据铁路客站的规模等级、客流特点和AI计算资源配置情况确定的。
4.根据权利要求1所述的一种车站应急指挥方法，其特征在于，步骤S2中，获取铁路客站各个关键位置的历史客流数据，基于各个关键位置的历史客流数据和客运车站预设置的车站应急标准，设置各个关键位置的客流拥挤预警阈值。
5.根据权利要求4所述的一种车站应急指挥方法，其特征在于，步骤S2中，各个关键位置的客流拥挤预警阈值根据列车正晚点信息、列车停靠股道信息和客调命令关键信息动态调整。
6.根据权利要求1所述的一种车站应急指挥方法，其特征在于，步骤S3中，所述AI视频识别算法是是基于CNN的卷积图像识别神经网络。
7.根据权利要求1所述的一种车站应急指挥方法，其特征在于，步骤S4中，计算实时客流量超出客流拥挤报警阈值的绝对值以及实时客流量超出客流拥挤报警阈值的幅度，如果绝对值和幅度满足预设置的触发条件，则发出对应的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程；所述触发条件的数量为多个，分别对应不同等级的车站应急预警提醒，每个应急指挥流程包括应急预案和应急处理人员。
8.一种车站应急指挥装置，其特征在于，基于如权利要求1-7中任一所述的车站应急指挥方法，包括：
AI短时客流预测部，用于利用AI短时客流预测算法得到铁路客站当日的客流总量预测值；
AI视频识别部，根据客流总量预测值和历史数据，计算铁路客站各个关键位置的客流拥挤预警阈值；
应急指挥预警部，实时比较实时客流量和客流拥挤报警阈值，计算实时客流量超出客流拥挤报警阈值的幅度，发出对应该幅度的车站应急预警提醒，进入该车站应急预警提醒所对应的应急指挥流程。
9.根据权利要求8所述的一种车站应急指挥装置，其特征在于，所述AI短时客流预测算法为参数模型预测算法、非参模型预测算法与混合预测算法中的一种。
10.根据权利要求8所述的一种车站应急指挥装置，其特征在于，所述AI短时客流预测算法是根据铁路客站的规模等级、客流特点和AI计算资源配置情况确定的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110900825.9A CN113822462B (zh) | 2021-08-06 | 2021-08-06 | 一种车站应急指挥方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110900825.9A CN113822462B (zh) | 2021-08-06 | 2021-08-06 | 一种车站应急指挥方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822462A true CN113822462A (zh) | 2021-12-21 |
| CN113822462B CN113822462B (zh) | 2023-10-13 |
Family
ID=78912888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110900825.9A Active CN113822462B (zh) | 2021-08-06 | 2021-08-06 | 一种车站应急指挥方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822462B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
| EP2784729A1 (en) * | 2013-03-25 | 2014-10-01 | Amadeus | Method and system for detecting anomaly in passenger flow |
| CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警系统和方法 |
| CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
| CN109523776A (zh) * | 2017-09-20 | 2019-03-26 | 株式会社日立制作所 | 公共交通运营计划生成装置、方法及系统 |
| CN110070061A (zh) * | 2019-04-26 | 2019-07-30 | 重庆交通开投科技发展有限公司 | 一种乘客数量推算方法及装置 |
| CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及系统 |
| CN110619422A (zh) * | 2019-11-04 | 2019-12-27 | 广东工业大学 | 一种智能车站客流状况预测方法和系统 |
| CN110837944A (zh) * | 2019-08-27 | 2020-02-25 | 北京轨道交通路网管理有限公司 | 调度方法、装置及系统 |
| CN111737314A (zh) * | 2020-06-13 | 2020-10-02 | 北京京投亿雅捷交通科技有限公司 | 一种运营日系统的客流信息检测方法 |
| CN111932429A (zh) * | 2020-10-14 | 2020-11-13 | 中国矿业大学(北京) | 基于od的轨道交通站点客流结构相似性分析方法及装置 |
| CN112070324A (zh) * | 2020-11-11 | 2020-12-11 | 江西鹭鹭行科技有限公司 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
| CN113065701A (zh) * | 2021-03-30 | 2021-07-02 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
| CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
-
2021
- 2021-08-06 CN CN202110900825.9A patent/CN113822462B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324128A (zh) * | 2011-05-24 | 2012-01-18 | 北京交通大学 | 基于ic卡记录的公交站间od客流预测方法及装置 |
| EP2784729A1 (en) * | 2013-03-25 | 2014-10-01 | Amadeus | Method and system for detecting anomaly in passenger flow |
| CN106778632A (zh) * | 2016-12-22 | 2017-05-31 | 东南大学 | 轨道交通大客流识别预警系统和方法 |
| CN106910005A (zh) * | 2017-01-17 | 2017-06-30 | 北京万相融通科技股份有限公司 | 一种车站客流量趋势预测及统计分析方法 |
| CN107145985A (zh) * | 2017-05-09 | 2017-09-08 | 北京城建设计发展集团股份有限公司 | 一种城市轨道交通客流区域联动预警方法 |
| CN107480824A (zh) * | 2017-08-17 | 2017-12-15 | 重庆交通大学 | 城市轨道交通站点短时客流预测系统及方法 |
| CN109523776A (zh) * | 2017-09-20 | 2019-03-26 | 株式会社日立制作所 | 公共交通运营计划生成装置、方法及系统 |
| CN110570004A (zh) * | 2018-06-05 | 2019-12-13 | 上海申通地铁集团有限公司 | 地铁客流的预测方法及系统 |
| CN110070061A (zh) * | 2019-04-26 | 2019-07-30 | 重庆交通开投科技发展有限公司 | 一种乘客数量推算方法及装置 |
| CN110837944A (zh) * | 2019-08-27 | 2020-02-25 | 北京轨道交通路网管理有限公司 | 调度方法、装置及系统 |
| CN110619422A (zh) * | 2019-11-04 | 2019-12-27 | 广东工业大学 | 一种智能车站客流状况预测方法和系统 |
| CN111737314A (zh) * | 2020-06-13 | 2020-10-02 | 北京京投亿雅捷交通科技有限公司 | 一种运营日系统的客流信息检测方法 |
| CN111932429A (zh) * | 2020-10-14 | 2020-11-13 | 中国矿业大学(北京) | 基于od的轨道交通站点客流结构相似性分析方法及装置 |
| CN112070324A (zh) * | 2020-11-11 | 2020-12-11 | 江西鹭鹭行科技有限公司 | 站点客流量预测方法、装置、可读存储介质及计算机设备 |
| CN113065701A (zh) * | 2021-03-30 | 2021-07-02 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
| CN113159393A (zh) * | 2021-03-30 | 2021-07-23 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 客运站大客流感知预警方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 冯佳平: "实时AFC数据接入下城轨路网客流动态分布建模与仿真", 中国优秀硕士学位论文全文数据库工程科技II辑, no. 01, pages 033 - 659 * |
| 李得伟 等: "地铁客流预警技术基础探讨", 都市快轨交通, vol. 26, no. 02, pages 62 - 66 * |
| 胡永恺: "基于手机信令的轨道交通乘客出行行为分析方法研究", 中国博士学位论文全文数据库工程科技II辑, no. 11, pages 033 - 42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822462B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
| Nama et al. | Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges | |
| CN110901710B (zh) | 基于动态客流的城市轨道交通行车调度方法及装置 | |
| CN110225457B (zh) | 共享单车的监管方法、装置、服务器及可读存储介质 | |
| CN107610466A (zh) | 一种区域车辆实时监控管理系统 | |
| CN108423003A (zh) | 一种驾驶安全监控方法及系统 | |
| CN104268710B (zh) | 轨道交通路网动态应急处置方案生成方法 | |
| CN110675625A (zh) | 智慧交通大数据方法及系统 | |
| CN105070043A (zh) | 智能公交站系统 | |
| CN110263623B (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
| CN114419924A (zh) | 一种基于智慧城市的ai应用控制管理系统 | |
| CN110599791A (zh) | 信息监控方法、装置和设备 | |
| CN111541751B (zh) | 一种轨迹监测的方法及装置 | |
| CN1606022A (zh) | 一种自动查票方法及自动查票装置 | |
| CN111915920A (zh) | 一种基于云计算的智慧城市公共交通系统建设协调管理系统 | |
| CN112101809A (zh) | 一种智慧车辆和场站一体化管理方法 | |
| CN115171013A (zh) | 一种基于智慧交通事故施救的车辆调度系统及方法 | |
| CN114360204A (zh) | 一种基于区块链的网联汽车信息安全通信系统 | |
| Ki et al. | Method for automatic detection of traffic incidents using neural networks and traffic data | |
| CN113822462A (zh) | 一种车站应急指挥方法及装置 | |
| CN115510034A (zh) | 一种公路隧道管控架构、方法及系统 | |
| Di Febbraro et al. | INTRANET: A new simulation tool for intermodal transportation systems | |
| CN112596988B (zh) | 一种轨道交通多专业智能运维系统及方法 | |
| CN210743208U (zh) | 一种电子智能交通监管系统 | |
| CN110867072A (zh) | 一种基于北斗导航与Hadoop技术的车辆追踪与调度系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |