CN113920769A - 一种基于公交多源数据分析的智能排班表生成方法 - Google Patents
一种基于公交多源数据分析的智能排班表生成方法 Download PDFInfo
- Publication number
- CN113920769A CN113920769A CN202111215936.2A CN202111215936A CN113920769A CN 113920769 A CN113920769 A CN 113920769A CN 202111215936 A CN202111215936 A CN 202111215936A CN 113920769 A CN113920769 A CN 113920769A
- Authority
- CN
- China
- Prior art keywords
- time
- line
- bus
- day
- departure
- 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 23
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000005457 optimization Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于公交多源数据分析的智能排班表生成方法,包括融合了公交调度系统业务数据和收银数据,利用智能排班算法分析每条线路的运行情况,根据上车刷卡的收银数据去计算得到上下车客流数据,科学合理的得到智能排班表中每条线路上下行的配车数和发车时间段、计划班次、计划周圈时间等数据,以此获得符合每条线路早中晚高峰等特点并能够根据线路实际运行情况实时调整发车间隔的智能排班表;本发明融合多源公交数据,展示了如何生成智能排班表的方法,实现减缓乘客等车时间、车厢拥挤度,实现车辆资源的最优利用的目的,智能排班表的生成方法更具有实时性、现实性、准确性。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种基于公交多源数据分析的智能排班表生成方法。
背景技术
公交多源数据分析是指利用计算机对按时序从多个数据源获得的公交数据,经过分析挖掘,完成所需的目标而进行的信息处理技术,由于国内外交通数据源的组成不同,不同数据源的构成比例也不相同,在公交多源数据分析方面的研究点与技术也具有明显差异,公交智能排班表的生成方法也有不同;
目前针对公交领域的智能排班生成方法皆存在以下局限性:(1)多使用某一类型数据作为主要数据,没有充分利用调度系统数据,这样的计算结果无法满足公交业务要求;(2)没有考虑车厢乘客拥堵、堵车和大间隔等特殊情况,发车间隔如何动态调整,且无法满足实时性需求;(3)算法模型只满足了情况相同的线路,无法同时满足所有不同实际运行的情况的线路,缺少考虑早中晚高峰时间段车辆排班的研究;(4)上下车客流数据通常采用客流设备直接获取,数据来源也通常含有下车刷卡数据,没有充分利用上车刷卡数据去精确计算下车刷卡数据,无法满足没有装客流设备且只有上车刷卡,下车不刷卡的大中小城市,因此,本发明提出一种基于公交多源数据分析的智能排班表生成方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明的目的在于提出一种基于公交多源数据分析的智能排班表生成方法,该方法可以根据每条公交线路情况智能生成排班表,科学合理的得到智能排班表中每条线路上下行的配车数和发车时间段、计划班次、计划周圈时间等数据,能够根据车辆当前运行情况实时智能调节发车间隔,实现减缓乘客等车时间、车厢拥挤度,实现车辆资源的最优利用的目的。
为了实现本发明的目的,本发明通过以下技术方案实现:一种基于公交多源数据分析的智能排班表生成方法,包括以下步骤:
设LC为公交公司拥有的所有线路个数,Lk表示其中一条线路编号,则1≤k≤LC,BC为Lk线路下拥有的所有车辆个数,Lk线路下其中一辆公交车辆编号用Bn表示,则1≤n≤BC,线路上下行用ud表示,ud为0代表下行,1表示上行,Lk线路下其中一个公交站点编号用St表示,上行站点编号范围1≤t≤su,su为Lk线路上行拥有的所有站点个数,sp为Lk线路下行拥有的所有站点个数,下行站点编号范围su+1≤t≤su+sp,d表示表示距离当日第d天,1≤d≤D,D表示所取时间范围距离当日的最大天数,Lk线路下其中一辆公交车辆编号Bn第d天第i个班次经过站点St的电子刷卡次数记为Ci,该公交车辆班次数量为sc,第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数为Wt,第d天Lk线路所有车辆在St站点的电子刷卡次数Vt,第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数为Vn,第d天Lk线路所有车辆在所有站点的电子刷卡次数为Vd,第d天Lk线路公交车辆编号Bn在所有站点的现金收费总额为Mn,第d天Lk线路在所有站点的现金收费总额为Md,Lk线路票款为Y元,第d天Lk线路所有站点的现金收费次数为Rd,第d天Lk线路在St站点的现金次数为Rt,第d天Lk线路在每个站点的收银系数为λt,第d天Lk线路在St站点的上车客流人数为Pt;
步骤一
先获取公交车上车收银数据,包括ic卡、银联联机、银联脱机、电子现金和现金数据,再获取公交调度系统中的实时运营班次数据、车辆实时GPS、实际周圈时间和历史运营班次数据;
步骤二
通过客流逆向补偿算法把上车收银数据转换成上下车人数的客流数据;
步骤三
将步骤二获得的每条线路各个站点的上下车客流数据分析得到早中晚高峰时间段,每条线路客流量和断面客流量;
步骤四
利用步骤三中获取到的早中晚高峰时间段、线路繁忙情况、线路客流量数据分析得到每条线路早中晚高峰时间段,早中晚高峰时间段分别对应3个开始时间和结束时间,非早中晚高峰时间段根据公交以时间长度θ进行分割划分,得到智能排班表的线路号、开始时间和结束时间,使每条线路根据高峰时间的不同制定发车计划;
步骤五
利用步骤一获取到的历史运营班次数据和步骤三中获取到的早中晚高峰时间段以及每条线路客流量,结合步骤四得到的智能排班表的线路号、开始时间和结束时间,通过排班优解算法得到智能排班表中的配车数、计划发车班次、计划周圈时间和上下行;
步骤六
利用步骤四中得到的线路号、开始时间和结束时间,步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行以及步骤三中得到的断面客流量,并通过发车间隔计算算法得到初始发车间隔;
步骤七
利用步骤一获得的车辆实时GPS和实际周圈时间,经计算得相邻两辆车实时的间隔距离Lp,以及每辆公交车的实际周圈时间Tg,当Lp和Tg分别大于最大能允许的阈值或小于最小能允许的阈值就判定车辆行驶出现异常情况,并判断出车辆大间隔或堵车信息;
步骤八
利用步骤一得到的实时运营班次数据、步骤三得到的实时断面客流量、实时早中晚高峰时间段和实时线路客流量、步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行、步骤六中得到的初始发车间隔以及步骤七获得的车辆大间隔或堵车信息,通过实时发车间隔调节算法调节发车间隔时间;
步骤九
将步骤八得到的实时发车间隔上传至公交调度系统中并指挥公交车辆实时调度。
进一步改进在于:所述步骤一中,获取指定时间段内的上车收银数据和公交调度系统的数据进行数据预处理,剔除无效数据和无用字段,在将获取的数据进行关联处理,得到su、sp、sc、Ci和Mn。
进一步改进在于:所述步骤二中,客流逆向补偿算法具体步骤如下:
A1、计算第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数第d天Lk线路所有车辆在St站点的电子刷卡次数第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数第d天Lk线路所有车辆在所有站点的电子刷卡次数第d天Lk线路公交车辆编号Bn在所有站点的的现金收费总额Mn,第d天Lk线路在所有站点的的现金收费总额第d天Lk线路所有站点的现金收费次数为第d天Lk线路在每个站点的收银系数为
A2、根据收银次数Rd、收银系数λt,计算得到第d天Lk线路在St站点的现金次数Rt=Rd*λt,第d天Lk线路在St站点的上车客流人数为Pt=Vt+Rt。
进一步改进在于:使用刷卡支付分为2种情况,第一种同一卡号一天的刷卡次数为偶数比如上班族人群,根据该卡号在原线路相反方向同一日再次上车刷卡得到此次上车刷卡站点为上一次上车刷卡对应的下车刷卡站点,原线路的上车刷卡站点也即再次上车刷卡的下车刷卡站点,下车刷卡时间=上车站点到下车站点之间的时间长度+上车站点的时间,由此得到下车刷卡站点和下车刷卡时间;
第二种同一卡号一天的刷卡次数为奇数,这种人群属于无固定乘车人群,只确定上车站点,无法确定下车站点,此种情况上车站点对应的下车站点符合第一种情况的均匀分布,根据第一种情况上车站点对应的每个下车站点的百分比分布映射得到第二种情况上车站点对应的下车站点,下车刷卡时间=上车站点和下车站点之间的时间长度+上车站点的时间,现金支付人群和刷卡支付人群均匀分布,由A2得到的Vt和Rt,计算第d天的现金系数使用现金支付的上车下车人数=收银支付的上车下车人数*σ,同类映射得到现金支付的下车站点时间。
进一步改进在于:所述步骤五中,排班优解算法具体步骤如下:
B1、根据历史运营班次数据,结合步骤四得到的智能排班表的线路号、开始时间、结束时间,分别对每个车辆在开始时间和结束时间段内的历史周圈时间和历史发车班次利用加权算术平均得到每条线路上下行的历史平均周圈时间和历史平均班次,该历史平均周圈时间为计划周圈时间,该历史平均班次为计划发车班次;
B2、根据线路客流量,通过机器学习算法LightGBM预测排班表执行时间的线路客流量,计算步骤四结果中每条线路在开始时间和结束时间的客流量,分别计算每辆车每段时间段内跑的趟次=(结束时间-开始时间)/2*上行或下行计划周圈时间,每条线路在开始时间和结束时间的配车数=该时间段内的客流量/(一趟公交车平均载客量*每辆车每段时间段内跑的趟次),一趟公交车平均载客量通过每条线路客流量数据得到。
进一步改进在于:所述步骤六中,发车间隔计算算法具体步骤如下:
C1、每个时间段内实际发车班次=该时间段内的客流量/一趟公交车平均载客量;
C2、偏差阈值=每个时间段内实际发车班次/计划发车班次,如果偏差阈值在正常范围内,初量发车间隔=(结束时间-开始时间)/实际发车班次,否则初始发车间隔=(结束时间-开始时间)/2*(实际发车班次+计划发车班次);
C3、根据断面客流量,通过机器学习算法LightGBM预测排班表执行时间的断面客流量,初始拥挤系数=执行时间每个时间段内站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=实际发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数根据公交实际情况设定;
C4、当拥挤系数>正常阈值系数,初始发车间隔时间=初量发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,初始发车间隔时间=初量发车间隔+拥挤发车间隔调节时间,正常阈值系数根据公交实际情况设定。
进一步改进在于:所述步骤八中,实时发车间隔调节算法具体步骤如下:
D1、计算得到拥挤系数=实时站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=初始发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数初始值根据公交实际情况设定,大间隔或堵车系数=两辆车的最大间距/正常间距阈值,大间隔或堵车调节时间=初始发车间隔*大间隔或堵车系数*大间隔或堵车调节参数,大间隔或堵车调节参数初始值根据公交实际情况设定;
D2、当拥挤系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+拥挤发车间隔调节时间。
D3、大间隔或堵车系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-大间隔或堵车调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+大间隔或堵车调节时间。
D4、每隔1分钟计算拥挤系数是否达到正常阈值,利用深度神经网络算法训练拥挤调节参数和拥挤系数,直至得到最优的拥挤调节参数、大间隔或堵车调节参数。
D5、利用第4步得到的拥挤调节参数、大间隔或堵车调节参数更新第一步中的拥挤调节参数、大间隔或堵车调节参数,得到最终实时发车间隔。
本发明的有益效果为:本发明具有较高的商业实用价值,实现了一种基于公交多源数据分析的智能排班表生成方法,该方法可以充分利用公交多源数据,充分挖掘其价值,支持只有上车刷卡的业务场景,还能根据公交每条线路运行情况实时更新排班表,在智能公交领域具有较高的推广价值,为管理者提供高效智能的管理手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法流程图;
图2是本发明的智能排班表业务流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”、“第四”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参见图1、2,本实施例提供了一种基于公交多源数据分析的智能排班表生成方法,包括以下步骤:
设LC为公交公司拥有的所有线路个数,Lk表示其中一条线路编号,则1≤k≤LC,BC为Lk线路下拥有的所有车辆个数,Lk线路下其中一辆公交车辆编号用Bn表示,则1≤n≤BC,线路上下行用ud表示,ud为0代表下行,1表示上行,Lk线路下其中一个公交站点编号用St表示,上行站点编号范围1≤t≤su,su为Lk线路上行拥有的所有站点个数,sp为Lk线路下行拥有的所有站点个数,下行站点编号范围su+1≤t≤su+sp,d表示表示距离当日第d天,1≤d≤D,D表示所取时间范围距离当日的最大天数,Lk线路下其中一辆公交车辆编号Bn第d天第i个班次经过站点St的电子刷卡次数记为Ci,该公交车辆班次数量为sc,第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数为Wt,第d天Lk线路所有车辆在St站点的电子刷卡次数Vt,第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数为Vn,第d天Lk线路所有车辆在所有站点的电子刷卡次数为Vd,第d天Lk线路公交车辆编号Bn在所有站点的现金收费总额为Mn,第d天Lk线路在所有站点的现金收费总额为Md,Lk线路票款为Y元,第d天Lk线路所有站点的现金收费次数为Rd,第d天Lk线路在St站点的现金次数为Rt,第d天Lk线路在每个站点的收银系数为λt,第d天Lk线路在St站点的上车客流人数为Pt;
步骤一
先获取公交车上车收银数据,包括ic卡、银联联机、银联脱机、电子现金和现金数据,再获取公交调度系统中的实时运营班次数据、车辆实时GPS、实际周圈时间和历史运营班次数据,获取指定时间段内的上车收银数据和公交调度系统的数据进行数据预处理,剔除无效数据和无用字段,在将获取的数据进行关联处理,得到su、sp、sc、Ci和Mn;
步骤二
通过客流逆向补偿算法把上车收银数据转换成上下车人数的客流数据,,客流逆向补偿算法具体步骤如下:
A1、计算第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数第d天Lk线路所有车辆在St站点的电子刷卡次数第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数第d天Lk线路所有车辆在所有站点的电子刷卡次数第d天Lk线路公交车辆编号Bn在所有站点的的现金收费总额Mn,第d天Lk线路在所有站点的的现金收费总额第d天Lk线路所有站点的现金收费次数为第d天Lk线路在每个站点的收银系数为
A2、根据收银次数Rd、收银系数λt,计算得到第d天Lk线路在St站点的现金次数Rt=Rd*λt,第d天Lk线路在St站点的上车客流人数为Pt=Vt+Rt;
使用刷卡支付分为2种情况,第一种同一卡号一天的刷卡次数为偶数比如上班族人群,根据该卡号在原线路相反方向同一日再次上车刷卡得到此次上车刷卡站点为上一次上车刷卡对应的下车刷卡站点,原线路的上车刷卡站点也即再次上车刷卡的下车刷卡站点,下车刷卡时间=上车站点到下车站点之间的时间长度+上车站点的时间,由此得到下车刷卡站点和下车刷卡时间;
第二种同一卡号一天的刷卡次数为奇数,这种人群属于无固定乘车人群,只确定上车站点,无法确定下车站点,此种情况上车站点对应的下车站点符合第一种情况的均匀分布,根据第一种情况上车站点对应的每个下车站点的百分比分布映射得到第二种情况上车站点对应的下车站点,下车刷卡时间=上车站点和下车站点之间的时间长度+上车站点的时间,现金支付人群和刷卡支付人群均匀分布,由A2得到的Vt和Rt,计算第d天的现金系数使用现金支付的上车下车人数=收银支付的上车下车人数*σ,同类映射得到现金支付的下车站点时间
步骤三
将步骤二获得的每条线路各个站点的上下车客流数据分析得到早中晚高峰时间段,每条线路客流量和断面客流量;
步骤四
利用步骤三中获取到的早中晚高峰时间段、线路繁忙情况、线路客流量数据分析得到每条线路早中晚高峰时间段,早中晚高峰时间段分别对应3个开始时间和结束时间,非早中晚高峰时间段根据公交以时间长度θ进行分割划分,得到智能排班表的线路号、开始时间和结束时间,使每条线路根据高峰时间的不同制定发车计划;
步骤五
利用步骤一获取到的历史运营班次数据和步骤三中获取到的早中晚高峰时间段以及每条线路客流量,结合步骤四得到的智能排班表的线路号、开始时间和结束时间,通过排班优解算法得到智能排班表中的配车数、计划发车班次、计划周圈时间和上下行,,排班优解算法具体步骤如下:
B1、根据历史运营班次数据,结合步骤四得到的智能排班表的线路号、开始时间、结束时间,分别对每个车辆在开始时间和结束时间段内的历史周圈时间和历史发车班次利用加权算术平均得到每条线路上下行的历史平均周圈时间和历史平均班次,该历史平均周圈时间为计划周圈时间,该历史平均班次为计划发车班次;
B2、根据线路客流量,通过机器学习算法LightGBM预测排班表执行时间的线路客流量,计算步骤四结果中每条线路在开始时间和结束时间的客流量,分别计算每辆车每段时间段内跑的趟次=(结束时间-开始时间)/2*上行或下行计划周圈时间,每条线路在开始时间和结束时间的配车数=该时间段内的客流量/(一趟公交车平均载客量*每辆车每段时间段内跑的趟次),一趟公交车平均载客量通过每条线路客流量数据得到;
步骤六
利用步骤四中得到的线路号、开始时间和结束时间,步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行以及步骤三中得到的断面客流量,并通过发车间隔计算算法得到初始发车间隔,,发车间隔计算算法具体步骤如下:
C1、每个时间段内实际发车班次=该时间段内的客流量/一趟公交车平均载客量;
C2、偏差阈值=每个时间段内实际发车班次/计划发车班次,如果偏差阈值在正常范围内,初量发车间隔=(结束时间-开始时间)/实际发车班次,否则初始发车间隔=(结束时间-开始时间)/2*(实际发车班次+计划发车班次);
C3、根据断面客流量,通过机器学习算法LightGBM预测排班表执行时间的断面客流量,初始拥挤系数=执行时间每个时间段内站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=实际发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数根据公交实际情况设定;
C4、当拥挤系数>正常阈值系数,初始发车间隔时间=初量发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,初始发车间隔时间=初量发车间隔+拥挤发车间隔调节时间,正常阈值系数根据公交实际情况设定;
步骤七
利用步骤一获得的车辆实时GPS和实际周圈时间,经计算得相邻两辆车实时的间隔距离Lp,以及每辆公交车的实际周圈时间Tg,当Lp和Tg分别大于最大能允许的阈值或小于最小能允许的阈值就判定车辆行驶出现异常情况,并判断出车辆大间隔或堵车信息;
步骤八
利用步骤一得到的实时运营班次数据、步骤三得到的实时断面客流量、实时早中晚高峰时间段和实时线路客流量、步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行、步骤六中得到的初始发车间隔以及步骤七获得的车辆大间隔或堵车信息,通过实时发车间隔调节算法调节发车间隔时间,,实时发车间隔调节算法具体步骤如下:
D1、计算得到拥挤系数=实时站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=初始发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数初始值根据公交实际情况设定,大间隔或堵车系数=两辆车的最大间距/正常间距阈值,大间隔或堵车调节时间=初始发车间隔*大间隔或堵车系数*大间隔或堵车调节参数,大间隔或堵车调节参数初始值根据公交实际情况设定;
D2、当拥挤系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+拥挤发车间隔调节时间。
D3、大间隔或堵车系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-大间隔或堵车调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+大间隔或堵车调节时间。
D4、每隔1分钟计算拥挤系数是否达到正常阈值,利用深度神经网络算法训练拥挤调节参数和拥挤系数,直至得到最优的拥挤调节参数、大间隔或堵车调节参数。
D5、利用第4步得到的拥挤调节参数、大间隔或堵车调节参数更新第一步中的拥挤调节参数、大间隔或堵车调节参数,得到最终实时发车间隔;
步骤九
将步骤八得到的实时发车间隔上传至公交调度系统中并指挥公交车辆实时调度。
智能排班表生成算法融合了上述客流逆向补偿算法、排班优解算法、发车间隔计算算法、实时发车间隔调节算法,通过接入多源公交数据用智能排班表算法得到智能排班表数据提供给调度系统去指导调度车辆,根据车辆调度的实时情况去智能调节排班表,调度系统产生的调度运营等数据又能为排班表的生成提供数据来源,如此不断迭代优化,直到达到最优的智能排班表,如图2智能排班表业务流程图所示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于公交多源数据分析的智能排班表生成方法,其特征在于:包括以下步骤:
设LC为公交公司拥有的所有线路个数,Lk表示其中一条线路编号,则1≤k≤LC,BC为Lk线路下拥有的所有车辆个数,Lk线路下其中一辆公交车辆编号用Bn表示,则1≤n≤BC,线路上下行用ud表示,ud为0代表下行,1表示上行,Lk线路下其中一个公交站点编号用St表示,上行站点编号范围1≤t≤su,su为Lk线路上行拥有的所有站点个数,sp为Lk线路下行拥有的所有站点个数,下行站点编号范围su+1≤t≤su+sp,d表示表示距离当日第d天,1≤d≤D,D表示所取时间范围距离当日的最大天数,Lk线路下其中一辆公交车辆编号Bn第d天第i个班次经过站点St的电子刷卡次数记为Ci,该公交车辆班次数量为sc,第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数为Wt,第d天Lk线路所有车辆在St站点的电子刷卡次数Vt,第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数为Vn,第d天Lk线路所有车辆在所有站点的电子刷卡次数为Vd,第d天Lk线路公交车辆编号Bn在所有站点的现金收费总额为Mn,第d天Lk线路在所有站点的现金收费总额为Md,Lk线路票款为Y元,第d天Lk线路所有站点的现金收费次数为Rd,第d天Lk线路在St站点的现金次数为Rt,第d天Lk线路在每个站点的收银系数为λt,第d天Lk线路在St站点的上车客流人数为Pt;
步骤一
先获取公交车上车收银数据,包括ic卡、银联联机、银联脱机、电子现金和现金数据,再获取公交调度系统中的实时运营班次数据、车辆实时GPS、实际周圈时间和历史运营班次数据;
步骤二
通过客流逆向补偿算法把上车收银数据转换成上下车人数的客流数据;
步骤三
将步骤二获得的每条线路各个站点的上下车客流数据分析得到早中晚高峰时间段,每条线路客流量和断面客流量;
步骤四
利用步骤三中获取到的早中晚高峰时间段、线路繁忙情况、线路客流量数据分析得到每条线路早中晚高峰时间段,早中晚高峰时间段分别对应3个开始时间和结束时间,非早中晚高峰时间段根据公交以时间长度θ进行分割划分,得到智能排班表的线路号、开始时间和结束时间,使每条线路根据高峰时间的不同制定发车计划;
步骤五
利用步骤一获取到的历史运营班次数据和步骤三中获取到的早中晚高峰时间段以及每条线路客流量,结合步骤四得到的智能排班表的线路号、开始时间和结束时间,通过排班优解算法得到智能排班表中的配车数、计划发车班次、计划周圈时间和上下行;
步骤六
利用步骤四中得到的线路号、开始时间和结束时间,步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行以及步骤三中得到的断面客流量,并通过发车间隔计算算法得到初始发车间隔;
步骤七
利用步骤一获得的车辆实时GPS和实际周圈时间,经计算得相邻两辆车实时的间隔距离Lp,以及每辆公交车的实际周圈时间Tg,当Lp和Tg分别大于最大能允许的阈值或小于最小能允许的阈值就判定车辆行驶出现异常情况,并判断出车辆大间隔或堵车信息;
步骤八
利用步骤一得到的实时运营班次数据、步骤三得到的实时断面客流量、实时早中晚高峰时间段和实时线路客流量、步骤五中得到的智能排班表中的配车数、计划发车班次、计划周圈时间和上下行、步骤六中得到的初始发车间隔以及步骤七获得的车辆大间隔或堵车信息,通过实时发车间隔调节算法调节发车间隔时间;
步骤九
将步骤八得到的实时发车间隔上传至公交调度系统中并指挥公交车辆实时调度。
2.根据权利要求1所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:所述步骤一中,获取指定时间段内的上车收银数据和公交调度系统的数据进行数据预处理,剔除无效数据和无用字段,在将获取的数据进行关联处理,得到su、sp、sc、Ci和Mn。
3.根据权利要求1所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:所述步骤二中,客流逆向补偿算法具体步骤如下:
A1、计算第d天Lk线路公交车辆编号Bn在St站点的电子刷卡次数第d天Lk线路所有车辆在St站点的电子刷卡次数第d天Lk线路公交车辆编号Bn所有站点的电子刷卡次数第d天Lk线路所有车辆在所有站点的电子刷卡次数第d天Lk线路公交车辆编号Bn在所有站点的的现金收费总额Mn,第d天Lk线路在所有站点的的现金收费总额第d天Lk线路所有站点的现金收费次数为第d天Lk线路在每个站点的收银系数为
A2、根据收银次数Rd、收银系数λt,计算得到第d天Lk线路在St站点的现金次数Rt=Rd*λt,第d天Lk线路在St站点的上车客流人数为Pt=Vt+Rt。
4.根据权利要求3所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:使用刷卡支付分为2种情况,第一种同一卡号一天的刷卡次数为偶数比如上班族人群,根据该卡号在原线路相反方向同一日再次上车刷卡得到此次上车刷卡站点为上一次上车刷卡对应的下车刷卡站点,原线路的上车刷卡站点也即再次上车刷卡的下车刷卡站点,下车刷卡时间=上车站点到下车站点之间的时间长度+上车站点的时间,由此得到下车刷卡站点和下车刷卡时间;
5.根据权利要求1所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:所述步骤五中,排班优解算法具体步骤如下:
B1、根据历史运营班次数据,结合步骤四得到的智能排班表的线路号、开始时间、结束时间,分别对每个车辆在开始时间和结束时间段内的历史周圈时间和历史发车班次利用加权算术平均得到每条线路上下行的历史平均周圈时间和历史平均班次,该历史平均周圈时间为计划周圈时间,该历史平均班次为计划发车班次;
B2、根据线路客流量,通过机器学习算法LightGBM预测排班表执行时间的线路客流量,计算步骤四结果中每条线路在开始时间和结束时间的客流量,分别计算每辆车每段时间段内跑的趟次=(结束时间-开始时间)/2*上行或下行计划周圈时间,每条线路在开始时间和结束时间的配车数=该时间段内的客流量/(一趟公交车平均载客量*每辆车每段时间段内跑的趟次),一趟公交车平均载客量通过每条线路客流量数据得到。
6.根据权利要求1所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:所述步骤六中,发车间隔计算算法具体步骤如下:
C1、每个时间段内实际发车班次=该时间段内的客流量/一趟公交车平均载客量;
C2、偏差阈值=每个时间段内实际发车班次/计划发车班次,如果偏差阈值在正常范围内,初量发车间隔=(结束时间-开始时间)/实际发车班次,否则初始发车间隔=(结束时间-开始时间)/2*(实际发车班次+计划发车班次);
C3、根据断面客流量,通过机器学习算法LightGBM预测排班表执行时间的断面客流量,初始拥挤系数=执行时间每个时间段内站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=实际发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数根据公交实际情况设定;
C4、当拥挤系数>正常阈值系数,初始发车间隔时间=初量发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,初始发车间隔时间=初量发车间隔+拥挤发车间隔调节时间,正常阈值系数根据公交实际情况设定。
7.根据权利要求1所述的一种基于公交多源数据分析的智能排班表生成方法,其特征在于:所述步骤八中,实时发车间隔调节算法具体步骤如下:
D1、计算得到拥挤系数=实时站点最大断面客流量/荷载人数,拥挤发车间隔调节时间=初始发车间隔*拥挤系数*拥挤调节参数,拥挤调节参数初始值根据公交实际情况设定,大间隔或堵车系数=两辆车的最大间距/正常间距阈值,大间隔或堵车调节时间=初始发车间隔*大间隔或堵车系数*大间隔或堵车调节参数,大间隔或堵车调节参数初始值根据公交实际情况设定;
D2、当拥挤系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-拥挤发车间隔调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+拥挤发车间隔调节时间。
D3、大间隔或堵车系数>正常阈值系数,正常阈值系数根据公交实际情况设定,调节后发车间隔时间=初始发车间隔-大间隔或堵车调节时间,当拥挤系数<正常阈值系数,调节后发车间隔时间=初始发车间隔+大间隔或堵车调节时间。
D4、每隔1分钟计算拥挤系数是否达到正常阈值,利用深度神经网络算法训练拥挤调节参数和拥挤系数,直至得到最优的拥挤调节参数、大间隔或堵车调节参数。
D5、利用第4步得到的拥挤调节参数、大间隔或堵车调节参数更新第一步中的拥挤调节参数、大间隔或堵车调节参数,得到最终实时发车间隔。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215936.2A CN113920769B (zh) | 2021-10-19 | 2021-10-19 | 一种基于公交多源数据分析的智能排班表生成方法 |
PCT/CN2021/127387 WO2023065389A1 (zh) | 2021-10-19 | 2021-10-29 | 一种基于公交多源数据分析的智能排班表生成方法 |
US18/167,316 US11775888B2 (en) | 2021-10-19 | 2023-02-10 | Intelligent scheduling table generation method based on multi-source data analysis of buses |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111215936.2A CN113920769B (zh) | 2021-10-19 | 2021-10-19 | 一种基于公交多源数据分析的智能排班表生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113920769A true CN113920769A (zh) | 2022-01-11 |
CN113920769B CN113920769B (zh) | 2022-07-01 |
Family
ID=79241516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111215936.2A Active CN113920769B (zh) | 2021-10-19 | 2021-10-19 | 一种基于公交多源数据分析的智能排班表生成方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11775888B2 (zh) |
CN (1) | CN113920769B (zh) |
WO (1) | WO2023065389A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091981A (zh) * | 2022-01-18 | 2022-02-25 | 青岛海信网络科技股份有限公司 | 车辆调度方法和装置 |
CN114331231A (zh) * | 2022-03-14 | 2022-04-12 | 北京清研宏达信息科技有限公司 | 一种公共交通排班的方法和系统 |
CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597638B (zh) * | 2023-07-18 | 2023-09-29 | 山东华夏高科信息股份有限公司 | 一种基于大数据的智慧交通监测调度系统 |
CN117371629B (zh) * | 2023-09-28 | 2024-04-26 | 广东艾百智能科技有限公司 | 基于机器学习的公交线路优化方法 |
CN117408436B (zh) * | 2023-12-01 | 2024-03-26 | 智达信科技术股份有限公司 | 一种公交线路站点之间客流人数估计方法及系统 |
CN117495059B (zh) * | 2023-12-29 | 2024-04-12 | 天津交控科技有限公司 | 一种轨道交通运行数据分析方法及储存介质 |
CN117592788B (zh) * | 2024-01-17 | 2024-04-16 | 北京工业大学 | 一种公交运行风险的识别方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789175A (zh) * | 2010-01-08 | 2010-07-28 | 北京工业大学 | 公共交通多线路静态协调调度方法 |
US20170011629A1 (en) * | 2014-10-09 | 2017-01-12 | Chun Ngok Lau | Public transit vehicle route schedule and notification system |
CN106504518A (zh) * | 2016-11-24 | 2017-03-15 | 浙江交通职业技术学院 | 一种城市公交与长途客运协同的调度方法 |
CN108022051A (zh) * | 2017-12-13 | 2018-05-11 | 吉林大学 | 一种基于信息融合的城市轨道交通调度决策方法 |
CN108806302A (zh) * | 2018-05-23 | 2018-11-13 | 青岛海信网络科技股份有限公司 | 一种车辆调度方法及装置 |
CN109886491A (zh) * | 2019-02-26 | 2019-06-14 | 北京工业大学 | 一种海量运行数据驱动的地面公交两阶段优化调度方法 |
CN110084397A (zh) * | 2019-03-11 | 2019-08-02 | 昆明理工大学 | 一种地铁直达线路规划方法 |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170068755A1 (en) * | 2015-09-07 | 2017-03-09 | Sap Se | Transportation schedule evaluation |
CN109859459B (zh) * | 2019-02-22 | 2021-01-26 | 北京航空航天大学 | 一种自动驾驶公交调度优化方法 |
-
2021
- 2021-10-19 CN CN202111215936.2A patent/CN113920769B/zh active Active
- 2021-10-29 WO PCT/CN2021/127387 patent/WO2023065389A1/zh unknown
-
2023
- 2023-02-10 US US18/167,316 patent/US11775888B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789175A (zh) * | 2010-01-08 | 2010-07-28 | 北京工业大学 | 公共交通多线路静态协调调度方法 |
US20170011629A1 (en) * | 2014-10-09 | 2017-01-12 | Chun Ngok Lau | Public transit vehicle route schedule and notification system |
CN106504518A (zh) * | 2016-11-24 | 2017-03-15 | 浙江交通职业技术学院 | 一种城市公交与长途客运协同的调度方法 |
CN108022051A (zh) * | 2017-12-13 | 2018-05-11 | 吉林大学 | 一种基于信息融合的城市轨道交通调度决策方法 |
CN108806302A (zh) * | 2018-05-23 | 2018-11-13 | 青岛海信网络科技股份有限公司 | 一种车辆调度方法及装置 |
CN109886491A (zh) * | 2019-02-26 | 2019-06-14 | 北京工业大学 | 一种海量运行数据驱动的地面公交两阶段优化调度方法 |
CN110084397A (zh) * | 2019-03-11 | 2019-08-02 | 昆明理工大学 | 一种地铁直达线路规划方法 |
CN111340406A (zh) * | 2020-05-22 | 2020-06-26 | 广州交通信息化建设投资营运有限公司 | 基于od客流的公交动态编排模型的实现方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091981A (zh) * | 2022-01-18 | 2022-02-25 | 青岛海信网络科技股份有限公司 | 车辆调度方法和装置 |
CN114331231A (zh) * | 2022-03-14 | 2022-04-12 | 北京清研宏达信息科技有限公司 | 一种公共交通排班的方法和系统 |
CN114331231B (zh) * | 2022-03-14 | 2022-06-21 | 北京清研宏达信息科技有限公司 | 一种公共交通排班的方法和系统 |
CN117273246A (zh) * | 2023-11-23 | 2023-12-22 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
CN117273246B (zh) * | 2023-11-23 | 2024-02-06 | 湖南小翅科技有限公司 | 一种基于ai的智能排班大数据预测系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
US11775888B2 (en) | 2023-10-03 |
US20230186188A1 (en) | 2023-06-15 |
CN113920769B (zh) | 2022-07-01 |
WO2023065389A1 (zh) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113920769B (zh) | 一种基于公交多源数据分析的智能排班表生成方法 | |
CN111353639B (zh) | 协调列车时刻表的城市轨道交通高峰期限流优化方法 | |
Hua et al. | Joint infrastructure planning and fleet management for one-way electric car sharing under time-varying uncertain demand | |
CN107330547B (zh) | 一种城市公交动态调度优化方法及系统 | |
CN105740556B (zh) | 基于客流需求的列车运行图自动编制方法 | |
CN105575108B (zh) | 一种智能公交调度运营方法 | |
CN111160815B (zh) | 一种铁路货物运输机车运用计划自动编制方法及系统 | |
CN113919650A (zh) | 一种列车运行方案优化编制方法及系统 | |
CN112381260A (zh) | 基于进站比例的城市轨道交通客流管控优化方法 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
CN115049156B (zh) | 一种交通线网运行图衔接优化方法、电子设备及存储介质 | |
Lin et al. | Intelligent bus operation optimization by integrating cases and data driven based on business chain and enhanced quantum genetic algorithm | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Wang et al. | An electric-vehicle corridor model in a dense city with applications to charging location and traffic management | |
Sun et al. | Research on digital flow control model of urban rail transit under the situation of epidemic prevention and control | |
CN111367900B (zh) | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 | |
Salih et al. | A Case Study of Bus Line Passenger Volumes of Bakrajo Bus Lines in Sulaimani City | |
CN112116124A (zh) | 一种基于出行者视角的公交线网优化方案的审计方法 | |
Liu et al. | Dynamic bus scheduling of multiple routes based on joint optimization of departure time and speed | |
CN116151538A (zh) | 一种应用于智能公交需求均衡式调度的仿真系统及方法 | |
CN116109081A (zh) | 一种基于物联网的动态公交调度优化方法和装置 | |
Deng et al. | Research on bus passenger traffic forecasting model based on gps and ic card data | |
Yong et al. | Capacity design and pareto improvement of highway toll plaza in a competitive transport system | |
Tian et al. | A SITING URBAN TAXI STATIONS MODEL BASED ON SPATIAL-TEMPORAL ORIGIN-DESTINATION DATA | |
WO2024087281A1 (zh) | 一种考虑短时车流量的高速公路收费站车道配置方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |