CN114358808A - 基于多源数据融合的公交od估计及分配方法 - Google Patents
基于多源数据融合的公交od估计及分配方法 Download PDFInfo
- Publication number
- CN114358808A CN114358808A CN202111345199.8A CN202111345199A CN114358808A CN 114358808 A CN114358808 A CN 114358808A CN 202111345199 A CN202111345199 A CN 202111345199A CN 114358808 A CN114358808 A CN 114358808A
- Authority
- CN
- China
- Prior art keywords
- bus
- passenger
- station
- data
- path
- 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
Images
Abstract
本发明公开了一种基于多源数据融合的公交OD估计及分配方法,包括:利用无方向公交站台数据、不含站点信息且分方向的公交线路数据重构公交网络,构建广义费用模型,搜索同线路、跨线路站点间的最短路径及费用构成;清洗公交车辆轨迹及乘客交易数据,与公交地图数据匹配,估算公交车辆到站时间和乘客上车站点;对公交乘客进行画像分析,采用一日公交出行链识别、多天同乘客各站点上车分布、当天站点上客量分布构建乘客下车站点分级概率估计模型,并统计得到公交站点及空间栅格OD;构建基于公交服务水平的K路径迭代分配法,实现公交客流分配。本发明提出的方法具有高效、准确和通用性,可广泛应用于公交出行现状分析和客流预测。
Description
技术领域
本发明属于交通运输领域,特别涉及一种基于多源数据融合的公交OD估计及分配方法。
背景技术
大数据是互联网时代国家重要战略资源,正成为社会经济转型及政府治理水平提升的重要驱动力。交通是大数据应用的重要领域,也是建设智慧城市的合理切入点。公交作为城市交通的重要构成,其OD及客流指标直接反映了公交出行需求、运行的时空特征,是开展公交系统规划设计、运营管理的基础与前提。
多源数据包含公交车辆轨迹、乘客交易(投币、包含IC卡刷卡、扫码等)以及互联网地图数据。目前国内大多数城市的公交服务都开通了刷卡、扫码等支付渠道,运管部门、公交公司也通过卫星定位系统实现公交车辆位置的实时追踪,以高德、百度为代表的互联网地图数据也在近年来得到广泛应用。相比于传统的人工调查,通过多源数据融合估计公交OD及客流特征,具有大范围、高效率、低成本的优势。
然而一方面,大多数国内城市的公交系统仅要求在上车时一次性支付费用,无法直接获得乘客下车时间与站点信息,因此公交OD不能直接获取,而是需要建立概率模型进行估计;另一方面,公交分配必须首先建立包含慢行、城市道路和公交的超级网络,并进行最短路径搜索,建模工作量大且求解过程复杂,往往需要依托商业交通仿真软件实现。
公开号为CN113010507A的发明专利公开了一种基于时间校准和遗传算法的公交OD计算方法及系统,其主要基于乘客刷卡数据,校准刷卡数据的时间偏差,并采用遗传算法进行调整。该方法较为新颖并且OD计算精度准确,但仍存在部分问题:
1)首先,以乘客刷卡数据作为数据源存在一定的数据缺少问题,一旦乘客不使用刷卡乘坐公交,会出现一定的数据缺口,且目前乘客开始使用支付宝等扫码手段进行乘车,数据源的获取缺乏泛用性。
2)其次,该方法对于公交车辆进出站时间区间的依赖性较大,但方法中并未涉及对于公交车辆进出站时间的数据清洗等工作,容易出现时间区间出现偏差的情况,存在一定的误差。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于多源数据融合的公交OD估计及分配方法。该方法可以直接利用互联网公交线路及站台数据重构公交网络并搜索跨线路换乘路径;关联公交车辆轨迹数据、乘客交易数据,实现车辆到站和乘客上车站点识别;利用多天的识别结果对乘客进行画像,构建出行链识别算法,推算不同类型乘客的下车站点并估计公交出行站点OD;构建基于空间栅格的容量限制多路径分配模型,采用增量分配法求解,实现公交客流预测。
实现本发明目的的技术解决方案为:一种基于多源数据融合的公交OD估计及客流分配方法,其包括如下步骤:
匹配公交线路与站点数据并重构公交网络,搜索公交出行最短路径并计算成本构成;
清洗公交车辆轨迹、乘客交易数据,识别车辆到站信息和乘客上车站点;
根据出行链识别及乘客画像计算下车站点的概率分布,计算公交出行站点间OD和空间栅格OD;
寻找空间栅格对之间的K短路径集合及选择概率,利用增量分配法进行客流分配。
本发明与现有技术相比,其显著优势在于:(1)本发明以不分方向的公交站台和不含站点信息、分方向的公交线路文件作为直接输入重构公交网络,极大的减少了前期地图数据处理工作量;(2)本发明基于公交车辆轨迹、乘客交易等多源数据融合,以线路编号、空间距离、方位角、时间窗等为多个约束构建匹配算法,能够提高公交到站和乘客上车地点识别的精度和效率;(3)本发明构建的基于乘客画像与出行链识别的乘客下车站点估计算法,能够有效估计公交站点间出行OD;(4)本发明构建的基于容量限制多路径分配算法,能够在缺乏交通分区和道路网络的前提下,以空间栅格为起讫点,较好的精度和效率实现公交客流预测。
附图说明
图1为本发明基于多源数据融合的公交OD估计及分配方法流程图。
图2为公交网络重构流程示意图。
图3为公交车辆到站及乘客上车站点推算流程示意图。
图4为公交乘客下车站点推算流程示意图。
图5为公交分配流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种基于公交车辆轨迹、公交乘客交易、互联网地图等多源数据融合的公交OD估计及分配方法,通过采用网络重构、乘客画像、出行链识别、容量限制多路径分配等估计公交OD及分配客流,具有高效、准确和通用性,可广泛应用于公交出行特征分析和客流预测中,为公交规划设计、运营管理提供技术支撑。
如图1所示,一种基于多源数据融合的公交OD估计及分配方法,包括如下步骤:
(1)匹配公交线路与站点数据并重构公交网络,搜索公交出行最短路径并计算成本构成。
(2)清洗公交车辆轨迹、乘客交易数据,识别车辆到站信息和乘客上车站点。
(3)根据出行链识别及乘客画像计算下车站点的概率分布,计算公交出行站点间OD和空间栅格OD。
(4)寻找空间栅格对之间的K短路径集合及选择概率,利用增量分配法进行客流分配。
本发明以公交车辆轨迹、乘客交易及互联网地图数据为基础,提出了一种基于多源数据融合的公交OD估计及分配方法,结合网络重构、乘客画像、出行链识别、容量限制多路径分配等实现了从公交出行路径搜索、车辆到站信息匹配到上、下车站点识别,实现了公交OD的精准估计。在此基础上,构建了包含乘车、候车、换乘等公交出行各环节,以时间、票价加权的广义费用的容量限制多路径公交分配模型,采用增量分配法求解,最终实现基于空间栅格间的公交分配,全面支撑公交出行特征分析、公交系统规划管理等。
以下是对本发明进行更详细的说明。
步骤(1)公交网络重构
优选地,公交网络包含公交线路和站点数据。从互联网地图获得的公交数据主要是站台和线路属性,均无法直接应用于后续计算,因此首先应对原始地图数据进行转换、清洗、关联和重构,之后计算同线路、跨线路的公交出行成本,搜索站点间的最短路径,用于后续的出行链识别和客流分配。
进一步的,如图2、图3所示,本实施例中步骤(1)公交网络重构包括以下内容:
步骤(1.1)公交站点数据重构
从互联网获得的公交站台数据中,一条记录表示一个经过多条线路且不分方向的实体站台,需要通过遍历该站台所经的线路进行数据复制并区分上下行方向,如一条站台数据有3条线路经过,则转换后的公交站点数据为3*2=6条。在此基础上根据站点的坐标赋值空间栅格ID,一般以100-500米为栅格的边长。
步骤(1.2)公交线路数据重构
从互联网获得的公交线路数据包含两张表,一是每条公交线路的属性,如线路名称、方向、运营时间、所属公交公司等,二是每条公交线路的走向列表,用若干个经纬度坐标对表示,但不包含途中的站点信息。将两张表合并,并用线路名称、类型等属性进行清洗。
步骤(1.3)公交线路和站点匹配
遍历线路站点,对站点对应的线路走向逐段作垂线,并根据坐标前后顺序和三点向量夹角确定该站点的编号、站点顺序和方位角,垂足坐标作为新的站点坐标插入到线路走向列表中以更新公交线路数据。
步骤(1.4)公交路径搜索
逐段计算公交线路走向中站点最近控制点之间的线段长度,得到前后站点的间距,计算单线路站点间出行距离及时间;计算跨线路站点间步行换乘直线距离及时间;构建广义费用模型,计算跨线路换乘出行最短路径及费用构成。
进一步的实施例中,公交网络最短路径广义费用模型为
GC=IVTT+ω1WaitT+ω2WalkT+Fare/VOT+Penalty (1)
式中,
GC——广义费用,分钟;
IVTT——车内时间,分钟;
WaitT——候车时间,分钟;
WalkT——步行时间,分钟;
Fare——票价,元;
VOT——时间价值,元/分钟;
Penalty——换乘惩罚,分钟;
ω——权重,一般取2-3。
表1跨线路出行路径及构成表示例
表中,
1st_Route、2nd_Route——换乘前后公交的线路编号;
1st_On_Stop、2nd_On_Stop——换乘前后公交的上车站点编号;
1st_Off_Stop——换乘前公交的下车站点编号;
1st_On_Order、2nd_On_Order——换乘前后公交的上车站点序号;
1st_Path——换成前的公交路径;
Cost_Ride、Cost_Walk——公交车内及步行换乘成本。
步骤(2)公交乘客上车站点识别
优选地,在公交乘客上车刷卡时,只记录交易的卡号、时间和对应的车载终端编号(即车辆编号),因此需要结合公交车辆轨迹数据以识别乘客的上车站点。难点在于,一个线路站点的坐标对应改条线路上下行两个方向,而公交车辆在到达终点站后往往折返行驶,仅仅从车辆编号和站点坐标无法判断乘客出行对应的线路方向。因此,需要构建相关模型进行乘客上车站点的识别。
进一步的实施例中,步骤(2)公交乘客上车站点识别包括以下内容:
步骤(2.1)公交车辆轨迹及乘客交易数据清洗
公交车辆轨迹是通过GPS等卫星定位系统记录车辆在某时刻的空间位置,记录间隔一般不超过30秒,因此包含了大量的非站点坐标,同时轨迹数据也存在着位置跳跃、丢失等,需要进行清洗和压缩。包括删除重复及无效记录、删除不在线路名称索引中的记录、删除在途(速度超过一定值)记录等。同时对数据表进行标准化,包括转换日期时间为时间戳,按照线路编号、车辆编号和时间戳优先级排序。
同样的,乘客交易数据需要通过卡类型、线路名称等进一步清洗,删除重复、缺失关键字段(如卡号、车辆编号)、无效(如非常规交易类型)记录,同时对数据表进行标准化,包括转换日期时间为时间戳,按照卡号、时间戳优先级排序。
步骤(2.2)公交车辆到站识别
根据筛选出某线路某辆车的轨迹和公交站点,计算两两距离,从满足距离和方位角差阈值的站点集合中选择距离最近的一个站点,将站点、线路信息保存至车辆轨迹表,清洗无匹配及冗余(5秒内匹配到的站点一致)的轨迹记录。
步骤(2.3)公交乘客上车站点识别
筛选出相同车辆编号的车辆轨迹和乘客交易数据,将满足时间窗约束且最接近的一条轨迹记录所对应的公交站点、线路信息保存至乘客交易表。清洗掉无匹配的交易记录。
步骤(3)公交乘客OD估计
优选地,由于国内大部分常规公交系统均采用一票制,下车不需要刷卡,因此无法通过上车站点识别的方法直接计算下车站点,而是需针对乘客的类型和出行的特征,采取一定的方法进行概率估计,并在此基础上统计公交出行OD。
进一步的实施例中,如图4所示,步骤(3)公交乘客下车站点识别及OD估计包括以下内容:
步骤(3.1)公交乘客画像
利用已识别出多天的上车站点的交易数据对公交乘客进行画像。首先统计三张表,一是每个乘客在一定连续的日期内的乘车天数和乘车次数(不区分站点和日期)On_User,二是每个乘客在一定连续的日期内于各个公交站点的上车次数(不区分日期)On_User_Stop,三是每个站点每天的上车次数(不区分乘客)On_Stop_Date。基于上述统计结果,将乘客根据日均乘车天数划分为高频乘客和低频乘客两类。
进一步的实施例中,高频乘客和低频乘客的划分公式为:
式中,
fk——乘客k的类型,1表示高频旅客,0表示低频旅客;
dk——乘客k有公交出行的天数;
D——连续日期内的总天数;
τ——高频乘客判定阈值,取0.3-0.5。
步骤(3.2)公交乘客下车站点识别
分为以下三种情况:
情况1、如果乘客当天存在出行链,即一天内有多次上车记录,且前后两次上车站点存在一条换乘路径(见步骤1.4)且步行换乘时间满足约束,则能够且唯一确定第一次乘车的下车站点,标记该条记录为换乘出行;
情况2、如果当天不存在出行链且该乘客属性为高频乘客,则根据全部天内该乘客在该线路下游站点的上客量概率分布确定,即:
情况3、如果当天不存在出行链且该乘客属性为低频乘客,则根据当天所有乘客在该线路下游车站上客量概率分布确定,即:
公式(3-4)均满足
式中,
Pdkij——第d天乘客k从站点i上车,站点j下车的概率;
J——站点i的所有下游站点的集合;
Odkj——第d天乘客k在站点j的上客量。
根据步骤(3.2),得到包含乘客上下车时间戳、站点的出行记录,根据如表2所示。其中Transfer属性表示此次是一次换乘出行。
表2包含换乘的公交乘客上下车记录表示例
表中,
On_Stop、Off_Stop——本次记录上、下车的公交站点编号;
On_Timestamp、Off_Timestamp——本次记录上、下车的时间戳;
Volume——经概率换算后的公交出行量;
Transfer——值为1表示本次记录是换乘出行,即下车站点是中转站,值为0表示本次记录非换乘出行,即下车站点是出行终点。
步骤(3.3)计算公交站点及空间栅格OD
公交站点OD反映了乘客的上下车点,可直接利用步骤(3.2)的乘客上下车站点识别结果按照上下车站点及15分钟时间片聚合得到。为了进一步反映公交出行的实际起讫点,首先对识别结果进行转换,将包含换乘的出行上下车站点进行合并,得到不含换乘的站点OD,表2经过转换后的上下车站点识别结果如表3所示。再根据公交站点所对应的栅格编号将站点OD聚合为空间栅格OD。
表3不含换乘的公交乘客上下车记录表示例
(4)公交分配
优选地,公交分配是将公交空间栅格OD根据一定原则分配到起讫点栅格之间存在的路径上,得到公交断面流量,是公交客流预测的重要技术基础。在传统的公交客流预测模型中,需要从交通区生成小区连接线,并在包含公交、道路、慢行的多模式网络上搜索最短路径,建模和计算过程较为复杂。本发明提出的公交分配算法,可以直接利用前述步骤的路径搜索和OD识别成果。
进一步的实施例中,如图5所示,步骤(4)公交分配包括以下内容:
步骤(4.1)公交OD拆分
将公交空间栅格OD平均拆成N份,每份为OD/N,令n=0。
步骤(4.2)K短路径搜索
随着公交客流量的增加,车厢、站台逐渐拥挤,公交出行服务水平下降,乘客将考虑选择更不拥挤的线路出行,因此构建随饱和度单调上升的公交阻抗函数,将公式(1)调整为
式中,
IVTT——车内时间,分钟;
WaitT——候车时间,分钟;
WalkT——步行时间,分钟;
Fare——票价,元;
VOT——时间价值,元/分钟;
Penalty——换乘惩罚,分钟;
ρ1——公交车内饱和度;
ρ2——公交站台饱和度;
α1,β1、α2,β2——待定参数。
对于指定空间栅格对,利用dijkstra算法搜索最多包含1次换乘的所有可选路径,根据公式(6)计算阻抗。
步骤(4.3)多路径分配
构建多项Logit模型,计算各路径概率,再保留概率最高的K条路径,重新计算概率值,保证各路径概率之和为1,见公式(7)。
式中,
P(k)——选用路径k的概率;
Tk——路径k的阻抗;
σ——待定参数。
将OD/N按上述概率分配到K路径包含的所有路段上,将分配流量叠加到路段和节点上。返回(4.2),令n=n+1,直到n=N全部分配完成。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多源数据融合的公交OD估计及分配方法,其特征在于,包括如下步骤:
匹配公交线路与站点数据并重构公交网络,搜索公交出行最短路径并计算成本构成;
清洗公交车辆轨迹、乘客交易数据,识别车辆到站信息和乘客上车站点;
根据出行链识别及乘客画像计算下车站点的概率分布,计算公交出行站点间OD和空间栅格OD;
寻找空间栅格对之间的K短路径集合及选择概率,利用增量分配法进行客流分配。
2.根据权利要求1所述的基于多源数据融合的公交OD估计及分配方法,其特征在于,所述的匹配公交线路与站点数据并重构公交网络,搜索公交出行最短路径并计算成本构成,具体包括如下步骤:
(1.1)公交站点数据重构:将无方向公交站台数据转换为分方向公交线路站点数据;
(1.2)公交线路数据重构:将分方向的公交线路数据转换为公交属性与走向表:
(1.3)公交线路和站点匹配:关联站点与线路数据,计算站点方位角和序号,建立公交网络;
(1.4)公交路径搜索:构建广义费用模型,搜索同线路、跨线路站点间的最短路径及费用构成。
3.根据权利要求2所述的基于多源数据融合的公交OD估计及分配方法,其特征在于,所述步骤(1.4)中公交网络最短路径广义费用模型为GC=IVTT+ω1WaitT+ω2WalkT+Fare/VOT+Penalty (1)
式中,GC为广义费用,IVTT为车内时间,WaitT为候车时间,WalkT为步行时间,Fare为票价,VOT为时间价值,Penalty为换乘惩罚,ω为权重。
4.根据权利要求1所述的基于多源数据融合的公交OD估计及分配方法,其特征在于,所述的清洗公交车辆轨迹、乘客交易数据,识别车辆到站信息和乘客上车站点,具体包括如下步骤:
(2.1)数据清洗:对公交车辆轨迹、乘客交易数据进行清洗,包括去重、删除无效及在途信息、转换时间戳;
(2.2)公交车辆到站识别:匹配公交线路站点和车辆轨迹数据,定位车辆坐标最近的站点,实现车辆到站识别;
(2.3)公交乘客上车站点识别:匹配公交车辆轨迹数据和乘客交易数据,识别乘客上车站点。
5.根据权利要求1所述的基于多源数据融合的公交OD估计及分配方法,其特征在于,所述的根据出行链识别及乘客画像计算下车站点的概率分布,计算公交出行站点间OD和空间栅格OD,具体包括如下步骤:
(3.1)公交乘客画像:根据多天的日均乘车天数,将乘客划分为高频乘客和低频乘客;
(3.2)公交乘客下车站点识别:针对已识别出行链、未识别出行链且为高频乘客、未识别且为低频乘客三类出行记录,依次计算该次出行下车站点的概率分布;
(3.3)计算OD:对于公交换乘起讫点转换,计算公交站点间出行OD,进而转换为空间栅格OD。
8.根据权利要求1所述的基于多源数据融合的公交OD估计及分配方法,其特征在于,所述的寻找空间栅格对之间的K短路径集合及选择概率,利用增量分配法进行客流分配,具体步骤如下:
(4.1)OD拆分:将空间栅格OD平均拆成N份;
(4.2)K短路径搜索:建立基于服务水平的阻抗函数,计算各路段阻抗,在网络上寻找空间栅格对之间的K短路径集合,根据各路径的广义出行广义费用,计算各路径选择概率;
(4.3)多路径迭代分配:将拆分后的公交OD按概率叠加到各路径所在的路段上,返回步骤(4.2),直到N份全部分配完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345199.8A CN114358808A (zh) | 2021-11-15 | 2021-11-15 | 基于多源数据融合的公交od估计及分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345199.8A CN114358808A (zh) | 2021-11-15 | 2021-11-15 | 基于多源数据融合的公交od估计及分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358808A true CN114358808A (zh) | 2022-04-15 |
Family
ID=81096437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345199.8A Pending CN114358808A (zh) | 2021-11-15 | 2021-11-15 | 基于多源数据融合的公交od估计及分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358808A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660384A (zh) * | 2022-12-12 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种公共交通工具空间分配方法及系统 |
CN116187585A (zh) * | 2023-04-19 | 2023-05-30 | 杭州数知梦科技有限公司 | 对乘客的brt公交路线进行预测的方法、装置及应用 |
CN116611984A (zh) * | 2023-07-11 | 2023-08-18 | 鹏城实验室 | 多模式下的出行数据处理方法、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN105788334A (zh) * | 2016-04-01 | 2016-07-20 | 东南大学 | 一种考虑驾驶者个人偏好的城市路径寻找方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111639973A (zh) * | 2020-06-02 | 2020-09-08 | 广州交通信息化建设投资营运有限公司 | 基于多元融合大数据的公交客流od推导方法及装置 |
CN111932867A (zh) * | 2020-06-18 | 2020-11-13 | 东南大学 | 一种基于多源数据的公交ic卡乘客下车站点推导方法 |
CN112131437A (zh) * | 2020-11-25 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于图数据库的多模式交通网络构建方法及装置 |
CN113393000A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 通过移动预约提升常规公交线路客流量的方法 |
-
2021
- 2021-11-15 CN CN202111345199.8A patent/CN114358808A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN105788334A (zh) * | 2016-04-01 | 2016-07-20 | 东南大学 | 一种考虑驾驶者个人偏好的城市路径寻找方法 |
CN110782070A (zh) * | 2019-09-25 | 2020-02-11 | 北京市交通信息中心 | 一种城市轨道交通突发事件客流时空分布预测方法 |
CN111639973A (zh) * | 2020-06-02 | 2020-09-08 | 广州交通信息化建设投资营运有限公司 | 基于多元融合大数据的公交客流od推导方法及装置 |
CN111932867A (zh) * | 2020-06-18 | 2020-11-13 | 东南大学 | 一种基于多源数据的公交ic卡乘客下车站点推导方法 |
CN112131437A (zh) * | 2020-11-25 | 2020-12-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于图数据库的多模式交通网络构建方法及装置 |
CN113393000A (zh) * | 2021-05-07 | 2021-09-14 | 杭州数知梦科技有限公司 | 通过移动预约提升常规公交线路客流量的方法 |
Non-Patent Citations (6)
Title |
---|
李军;邓红平;: "基于公交IC卡数据的乘客出行分类研究", 重庆交通大学学报(自然科学版), no. 06, pages 113 - 118 * |
胡继华: "一种基于乘客出行轨迹的公交断面客流估算方法", 计算机应用研究, vol. 31, no. 5, pages 1399 - 1402 * |
苏莹: "一种建立公交网络的最短路径改进算法", 地球信息科学, vol. 7, no. 2, pages 99 - 104 * |
赵海宾;郭忠;吴洪洋;刘海旭;王子甲;: "适用于一票制公交大数据的系统化处理方法及应用――以银川市为例", 交通运输研究, no. 04, pages 113 - 120 * |
陈培文: "考虑路径尺度的城市轨道交通客流分配", 科学技术与工程, vol. 20, no. 12, pages 4884 - 4889 * |
陈绍宽;彭宏勤;刘爽;杨远舟;: "综合运输网络多方式分层分配模型研究", 交通运输系统工程与信息, no. 06, pages 130 - 135 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660384A (zh) * | 2022-12-12 | 2023-01-31 | 天津市政工程设计研究总院有限公司 | 一种公共交通工具空间分配方法及系统 |
CN116187585A (zh) * | 2023-04-19 | 2023-05-30 | 杭州数知梦科技有限公司 | 对乘客的brt公交路线进行预测的方法、装置及应用 |
CN116187585B (zh) * | 2023-04-19 | 2023-07-14 | 杭州数知梦科技有限公司 | 对乘客的brt公交路线进行预测的方法、装置及应用 |
CN116611984A (zh) * | 2023-07-11 | 2023-08-18 | 鹏城实验室 | 多模式下的出行数据处理方法、系统、设备及介质 |
CN116611984B (zh) * | 2023-07-11 | 2024-02-02 | 鹏城实验室 | 多模式下的出行数据处理方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gurumurthy et al. | Analyzing the dynamic ride-sharing potential for shared autonomous vehicle fleets using cellphone data from Orlando, Florida | |
Perrine et al. | Anticipating long-distance travel shifts due to self-driving vehicles | |
Mohring et al. | The values of waiting time, travel time, and a seat on a bus | |
Haglund et al. | Where did Kutsuplus drive us? Ex post evaluation of on-demand micro-transit pilot in the Helsinki capital region | |
Hess et al. | Airport, airline and access mode choice in the San Francisco Bay area | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
CN108961804B (zh) | 基于多指标分类交集的公交线路调整备选集合确定方法 | |
CN109903553B (zh) | 多源数据挖掘的公交车上下车站点识别和检验方法 | |
CN104025075A (zh) | 用于车队导航、调度以及多个车辆、多个目的地指定路线的方法及系统 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
Hora et al. | Estimation of Origin-Destination matrices under Automatic Fare Collection: the case study of Porto transportation system | |
CN111932925A (zh) | 一种公共交通站点的出行客流的确定方法、装置及系统 | |
CN110222912B (zh) | 基于时间依赖模型的铁路行程路线规划方法及装置 | |
CN114331234B (zh) | 基于乘客出行信息的轨道交通客流预测方法和系统 | |
JP6307376B2 (ja) | 交通分析システム、交通分析プログラムおよび交通分析方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
Hörl et al. | Traffic uncertainty in on-demand high-capacity ride-pooling | |
Nasiboglu et al. | Origin-destination matrix generation using smart card data: Case study for Izmir | |
Link et al. | Combining GPS tracking and surveys for a mode choice model: Processing data from a quasi-natural experiment in Germany | |
CN111339159A (zh) | 一种一票制公交数据的分析挖掘方法 | |
Tuydes-Yaman et al. | Boarding Stop Assignment for Public Bus Trips Using Smart Card Data: Comparison of Two Algorithms | |
Hussain et al. | Use of smart card data for zonal level public transit OD matrix estimation: literature review and research gaps | |
Mladenović et al. | Lessons from ex post evaluation of emerging mobility service: Case kutsuplus | |
CN114882693B (zh) | 一种基于刷卡数据深度挖掘的公交乘客下车站点预测方法 |
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 |