CN114385884B - 一种公交乘客居住地分布预测方法、终端设备及存储介质 - Google Patents
一种公交乘客居住地分布预测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114385884B CN114385884B CN202210013991.1A CN202210013991A CN114385884B CN 114385884 B CN114385884 B CN 114385884B CN 202210013991 A CN202210013991 A CN 202210013991A CN 114385884 B CN114385884 B CN 114385884B
- Authority
- CN
- China
- Prior art keywords
- poi
- proportion
- bus
- site
- passengers
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000009193 crawling Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种公交乘客居住地分布预测方法、终端设备及存储介质,所述方法包括:根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。本发明通过构建POI站点出行比例回归模型,推算出公交乘客居住地分布信息,在不需要个人定位信息的前提下,高效、低成本地获取公交乘客居住地分布信息。
Description
技术领域
本发明涉及公交客流量数据分析技术领域,尤其涉及一种公交乘客居住地分布预测方法、终端设备及存储介质。
背景技术
随着城市的发展建设,城市公交基础设施的数量在不断的增长,尽管城市公交基础设施数量增长,但公交客运量在总客运量中的占比逐渐下降,导致此问题的重要原因之一是对城市居民的出行需求和客流变化特征没有清晰的掌握,存在公交资源配置不合理,调度需优化等问题。
对于日益凸显的公交问题需要采用科学合理的公交规划方案,而公交乘客居住地数据则是重要数据支撑之一。但目前现阶段公交乘客居住地推算研究中,基本是利用手机信令数据进行推算,这样会涉及到用户的隐私信息的泄露(比如用户定位信息),而且信令数据需要向手机运营商购买,费用昂贵。
因此,现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种公交乘客居住地分布预测方法、终端设备及存储介质,旨在解决现有技术在对公交乘客居住地推算分析中存在用户隐私信息泄露的风险,且信令数据需要向手机运营商购买,费用昂贵等问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种公交乘客居住地分布预测方法,其中,所述方法包括:
根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;
根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;
对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
在一种实现方式中,所述根据爬虫技术爬取分析数据,包括:
利用爬虫技术爬取网站公开的POI数据、公交地铁线路站点数据以及天气数据;
对所述POI数据、所述公交地铁线路站点数据以及所述天气数据进行清洗整理;
根据清洗整理后的数据筛选出所述分析因素。
在一种实现方式中,所述根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式,包括:
计算出行比例,对所述分析因素进行相关性分析,确定所述分析因素与所述出行比例的相关性;
采用函数关系对所述分析因素与所述出行比例进行拟合,确定相关影响因素与影响形式。
在一种实现方式中,所述根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型之后,还包括:
根据所述POI站点出行比例回归模型推算POI站点平均乘客数,并计算站点POI出行概率;
根据所述站点POI出行概率推算站点乘客数POI分布。
在一种实现方式中,所述出行比例的计算公式为:
;
其中,为站点编号为s的周边POI总出行比例;
为POI到站点s早高峰总乘客数;
为站点s周边POI总常住人数;
s=1,2……N,N为全市站点编号数。
在一种实现方式中,所述POI站点出行比例回归模型为:
其中,表示POI编号为i至站点s的出行比例;
表示POI编号为i的相关影响因素j的重要程度;
为POI编号为i至站点s相关影响因素j所对应的影响形式;
i=1,2……M,M为全市POI编号数;
j=1,2……O,O为影响因素编号数。
在一种实现方式中,所述POI站点平均乘客数为:
=/>
其中,为站点s周边POI编号为i的POI站点平均乘客数;
表示POI编号为i的常住人数;
所述站点POI出行概率为:
其中,为站点s周边POI编号为i的出行概率;
为推算的站点s周边POI的总站点平均乘客数;
所述站点乘客数POI分布为:
其中,为站点s周边POI编号为i的乘客分布数;
为站点s的现实乘客数。
第二方面,本发明实施例还提供一种公交乘客居住地分布预测装置,其中,所述装置包括:
数据分析模块,用于根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;
模型构建模块,用于根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;
模型分析模块,用于对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
第三方面,本发明实施例还提供一种终端设备,其中,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的公交乘客居住地分布预测程序,所述处理器执行所述公交乘客居住地分布预测程序时,实现上述方案中任一项所述的公交乘客居住地分布预测方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有公交乘客居住地分布预测程序,所述公交乘客居住地分布预测程序被处理器执行时,实现上述方案中任一项所述的公交乘客居住地分布预测方法的步骤。
有益效果:与现有技术相比,本发明提供了一种公交乘客居住地分布预测方法,本发明首先根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。由此可见,本发明通过构建POI站点出行比例回归模型,推算出公交乘客居住地分布信息,在不需要个人定位信息的前提下,高效、低成本地获取公交乘客居住地分布信息。
附图说明
图1为本发明实施例提供的公交乘客居住地分布预测方法的具体实施方式的流程图。
图2为本发明实施例提供的公交乘客居住地分布预测方法中分析因素与出行比例的相关分析及拟合节选图。
图3是本发明实施例提供的公交乘客居住地分布预测装置的原理框图。
图4是本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
为了解决现有技术的问题,本实施例提供一种公交乘客居住地分布预测方法,经过本实施例的方法,可在进行公交乘客居住地分布预测时,不需要个人定位信息,可高效、低成本地获取公交乘客居住地分布信息。具体实施时,本实施例首先根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式。然后根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型。最后对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。本实施例无需获取个人定位信息,只需要通过构建POI站点出行比例回归模型,即可实现高效且低成本的推算出公交乘客居住地分布信息。
示例性方法
本实施例中的公交乘客居住地分布预测方法可应用于终端设备中,该终端设备可为电脑、手机等智能化产品终端。如图1所示,本实施例中的公交乘客居住地分布预测方法包括如下步骤:
步骤S100、根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式。
随着IC卡和车载GPS系统的广泛使用,公交系统累积了海量公交数据。这些数据蕴藏着真实、全面的公交乘客信息;在互联网不断发展过程中,居住POI(Point of Interest,兴趣点)数据获取渠道越来越多,这些居住POI数据存在着居民居住地各种信息,一定程度反映了居民个人特性。因此使结合POI数据与公交IC数据进而推算乘客居住地信息成为了可能。
本实施例是以站点为基准,对站点周边POI出行比例及站点周边POI的可分析因素的合并数据进行分析,通过对全市的站点进行相似流程的分析得出适用于站点与单个POI之间的规律。由于公交乘客出行与POI信息、公交地铁线路、至公交地铁线路距离以及天气数据是有关的,为了更为准确地分析出公交乘客居住地分布信息,本实施例首先利用Python爬虫技术爬取网站公开的POI数据、公交地铁线路站点数据以及天气数据;然后对所述POI数据、所述公交地铁线路站点数据以及所述天气数据进行清洗整理。最后根据清洗整理后的数据筛选出所述分析因素。本实施例中的分析因素为可用于进行公交出行分析的数据。当得到所述分析因素后,本实施例可计算出行比例,对所述分析因素进行相关性分析,确定所述分析因素与所述出行比例的相关性。
具体地,本实施例中的出行比例的计算公式为:
;
其中,为站点编号为s的周边POI总出行比例;
为POI到站点s早高峰总乘客数;
为站点s周边POI总常住人数;
s=1,2……N,N为全市站点编号数。
当得到出行比例后,本实施例采用函数关系对所述分析因素与所述出行比例进行拟合,确定相关影响因素与影响形式,具体如图2中所示。
步骤S200、根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型。
具体地,本实施例根据相关影响因素及影响形式,构建POI站点出行比例回归模型为:
其中,表示POI编号为i至站点s的出行比例;
表示POI编号为i的相关影响因素j的重要程度;
为POI编号为i至站点s相关影响因素j所对应的影响形式;
i=1,2……M,M为全市POI编号数;
j=1,2……O,O为影响因素编号数。
进一步地,本实施例通过上述POI站点出行比例回归模型可推算POI站点平均乘客数,并计算站点POI出行概率。然后根据所述站点POI出行概率推算站点乘客数POI分布。具体地,本实施例中的POI站点平均乘客数为:
=/>
其中,为站点s周边POI编号为i的POI站点平均乘客数;
表示POI编号为i的常住人数。
所述站点POI出行概率为:
其中,为站点s周边POI编号为i的出行概率;
为推算的站点s周边POI的总站点平均乘客数。
所述站点乘客数POI分布为:
其中,为站点s周边POI编号为i的乘客分布数;
为站点s的现实乘客数。
步骤S300、对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
当得到所述POI站点出行比例回归模型后,本实施例还对该POI站点出行比例回归模型进行有效性验证,然后基于检测到的POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
举例说明,本例以某市12月份7:30-9:30的早高峰公交IC卡数据及爬虫爬取的该市POI数据为基础进行算例分析,同时根据居民从居住地步行至站点的最大距离一般为500米,设定站点周边为距站点直线500米内的范围。以某市12月份7:30-9:30的早高峰公交IC卡数据及爬虫爬取的该市POI数据为例,并设定站点周边为距站点直线500米内的范围;爬取到的数据的如下表1所示。
表1
然后根据表1中的数据,将对可能影响公交出行因素进行筛选,确定直接或者间接的分析因素,筛选得到的分析因素如下表2所示。
表2
然后对可分析因素进行相关性分析,并利用线性、非线性函数关系拟合,如图2(分析因素与出行比例的相关分析及拟合节选图),确定相关因素及相关影响形式如下表3所示.
表3
基于上述表1、表2以及表3中的数据,构建的POI站点出行比例回归模型为:
。
接着利用最小二乘法,回归相关影响因素影响程度系数,根据POI站点出行比例,推算POI站点平均乘客数:
。
最后根据POI站点平均乘客数,计算站点POI出行概率,并推算出乘客数的POI分布信息如下表4:
表4
由此可见,本实施例通过Python爬虫技术爬取网站公开的POI数据,基于POI信息确定相关影响因素及影响因素,构建了POI站点出行比例回归模型,最后,计算站点POI出行概率,并进行算例分析验证了模型的有效性,推算公交乘客居住地分布。因此,基于POI信息与站点客流信息计算POI站点出行比例,计算站点POI出行概率,最终推算乘客POI分布,具有现实可行性。
示例性装置
基于上述实施例,本发明提供一种公交乘客居住地分布预测装置,如图3中所示。本实施例中的装置包括:数据分析模块10、模型构建模块20以及模型分析模块30。具体地,所述数据分析模块10,用于根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式。所述模型构建模块20,用于根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型。所述模型分析模块30,用于对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
本实施例中的公交乘客居住地分布预测装置中各个模块的工作原理与上述方法实施例中的工作原理相同,此处不再累述。
基于上述实施例,本发明还提供了一种终端设备,其原理框图可以如图4所示。该终端设备包括通过系统总线连接的处理器、存储器。其中,该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种公交乘客居住地分布预测方法。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端设备的限定,具体的终端设备以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的公交乘客居住地分布预测程序,处理器执行公交乘客居住地分布预测程序时,实现如下操作指令:
数据分析模块,用于根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;
模型构建模块,用于根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;
模型分析模块,用于对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上,本发明公开了一种公交乘客居住地分布预测方法、终端设备及存储介质,所述方法包括:根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息。本发明通过构建POI站点出行比例回归模型,推算出公交乘客居住地分布信息,在不需要个人定位信息的前提下,高效、低成本地获取公交乘客居住地分布信息。
最后应说明的是: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 (4)
1.一种公交乘客居住地分布预测方法,其特征在于,所述方法包括:
根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;
根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;
对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息;
所述根据爬虫技术爬取分析数据,包括:
利用爬虫技术爬取网站公开的POI数据、公交地铁线路站点数据以及天气数据;
对所述POI数据、所述公交地铁线路站点数据以及所述天气数据进行清洗整理;
根据清洗整理后的数据筛选出分析因素;
所述根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式,包括:
计算出行比例,对所述分析因素进行相关性分析,确定所述分析因素与所述出行比例的相关性;
采用函数关系对所述分析因素与所述出行比例进行拟合,确定相关影响因素与影响形式;
所述出行比例的计算公式为:
;
其中,为站点编号为s的周边POI总出行比例;
为POI到站点s早高峰总乘客数;
为站点s周边POI总常住人数;
s=1,2……N,N为全市站点编号数;
所述POI站点出行比例回归模型为:
其中,表示POI编号为i至站点s的出行比例;
表示POI编号为i的相关影响因素j的重要程度;
为POI编号为i至站点s相关影响因素j所对应的影响形式;
i=1,2……M,M为全市POI编号数;
j=1,2……O,O为影响因素编号数;
所述根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型之后,还包括:
根据所述POI站点出行比例回归模型推算POI站点平均乘客数,并计算站点POI出行概率;
根据所述站点POI出行概率推算站点乘客数POI分布;
所述POI站点平均乘客数为:
=/>;
其中,为站点s周边POI编号为i的POI站点平均乘客数;
表示POI编号为i的常住人数;
所述站点POI出行概率为:
;
其中,为站点s周边POI编号为i的出行概率;
为推算的站点s周边POI的总站点平均乘客数;
所述站点乘客数POI分布为:
;
其中,为站点s周边POI编号为i的乘客分布数;
为站点s的现实乘客数。
2.一种公交乘客居住地分布预测装置,其特征在于,所述装置包括:
数据分析模块,用于根据爬虫技术爬取分析数据,并根据所述分析数据,确定影响公交出行的相关影响因素以及影响形式;
模型构建模块,用于根据所述相关影响因素以及所述影响形式,构建POI站点出行比例回归模型;
模型分析模块,用于对所述POI站点出行比例回归模型进行验证,并根据所述POI站点出行比例回归模型的有效性信息,确定公交乘客居住地分布信息;
所述数据分析模块包括:
利用爬虫技术爬取网站公开的POI数据、公交地铁线路站点数据以及天气数据;
对所述POI数据、所述公交地铁线路站点数据以及所述天气数据进行清洗整理;
根据清洗整理后的数据筛选出分析因素;
计算出行比例,对所述分析因素进行相关性分析,确定所述分析因素与所述出行比例的相关性;
采用函数关系对所述分析因素与所述出行比例进行拟合,确定相关影响因素与影响形式;
所述出行比例的计算公式为:
;
其中,为站点编号为s的周边POI总出行比例;
为POI到站点s早高峰总乘客数;
为站点s周边POI总常住人数;
s=1,2……N,N为全市站点编号数;
所述模型构建模块还包括:
所述POI站点出行比例回归模型为:
其中,表示POI编号为i至站点s的出行比例;
表示POI编号为i的相关影响因素j的重要程度;
为POI编号为i至站点s相关影响因素j所对应的影响形式;
i=1,2……M,M为全市POI编号数;
j=1,2……O,O为影响因素编号数;
所述装置还用于:
根据所述POI站点出行比例回归模型推算POI站点平均乘客数,并计算站点POI出行概率;
根据所述站点POI出行概率推算站点乘客数POI分布;
所述POI站点平均乘客数为:
=/>;
其中,为站点s周边POI编号为i的POI站点平均乘客数;
表示POI编号为i的常住人数;
所述站点POI出行概率为:
;
其中,为站点s周边POI编号为i的出行概率;
为推算的站点s周边POI的总站点平均乘客数;
所述站点乘客数POI分布为:
;
其中,为站点s周边POI编号为i的乘客分布数;
为站点s的现实乘客数。
3.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的公交乘客居住地分布预测程序,所述处理器执行所述公交乘客居住地分布预测程序时,实现如权利要求1所述的公交乘客居住地分布预测方法的步骤。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有公交乘客居住地分布预测程序,所述公交乘客居住地分布预测程序被处理器执行时,实现如权利要求1所述的公交乘客居住地分布预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013991.1A CN114385884B (zh) | 2022-01-06 | 2022-01-06 | 一种公交乘客居住地分布预测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210013991.1A CN114385884B (zh) | 2022-01-06 | 2022-01-06 | 一种公交乘客居住地分布预测方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114385884A CN114385884A (zh) | 2022-04-22 |
CN114385884B true CN114385884B (zh) | 2024-03-26 |
Family
ID=81200085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210013991.1A Active CN114385884B (zh) | 2022-01-06 | 2022-01-06 | 一种公交乘客居住地分布预测方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114385884B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779194A (zh) * | 2016-12-05 | 2017-05-31 | 北京交通大学 | 一种城市轨道交通站台乘客的分布预测方法 |
CN109200579A (zh) * | 2018-09-28 | 2019-01-15 | 珠海沙盒网络科技有限公司 | 一种游戏服务器架构优化方法及系统 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN111143769A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
CN112395383A (zh) * | 2020-11-30 | 2021-02-23 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6493006B2 (ja) * | 2015-06-18 | 2019-04-03 | 富士通株式会社 | 人口推計方法、人口推計プログラム、および人口推計装置 |
-
2022
- 2022-01-06 CN CN202210013991.1A patent/CN114385884B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779194A (zh) * | 2016-12-05 | 2017-05-31 | 北京交通大学 | 一种城市轨道交通站台乘客的分布预测方法 |
CN109200579A (zh) * | 2018-09-28 | 2019-01-15 | 珠海沙盒网络科技有限公司 | 一种游戏服务器架构优化方法及系统 |
CN110348644A (zh) * | 2019-07-18 | 2019-10-18 | 广州市交通规划研究院 | 一种电动汽车充电设施建设需求预测的方法 |
CN111143769A (zh) * | 2019-12-09 | 2020-05-12 | 深圳市市政设计研究院有限公司 | 一种基于大数据的出行方式分担率的预测方法和预测装置 |
CN112395383A (zh) * | 2020-11-30 | 2021-02-23 | 湘潭大学 | 基于多源信息融合的人口数据空间化方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
Passenger arrival distribution model and riding guidance on an urban rail transit platform;Heng Ding et al;《Physica A: Statistical Mechanics and its Applications》;20210630;第571卷;第1-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114385884A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417273B (zh) | 区域画像图生成方法、装置、计算机设备及存储介质 | |
Dong et al. | Sustainability of highway bridge networks under seismic hazard | |
CN111242493B (zh) | 一种街道品质评价方法、装置、系统及存储介质 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
McArdle et al. | Improving the veracity of open and real-time urban data | |
Licitra et al. | Gden: An indicator for European noise maps comparison and to support action plans | |
KR20180105133A (ko) | 자동차 보험 답사 임무의 발표 시스템, 기기, 방법 및 판독 가능 저장매체 | |
Wu et al. | How transit scaling shapes cities | |
Ward et al. | A software tool to assess uncertainty in transient-storage model parameters using Monte Carlo simulations | |
US20100036793A1 (en) | Method and System for Geospatial Forecasting of Events Incorporating Data Error and Uncertainty | |
CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN111143769B (zh) | 一种基于大数据的出行方式分担率的预测方法和预测装置 | |
CN114049154A (zh) | 银行网点选址方法及装置 | |
CN113838303B (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
CN114385884B (zh) | 一种公交乘客居住地分布预测方法、终端设备及存储介质 | |
CN113064916A (zh) | 异常打卡行为的监测方法、装置、计算机设备及存储介质 | |
CN117037482A (zh) | 道路交通运行状态实时感知方法、系统、设备及存储介质 | |
CN116433105A (zh) | 一种定量评估轨道交通与城市空间要素分布耦合度的方法 | |
Soleimani et al. | Estimation of economic costs of air pollution caused by motor vehicles in Iran (Isfahan) | |
CN115034686A (zh) | 作业行为量化方法、装置、计算机设备和存储介质 | |
CN114881472A (zh) | 机动车排放对空气质量影响的分析方法、装置及设备 | |
Larsson Ivanov et al. | The practical value of structural health information for time dependence in bridge maintenance | |
CN109615187B (zh) | 一种od矩阵的评估方法、公交负载模拟方法及装置 | |
CN112785163A (zh) | 职业识别方法、装置、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |