CN114819290A - 一种基于stacking的多环境下短时公交客流预测方法 - Google Patents
一种基于stacking的多环境下短时公交客流预测方法 Download PDFInfo
- Publication number
- CN114819290A CN114819290A CN202210352351.3A CN202210352351A CN114819290A CN 114819290 A CN114819290 A CN 114819290A CN 202210352351 A CN202210352351 A CN 202210352351A CN 114819290 A CN114819290 A CN 114819290A
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- prediction
- line
- traffic
- training
- 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 35
- 238000012549 training Methods 0.000 claims description 52
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 13
- 230000002411 adverse Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于stacking的多环境下短时公交客流预测方法,该方法包括:步骤1,获取客流数据和特征数据,步骤2,线路客流预测,利用秩相关系数来分析线路客流量与天气类型的相关性,设置秩相关系数阈值,用秩相关系数绝对值大于c时的特征来训练SVM模型。步骤3,交通小区客流预测,步骤4,线路各站点客流预测;该方法实现了精准预测短时公交客流量,为公交调度最优化资源配置提供参考依据。
Description
技术领域
本发明涉及时间序列、数据挖掘和智能交通研究领域,具体涉及一种基于stacking的多环境下短时公交客流预测方法。
背景技术
公交调度策略是公交优先战略的保障。短时公交客流作为公交资源配置及公交网络规划的重要依据,其精确程度关乎公交运营调度策略的成败。
本发明为了提高多因素条件下短时公交客流的预测精度,提出一种基于大数据的多环境下的短时公交客流预测模型;分析了降雨、气温、节假日等多个条件与公交客流的相关关系,并揭示了不同降雨等级对公交客流量的影响;同时利用多模型集成算法和贝叶斯投票法,实现了客流预测的高预测精度。
发明内容
为了克服现有技术的不足,本发明提供了一种基于stacking的多环境下短时公交客流预测方法,可以精准预测短时公交客流量,为公交调度最优化资源配置提供参考依据。技术方案如下:
第一方面,提供了一种基于stacking的多环境下的短时公交客流预测方法,该方法包括如下步骤:
步骤1,获取客流数据和特征数据;
获取某城市的部分公交线路的上下客流数据为基础数据,其中多维度特征包括:
线路名称;日类型;天气类型;气温类型;线路长度;线路类型;是否节假日;是否经过学校;是否经过商场;与地铁线重合程度;与其他公交线路重合程度。
把数据特征维度记为X=(X1,X2,…,Xm),其中m是特征个数,Xi表示各个特征的向量值。
每条线路的上下客流数据的时间间隔为10-30min,将每天的时段数量记为n,相应时段的客流量记为y1,y2,…,yn;
将某条线路每天的客流量Y和特征X表示如下:
其中m是特征个数,n是时段个数。
步骤2,线路客流预测;
(1)利用秩相关系数来分析线路客流量与天气类型的相关性
利用控制变量法,计算秩相关系数来分别计算天气类型对公交客流的影响,其秩相关系数rj为:
其中rj为第j个特征的秩相关系数,为正时表示正相关,为负时表示负相关,为零时表示不相关,dij为两变量每一对样本的等级之差,即变量xij与yi的差值。
(2)设置秩相关系数阈值c,c>0,用秩相关系数绝对值大于c时的特征来训练SVM模型。
除了秩相关系数绝对值大于c时的特征,还增加预测日前t天中同一时间窗的上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入SVM模型进行训练,建立SVM预测模型,用测试集获取预测准确率p1;
构建预测样本,将所述预测样本输入SVM预测模型,获得该线路在目标时间窗的预测上车客流量。
步骤3,交通小区客流预测;
进行交通小区的划分;
用多维度特征来训练随机森林模型:
除了多维度特征,再增加预测日前t天中同时间窗的上车客流量和同时间窗可直达交通小区上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入随机森林模型进行训练,建立随机森林预测模型,用测试集获取预测准确率p2。
构建预测样本,将所述预测样本输入随机森林预测模型,获得该交通小区在目标时间窗的预测上车客流量。
步骤4,线路各站点客流预测;
用多维度特征来训练岭回归模型:除了多维度特征,增加预测日前t天中同时间窗的上车客流量和同线路可直达的相关站点上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入岭回归模型进行训练,建立岭回归预测模型,用测试集获取预测准确率p3。
构建预测样本,将所述预测样本输入岭回归预测模型,获得该站点在目标时间窗的预测上车客流量。
步骤5,利用线路客流预测结果、交通小区客流预测结果、站点客流预测结果来进行综合调整,给出三者的最终客流预测结果。
优选的,按照步骤2(1)的方法对数据特征进行相关性分析,可以得到:
日类型和天气类型:工作日降雨天气与公交客流存在较强的负相关关系,周末存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大;
线路类型和天气类型:夜间公交降雨天气与公交客流存在较强的负相关关系,旅游专线存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大;
线路长度和天气类型:长距离公交降雨天气与公交客流存在较强的负相关关系。随着雨量的增大,对客流的不利影响也越大。
优选的,步骤2为了保证各时段的数据合理性,消除时变性引起的差异,引入数据平滑项“客流偏差率”α:
优选的,步骤3划分交通小区,首先以行政边界进行划分,形成初步的交通中区;再以河道、湖泊、山林、城墙、铁路、高快速路等自然障碍进行划分,并检查风景区、大型商场、交通枢纽的土地利用相对独立的区域是否被分隔,如果被分隔需进行适当合并;然后分区域评估交通小区划分的均衡性,根据均衡性评估结果,结合城市道路进行细划或小区合并。
优选的,步骤5具体包括:
假设某一时间窗的某交通小区客流预测结果为ai,同一时间窗的在该交通小区内的站点客流预测结果为ai1,ai2,…,aiH,其中H为该交通小区包含的站点总数,利用贝叶斯投票法来调整各站点客流预测值,具体公式如下
通过将准确率更高的模型赋予更高的权重来互补,提升了预测准确率。
假设某一时间窗的某条线路客流预测结果为ai,同一时间窗的属于该线路的站点客流预测结果为ai1,ai2,…,aik,其中k为该线路包含的站点总数。利用贝叶斯投票法来调整各站点客流预测值,具体公式如下:
根据得到每个站点在各个时间窗的预测值,继续利用贝叶斯投票法得到站点客流的最终预测值:
与现有技术相比,上述技术方案中的一个技术方案具有如下有益效果:通过秩相关系数和Pearson相关系数选出较强相关特征,利用SVM实现线路短时公交客流预测;再用随机森林模型实现交通小区短时公交客流预测,然后用岭回归模型实现站点短时公交客流预测,最后通过贝叶斯投票完成最终预测值修复,极大的降低了预测误差。实现了精准预测短时公交客流量,为公交调度最优化资源配置提供参考依据。
具体实施方式
为了阐明本发明的技术方案和工作原理,下面将对本公开实施方式做进一步的详细描述。上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
本申请的说明书和权利要求书中的术语“步骤1”、“步骤2”、“步骤3”等类似描述是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里描述的那些以外的顺序实施。
本公开实施例提供了一种基于stacking的多环境下的短时公交客流预测方法,该方法包括如下步骤:
步骤1,获取客流数据和特征数据;
获取某城市的部分公交线路的上下客流数据为基础数据,其中多维度特征包括:
线路名称;日类型(工作日、周末);天气类型(无雨、小雨、中雨、大雨、暴雨);气温类型(适温、高/低温);线路长度;线路类型(旅游专线、市内干线、市内支线、市内快线、高快巴士、夜间公交、高峰专线);是否节假日;是否经过学校;是否经过商场;与地铁线重合程度(无重合、部分重合、高度重合、完全重合);与其他公交线路重合程度(无重合、部分重合、高度重合、完全重合)。
把数据特征维度记为X=(X1,X2,…,Xm),其中m是特征个数,Xi表示各个特征的向量值。
每条线路的上下客流数据的时间间隔为15min,将每天的时段数量记为n,相应时段的客流量记为y1,y2,…,yn;
将某条线路每天的客流量Y和特征X表示如下:
其中m是特征个数,n是时段个数。
步骤2,线路客流预测;
(1)利用秩相关系数来分析线路客流量与天气类型的相关性
利用控制变量法,计算秩相关系数来分别计算天气类型(记为0,1,2,3,4,5个等级代表雨量的大小,从0到4雨量依次增大)对公交客流的影响,其秩相关系数rj为:
其中rj为第j个特征的秩相关系数,为正时表示正相关,为负时表示负相关,为零时表示不相关,dij为两变量每一对样本的等级之差,即变量xij与yi的差值。
优选的,按照步骤2(1)的方法对数据特征进行相关性分析,可以得到:
1)日类型和天气类型:工作日降雨天气与公交客流存在较强的负相关关系,周末存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大。
降雨对非工作日公交客流影响较大的原因是工作日出行多为以工作为目的刚性通勤需求,刚性需求几乎不受外界因素影响;而周末出行主要为旅游、购物等弹性需求,一旦出现降雨等不利天气情况,居民大多会改变出行方式或者取消出行。
2)线路类型和天气类型:夜间公交降雨天气与公交客流存在较强的负相关关系,旅游专线存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大。而且不同性质及重要程度的公交线路的客流受到降雨天气的影响程度不同。
降雨对旅游专线客流影响较大的原因是旅游专线一般以旅游出行为主,一旦出现降雨等不利天气情况,居民大多会取消出行。
3)线路长度和天气类型:长距离公交降雨天气与公交客流存在较强的负相关关系。随着雨量的增大,对客流的不利影响也越大。
降雨对长距离公交客流影响较大的原因是一般长距离公交多是跨区线或绕行线路,一旦出现降雨等不利天气情况,会导致出行时间大大增加,居民大多会更换出行方式。
同样地,利用Pearson相关系数也能得到气温类型的相应影响关系。
(2)设置秩相关系数阈值c,c>0,用秩相关系数绝对值大于c时的特征来训练SVM(rbf核)模型。
除了秩相关系数绝对值大于c时的特征,还增加预测日前t天中同一时间窗的上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入SVM模型进行训练,建立SVM预测模型,用测试集获取预测准确率p1;
构建预测样本,将所述预测样本输入SVM预测模型,获得该线路在目标时间窗的预测上车客流量。
优选的,步骤2为了保证各时段的数据合理性,消除时变性引起的差异,引入数据平滑项“客流偏差率”α:
步骤3,交通小区客流预测;
进行交通小区的划分;
优选的,步骤3划分交通小区,首先以行政边界(街道、村镇)进行划分,形成初步的交通中区;再以河道、湖泊、山林、城墙、铁路、高快速路等自然障碍进行划分,并检查风景区、大型商场、交通枢纽等土地利用相对独立的区域是否被分隔,如果被分隔需进行适当合并;然后分区域评估交通小区划分的均衡性,通常交通小区面积为依据,面积一般在1-2平方千米左右,外围区域面积可适当扩大,根据均衡性评估结果,结合城市道路进行细划或小区合并。
用多维度特征来训练随机森林模型:
除了多维度特征,再增加预测日前t天中同时间窗的上车客流量和同时间窗可直达交通小区上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入随机森林模型进行训练,建立随机森林预测模型,用测试集获取预测准确率p2。
构建预测样本,将所述预测样本输入随机森林预测模型,获得该交通小区在目标时间窗的预测上车客流量。
步骤4,线路各站点客流预测;
用多维度特征来训练岭回归模型:除了多维度特征,增加预测日前t天中同时间窗的上车客流量和同线路可直达的相关站点上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入岭回归模型进行训练,建立岭回归预测模型,用测试集获取预测准确率p3。
构建预测样本,将所述预测样本输入岭回归预测模型,获得该站点在目标时间窗的预测上车客流量。
步骤5,利用线路客流预测结果、交通小区客流预测结果、站点客流预测结果来进行综合调整,给出三者的最终客流预测结果。
优选的,步骤5具体包括:假设某一时间窗的某交通小区客流预测结果为ai,同一时间窗的在该交通小区内的站点客流预测结果为ai1,ai2,…,aiH,其中H为该交通小区包含的站点总数,利用贝叶斯投票法来调整各站点客流预测值,具体公式如下
通过将准确率更高的模型赋予更高的权重来互补,提升了预测准确率。
假设某一时间窗的某条线路客流预测结果为ai,同一时间窗的属于该线路的站点客流预测结果为ai1,ai2,…,aik,其中k为该线路包含的站点总数。利用贝叶斯投票法来调整各站点客流预测值,具体公式如下:
根据得到每个站点在各个时间窗的预测值,继续利用贝叶斯投票法得到站点客流的最终预测值:
以上对本发明进行了示例性描述,显然,本发明具体实现并不受上述方式的限制,凡是采用了本发明的方法构思和技术方案进行的各种非实质性的改进;或者未经改进、等同替换,将本发明的上述构思和技术方案直接应用于其他场合的,均在本发明的保护范围之内。
Claims (5)
1.一种基于stacking的多环境下的短时公交客流预测方法,其特征在于,该方法包括如下步骤:
步骤1,获取客流数据和特征数据;
获取某城市的部分公交线路的上下客流数据为基础数据,其中多维度特征包括:
线路名称;日类型;天气类型;气温类型;线路长度;线路类型;是否节假日;是否经过学校;是否经过商场;与地铁线重合程度;与其他公交线路重合程度;
把数据特征维度记为X=(X1,X2,…,Xm),其中m是特征个数,Xi表示各个特征的向量值;
每条线路的上下客流数据的时间间隔为10-30min,将每天的时段数量记为n,相应时段的客流量记为y1,y2,…,yn;
将某条线路每天的客流量Y和特征X表示如下:
其中m是特征个数,n是时段个数;
步骤2,线路客流预测;
(1)利用秩相关系数来分析线路客流量与天气类型的相关性;
其中rj为第j个特征的秩相关系数,为正时表示正相关,为负时表示负相关,为零时表示不相关,dij为两变量每一对样本的等级之差,即变量xij与yi的差值;
(2)设置秩相关系数阈值c,c>0,用秩相关系数绝对值大于c时的特征来训练SVM模型;
除了秩相关系数绝对值大于c时的特征,还增加预测日前t天中同一时间窗的上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入SVM模型进行训练,建立SVM预测模型,用测试集获取预测准确率p1;
构建预测样本,将所述预测样本输入SVM预测模型,获得该线路在目标时间窗的预测上车客流量;
步骤3,交通小区客流预测;
进行交通小区的划分;
用多维度特征来训练随机森林模型:
除了多维度特征,再增加预测日前t天中同时间窗的上车客流量和同时间窗可直达交通小区上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入随机森林模型进行训练,建立随机森林预测模型,用测试集获取预测准确率p2;
构建预测样本,将所述预测样本输入随机森林预测模型,获得该交通小区在目标时间窗的预测上车客流量;
步骤4,线路各站点客流预测;
用多维度特征来训练岭回归模型:除了多维度特征,增加预测日前t天中同时间窗的上车客流量和同线路可直达的相关站点上车客流量作为训练样本,将训练样本拆分成训练集和测试集,将训练集输入岭回归模型进行训练,建立岭回归预测模型,用测试集获取预测准确率p3;
构建预测样本,将所述预测样本输入岭回归预测模型,获得该站点在目标时间窗的预测上车客流量;
步骤5,利用线路客流预测结果、交通小区客流预测结果、站点客流预测结果来进行综合调整,给出三者的最终客流预测结果。
2.根据权利要求1所述的一种基于stacking的多环境下的短时公交客流预测方法,其特征在于,按照步骤2(1)的方法对数据特征进行相关性分析,可以得到:
日类型和天气类型:工作日降雨天气与公交客流存在较强的负相关关系,周末存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大;
线路类型和天气类型:夜间公交降雨天气与公交客流存在较强的负相关关系,旅游专线存在极强的负相关关系,随着雨量的增大,对客流的不利影响也越大;
线路长度和天气类型:长距离公交降雨天气与公交客流存在较强的负相关关系;随着雨量的增大,对客流的不利影响也越大。
4.根据权利要求1所述的一种基于stacking的多环境下的短时公交客流预测方法,其特征在于,步骤3划分交通小区,首先以行政边界进行划分,形成初步的交通中区;再以河道、湖泊、山林、城墙、铁路、高快速路的自然障碍进行划分,并检查风景区、大型商场、交通枢纽的土地利用相对独立的区域是否被分隔,如果被分隔需进行适当合并;然后分区域评估交通小区划分的均衡性,根据均衡性评估结果,结合城市道路进行细划或小区合并。
5.根据权利要求1-4任一项所述的一种基于stacking的多环境下的短时公交客流预测方法,其特征在于,步骤5具体包括:
假设某一时间窗的某交通小区客流预测结果为ai,同一时间窗的在该交通小区内的站点客流预测结果为ai1,ai2,…,aiH,其中H为该交通小区包含的站点总数,利用贝叶斯投票法来调整各站点客流预测值,具体公式如下
通过将准确率更高的模型赋予更高的权重来互补,提升了预测准确率;
假设某一时间窗的某条线路客流预测结果为ai,同一时间窗的属于该线路的站点客流预测结果为ai1,ai2,…,aik,其中k为该线路包含的站点总数;利用贝叶斯投票法来调整各站点客流预测值,具体公式如下:
根据得到每个站点在各个时间窗的预测值,继续利用贝叶斯投票法得到站点客流的最终预测值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352351.3A CN114819290A (zh) | 2022-04-04 | 2022-04-04 | 一种基于stacking的多环境下短时公交客流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352351.3A CN114819290A (zh) | 2022-04-04 | 2022-04-04 | 一种基于stacking的多环境下短时公交客流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819290A true CN114819290A (zh) | 2022-07-29 |
Family
ID=82532659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352351.3A Pending CN114819290A (zh) | 2022-04-04 | 2022-04-04 | 一种基于stacking的多环境下短时公交客流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819290A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759472A (zh) * | 2022-12-07 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
CN117273287A (zh) * | 2023-11-23 | 2023-12-22 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
-
2022
- 2022-04-04 CN CN202210352351.3A patent/CN114819290A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759472A (zh) * | 2022-12-07 | 2023-03-07 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
CN115759472B (zh) * | 2022-12-07 | 2023-12-22 | 北京轨道交通路网管理有限公司 | 客流信息的预测方法、装置及电子设备 |
CN117273287A (zh) * | 2023-11-23 | 2023-12-22 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
CN117273287B (zh) * | 2023-11-23 | 2024-03-08 | 山东科技大学 | 一种基于张量-矩阵耦合的地铁客流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
CN114819290A (zh) | 一种基于stacking的多环境下短时公交客流预测方法 | |
CN101436345B (zh) | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 | |
CN101944288B (zh) | 城市公交线路停靠站设置方法 | |
CN105809962A (zh) | 一种基于手机数据的交通出行方式划分的方法 | |
CN108681796B (zh) | 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法 | |
CN103745110B (zh) | 纯电动公交车营运续驶里程估算方法 | |
CN104575050B (zh) | 一种基于浮动车的快速路匝道智能诱导方法及装置 | |
CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
CN108805360B (zh) | 一种将城市生物质载体运输至生物质发电厂的运输成本确定方法 | |
Li et al. | Cloud aided safety-based route planning | |
CN114048920A (zh) | 充电设施建设的选址布局方法、装置、设备及存储介质 | |
Shah et al. | Relationship between road traffic features and accidents: An application of two-stage decision-making approach for transportation engineers | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Zheng et al. | Improved iterative prediction for multiple stop arrival time using a support vector machine | |
Lin et al. | Data-driven spatial-temporal analysis of highway traffic volume considering weather and festival impacts | |
CN104331746A (zh) | 一种分离式的动态路径优化系统及其方法 | |
CN117764340A (zh) | 一种新能源电动汽车充电引导分级调控方法 | |
Leong et al. | Bus arrival time prediction for short-distance bus stops with real-time online information | |
Song et al. | Statistical traffic generation methods for urban traffic simulation | |
CN115345351A (zh) | 一种基于用户行为的电动汽车充电负荷预测方法 | |
CN111429166B (zh) | 基于最大轮廓聚类的电动汽车充电需求空间分布预测方法 | |
Shen et al. | Bi-level cellular agent-based model: Simulation of potential impacts of high-speed rail on land cover change in the Lisbon Metropolitan Area, Portugal | |
Ceder et al. | Analysis of passenger-ferry routes using connectivity measures |
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 |