CN114896507A - 一种基于时空结构的地铁路径推荐方法 - Google Patents
一种基于时空结构的地铁路径推荐方法 Download PDFInfo
- Publication number
- CN114896507A CN114896507A CN202210592677.3A CN202210592677A CN114896507A CN 114896507 A CN114896507 A CN 114896507A CN 202210592677 A CN202210592677 A CN 202210592677A CN 114896507 A CN114896507 A CN 114896507A
- Authority
- CN
- China
- Prior art keywords
- station
- path
- search
- passengers
- current
- 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
- 238000010845 search algorithm Methods 0.000 claims abstract description 31
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
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
- G06F16/953—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
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/20—Individual registration on entry or exit involving the use of a pass
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开一种基于时空结构的地铁路径推荐方法,首先使用改进的基于时空结构的路径搜索算法找到可行路径集,在搜索过程中,当搜索至时间可达的中转站时,利用中转站后各个方向的站点数与站点度之和进行对比,判断是否有继续遍历此路径的必要;然后通过调查城市的平均运输站数,使用范围内站点的进站人数和出站人数估算当前站点两个相反方向上的车内乘客,并引入史蒂文斯定律拟合乘客的对拥挤情况的内心满意度,计算路径中每个站点的拥挤程度。最后,利用拥挤程度对搜索出来的可行路径进行排序,并将拥挤度最小的可行路径推荐给用户。本发明减少了路径发现时的无效搜索,且能从刷卡数据中计算各方向的车内人数,提高了计算拥挤度的精确性,为乘客提供更快速更准确的出行依据。
Description
技术领域
本发明涉及智慧交通技术领域,具体涉及一种基于时空结构的地铁路径推荐方法。
背景技术
随着城市轨道交通的普及以及乘客的需求,地铁出行已经贯穿了人们出行的方方面面。由于地铁是一种由复杂时间和空间结构共同组成的系统,出发地站和目的地站之间往往存在多条可达路径,通过人为主观意识选择最优路径的方式极为不可靠的。因此设计合适的地铁路径推荐算法能够给乘客带来巨大的便携式服务。针对地铁路径推荐问题,研究者先通过基于时空结构的路径搜索算法搜索出出发站和目的站之间的可行路径,再基于站点客流从可行路径中选出最优路径推荐给用户。然而,由于乘客往往更加关注列车内的人数(列车客流)而不是站点内的人数(站点客流),因此基于站点客流来确定最优路径的方式会影响路径推荐的精确性。此外,基于时空结构的路径搜索算法在出发站前向与目的站后向搜索至可达中转站的过程中,需要对中转站的每个方向进行搜索即需要遍历一定数量的无效路径,随着地铁结构越来越庞大和复杂,这样的搜索方式无疑会额外消耗许多计算资源,导致搜索效率降低。
发明内容
本发明针对现有铁路径推荐方法存在精确性不高的问题,提供一种基于时空结构的地铁路径推荐方法。
为解决上述问题,本发明是通过以下技术方案实现的:
一种基于时空结构的地铁路径推荐方法,包括路径搜索和路径推荐过程。
上述路径推荐过程具体包括步骤如下:
步骤2.1、定期获取地铁系统的各站点闸机的刷卡数据,以得到各站点的进站客流和出站客流;获取铁系统所在城市的城市平均运输站点数k;
步骤2.2、对路径搜索所得到的可行路径集中的每条可行路径,依次计算该条可行路径上的各个站点的拥挤度,即:
步骤2.2.1、将当前计算拥挤度的站点记为当前站点,以当前站点为中心,从各个方向上各选择k个站点记为当前站点在该方向的范围内站点;
步骤2.2.2、先使用当前站点的进站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点进站乘客占据范围内站点的出站乘客比例;再使用当前站点占据范围内站点的出站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的上车人数;
步骤2.2.3、先使用当前站点的出站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点出站乘客占据范围内站点进站乘客比例;再使用当前站点出站乘客占据范围内站点进站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的下车人数;
步骤2.2.4、将当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的上车人数之和减去当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的下车人数之和,得到当前站点的车内客流;
步骤2.2.5、根据下式计算当前站点的车内拥挤度:
式中,CAi,center表示当前站点的车内拥挤度,Fi,center表示当前站点的车内客流,Sseat表示列车的总座位数,Cmax表示列车的额定载客量;
步骤2.3、将可行路径集中的每条可行路径的各个站点的拥挤度相加作为该条可行路径的拥挤度;
步骤2.4、将可行路径集中的所有可行路径按照可行路径的拥挤度进行排序,并从小到大为乘客进行路径推荐。
上述路径搜索过程具体包括步骤如下:
步骤1.1、确定地铁系统中所有中转站并加入中转站集合;同时获取每个中转站各个方向的站点总数Wstation,以及每个中转站各个方向的所有站点的度数之和Qstation;
步骤1.2、从出发站开始,使用基于时空结构的路径搜索算法进行前向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向分别进行如下判断:
若2Wstation<Qstation,则在该方向上继续使用基于时空结构的路径搜索算法进行前向搜索;
若2Wstation≥Qstation,则在该方向上停止使用基于时空结构的路径搜索算法进行前向搜索;
当使用基于时空结构的路径搜索算法完成前向搜索后,得到前向搜索集;
步骤1.3、从目的站开始,使用基于时空结构的路径搜索算法进行后向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向分别进行如下判断:
若2Wstation<Qstation,则在该方向上继续使用基于时空结构的路径搜索算法进行后向搜索;
若2Wstation≥Qstation,则在该方向上停止使用基于时空结构的路径搜索算法进行后向搜索;
当使用基于时空结构的路径搜索算法完成后向搜索后,得到后向搜索集;
步骤1.4、遍历前向搜索集和后向搜索集,并将前向搜索集中前向路径的最后一个站点与后向搜索集中后向路径的最后一个站点相同的前向路径和后向路径进行衔接,并将衔接后的路径加入可行路径集。
与现有技术相比,本发明具有如下特点:
1、通过调查城市的平均运输站数,使用范围内站点的进站人数和出站人数估算当前站点两个相反方向上的车内乘客,并引入史蒂文斯定律拟合乘客的对拥挤情况的内心满意度,计算路径中每个站点的拥挤程度,从而提高了计算拥挤度的精确性,为乘客提供更快速更准确的出行依据;
2、使用改进的基于时空结构的路径搜索算法找到可行路径集,即在基于时空结构的路径搜索算法的搜索过程中,当搜索至时间可达的中转站时,利用中转站后各个方向的站点数与站点度之和进行对比,判断是否有继续遍历此路径的必要,从而减少了路径发现时的无效搜索。
附图说明
图1为一种基于时空结构的地铁路径推荐方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实例,对本发明进一步详细说明。
参见图1,一种基于时空结构的地铁路径推荐方法,包括路径搜索与路径推荐两个过程。
(1)路径搜索:
输入用户的出发站、目的站、出发时间st、计划使用时间pt,令到达时间lt=st+pt。
步骤1.1、确定地铁系统中所有中转站(2条地铁线的交汇站点)transferstation(station=1,2,...,I)并加入中转站集合Transfer;同时获取每个中转站各个方向的站点总数Wstation,以及每个中转站各个方向的所有站点的度数之和Qstation,其中站点的度数为站点的方向(边)数。
步骤1.2、从出发站o开始,使用基于时空结构的路径搜索算法进行前向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向进行如下判断:
若2Wstation<Qstation,则此方向一定存在中转站,在该方向上继续使用基于时空结构的路径搜索算法进行前向搜索;
若2Wstation≥Qstation,则此方向不可能存在中转站,在该方向上停止使用基于时空结构的路径搜索算法进行前向搜索。
当使用基于时空结构的路径搜索算法完成前向搜索后,得到前向搜索集FA。
在使用基于时空结构的路径搜索算法时,使用如下公式对列车时刻表进行前向搜索及时间的更新:
其中,为l线j-1次列车离开station站的时间,为l线j次列车离开station站的时间,为l线j次列车到达station站的时间,为乘客在l线station中转站的换乘时间,st为最初在o站的出发时间。
步骤1.3、从目的站d开始,使用基于时空结构的路径搜索算法进行后向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向进行如下判断:
若2Wstation<Qstation,则此方向一定存在中转站,在该方向上继续使用基于时空结构的路径搜索算法进行后向搜索;
若2Wstation≥Qstation,则此方向不可能存在中转站,在该方向上停止使用基于时空结构的路径搜索算法进行后向搜索。
当使用基于时空结构的路径搜索算法完成后向搜索后,得到后向搜索集BA。
在使用基于时空结构的路径搜索算法时,使用如下公式对列车时刻表进行后向搜索及时间的更新:
其中,为l线u次列车到达station站的时间,为l线u+1次列车离开station站的时间,为l线u次列车离开station站的时间,为乘客在l线station中转站的换乘时间,lt为最初在o站的出发时间与计划时间之和,随后根据搜索更新。
步骤1.4、将前向搜索集FA中每条前向路径的最后一个站与后向搜索集BA中每条后向路径的最后一个站点进行对比:若前向搜索集FA中某条前向路径的最后一个站点与后向搜索集BA中某条后向路径的最后一个站点相同,则将这条前向路径和这条后向路径进行衔接,并将衔接后的路径加入可行路径集A;否则,这条前向路径和这条后向路径不能进行衔接。
(2)路径推荐:
输入地铁系统所在城市的城市平均运输站点数k。
步骤2.1、定期获取地铁系统的各站点闸机的刷卡数据,以得到各站点在当前周期内的进站客流和出站客流。
闸机是地铁站内的一种记录设备,通过它记录的信息可以统计某个时间段内的站内客流量。本发明所获取的刷卡数据包含用户进站刷卡时间、出发站名、出站刷卡时间、目的地站名,对其预处理包括剔除其中的缺失值和无效值,取10分钟为一个时段统计进出客流量。
步骤2.2、对于未排序的可行路径集中的每条可行路径Av,Av∈A,v=1,2,...,|A|,依次计算该条可行路径Av中每个站点的拥挤度。
步骤2.2.1、将当前计算拥挤度的站点记为当前站点,以当前站点为中心,从各个方向上各选择k个站点记为当前站点在该方向的范围内站点。
步骤2.2.2、先使用当前站点的进站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点占据范围内站点的出站乘客比例;再使用当前站点占据范围内站点的出站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的上车人数。
假定当前站点为普通站点,其仅有2个方向(起点方向fd和终点方向od),其中终点方向od为当前站点在可行路径的前进方向,则:
式中,表示当前站点进站乘客占据范围内站点的出站乘客比例;表示当前站点的进站客流;分别表示起点方向fd的k个范围内站点的出站客流,分别表示终点方向od的k个范围内站点的出站客流;表示当前站点在可行路径的前进方向的上车人数。
步骤2.2.3、先使用当前站点的出站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点出站乘客占据范围内站点进站乘客比例;再使用当前站点出站乘客占据范围内站点进站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的下车人数。
假定当前站点为普通站点,其仅有2个方向(起点方向fd和终点方向od),其中终点方向od为当前站点在可行路径的前进方向,则:
式中,表示当前站点出站乘客占据范围内站点进站乘客比例;表示当前站点的出站客流;分别表示起点方向fd的k个范围内站点的进站客流,分别表示终点方向od的k个范围内站点的进站客流;表示当前站点在可行路径的前进方向的下车人数。
步骤2.2.4、将当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的上车人数之和减去当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的下车人数之和,得到当前站点的车内客流。
式中,Fi,center表示当前站点的车内客流;分别表示当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的上车人数,分别表示当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的下车人数。
步骤2.2.5、计算当前站点的车内拥挤度CAi,center。
对于三种车内情况(车内有剩余座位、车内没有剩余座位且人数没有超过列车的额定载客量)车内人数超过列车的额定载客量)的拥挤程度与根据史蒂文斯定理构造拥挤度计算公式:
式中,CAi,center表示当前站点的车内拥挤度,Fi,center表示当前站点的车内客流,Sseat表示列车的总座位数,Cmax表示列车的额定载客量。
步骤2.3、将可行路径集中的每条可行路径的各个站点的拥挤度相加作为该条可行路径的拥挤度。
步骤2.4、将可行路径集中的所有可行路径按照拥挤度进行排序,并从小到大为乘客进行推荐。
本发明公开一种基于时空结构的地铁路径推荐方法,首先使用改进的基于时空结构的路径搜索算法找到可行路径集,在搜索过程中,当搜索至时间可达的中转站时,利用中转站后各个方向的站点数与站点度之和进行对比,判断是否有继续遍历此路径的必要;然后通过调查城市的平均运输站数,使用范围内站点的进站人数和出站人数估算当前站点两个相反方向上的车内乘客,并引入史蒂文斯定律拟合乘客的对拥挤情况的内心满意度,计算路径中每个站点的拥挤程度。最后,利用拥挤程度对搜索出来的可行路径进行排序,并将拥挤度最小的可行路径推荐给用户。本发明减少了路径发现时的无效搜索,且能从刷卡数据中计算各方向的车内人数,提高了计算拥挤度的精确性,为乘客提供更快速更准确的出行依据。
需要说明的是,尽管以上本发明所述的实施例是说明性的,但这并非是对本发明的限制,因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下,凡是本领域技术人员在本发明的启示下获得的其它实施方式,均视为在本发明的保护之内。
Claims (2)
1.一种基于时空结构的地铁路径推荐方法,包括路径搜索和路径推荐过程,其特征是,路径推荐过程具体包括步骤如下:
步骤2.1、定期获取地铁系统的各站点闸机的刷卡数据,以得到各站点的进站客流和出站客流;获取铁系统所在城市的城市平均运输站点数k;
步骤2.2、对路径搜索所得到的可行路径集中的每条可行路径,依次计算该条可行路径上的各个站点的拥挤度,即:
步骤2.2.1、将当前计算拥挤度的站点记为当前站点,以当前站点为中心,从各个方向上各选择k个站点记为当前站点在该方向的范围内站点;
步骤2.2.2、先使用当前站点的进站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点进站乘客占据范围内站点的出站乘客比例;再使用当前站点占据范围内站点的出站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的上车人数;
步骤2.2.3、先使用当前站点的出站客流除以当前站点在所有方向的所有范围内站点的出站客流之和,得到当前站点出站乘客占据范围内站点进站乘客比例;再使用当前站点出站乘客占据范围内站点进站乘客比例乘以当前站点在可行路径的前进方向的所有范围内站点的出站客流之和,得到当前站点在可行路径的前进方向的下车人数;
步骤2.2.4、将当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的上车人数之和减去当前站点所在可行路径上的第一个站点到当前站点在可行路径的前进方向的下车人数之和,得到当前站点的车内客流;
步骤2.2.5、根据下式计算当前站点的车内拥挤度:
式中,CAi,center表示当前站点的车内拥挤度,Fi,center表示当前站点的车内客流,Sseat表示列车的总座位数,Cmax表示列车的额定载客量;
步骤2.3、将可行路径集中的每条可行路径的各个站点的拥挤度相加作为该条可行路径的拥挤度;
步骤2.4、将可行路径集中的所有可行路径按照可行路径的拥挤度进行排序,并从小到大为乘客进行路径推荐。
2.根据权利要求1所述的一种基于时空结构的地铁路径推荐方法,其特征是,路径搜索过程具体包括步骤如下:
步骤1.1、确定地铁系统中所有中转站并加入中转站集合;同时获取每个中转站各个方向的站点总数Wstation,以及每个中转站各个方向的所有站点的度数之和Qstation;
步骤1.2、从出发站开始,使用基于时空结构的路径搜索算法进行前向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向分别进行如下判断:
若2Wstation<Qstation,则在该方向上继续使用基于时空结构的路径搜索算法进行前向搜索;
若2Wstation≥Qstation,则在该方向上停止使用基于时空结构的路径搜索算法进行前向搜索;
当使用基于时空结构的路径搜索算法完成前向搜索后,得到前向搜索集;
步骤1.3、从目的站开始,使用基于时空结构的路径搜索算法进行后向搜索;当搜索到某个可达的中转站时,对于中转站的每个方向分别进行如下判断:
若2Wstation<Qstation,则在该方向上继续使用基于时空结构的路径搜索算法进行后向搜索;
若2Wstation≥Qstation,则在该方向上停止使用基于时空结构的路径搜索算法进行后向搜索;
当使用基于时空结构的路径搜索算法完成后向搜索后,得到后向搜索集;
步骤1.4、遍历前向搜索集和后向搜索集,并将前向搜索集中前向路径的最后一个站点与后向搜索集中后向路径的最后一个站点相同的前向路径和后向路径进行衔接,并将衔接后的路径加入可行路径集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592677.3A CN114896507B (zh) | 2022-05-27 | 2022-05-27 | 一种基于时空结构的地铁路径推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592677.3A CN114896507B (zh) | 2022-05-27 | 2022-05-27 | 一种基于时空结构的地铁路径推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114896507A true CN114896507A (zh) | 2022-08-12 |
CN114896507B CN114896507B (zh) | 2024-03-19 |
Family
ID=82726545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592677.3A Active CN114896507B (zh) | 2022-05-27 | 2022-05-27 | 一种基于时空结构的地铁路径推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896507B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002286473A (ja) * | 2001-03-22 | 2002-10-03 | Auto Network Gijutsu Kenkyusho:Kk | 推奨経路計算方法 |
JP2006244069A (ja) * | 2005-03-02 | 2006-09-14 | Hitachi Software Eng Co Ltd | 駅構内における最適経路探索装置および方法 |
CN103530694A (zh) * | 2013-04-22 | 2014-01-22 | 北京交通大学 | 基于时空网络构建的城市地铁动态客流分配方法 |
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 |
CN109816979A (zh) * | 2019-02-19 | 2019-05-28 | 辽宁师范大学 | 考虑公交车到站频率和乘车舒适度的公交线路推荐方法 |
CN110428117A (zh) * | 2019-08-15 | 2019-11-08 | 北京交通大学 | 城市轨道交通多场景下客流精准诱导方法及系统 |
CN112949078A (zh) * | 2021-03-17 | 2021-06-11 | 北京交通大学 | 一种城市轨道交通客流-车流的匹配度计算方法 |
WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
CN113807026A (zh) * | 2021-10-08 | 2021-12-17 | 青岛理工大学 | 地铁站内客流流线优化及动态引导指示牌系统及设计方法 |
-
2022
- 2022-05-27 CN CN202210592677.3A patent/CN114896507B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002286473A (ja) * | 2001-03-22 | 2002-10-03 | Auto Network Gijutsu Kenkyusho:Kk | 推奨経路計算方法 |
JP2006244069A (ja) * | 2005-03-02 | 2006-09-14 | Hitachi Software Eng Co Ltd | 駅構内における最適経路探索装置および方法 |
CN103530694A (zh) * | 2013-04-22 | 2014-01-22 | 北京交通大学 | 基于时空网络构建的城市地铁动态客流分配方法 |
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 |
CN109816979A (zh) * | 2019-02-19 | 2019-05-28 | 辽宁师范大学 | 考虑公交车到站频率和乘车舒适度的公交线路推荐方法 |
CN110428117A (zh) * | 2019-08-15 | 2019-11-08 | 北京交通大学 | 城市轨道交通多场景下客流精准诱导方法及系统 |
WO2021243516A1 (zh) * | 2020-06-01 | 2021-12-09 | 深圳先进技术研究院 | 城市公共交通乘客出行轨迹估计方法、系统、终端以及存储介质 |
CN112949078A (zh) * | 2021-03-17 | 2021-06-11 | 北京交通大学 | 一种城市轨道交通客流-车流的匹配度计算方法 |
CN113807026A (zh) * | 2021-10-08 | 2021-12-17 | 青岛理工大学 | 地铁站内客流流线优化及动态引导指示牌系统及设计方法 |
Non-Patent Citations (2)
Title |
---|
宋翠颖;关伟;马继辉;: "手机提供拥挤信息的公交路径选择研究", 交通运输系统工程与信息, no. 06, 15 December 2019 (2019-12-15) * |
陈伯阳;四兵锋;蒋明清;杨小宝;: "基于时刻表的城市地铁客流均衡分配模型及方法", 中国科学:技术科学, no. 12, 20 December 2015 (2015-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN114896507B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545320B (zh) | 一种基于图论的城市轨道交通乘客路径规划方法及系统 | |
CN108765948B (zh) | 一种弹性的公车调度方法和系统 | |
JP7044874B2 (ja) | 車両管理システムおよび車両管理方法 | |
CN108388542B (zh) | 一种轨道交通拥挤度计算方法及系统 | |
CN110135055B (zh) | 一种城市多模式公交网络客流分配方法 | |
JP2020071778A (ja) | 車両派遣システム、サーバおよび情報処理方法 | |
CN113393137B (zh) | 一种基于车联网的调度共享系统 | |
CN113408859B (zh) | 一种考虑客流管控措施的城市轨道交通线路客流与列车匹配方法 | |
JP7027154B2 (ja) | 情報提供方法、車両管理方法及び情報提供装置 | |
CN113255948A (zh) | 一种提高拼车准确率的匹配策略方法 | |
CN113379159A (zh) | 基于灰色模型和马尔可夫决策过程的出租车司机寻客路线推荐方法 | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN115641722B (zh) | 一种基于动态等待时间的班车出行服务系统及方法 | |
CN113096429A (zh) | 基于公交调度站点集散的弹性公交区域灵活性线路生成方法 | |
CN110111600B (zh) | 一种基于VANETs的停车场推荐方法 | |
CN114896507A (zh) | 一种基于时空结构的地铁路径推荐方法 | |
CN112149059A (zh) | 构建城市间客流分担模型的方法和装置 | |
CN113053156B (zh) | 一种智能公交半径法站点寻址方法 | |
CN111339159B (zh) | 一种一票制公交数据的分析挖掘方法 | |
CN113962434A (zh) | 一种基于鲁棒路径的动态大规模合乘路线规划方法 | |
RU2733185C1 (ru) | Способ совместного использования автомобиля клиентами сервисов каршеринга | |
Araldo et al. | Pooling for first and last mile: Integrating carpooling and transit | |
CN117252323B (zh) | 一种基于用户偏好的多模式出行路径规划方法 | |
CN113218411B (zh) | 一种适用于多种公交工具的方形分区矩阵换乘方法 | |
CN116307311B (zh) | 一种顺风车动态换乘系统 |
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 |