CN114912657A - 一种基于多种收费票制的公交客流od推导方法 - Google Patents
一种基于多种收费票制的公交客流od推导方法 Download PDFInfo
- Publication number
- CN114912657A CN114912657A CN202210380987.9A CN202210380987A CN114912657A CN 114912657 A CN114912657 A CN 114912657A CN 202210380987 A CN202210380987 A CN 202210380987A CN 114912657 A CN114912657 A CN 114912657A
- Authority
- CN
- China
- Prior art keywords
- passenger
- record
- station
- swiping
- bus
- 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 24
- 238000009795 derivation Methods 0.000 title claims abstract description 13
- 230000001502 supplementing effect Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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"
- 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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G06Q50/40—
Abstract
本发明公开了一种基于多种收费票制的公交客流OD推导方法,包括如下步骤:根据公交出行支付信息建立公交车乘客历史出行信息表数据库,根据收费类型将每条乘客的刷卡、扫码记录分类为一票制收费和多票制收费;将一票制收费类型的乘客分类为单边出行乘客和多边出行乘客;基于一票制收费分别推导单边、多边出行乘客公交客流OD;基于多票制收费推导公交客流OD;根据上车站点与下车站点分类并计算,得到推导出的公交客流OD。本发明通过识别不同收费票制的乘客公交刷卡、扫码数据,进行特定票制的客流OD推导,对乘客可能的下车站点进行推导,补全公交刷卡、扫码乘客的客流OD,对识别公交线路瓶颈、优化站点线路、公交车班次安排有重要意义。
Description
技术领域
本发明涉及智能交通领域,特别涉及一种基于多种收费票制的公交客流OD 推导方法。
背景技术
公交客流OD对于公交系统极为重要,宏观层面,它是进行公交系统规划的基本前提;中观层面,历史OD客流能够有效指导排班;微观层面,细颗粒度的实时OD客流一方面能够更好地指导营运调度,另一方面能够支持提供更好的乘客服务。然而,公交OD客流数据的实时获取、处理和分析在研究和应用领域都具有挑战性。
传统的公交OD获取方法是通过大规模的抽样和问卷调查获得,但该方法存在以下问题:首先抽样和问卷存在样本数量和覆盖随机性的问题,样本不足或者调查群体不够随机容易造成以偏概全,而大规模的随机抽样又会导致高昂的成本。
现有公交客流推导方法仅仅考虑一票制收费类型的公交线路和IC刷卡数据,而目前一些城市也逐渐出现了多票制收费类型的公交路线,目前并没有针对此种收费类型进行公交客流推导方法。
发明内容
发明目的:针对以上问题,本发明目的是提供一种基于多种收费票制的公交客流OD推导方法,通过识别不同收费票制时乘客刷卡、扫码数据,分别推导不同票制下乘客下车站点,并进行汇总得到完整的多种收费票制的公交刷卡、扫码乘客公交客流OD。
技术方案:本发明的一种基于多种收费票制的公交客流OD推导方法,包括如下步骤:
步骤1,采集上一月公交刷卡扫码乘客的公交出行支付信息,根据出行支付信息建立公交车乘客历史出行信息表数据库,根据收费类型将每条乘客的刷卡、扫码记录分类为一票制收费和多票制收费;
步骤2,将一票制收费类型的乘客分类为单边出行乘客和多边出行乘客;
步骤3,基于一票制收费分别推导单边、多边出行乘客公交客流OD;
步骤4,基于多票制收费推导公交客流OD;
步骤401,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类,再根据收费类型将一对匹配的上车刷卡、扫码记录和下车刷卡、扫码记录作为一次出行,依次按照时间进行排序;
步骤402,遍历该卡号出行记录,若该条记录为下车刷卡、扫码记录或补票记录,则该条记录中的站点作为上一条对应上车刷卡、扫码记录中的下车站点,并删除该条下车刷卡、扫码记录或补票记录;
步骤5,根据上车站点与下车站点分类并计算,得到推导出的公交客流OD。
进一步,所述公交出行支付信息包括:乘客刷卡或扫码的唯一识别卡号、刷卡扫码时间、乘客乘坐公交线路编号、乘坐线路方向、刷卡扫码站点编号、刷卡扫码站点名称、站点经度、站点纬度、收费类型;
所述收费类型包括一票制类型和多票制类型,多票制类型包括多票制上车类型、多票制下车类型、多票制补票下车类型。
进一步,步骤2中乘客分类依据为:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序,对于个体出行记录只存在一个刷卡点,或无法找出乘客出行最频繁且相距500米之外的两个刷卡点,则该乘客当月为单边出行乘客;否则,为多边出行乘客,并且将这两个刷卡点定义为频繁站点。
进一步,基于一票制收费推导单边出行乘客公交客流OD包括:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序,根据下游各个站点出行强度,将出行强度最大的站点作为该乘客的下车站点。
进一步,根据下游各个站点出行强度,将出行强度最大的站点作为该乘客的下车站点包括:根据乘客历史出行信息计算每个站点的出行人次,针对该乘客每条出行记录,遍历下游各个站点并计算出行人次最多的站点,将出行人次最多的站点作为该条记录的下车站点。
进一步,基于一票制收费推导多边出行乘客公交客流OD包括:
步骤301,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间排序,对于个体出行记录,找出乘客最频繁且相距500米之外的两个刷卡点;
步骤302,按刷卡时间先后顺序遍历该用户刷卡、扫码数据的上车站点,如果该上车站点是频繁站点中的一个,则填充其下车站点为另一个频繁刷卡站点;如果该上车站点不是频繁站点,则选择距离该上车站点较远的频繁刷卡站点作为乘客下车站点;
步骤303,遍历该卡号出行记录,计算相邻两条出行记录中前一条记录刷卡、扫码站点所在线路下游站点与后一条记录刷卡、扫码站点的距离,如果存在站点 A使得该距离小于500米,则将步骤302中填充的下车站点修改为站点A。
进一步,所述步骤401包括:
步骤4011,判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改;
步骤4012,判断该乘客出行记录中是否存在补票记录,若存在则筛选出所有补票记录,否则对该乘客出行记录不做修改;
步骤4013,判断该乘客每次补票记录的上一条记录与该次记录的产生时间间隔是否在30秒内,若是则调换本次记录与上一条记录的顺序,否则对该乘客出行记录不做修改;
步骤4014,再次判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改。
有益效果:本发明与现有技术相比,其显著优点是:本发明通过识别不同收费票制乘客刷卡、扫码数据,分别推导不同票制下乘客下车站点,并进行汇总得到完整的多种收费票制的公交刷卡、扫码乘客公交客流OD;补充了针对多种收费票制的城市公交系统中缺乏下车站点推导手段的空白,相比于在车厢下车处设置摄像头来识别记录下车乘客,本发明还具有成本低、识别率高、溯源清晰的优点;通过本发明统计得到的公交客流OD,对进一步识别公交线路瓶颈、优化站点线路、公交车班次安排有重要意义。
附图说明
图1为本发明的公交客流OD推导方法流程图;
图2为实施例深圳市M191路公交车线路图;
图3为实施例一票制收费推导公交客流OD流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
如图1,本实施例所述的一种基于多种收费票制的公交客流OD推导方法,流程图如图1所示,具体结合深圳市M191路公交车2020年11月乘客历史出行数据进行说明,线路站点如图2所示,此线路包含47个公交站点,包括如下步骤:
步骤1,采集上一月公交刷卡扫码乘客的公交出行支付信息,根据出行支付信息建立公交车乘客历史出行信息表数据库,根据收费类型将每条乘客的刷卡、扫码记录分类为一票制收费和多票制收费。
为了采集方便,可以每月定时将上一月公交刷卡、扫码乘客的公交出行支付信息进行存储。公交出行支付信息包括:乘客刷卡或扫码的唯一识别卡号、刷卡扫码时间、乘客乘坐公交线路编号、乘坐线路方向、刷卡扫码站点编号、刷卡扫码站点名称、站点经度、站点纬度、收费类型。
收费类型包括一票制类型和多票制类型,多票制类型包括多票制上车类型、多票制下车类型、多票制补票下车类型。其中多票制收费指的是乘客上车刷一次卡,下车还需刷一次卡;多票制收费中还包含补票制收费的情况:如果乘客下车忘记刷卡,则下次上车刷卡时会触发补票制收费,即同时记录一条多票制补票下车类型的记录和一条多票制上车类型的记录;多票制补票下车类型将选取最远距离站点作为下车站点,同时收取当前线路最远距离所对应价格的票费。
表1为M191路公交车乘客部分历史出行数据,刷卡类型中1代表一票制类型,2代表多票制上车类型,3代表多票制下车类型,0代表多票制补票下车类型;线路方向1代表上行方向,2代表下行方向。通过乘客历史出行信息表中刷卡类型字段,将每条乘客的刷卡、扫码记录分类为一票制收费和多票制收费。
表1 M191路公交车2020年11月乘客历史出行数据(部分)
步骤2,将一票制收费类型的乘客进行分类,分为单边出行乘客和多边出行乘客。
乘客分类依据为:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序,对于个体出行记录只存在一个刷卡点,或无法找出乘客出行最频繁且相距500米之外的两个刷卡点,则该乘客当月为单边出行乘客;否则,为多边出行乘客,并且将这两个刷卡点定义为频繁站点。
步骤3,基于一票制收费分别推导单边、多边出行乘客公交客流OD,流程图如图3所示。
(1)基于一票制收费推导单边出行乘客公交客流OD包括:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序;
(2)根据下游各个站点出行强度,将出行强度最大的站点作为该乘客的下车站点:
根据乘客历史出行信息计算每个站点的出行人次,针对该乘客每条出行记录,遍历下游各个站点并计算出行人次最多的站点,将出行人次最多的站点作为该条记录的下车站点。
基于一票制收费推导多边出行乘客公交客流OD包括:
步骤301,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间排序,对于个体出行记录,找出乘客最频繁且相距500米之外的两个刷卡点,定义这两个刷卡点为频繁站点A和B;
步骤302,按刷卡时间先后顺序遍历该用户刷卡、扫码数据的上车站点,如果该上车站点是频繁站点A(B),则填充其下车站点为另一个频繁刷卡站点B (A);如果该上车站点不是频繁站点,则选择距离该上车站点较远的频繁刷卡站点作为乘客下车站点;
步骤303,遍历该卡号出行记录,计算相邻两条出行记录中前一条记录刷卡、扫码站点所在线路下游站点与后一条记录刷卡、扫码站点的距离,如果存在站点 X使得该距离小于500米,则将步骤302中填充的下车站点修改为站点X。
本实施例基于一票制收费公交客流OD推导结果如表2所示,列举M191 11 月工作日上行方向8:00-8:30客流部分情况。
表2一票制收费公交客流OD推导结果
上述M191线路公交车只是深圳一票制收费公交车线路的其中一条线路,对于其他一票制收费公交车线路也采用同样的方法进行公交客流OD推导,并将结果汇总。
步骤4,基于多票制收费推导公交客流OD:
步骤401,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类,再根据收费类型将一对匹配的上车刷卡、扫码记录和下车刷卡、扫码记录(含补票记录) 作为一次出行,依次按照时间进行排序:
步骤4011,判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改;
步骤4012,判断该乘客出行记录中是否存在补票记录,若存在则筛选出所有补票记录,否则对该乘客出行记录不做修改;
步骤4013,判断该乘客每次补票记录的上一条记录与该次记录的产生时间间隔是否在30秒内,若是则调换本次记录与上一条记录的顺序,否则对该乘客出行记录不做修改;
步骤4014,再次判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改。
步骤402,遍历该卡号出行记录,若该条记录为下车刷卡、扫码记录或补票记录,则该条记录中的站点作为上一条对应上车刷卡、扫码记录中的下车站点,并删除该条下车刷卡、扫码记录或补票记录。
步骤5,根据上车站点与下车站点分类并计算,得到推导出的公交客流OD。
汇总步骤3、步骤4中所得到的数据,根据上车站点与下车站点分类并计数,得到推导出的深圳市(部分)公交客流OD如下表3所示。
表3深圳市公交客流OD推导结果
本发明通过识别不同收费票制乘客刷卡、扫码数据,分别推导不同票制下乘客下车站点,并进行汇总得到完整的多种收费票制的公交刷卡、扫码乘客公交客流OD,对进一步识别公交线路瓶颈、优化站点线路、公交车班次安排有重要意义。
Claims (7)
1.一种基于多种收费票制的公交客流OD推导方法,其特征在于,包括如下步骤:
步骤1,采集上一月公交刷卡扫码乘客的公交出行支付信息,根据公交出行支付信息建立公交车乘客历史出行信息表数据库,根据收费类型将每条乘客的刷卡、扫码记录分类为一票制收费和多票制收费;
步骤2,将一票制收费类型的乘客分类为单边出行乘客和多边出行乘客;
步骤3,基于一票制收费分别推导单边、多边出行乘客公交客流OD;
步骤4,基于多票制收费推导公交客流OD;
步骤401,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类,再根据收费类型将一对匹配的上车刷卡、扫码记录和下车刷卡、扫码记录作为一次出行,依次按照时间排序;
步骤402,遍历卡号出行记录,若该条记录为下车刷卡、扫码记录或补票记录,则该条记录中的站点作为上一条对应的上车刷卡、扫码记录中的下车站点,并删除该条下车刷卡、扫码记录或补票记录;
步骤5,根据上车站点与下车站点分类并计算,得到推导出的公交客流OD。
2.根据权利要求1所述的公交客流OD推导方法,其特征在于,所述公交出行支付信息包括:乘客刷卡或扫码的唯一识别卡号、刷卡扫码时间、乘客乘坐公交线路编号、乘坐线路方向、刷卡扫码站点编号、刷卡扫码站点名称、站点经度、站点纬度、收费类型;
所述收费类型包括一票制类型和多票制类型,多票制类型包括多票制上车类型、多票制下车类型、多票制补票下车类型。
3.根据权利要求2所述的公交客流OD推导方法,其特征在于,步骤2中乘客分类依据为:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序,对于个体出行记录只存在一个刷卡点,或无法找出乘客出行最频繁且相距500米之外的两个刷卡点,则该乘客当月为单边出行乘客;否则,为多边出行乘客,并且将两个刷卡点定义为频繁站点。
4.根据权利要求3所述的公交客流OD推导方法,其特征在于,基于一票制收费推导单边出行乘客公交客流OD包括:根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间进行排序,根据下游各个站点出行强度,将出行强度最大的站点作为该乘客的下车站点。
5.根据权利要求4所述的公交客流OD推导方法,其特征在于,根据下游各个站点出行强度,将出行强度最大的站点作为该乘客的下车站点包括:根据乘客历史出行信息计算每个站点的出行人次,针对该乘客每条出行记录,遍历下游各个站点并计算出行人次最多的站点,将出行人次最多的站点作为该条记录的下车站点。
6.根据权利要求3所述的公交客流OD推导方法,其特征在于,基于一票制收费推导多边出行乘客公交客流OD包括:
步骤301,根据乘客刷卡或扫码的唯一识别卡号将每条记录分类并按照刷卡、扫码时间排序,对于个体出行记录,找出乘客最频繁且相距500米之外的两个刷卡点;
步骤302,按刷卡时间先后顺序遍历该用户刷卡、扫码数据的上车站点,如果该上车站点是频繁站点中的一个,则填充其下车站点为另一个频繁刷卡站点;如果该上车站点不是频繁站点,则选择距离该上车站点较远的频繁刷卡站点作为乘客下车站点;
步骤303,遍历该卡号出行记录,计算相邻两条出行记录中前一条记录刷卡、扫码站点所在线路下游站点与后一条记录刷卡、扫码站点的距离,如果存在站点A使得该距离小于500米,则将步骤302中填充的下车站点修改为站点A。
7.根据权利要求2所述的公交客流OD推导方法,其特征在于,所述步骤401包括:
步骤4011,判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改;
步骤4012,判断该乘客出行记录中是否存在补票记录,若存在则筛选出所有补票记录,否则对该乘客出行记录不做修改;
步骤4013,判断该乘客每次补票记录的上一条记录与该次记录的产生时间间隔是否在30秒内,若是则调换本次记录与上一条记录的顺序,否则对该乘客出行记录不做修改;
步骤4014,再次判断该乘客出行记录第一条是否为上车刷卡类型,若不是则删除第一条记录,否则对该乘客出行记录不做修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380987.9A CN114912657A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多种收费票制的公交客流od推导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210380987.9A CN114912657A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多种收费票制的公交客流od推导方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114912657A true CN114912657A (zh) | 2022-08-16 |
Family
ID=82764521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210380987.9A Pending CN114912657A (zh) | 2022-04-12 | 2022-04-12 | 一种基于多种收费票制的公交客流od推导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912657A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
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 |
WO2021159865A1 (zh) * | 2020-02-11 | 2021-08-19 | 罗普特科技集团股份有限公司 | 一种基于数据校准的公交路线预测方法及系统 |
CN113658433A (zh) * | 2021-08-18 | 2021-11-16 | 苏州工业园区测绘地理信息有限公司 | 一种基于公交刷卡扫码数据提取客流特征的方法 |
-
2022
- 2022-04-12 CN CN202210380987.9A patent/CN114912657A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
WO2021159865A1 (zh) * | 2020-02-11 | 2021-08-19 | 罗普特科技集团股份有限公司 | 一种基于数据校准的公交路线预测方法及系统 |
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 |
CN113658433A (zh) * | 2021-08-18 | 2021-11-16 | 苏州工业园区测绘地理信息有限公司 | 一种基于公交刷卡扫码数据提取客流特征的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108831149B (zh) | 一种基于历史od信息定制公交线路开行方法及系统 | |
CN107506864B (zh) | 一种客运巴士路线规划方法和装置 | |
Jang | Travel time and transfer analysis using transit smart card data | |
Polycarpou et al. | Smart parking solutions for urban areas | |
CN111653099B (zh) | 基于手机信令数据的公交客流od获取方法 | |
CN108597043B (zh) | 高速公路预支付不停车收费方法及系统 | |
CN110853156B (zh) | 融合公交gps轨迹与ic卡数据的乘客od识别方法 | |
CN111915200B (zh) | 一种基于公交分担率的精细空间尺度的城市公共交通供需状态划分方法 | |
CN107578246A (zh) | 一种基于云计算的智能公交系统及乘车方法 | |
CN102324111B (zh) | 基于公交ic卡数据的车辆运行方向判断方法 | |
CN109389243A (zh) | 结合联网收费数据的高速公路交通情况调查站点布设方法 | |
CN113989946B (zh) | 一种afc系统的移动终端 | |
Wu et al. | Recognizing real-time transfer patterns between metro and bus systems based on spatial–temporal constraints | |
Fuse et al. | Observation of travel behavior by ic card data and application to transportation planning | |
CN111508220B (zh) | 基于公交人口分布精准进行末端接驳的方法 | |
CN111523733A (zh) | 一种用于高速公路过路费的缴费规划系统 | |
CN116090785B (zh) | 针对大型活动散场场景两阶段的定制公交规划方法 | |
CN114912657A (zh) | 一种基于多种收费票制的公交客流od推导方法 | |
Tian et al. | Identifying residential and workplace locations from transit smart card data | |
WO2003098556A1 (en) | A system for evaluating a vehicles usage within zones | |
Ivanova et al. | Digital transportation technologies for formation of bus routes in the conditions of a megapolis | |
CN111339159B (zh) | 一种一票制公交数据的分析挖掘方法 | |
JP2002334396A (ja) | タクシー事業支援システム | |
Pokharkar et al. | Traffic congestion at toll plaza: A case study of Khed-Shivapur, Pune | |
CN111612927A (zh) | 一种高速公路预约通行系统 |
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 |