CN114912683B - 一种智慧城市轨道交通异常大客流预测系统及方法 - Google Patents
一种智慧城市轨道交通异常大客流预测系统及方法 Download PDFInfo
- Publication number
- CN114912683B CN114912683B CN202210523275.8A CN202210523275A CN114912683B CN 114912683 B CN114912683 B CN 114912683B CN 202210523275 A CN202210523275 A CN 202210523275A CN 114912683 B CN114912683 B CN 114912683B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- passengers
- flow information
- prediction model
- passenger
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001788 irregular Effects 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种智慧城市轨道交通异常大客流预测系统及方法,包括:获取预设天数的客流信息,根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,更新客流信息,将城市轨道交通的全天运行时间划分为多个时间段,建立动态预测模型,将采集的当前时间段的客流信息输入所述动态预测模型进行异常大客流预测。本发明能够对乘客的乘车规律进行区分,使用动态建模,提高了异常大客流预测精度,为维持轨道交通安全提供重要决策支撑。
Description
技术领域
本发明涉及智慧城市轨道交通技术领域,特别涉及一种智慧城市轨道交通异常大客流预测系统及方法。
背景技术
轨道交通是城市公共交通的重要组成部分,掌握轨道交通的运行特征是合理投放轨道交通运力、制定轨道交通路线的基础。轨道交通以其安全稳定、载能大、运行时间可靠等优势,逐渐成为城市公共交通建设的重点。因此,对客流的实时预测尤其是对异常大客流的预测是维持公共交通安全的关键环节。而现有的客流量预测方法存在以下不足:
1.传统的客流量预测方法,对于乘客的乘车规律没有进行区分,导致预测结果不准确。
2.目前的客流量预测模型仅采用固定的客流信息进行建模,不能对预测模型进行动态更新。
3.现有的客流量预测模型没有考虑节假日和大型活动对客流量的影响。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种智慧城市轨道交通异常大客流预测系统及方法。
技术方案:一方面,本发明提供一种智慧城市轨道交通异常大客流预测系统,所述系统包括:
客流信息库,乘客信息采集装置,客流信息更新模块,时间划分模块,动态预测模型;
所述客流信息库存储有预设天数的客流信息;
所述乘客信息采集装置根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
所述客流信息更新模块用于删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
所述时间划分模块用于将城市轨道交通的全天运行时间划分为多个时间段;
所述动态预测模型包括第一动态预测模型和第二动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;所述动态预测模型根据第一动态预测模型和所述第二动态预测模型输出异常大客流预测指标。
进一步的,所述客流信息库根据所述客流信息动态调整所述预设天数。
进一步的,所述乘客信息采集装置根据乘客的支付信息获取乘客的历史乘车数据。
进一步的,所述时间划分模块根据城市轨道交通的客流高峰动态调整所述时间段。
另一方面,本发明提供一种智慧城市轨道交通异常大客流预测方法,所述方法包括以下步骤:
S1:建立客流信息库,所述客流信息库存储有预设天数的客流信息;
S2:采集乘客信息,根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
S3:更新客流信息,删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
S4:将城市轨道交通的全天运行时间划分为多个时间段;
S5:建立动态预测模型,所述动态预测模型包括第一动态预测模型和第二动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;
S6:将采集的当前时间段的所述规律型乘客输入至所述第一动态预测模型,所述第一动态预测模型输出第一预测指标P1,并设定第一预设权重W1;
将采集的当前时间段的所述非规律型乘客输入至所述第二动态预测模型,所述第二动态预测模型输出第二预测指标P2,并设定第二预设权重W2;
所述动态预测模型根据所述第一预测指标P1和所述第一预设权重W1,以及所述第二预测指标P2和第二预设权重W2输出异常大客流预测指标K1,所述异常大客流预测指标K1的计算方式为:
K1=W1*P1+W2*P2;
其中0≤W1≤1,0≤W1≤1,W1+W2=1;
当所述异常大客流预测指标K大于预设值,则根据所述异常大客流预测指标K1确定出现异常大客流的站点。
进一步的,根据所述客流信息动态调整所述预设天数。
进一步的,根据乘客的支付信息获取乘客的历史乘车数据。
进一步的,所述规律型乘客包括:最近一周往返同一站点大于第一预设次数的乘客,最近一周在同一站点上车大于第二预设次数的乘客,以及最近一周在同一站点下车大于第二预设次数的乘客;所述非规律型乘客为最近一周同一站点往返、上车、下车均小于第二预设次数的乘客。
进一步的,根据城市轨道交通的客流高峰动态调整所述时间段。
进一步的,基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述规律型乘客,构建BP神经网络结构的第一动态预测模型;基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述非律型乘客,构建BP神经网络结构的第二动态预测模型。
进一步的,在出现节假日和大型活动时,所述动态预测模型输出异常大客流预测指标K2,所述异常大客流预测指标K2的计算方式为:
K2=W1*P1+W2*P2*C/B;
其中C为当前时间段采集的客流的数量,B为最近一周当前时间段采集的客流的数量的平均值。
技术效果:本发明提供一种智慧城市轨道交通异常大客流预测系统及方法,本发明通过对乘客的乘车规律进行区分,并分别建立对应的动态预测模型,提高了异常大客流预测准确度;本发明在建立预测模型时,通过删除时间最久的客流信息以及添加时间最近的客流信息,对建模的数据进行动态更新,使得预测模型的预测结果更准确;在出现节假日和大型活动时,本发明对异常大客流预测指标进行调整,使得异常大客流中非规律型乘客的波动更加明显,提高了异常大客流预测精度,为维持轨道交通安全提供重要决策支撑。
附图说明
图1为本发明实施例提供的一种智慧城市轨道交通异常大客流预测系统结构图;
图2为本发明实施例提供的一种智慧城市轨道交通异常大客流预测方法流程图;
图3为本发明实施例提供的一较佳实施例中更新客流信息图;
图4为本发明实施例提供的一较佳实施例中时间段划分图;
图5为本发明实施例提供的一较佳实施例中另一时间段划分图。
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,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明实施例的一个实施例,如图1所示,本实施例提供一种智慧城市轨道交通异常大客流预测系统,所述系统包括:
客流信息库,乘客信息采集装置,客流信息更新模块,时间划分模块,动态预测模型;
所述客流信息库存储有预设天数的客流信息;
所述乘客信息采集装置根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
所述客流信息更新模块用于删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
所述时间划分模块用于将城市轨道交通的全天运行时间划分为多个时间段;
所述动态预测模型包括第一动态预测模型和第二动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;所述动态预测模型根据第一动态预测模型和所述第二动态预测模型输出异常大客流预测指标。
进一步的,所述客流信息库根据所述客流信息动态调整所述预设天数。
进一步的,所述乘客信息采集装置根据乘客的支付信息获取乘客的历史乘车数据。
进一步的,所述时间划分模块根据城市轨道交通的客流高峰动态调整所述时间段。
作为本发明实施例的另一个实施例,如图2所示,本实施例提供一种智慧城市轨道交通异常大客流预测方法,包括以下步骤:
S1:建立客流信息库,所述客流信息库存储有预设天数的客流信息;
S2:采集乘客信息,根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
S3:更新客流信息,删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
S4:将城市轨道交通的全天运行时间划分为多个时间段;
S5:建立动态预测模型,所述动态预测模型包括第一动态预测模型和第二动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;
S6:将采集的当前时间段的所述规律型乘客输入至所述第二动态预测模型,所述第一动态预测模型输出第一预测指标P1,并设定第一预设权重W1;
将采集的当前时间段的所述非规律型乘客输入至所述第一动态预测模型,所述第二动态预测模型输出第二预测指标P2,并设定第二预设权重W2;
所述动态预测模型根据所述第一预测指标P1和所述第一预设权重W1,以及所述第二预测指标P2和第二预设权重W2输出异常大客流预测指标K1,所述异常大客流预测指标K1的计算方式为:
K1=W1*P1+W2*P2;
其中0≤W1≤1,0≤W1≤1,W1+W2=1;
当所述异常大客流预测指标K1大于预设值,则根据所述异常大客流预测指标K1确定出现异常大客流的站点。
优选地,所述预设天数为20天。
进一步优选地,在所述预设天数的客流信息数据量小的时候,所述预设天数设置为30天,在所述预设天数的客流信息数据量大的时候,所述预设天数设置为10天,即根据所述客流信息动态调整所述预设天数。
优选地,根据乘客的支付信息获取乘客的历史乘车数据。现有的城市轨道交通多采用电子支付,根据乘客的支付信息可以确定乘客的身份信息,进而根据乘客的身份信息获取乘客的历史乘车数据。
优选地,所述规律型乘客包括:最近一周往返同一站点大于预设次数的乘客,最近一周在同一站点上车大于第一预设次数的乘客,以及最近一周在同一站点下车大于第二预设次数的乘客;所述非规律型乘客为最近一周同一站点往返、上车、下车均小于第二预设次数的乘客,例如,第一预设次数可以为3次,第二预设次数可以为5次。
现有的客流量预测方法,对于乘客的乘车规律没有进行区分,导致预测结果不准确。本实施例根据乘客的乘车次数将乘客分为规律型乘客和非规律型乘客。规律型乘客数据用于构建第一动态预测模型,非规律型乘客用于构建第二动态预测模型。将乘客按照乘车规律区分之后,提高了异常大客流预测精度。
优选地,如图3所示,更新客流信息,所述预设天数为20天时,删除所述客流信息库20天中的第一天的客流信息,并且在所述客流信息库中添加最新一天采集的客流信息,即,所述客流信息库中包含最新的20天的客流信息,通过动态更新客流信息,提高了异常大客流预测精度。
优选地,如图4所示,将城市轨道交通的全天运行时间每隔30分钟划分一个时间段。例如,当前时间为上午9:00,则选取之前20天客流信息库中9:00-9:30的客流信息中的规律型乘客建立第一动态预测模型,选取之前20天客流信息库中9:00-9:30的客流信息中的非规律型乘客建立第二动态预测模型。
进一步优选地,如图5所示,将城市轨道交通的全天运行时间在客流高峰期每隔10分钟划分一个时间段,例如上午七点至九点,下午五点至七点;在非客流高峰期每隔30分钟划分一个时间段。即,根据城市轨道交通的客流高峰动态调整所述时间段,提高了异常大客流预测精度。
优选地,基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述规律型乘客,构建BP神经网络结构的第一动态预测模型;基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述非律型乘客,构建BP神经网络结构的第二动态预测模型。
进一步优选地,在出现节假日和大型活动时,所述动态预测模型根据所述第一预测指标P1和所述第一预设权重W1,以及所述第二预测指标P2和第二预设权重W2输出异常大客流预测指标K2,所述异常大客流预测指标K2的计算方式为:
K2=W1*P1+W2*P2*C/B;
其中C为当前时间段采集的客流的数量,B为最近一周当前时间段采集的客流的数量的平均值。由于节假日和大型活动会导致非规律型乘客的数量增加,通过调整异常大客流预测指标的计算方式(即将第二预设权重W2进行放大),提高了异常大客流预测精度。
本发明提供一种智慧城市轨道交通异常大客流预测系统及方法,包括:获取预设天数的客流信息,根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,更新客流信息,将城市轨道交通的全天运行时间划分为多个时间段,建立动态预测模型,将采集的当前时间段的客流信息输入所述动态预测模型进行异常大客流预测。本发明能够对乘客的乘车规律进行区分,使用动态建模,提高了异常大客流预测精度,为维持轨道交通安全提供重要决策支撑。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (7)
1.一种智慧城市轨道交通异常大客流预测系统,其特征在于,所述系统包括:客流信息库,乘客信息采集装置,客流信息更新模块,时间划分模块,动态预测模型;
所述客流信息库存储有预设天数的客流信息;
所述乘客信息采集装置根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
所述客流信息更新模块用于删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
所述时间划分模块用于将城市轨道交通的全天运行时间划分为多个时间段;
所述动态预测模型包括第一动态预测模型和第二动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;所述动态预测模型根据第一动态预测模型和所述第二动态预测模型输出异常大客流预测指标;
所述客流信息库根据所述客流信息动态调整所述预设天数;
所述乘客信息采集装置根据乘客的支付信息获取乘客的历史乘车数据;
所述时间划分模块根据城市轨道交通的客流高峰动态调整所述时间段。
2.一种智慧城市轨道交通异常大客流预测方法,所述方法应用于如权利要求1所述的预测系统,其特征在于,所述方法包括:
S1:建立客流信息库,所述客流信息库存储有预设天数的客流信息;
S2:采集乘客信息,根据所述客流信息获取乘客的历史乘车数据,通过所述历史乘车数据将乘客分为规律型乘客和非规律型乘客,并将所述规律型乘客和所述非规律型乘客分别存储于所述客流信息库;
S3:更新客流信息,删除所述客流信息库中第一天的客流信息,并且在所述客流信息库中添加最近一天采集的客流信息;
S4:将城市轨道交通的全天运行时间划分为多个时间段;
S5:建立动态预测模型,所述动态预测模型包括第一动态预测模型和第二动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述规律型乘客建立所述第一动态预测模型;
根据选定时间段对应的所述预设天数的客流信息中所述非规律型乘客建立所述第二动态预测模型;
S6:将采集的当前时间段的所述规律型乘客输入至所述第一动态预测模型,所述第一动态预测模型输出第一预测指标P1,并设定第一预设权重W1;
将采集的当前时间段的所述非规律型乘客输入至所述第二动态预测模型,所述第二动态预测模型输出第二预测指标P2,并设定第二预设权重W2;
所述动态预测模型根据所述第一预测指标P1和所述第一预设权重W1,以及所述第二预测指标P2和第二预设权重W2输出异常大客流预测指标K1,所述异常大客流预测指标K1的计算方式为:
K1=W1*P1+W2*P2;
其中0≤W1≤1,0≤W1≤1,W1+W2=1;
当所述异常大客流预测指标K1大于预设值,则根据所述异常大客流预测指标K1确定出现异常大客流的站点;
在出现节假日和大型活动时,所述动态预测模型根据所述第一预测指标P1和所述第一预设权重W1,以及所述第二预测指标P2和第二预设权重W2输出异常大客流预测指标K2,所述异常大客流预测指标K2的计算方式为:
K2=W1*P1+W2*P2*C/B;
其中C为当前时间段采集的客流的数量,B为最近一周当前时间段采集的客流的数量的平均值。
3.根据权利要求2所述的方法,其特征在于,根据所述客流信息动态调整所述预设天数。
4.根据权利要求2所述的方法,其特征在于,根据乘客的支付信息获取乘客的历史乘车数据。
5.根据权利要求2所述的方法,其特征在于,所述规律型乘客包括:最近一周往返同一站点大于第一预设次数的乘客,最近一周在同一站点上车大于第二预设次数的乘客,以及最近一周在同一站点下车大于第二预设次数的乘客;所述非规律型乘客为最近一周同一站点往返、上车、下车均小于第二预设次数的乘客。
6.根据权利要求2所述的方法,其特征在于,根据城市轨道交通的客流高峰动态调整所述时间段。
7.根据权利要求2所述的方法,其特征在于,基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述规律型乘客,构建BP神经网络结构的第一动态预测模型;基于选定的轨道交通路线的OD分布矩阵,以及选定时间段对应的所述预设天数的客流信息中所述非规律型乘客,构建BP神经网络结构的第二动态预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523275.8A CN114912683B (zh) | 2022-05-13 | 2022-05-13 | 一种智慧城市轨道交通异常大客流预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210523275.8A CN114912683B (zh) | 2022-05-13 | 2022-05-13 | 一种智慧城市轨道交通异常大客流预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912683A CN114912683A (zh) | 2022-08-16 |
CN114912683B true CN114912683B (zh) | 2024-05-10 |
Family
ID=82766938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210523275.8A Active CN114912683B (zh) | 2022-05-13 | 2022-05-13 | 一种智慧城市轨道交通异常大客流预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912683B (zh) |
Citations (15)
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 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
CN107220724A (zh) * | 2017-04-21 | 2017-09-29 | 北京航空航天大学 | 客流量预测方法及装置 |
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
CN110459050A (zh) * | 2019-05-27 | 2019-11-15 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
CN111079875A (zh) * | 2019-12-17 | 2020-04-28 | 广州交通信息化建设投资营运有限公司 | 基于多源数据的公共交通客流监测方法、装置和存储介质 |
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN113379090A (zh) * | 2021-08-16 | 2021-09-10 | 北京交通大学 | 城市轨道交通预约进站方法、系统、电子设备及存储介质 |
WO2021174755A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN113723659A (zh) * | 2021-06-22 | 2021-11-30 | 北京交通大学 | 一种城市轨道交通全场景客流预测方法及系统 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
-
2022
- 2022-05-13 CN CN202210523275.8A patent/CN114912683B/zh active Active
Patent Citations (15)
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 |
CN106485359A (zh) * | 2016-10-13 | 2017-03-08 | 东南大学 | 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 |
CN107220724A (zh) * | 2017-04-21 | 2017-09-29 | 北京航空航天大学 | 客流量预测方法及装置 |
CN107358319A (zh) * | 2017-06-29 | 2017-11-17 | 深圳北斗应用技术研究院有限公司 | 城市轨道交通客流预测方法、装置、存储介质和计算机设备 |
CN108197739A (zh) * | 2017-12-29 | 2018-06-22 | 中车工业研究院有限公司 | 一种城市轨道交通乘客流量预测方法 |
CN110874668A (zh) * | 2018-09-03 | 2020-03-10 | 深圳先进技术研究院 | 一种轨道交通od客流预测方法、系统及电子设备 |
CN110459050A (zh) * | 2019-05-27 | 2019-11-15 | 华南理工大学 | 一种基于混合决策树的短期公交客流预测方法 |
CN110298486A (zh) * | 2019-05-29 | 2019-10-01 | 成都理工大学 | 一种基于卷积神经网络的轨道交通客流量预测方法 |
CN110390349A (zh) * | 2019-06-20 | 2019-10-29 | 浙江大学 | 基于XGBoost模型的公交车客流量预测建模方法 |
WO2021098619A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种短期地铁客流预测方法、系统及电子设备 |
CN111079875A (zh) * | 2019-12-17 | 2020-04-28 | 广州交通信息化建设投资营运有限公司 | 基于多源数据的公共交通客流监测方法、装置和存储介质 |
WO2021174755A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京全路通信信号研究设计院集团有限公司 | 一种基于深度学习的轨道交通客流需求预测方法和装置 |
CN113723659A (zh) * | 2021-06-22 | 2021-11-30 | 北京交通大学 | 一种城市轨道交通全场景客流预测方法及系统 |
CN113379090A (zh) * | 2021-08-16 | 2021-09-10 | 北京交通大学 | 城市轨道交通预约进站方法、系统、电子设备及存储介质 |
CN114331234A (zh) * | 2022-03-16 | 2022-04-12 | 北京交通大学 | 基于乘客出行信息的轨道交通客流预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
Forecast of Passenger Flow of Urban Rail Transit Based on the DNNC Model;Li, W 等;《PROCEEDINGS OF THE 33RD CHINESE CONTROL AND DECISION CONFERENCE (CCDC 2021)》;20220811;第4615-4620页 * |
城市轨道交通节假日客流预测研究;光志瑞;;交通工程(第03期);第27-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114912683A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
CN110428117B (zh) | 城市轨道交通多场景下客流精准诱导方法及系统 | |
CN109000668B (zh) | 基于车联网的实时智能导航方法 | |
US8036822B2 (en) | Travel time determination | |
CN112071060B (zh) | 一种基于城市路网交通环境变化的应急救援路径规划方法 | |
CN110119845A (zh) | 一种轨道交通客流预测的应用方法 | |
CN113723659B (zh) | 一种城市轨道交通全场景客流预测方法及系统 | |
CN103678917A (zh) | 一种基于模拟退火算法的公交实时到站时间预测方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN110956807A (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN112598177A (zh) | 一种城市轨道交通突发事件在线客流预测与仿真系统 | |
CN112749842B (zh) | 一种押运路径的规划方法及装置 | |
CN113919650A (zh) | 一种列车运行方案优化编制方法及系统 | |
CN108345987B (zh) | 一种道路基础设施建设项目影响评价决策支持系统及方法 | |
CN113222271A (zh) | 综合交通运输体系下的中小机场选址布局方法 | |
CN116205329A (zh) | 一种节假日客流量预测方法 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
CN114912683B (zh) | 一种智慧城市轨道交通异常大客流预测系统及方法 | |
CN116204576B (zh) | 一种公共交通数据生成gtfs格式数据的生成方法及系统 | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN108830509B (zh) | 一种巡游出租车运力规模动态调整方法 | |
CN114638428A (zh) | 一种交通路况预测方法、装置及车辆 | |
Mishalani et al. | Schedule-based and autoregressive bus running time modeling in the presence of driver-bus heterogeneity | |
CN110164127B (zh) | 一种车流量预测的方法、装置及服务器 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、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 |