CN115438824A - 地铁站入站耗时的预测方法及计算机可读存储介质 - Google Patents

地铁站入站耗时的预测方法及计算机可读存储介质 Download PDF

Info

Publication number
CN115438824A
CN115438824A CN202110618570.7A CN202110618570A CN115438824A CN 115438824 A CN115438824 A CN 115438824A CN 202110618570 A CN202110618570 A CN 202110618570A CN 115438824 A CN115438824 A CN 115438824A
Authority
CN
China
Prior art keywords
user
base station
subway
time
station cell
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
Application number
CN202110618570.7A
Other languages
English (en)
Other versions
CN115438824B (zh
Inventor
苟浩淞
李丹
苏凌
李志恒
杨兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Sichuan Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Sichuan Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Sichuan Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110618570.7A priority Critical patent/CN115438824B/zh
Publication of CN115438824A publication Critical patent/CN115438824A/zh
Application granted granted Critical
Publication of CN115438824B publication Critical patent/CN115438824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Signal Processing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种地铁站入站耗时的预测方法及计算机可读存储介质，本申请提供的方案包括：确定用户的驻留基站小区；确定用户的最近地铁站入口；确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时；基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，所述地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。通过本申请实施例的方案能够精确预测地铁站外部人员的地铁站入站耗时。

Description

地铁站入站耗时的预测方法及计算机可读存储介质
技术领域
本申请涉及通信技术领域，尤其涉及一种地铁站入站耗时的预测方法及计算机可读存储介质。
背景技术
地铁通行已是目前城市出行的主要交通工具，是人们工作和生活中不可或缺的部分。增对地铁的人流分析、预测和监控，在国家倡导的数字化城市、数字化交通、数字化出行的背景下，显得尤为重要和迫切。当前在地铁人流的分析及监控领域，大多集中在地铁内部的人流监控及分析。但随着地铁承载的人流量的日趋增加，在很多的城市地铁站外面的排队情况日趋普遍，就地铁交通接驳，人流疏导等工作中，地铁站入口外面的人员排队、拥堵等情况的分析和监控尤为重要。
针对地铁站入口外部的人流拥堵及排队情况，提出一种可精确预测地铁站入站耗时的方案，是目前需要解决的技术问题。
发明内容
本申请实施例的目的是提供一种地铁站入站耗时的预测方法及计算机可读存储介质，用以解决现有地铁站内部人流监控地铁站拥堵情况不够全面、精确的问题。
为了解决上述技术问题，本说明书是这样实现的：
第一方面，提供了一种地铁站入站耗时的预测方法，包括：确定用户的驻留基站小区；确定用户的最近地铁站入口；确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时；基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，所述地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。
可选的，确定用户的驻留基站小区，包括：确定用户驻留时长大于预设驻留阈值的基站小区为所述用户的驻留基站小区。
可选的，确定用户的驻留基站小区，包括：确定用户驻留时长大于预设驻留阈值且所述基站小区与对应的最近地铁站入口的距离小于预设距离的基站小区为所述用户的驻留基站小区。
可选的，确定用户的最近地铁站入口，包括：基于用户的驻留基站小区、基站工参数据以及地铁站的出入口配置数据，确定目标用户最近的地铁站入口。
可选的，确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时，包括：获取多个时间段内的地铁通勤用户样本数据；确定目标驻留基站小区的用户到最近地铁站入口在所述多个时间段各自的平均入站耗时；确定所述多个时间段各自的平均入站耗时中的最小平均入站耗时为目标驻留基站小区的用户到最近地铁站入口的用户入站基准耗时。
可选的，基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均入站耗时，包括：基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时；基于目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长。
可选的，基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，包括：根据所述目标时间段内目标用户离开驻留基站小区时刻和进入对应的最近地铁站入口的地铁基站小区时刻，确定所述目标用户到对应的最近地铁站入口的入站耗时。
可选的，基于目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，包括：根据用户驻留基站小区标识和用户最近地铁站入口标识，获取驻留基站小区的用户到对应的目标最近地铁站入口的用户入站基准耗时；计算所述目标时间段内驻留基站小区的用户到对应的目标最近地铁站入口的入站耗时与获取的用户入站基准耗时的差值；根据所述差值的平均值，得到驻留基站小区的用户到对应的目标最近地铁站入口的平均等待时长。
可选的，该方法还包括：根据所述目标时间段内各驻留基站小区用户到对应的最近地铁站入口的平均等待时长，评估所述目标时间内对应的最近地铁站入口的排队拥堵情况。
第二方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储计算机程序，该计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中，通过确定用户的驻留基站小区，确定用户的最近地铁站入口，确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时，并基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，所述地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻，由此本申请针对周边驻留小区用户前往地铁站搭乘地铁的特性，针对每个驻留基站小区和对应最近地铁站入口确定用户入站基准耗时，再实时对各驻留小区位置的用户前往搭乘地铁的时间进行对比分析，从而精准获取地铁站入口的等待时长，可实现低成本、高质量的解决了地铁站入口外部排队拥堵情况评估分析。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的地铁站入站耗时的预测方法的流程示意图之一。
图2是本申请实施例的地铁站入站耗时的预测方法的流程示意图之一。
图3是本申请实施例的地铁站入站耗时的预测方法的流程示意图之一。
图4是本申请实施例的电子设备的结构方框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请中附图编号仅用于区分方案中的各个步骤，不用于限定各个步骤的执行顺序，具体执行顺序以说明书中描述为准。
为了解决现有技术中存在的问题，本申请实施例提供一种地铁站入站耗时的预测方法，如图1所示，包括以下步骤：
步骤102，确定用户的驻留基站小区；
步骤104，确定用户的最近地铁站入口；
步骤106，确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时；
步骤108，基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，所述地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。
基于上述实施例提供的方案，可选的，上述步骤102中，确定用户的驻留基站小区，包括：确定用户驻留时长大于预设驻留阈值的基站小区为所述用户的驻留基站小区。
在一个实施例中，预设驻留阈值例如为30-50分钟。用户驻留在该小区时长超过30分钟，表明该基站小区为用户工作或居住的常驻地。确定用户驻留基站小区用于后续的用户入站基准耗时确定，下文中将展开描述。用户驻留时长可以通过获取用户移动终端对应的测量报告(Measure Report，MR)来确定。
基于上述实施例提供的方案，可选的，上述步骤102中，确定用户的驻留基站小区，包括：确定用户驻留时长大于预设驻留阈值且所述基站小区与对应的最近地铁站入口的距离小于预设距离的基站小区为所述用户的驻留基站小区。
在一个实施例中，预设距离例如为1公里左右。驻留基站小区与对应的最近地铁站入口的距离可以通过获取用户移动终端对应的XDR信令序列数据来确定，XDR信令序列数据中包括有基站小区标识，从而关联基站小区工参数据可以确定驻留基站小区及最近地铁站入口对应的地铁基站小区，通过计算驻留基站小区及最近地铁站入口对应的地铁基站小区之间的距离，即可以确定基站小区与对应的最近地铁站入口的距离。
根据用户常时间停留和与地铁口的距离较近的基站小区作为用户驻留基站小区，则表明该驻留基站小区对应的用户可能会经常做地铁通勤。
基于上述实施例提供的方案，可选的，上述步骤104中，确定用户的最近地铁站入口，包括：基于用户的驻留基站小区、基站工参数据以及地铁站的出入口配置数据，确定目标用户最近的地铁站入口。
具体地，根据基站工参数据可以确定覆盖地铁站各出入口的地铁基站小区有哪些，根据地铁站的出入口配置数据可以确定每个地铁站出入口对应的地铁基站小区。通过分别计算用户的驻留基站小区与各个地铁站出入口对应的地铁基站小区的距离，则可以将距离最小的地铁基站小区对应的地铁站出入口确定为对应驻留基站小区的用户对应的最近地铁站入口。
通过步骤102和104确定用户驻留基站小区和最近地铁站入口之后，则可以确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时。用户入站基准耗时表示的是在正常不等待的情况下，从目标驻留基站小区进入最近地铁站入口所需花费的时长。也就是在对应地铁站入口外部没有人员排队拥堵情况下，用户从驻留基站小区进入最近的该地铁站入口的入站耗时。
基于上述实施例提供的方案，可选的，上述步骤106中，如图2所示，确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时，包括以下步骤：
步骤202，获取多个时间段内的地铁通勤用户样本数据；
步骤204，确定目标驻留基站小区的用户到最近地铁站入口在所述多个时间段各自的平均入站耗时；
步骤206，确定所述多个时间段各自的平均入站耗时中的最小平均入站耗时为目标驻留基站小区的用户到最近地铁站入口的用户入站基准耗时。
如上文所述，地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。
地铁通勤用户是指经常规律做地铁上下班或者出行的用户，可以根据用户做地铁的情况以及用户驻留基站小区位置来确定目标用户是否为地铁通勤用户。
在步骤202中，通过预先采集用户的XDR信令序列数据，并通过XDR信令序列数据中的基站小区标识关联基站小区工参数据，从而获取基站小区工参数据配置中标识为地铁覆盖的基站小区列表。如果地铁覆盖的基站小区在连续时间内出现在XDR信令序列数据中，则表示该用户乘坐了地铁。然后，可以根据用户的XDR信令序列数据，确定乘坐地铁的用户的驻留基站小区和地铁通勤的最近地铁站入口，从而选择对应的地铁通勤用户。根据地铁通勤用户的 XDR数据和MR数据，可以确定目标用户离开驻留基站小区时刻和进入最近地铁站入口对应的地铁基站小区时刻。
由此，获取的地铁通勤用户样本数据字段可以包括：用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。
在一个实施例中，如下面表1所示，地铁通勤用户样本数据字段还可以包括用户标识、时间类型、用户最近地铁站入口对应的地铁基站小区标识。用户标识为用户的网络通信号码，例如手机号。时间类型可以区分为：工作日、休息日、节假日。
表1
Figure RE-GDA0003213890390000071
本申请实施例中选取地铁通勤用户进行数据采集作为样本来计算用户入站基准耗时，数据参考性比较强，所计算出的地铁基准耗时更加准确。针对此类抽样用户确定其地铁站入口从而确保了分析统计结果的准确性、稳定性及可对比性。
在步骤204中，以进入地铁前用户驻留基站小区标识+最近地铁站入口标识+目标时间段的圆整时间为维度进行统计，获取例如每小时内的各地铁通勤用户从目标驻留基站小区到对应最近地铁站入口所花费的时长，并选取最小的时长作为目标驻留基站小区用户正常入站的基准耗时。
具体地，根据上述步骤202中获取的地铁通勤用户样本数据，按小时组织样本，形成不同时段(T1、T2、T3……Tn)的样本集合。例如统计多个时间周期内每天0:00-1:00，1:00-2:00…，23:00-24:00，形成多个时间切片。
按照最近地铁站入口标识、时间类型、用户标识、驻留基站小区标识计算样本数据时间差Tdiff，其中，时间差Tdiff＝用户离开驻留基站小区时刻-用户进入地铁基站小区时刻。如下表2所示，即每个地铁站入口、每个时间切片，不同地铁通勤用户均会有一组时间差样本,详细字段包括：用户标识、最近地铁站入口标识、时间类型、时间切片、驻留基站小区标识、时间差Tdiff，其中 Tdiffm为每个时间切片内地铁通勤用户进入对应的最近地铁站入口的时间差值。
表2
Figure RE-GDA0003213890390000081
然后，执行时间切片内样本时长统计。具体地，对上述任一时间切片内的 Tdiff1、Tdiff2、Tdiff3、……Tdiffm值按时间长短进行排序，提取序列中间数据例如20％～80％间的样本进行统计，得到平均值Tdiff_avg以作为该最近地铁站入口标识、时间类型、时间切片的从同一驻留基站小区到对应的最近地铁站入口的入站耗时。统计所有时间切片的平均值Tdiff_avg，得到该最近地铁站入口在任意时间切片内的平均值Tdiff_avg，输出统计集的内容包括：最近地铁站入口标识、时间类型、小区标识、时间切片、入站基准耗时。表示地铁通勤用户在该最近地铁站入口，在该时间类型的情况下，具体时间切片的时间范围内，从特定的基站小区标识为驻留小区的位置，到达对应的最近地铁站入口的时长花费。
针对前述步骤输出的统计集合，针对不同时间切片、不同时间类型、选取每个驻留基站小区的最小平均值Tdiff_avg作为入站基准耗时时长，表示的是正常在不等待的情况下，地铁通勤用户从驻留基站小区进入对应的地铁站入口所需花费的时长。由此可以得到地铁通勤用户入站基准耗时模型，内容包括：最近地铁站入口标识、时间类型、驻留基站小区标识、入站基准耗时。表示的是该最近地铁站入口，在该时间类型的情况下，从特定的基站小区标识为驻留基站小区的位置，到达最近地铁站入口无需等待的时长花费。用户入站基准耗时模型如下表3所示：
表3
Figure RE-GDA0003213890390000091
针对周边驻留用户前往地铁站搭乘地铁的特性，针对每个驻留基站小区，构造用户入站基准耗时模型。该模型是针对不同的时间类型，不同的驻留基准小区，构造地铁口无排队等待情况下的用户入站基准耗时模型，基于该模型可准确的计算出地铁排队。
基于上述实施例提供的方案，可选的，上述步骤108中，基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，如图3所示，包括以下步骤：
步骤302，基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时；
步骤304，基于目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长。
在步骤302中，基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，包括：根据所述目标时间段内目标用户离开驻留基站小区时刻和进入对应的最近地铁站入口的地铁基站小区时刻，确定所述目标用户到对应的最近地铁站入口的入站耗时。
通过获取用户的实时XDR数据和MR数据，对于进入地铁站的用户，获取其离开驻留基站小区时刻，与进入对应的最近地铁站入口的地铁基站小区时刻的差值，即该用户的实际入站耗时。可以记录每个单用户对应的实时用户地铁记录，字段包括：用户标识、时间类型、进入地铁基站小区时刻、进入地铁基站小区标识、用户驻留基站小区标识、用户离开驻留基站小区时刻、实际入站耗时。这里的用户为任意类型的用户，包括地铁通勤用户和非地铁通勤用户。
在步骤304中，确定目标时间段内用户的平均等待时长包括：根据用户驻留基站小区标识和用户最近地铁站入口标识，获取驻留基站小区的用户到对应的目标最近地铁站入口的用户入站基准耗时；计算所述目标时间段内驻留基站小区的用户到对应的目标最近地铁站入口的入站耗时与获取的用户入站基准耗时的差值；根据所述差值的平均值，得到驻留基站小区的用户到对应的目标最近地铁站入口的平均等待时长。
根据实时用户地铁记录中的用户驻留基站小区标识，关联用户入站基准耗时模型中的驻留基站小区标识，获得该用户对应的最近地铁站入口标识，根据该最近地铁站入口标识从用户入站基准耗时模型中，按时间类型、用户驻留基站小区标识进行关系映射，可获取每个用户对应的入站基准耗时。
将用户实际入站耗时与对应获取的入站基准耗时求差值，即可确定该用户对应的等待时长。按照地铁站入口、进入地铁站入口的时间进行预定时间段的汇聚统计，将目标时间段内所有用户的等待时间求平均值，则可以得到不同驻留基站小区的用户到对应的同一个最近地铁站入口的平均等待时长。汇聚统计的时间段可设置为1分钟、5分钟或10分钟等。至此，根据地铁站入口的平均等待时长，可以输出该地铁站入口外部等待时长统计结果。
可选的，本申请实施例的方法还包括：根据所述目标时间段内各驻留基站小区用户到对应的最近地铁站入口的平均等待时长，评估所述目标时间内对应的最近地铁站入口的排队拥堵情况。
根据地铁站入口外部用户的平均等待时长与预定阈值进行比对，可以确定目标地铁站入口在目标时间段内的拥堵情况。例如，与预定阈值相比，平均等待时长在正负5分钟以内属于正常通行，超过10分钟属于轻度拥堵，超过20 分钟属于非常拥堵。
本申请针对周边驻留小区用户前往地铁站搭乘地铁的特性，针对每个驻留基站小区和对应最近地铁站入口确定用户入站基准耗时，再实时对各驻留小区位置的用户前往搭乘地铁的时间进行对比分析，从而精准获取地铁站入口的等待时长。从而实现低成本、高质量的解决了地铁站入口外部排队拥堵情况。
本申请基于手机信令数据XDR及MR获取相关数据确定用户入站基准耗时，不依赖于地铁场景的摄像头，不需要对地铁站入口场景进行相关的硬件设施改造，也不依赖终端侧的用户行为以及终端应用软件，只要用户终端处于移动通信网络连接状态，即可通过本申请实现对地铁拥堵及排队情况的精确分析。
可选的，本申请实施例还提供一种电子设备，图4是本申请实施例的电子设备的结构方框图。
如图所示，电子设备2000包括存储器2200和与所述存储器2200电连接的处理器2400，所述存储器2200存储有可在所述处理器2400运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任意一种地铁站入站耗时的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种地铁站入站耗时的预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种地铁站入站耗时的预测方法，其特征在于，包括：
确定用户的驻留基站小区；
确定用户的最近地铁站入口；
确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时；
基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区的用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，所述地铁通勤用户样本数据包括用户驻留基站小区标识、用户离开驻留基站小区时刻、用户最近地铁站入口标识和用户进入地铁基站小区时刻。
2.如权利要求1所述的方法，其特征在于，确定用户的驻留基站小区，包括：
确定用户驻留时长大于预设驻留阈值的基站小区为所述用户的驻留基站小区。
3.如权利要求1所述的方法，其特征在于，确定用户的驻留基站小区，包括：
确定用户驻留时长大于预设驻留阈值且所述基站小区与对应的最近地铁站入口的距离小于预设距离的基站小区为所述用户的驻留基站小区。
4.如权利要求1所述的方法，其特征在于，确定用户的最近地铁站入口，包括：
基于用户的驻留基站小区、基站工参数据以及地铁站的出入口配置数据，确定目标用户最近的地铁站入口。
5.如权利要求1所述的方法，其特征在于，确定用户从驻留基站小区到最近地铁站入口的用户入站基准耗时，包括：
获取多个时间段内的地铁通勤用户样本数据；
确定目标驻留基站小区的用户到最近地铁站入口在所述多个时间段各自的平均入站耗时；
确定所述多个时间段各自的平均入站耗时中的最小平均入站耗时为目标驻留基站小区的用户到最近地铁站入口的用户入站基准耗时。
6.如权利要求1所述的方法，其特征在于，基于目标时间段内地铁通勤用户样本数据，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均入站耗时，包括：
基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时；
基于目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长。
7.如权利要求6所述的方法，其特征在于，基于目标时间段内地铁通勤用户样本数据，确定目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，包括：
根据所述目标时间段内目标用户离开驻留基站小区时刻和进入对应的最近地铁站入口的地铁基站小区时刻，确定所述目标用户到对应的最近地铁站入口的入站耗时。
8.如权利要求6所述的方法，其特征在于，基于目标时间段内各驻留基站小区的用户到对应的最近地铁站入口的入站耗时，以及各驻留基站小区用户到对应的最近地铁站入口的用户入站基准耗时，确定目标时间段内用户的平均等待时长，包括：
根据用户驻留基站小区标识和用户最近地铁站入口标识，获取驻留基站小区的用户到对应的目标最近地铁站入口的用户入站基准耗时；
计算所述目标时间段内驻留基站小区的用户到对应的目标最近地铁站入口的入站耗时与获取的用户入站基准耗时的差值；
根据所述差值的平均值，得到驻留基站小区的用户到对应的目标最近地铁站入口的平均等待时长。
9.如权利要求1所述的方法，其特征在于，还包括：
根据所述目标时间段内各驻留基站小区用户到对应的最近地铁站入口的平均等待时长，评估所述目标时间内对应的最近地铁站入口的排队拥堵情况。
10.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
CN202110618570.7A 2021-06-03 2021-06-03 地铁站入站耗时的预测方法及计算机可读存储介质 Active CN115438824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110618570.7A CN115438824B (zh) 2021-06-03 2021-06-03 地铁站入站耗时的预测方法及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110618570.7A CN115438824B (zh) 2021-06-03 2021-06-03 地铁站入站耗时的预测方法及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN115438824A true CN115438824A (zh) 2022-12-06
CN115438824B CN115438824B (zh) 2023-09-22

Family

ID=84240001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110618570.7A Active CN115438824B (zh) 2021-06-03 2021-06-03 地铁站入站耗时的预测方法及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN115438824B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430829A (zh) * 2008-12-18 2009-05-13 中国移动通信集团江苏有限公司 一种基于gsm数据网进行交通疏导的方法及系统
CN104408082A (zh) * 2014-11-11 2015-03-11 大连海天兴业科技有限公司 一种基于实时信息的地铁乘客服务系统
CN106412824A (zh) * 2016-09-05 2017-02-15 中国联合网络通信集团有限公司 一种路径负荷评估方法、装置及显示系统
CN108154251A (zh) * 2016-12-06 2018-06-12 广州铁路职业技术学院 地铁搭乘路线获取方法、装置及系统
CN109275107A (zh) * 2018-11-01 2019-01-25 中国移动通信集团江苏有限公司 用户常驻地识别方法、装置、设备及介质
KR20190110200A (ko) * 2018-03-20 2019-09-30 김가영 교통 신호 제어장치 및 방법
CN110895588A (zh) * 2018-09-13 2020-03-20 中国移动通信有限公司研究院 一种数据处理方法及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101430829A (zh) * 2008-12-18 2009-05-13 中国移动通信集团江苏有限公司 一种基于gsm数据网进行交通疏导的方法及系统
CN104408082A (zh) * 2014-11-11 2015-03-11 大连海天兴业科技有限公司 一种基于实时信息的地铁乘客服务系统
CN106412824A (zh) * 2016-09-05 2017-02-15 中国联合网络通信集团有限公司 一种路径负荷评估方法、装置及显示系统
CN108154251A (zh) * 2016-12-06 2018-06-12 广州铁路职业技术学院 地铁搭乘路线获取方法、装置及系统
KR20190110200A (ko) * 2018-03-20 2019-09-30 김가영 교통 신호 제어장치 및 방법
CN110895588A (zh) * 2018-09-13 2020-03-20 中国移动通信有限公司研究院 一种数据处理方法及设备
CN109275107A (zh) * 2018-11-01 2019-01-25 中国移动通信集团江苏有限公司 用户常驻地识别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN115438824B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN108848515B (zh) 一种基于大数据的物联网业务质量监测平台及方法
CN109996186B (zh) 一种网络覆盖问题识别方法及装置、可读取存储介质
CN109005556B (zh) 一种基于用户话单的4g网络质量优化方法与系统
CN107026746B (zh) 网络业务质量评估方法、系统及网络设备
CN109996278B (zh) 道路网络质量评估方法、装置、设备及介质
US10404525B2 (en) Classification of detected network anomalies using additional data
CN112884325A (zh) 一种客站设备应用分析及健康状况评价方法及系统
CN114743141A (zh) 一种用于智慧小区的危险行为检测系统
CN112949546A (zh) 基于人工智能感知工位服务状态的离岗检测方法和装置
CN112800910A (zh) 一种通讯机房维护作业效能评估方法及系统
CN112214577A (zh) 目标用户的确定方法、装置、设备及计算机存储介质
CN114422973B (zh) 一种基于大数据的网约车司机智能识别方法、系统及可读存储介质
CN115689396A (zh) 污染物排放管控方法、装置、设备及介质
CN110769497B (zh) 一种无线网络的投诉热点生成方法及装置
CN110167030B (zh) 识别骚扰电话的方法、装置、电子设备和存储介质
CN108024222B (zh) 流量话单生成方法和装置
CN115438824A (zh) 地铁站入站耗时的预测方法及计算机可读存储介质
CN113592785A (zh) 一种目标流量统计方法及装置
CN110933601B (zh) 目标区域确定方法、装置、设备和介质
CN105678456B (zh) 一种电能计量装置运行状态自动评估方法及其系统
CN115334560B (zh) 基站异常的监测方法、装置、设备及计算机可读存储介质
CN114828055A (zh) 用户业务感知评估方法、装置、设备、介质和程序产品
CN114444830A (zh) 一种物联卡异常判定的方法及装置
CN113079521B (zh) 一种通话质量优化方法、装置和设备
CN111292524B (zh) 一种拥堵信息确定的方法、装置、电子设备及存储介质

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