CN115563761A - 基于时刻表的地铁枢纽站周围道路拥堵预测方法 - Google Patents

基于时刻表的地铁枢纽站周围道路拥堵预测方法 Download PDF

Info

Publication number
CN115563761A
CN115563761A CN202211186234.0A CN202211186234A CN115563761A CN 115563761 A CN115563761 A CN 115563761A CN 202211186234 A CN202211186234 A CN 202211186234A CN 115563761 A CN115563761 A CN 115563761A
Authority
CN
China
Prior art keywords
subway
predicting
model
traffic
schedule
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
Application number
CN202211186234.0A
Other languages
English (en)
Inventor
李晶
汪小勇
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.)
Casco Signal Ltd
Original Assignee
Casco Signal 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 Casco Signal Ltd filed Critical Casco Signal Ltd
Priority to CN202211186234.0A priority Critical patent/CN115563761A/zh
Publication of CN115563761A publication Critical patent/CN115563761A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，该方法首先通过地铁时刻表以及列车中人员的拥挤程度，预判未来时间点会到达站台的人流；其次搭配当前存在于站台内部关键节点的人流密，匹配由历史数据生成的密度模型确定未来到达特定出站口的人流；同时匹配历史人员换乘工具模型，以及不同交通交通工具对地面交通流影响模型最终判定在未来的时刻可能出现的交通拥堵。与现有技术相比，本发明具有预测精度高等优点。

Description

基于时刻表的地铁枢纽站周围道路拥堵预测方法
技术领域
本发明涉及列车信号控制系统，尤其是涉及一种基于时刻表的地铁枢纽站周围道路拥堵预测方法。
背景技术
随着城市化率越来越高，城市交通拥堵问题越来越被凸显，其中的一个拥堵点就是地铁枢纽站，地铁的换乘枢纽站往往有两至三条线路在此汇集，同时配合路面公交体系，方便乘客进行换乘。因为乘客换乘地面交通的需求，往往造成特殊时刻大量车流往此处汇集，从而造成路面交通的拥堵。
交通流具有很强的随机性，大客流出现的具体时间地点往往难以预测，即使现在的智慧交通系统拥有红绿灯相位控制，车路通讯，滤波通行等等手段往往也是等拥堵出现后再进行疏导，处早晚高峰等场景很难做到提前疏导。轨道交通因其稳定按照时刻表运行等特点，可明确人流到达相关站点的时间，通过这一明确的、有效的、稳定的信息在当前情况下是解决交通拥堵预测的一大抓手。因此如何来解决地铁枢纽站周边路面拥堵成为需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高的基于时刻表的地铁枢纽站周围道路拥堵预测方法。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供了一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，该方法首先通过地铁时刻表以及列车中人员的拥挤程度，预判未来时间点会到达站台的人流；其次搭配当前存在于站台内部关键节点的人流密，匹配由历史数据生成的密度模型确定未来到达特定出站口的人流；同时匹配历史人员换乘工具模型，以及不同交通交通工具对地面交通流影响模型最终判定在未来的时刻可能出现的交通拥堵。
作为优选的技术方案，该方法具体包括以下步骤：
步骤S1，列车输入客流；
步骤S2，构建到站客流模型；
步骤S3，对步骤S2构建的模型进行优化；
步骤S4，构建换乘选择模型；
步骤S5，预测枢纽站附近不同的路段的拥堵程度。
作为优选的技术方案，所述步骤S1，列车输入客流具体为：
与城轨ATS子系统交互获取经过此站台所有线路的时刻表以及地铁内部人员密度，从而预估输入客流量。
作为优选的技术方案，所述预估输入客流量具体为：
通过获取到达此站点的地铁线路时刻表，来预计到达客流形成交通压力的时间；
通过对地铁车厢内部行人密度信息，以及此站点历史入站人员数量信息，预估压力时间段的输入客流量。
作为优选的技术方案，所述步骤S2，构建到站客流模型具体为：
根据历史数据建立KNN聚类模型，并构建不同输入人流对出站口人流影响模型。
作为优选的技术方案，所述步骤S3，对步骤S2构建的模型进行优化具体为：
选取乘客进出站的关键节点进行人流密度监控，通过实时监控当前人流对步骤S2构建的模型进行实时调优。
作为优选的技术方案，所述关键节点包括换乘口、上下扶梯、出站口和闸机口。
作为优选的技术方案，所述步骤S4，构建换乘选择模型具体为：
通过时间、天气、季节、节假日、气温和当前拥堵成度的历史数据建立人群可能选则交通工具的换乘选择模型。
作为优选的技术方案，每个出入站点在预计时间段的出入客流人数匹配换乘选择模型，得到最终进入此区域的不同交通工具数量；
通过获取交通工具可能的进入路线，以及此路线当前的交通状况，综合预测对当前道路交通造成的压力，并预测相关交通工具离开时造成交通拥堵。
作为优选的技术方案，将不同种交通工具按数量输入拥堵影响模型，最终获取未来可能拥堵的时间段。
作为优选的技术方案，所述步骤S5，预测枢纽站附近不同的路段的拥堵程度具体为：
通过历史统计获取在当前出入口人群对交通工具的选择对站台交通交通流的影响因子，通过人群的换乘选择模型以及影响因子，最终预测枢纽站附近不同的路段的拥堵程度。
作为优选的技术方案，所述预测结果精确到不同的出站口；如出站口在行车方向的同一方向同时出站口之间没有红绿灯，则将其合并统计。
作为优选的技术方案，所述路段的拥堵程度预测时因考虑地面交通工具停车上下客时间，站台内部的拥堵造成更长的出站时间造成更长等待时间。
作为优选的技术方案，该方法因考虑相关出站口附近公交站台情况以及公交车到站时刻在天气良好的前提下，公交车可有效缓解人流压力，同时及时的公交到站可避免乘客选则叫车从而增加道路负担。
根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的方法。
与现有技术相比，本发明具有以下优点：
1)本发明通过城市轨道交通与路面交通数据联动，精准预测大客流的到达。
2)本发明通过与城市轨道交通联动，不断对客流量模型进行修正，提高预测精准度。
3)本发明对比传统通过交通模型预测模型，有明确的客流到站时间点，可用以实现提前疏导。
4)本发明可根据当前客流动态调节模型，同时具有实时引导的功能。
附图说明
图1为本发明方法的流程图；
图2为二维KNN方法的示意图；
图3为多维度KNN方法逻辑的示意图；
图4为历史数据样例的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部实施例。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，都应属于本发明保护的范围。
本发明通时刻表为基础，精确获取增量客流到达的时间，通过地铁列车上的车厢内客流密度检测，精确检测即将到达的客流数量。通过对稳定的通过地铁到达的人流量监测建立其与地面交通拥堵程度的关联系模型，从而实现对地面交通拥堵的预测。本发明针对特殊的交通节点，依托地铁换乘枢纽建立模型，对比传统的交通拥挤预测模型具有稳定性强，数据易获取，使用方式灵活等特点。针对不同的换乘枢纽，可和原有的预测模型结合或独立运作等方式部署。
本发明基于时刻表的地铁枢纽站周围道路拥堵预测方法，通过地铁时刻表以及列车中人员的拥挤程度，预判未来时间点会到达站台的人流，搭配当前存在于站台内部关键节点的人流密，匹配由历史数据生成的密度模型确定未来到达特定出站口的人流，同时匹配历史人员换乘工具模型，以及不同交通交通工具对地面交通流影响模型最终判定在未来的时刻可能出现的交通拥堵。
本发明通过对到达此站点的地铁线路时刻表获取，预计到达客流形成交通压力的时间。通过对地铁车厢内部行人密度信息，以及此站点历史入站人员数量信息，预估压力时间段的输入客流量。
本发明历史模型应考虑时间，日期，天气同时对上车下车乘客分开统计，上下车乘客以其占列车到站人数的比例加以统计。通过对站台内关键节点人流量监控不断修正历史模型，以提高预测的准确度。关键节点包含换乘口，扶梯、楼梯上下口，闸机口，通过节点数据修正模型以更准确的预测出站人数。
本发明预测结果需精确到不同的出站口，因地铁枢纽站包含多条地铁线路，每个出站口对道路交通影响不同。如出站口在行车方向的同一方向同时出站口之间没有红绿灯，则将其合并统计。
本发明每个出入站点在预计时间段的出入客流人数匹配换乘选择模型，得到最终进入此区域的不同交通工具数量。换乘选择模型因考虑天气，时间，日期，气温，当前的拥堵成度等因素对乘客选择的影响。
本发明通过获取交通工具可能的进入路线，以及此路线当前的交通状况，综合预测对当前道路交通造成的压力，同理预测相关交通工具离开时造成交通拥堵。道路拥堵预测时因考虑地面交通工具停车上下客时间(受站台内部的拥堵程度影响)，站台内部的拥堵造成更长的出站时间造成更长等待时间。
将不同种交通工具按数量输入拥堵影响模型，最终获取未来可能拥堵的时间段。因考虑相关出口附近公交站台情况以及公交车到站时刻，在天气良好的前提下，公交车可有效缓解人流压力，避免因人员拥堵造成的上下客缓慢。
如图1所示，本发明方法包括以下步骤：
步骤S1，列车输入客流，与城轨ATS子系统交互获取经过此站台所有线路的时刻表以及地铁内部人员密度；
步骤S2，到站客流选择模型：根据历史数据建立KNN聚类，不同输入人流对出站口人流影响模型；
步骤S3，节点监控模型修正：选取乘客进出站的必经的节点(上下扶梯，闸机，出站口等)，进行人流密度监控实时监控当前人流，对S2的模型进行实时调优；
步骤S4，人群选择匹配KNN模型：通过时间，天气，季节，节假日，气温等历史数据建立人群可能选则交通工具的选择模型；
步骤S5，路面交通拥堵系数：通过历史统计获取在当前出入口人群对交通工具的选择对站台交通交通流的影响因子，通过人群的选择匹配模型以及影响因子，最终预测枢纽站附近不同的路段的拥堵程度。
具体实施例
本发明方法具体如下：
步骤1：设置未来的一个时间段T,根据时刻表获取T时间段内到达列车时刻与时间点T0，T1……Tx,以及对应时刻到达的列车TR0 TR1……TRx,利用车内摄像头获取站台内部乘客拥挤度λ，从而将可能到站的人员数量的公式简化为一个时间脉冲函数代表进入的客流(Num×λ0)×δ(T-T0)。
步骤2：基于历史数据建立乘客上下客人数模型，将乘客下车百分比，上车人数，基于日期，天气，时间，进行样本归类，形成聚类。
步骤3：利用已有聚类进行上下客人员熟练预测，在这一步骤使用KNN模型， KNN是一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。这边的多数表决代表着离某个聚类距离更短，例如在周二，预估时间为下午6点，天气为雨天，获取预计下车人数站列车内乘客人数百分比N，这里的不同时间与不同的天气将会组成不同聚类，在预测时根据现在的天气雨天和时间6点将其进行归类，归类方法通过 Lp(wi,xj)＝(∑n i＝1＝∣wi (i)-xj (l)∣p)1/p及所需预测的向量与不同聚类的距离，进行判定其属于哪一聚类，p选用欧氏距离，整体维度p＝2，详情见图2二维KNN的归类选择，多维度时根据时间T选择对应下一个KNN模型如图3所示，在下一层由下车人数与日期组成的聚类将再进次进行分类从而获取可能的下车人数的百分比N。通过步骤1中的脉冲函数获取到站人数从而获取在此站下车的人数。
步骤4：重复步骤2，3的内容获取上车人数，唯一的改变是由下车人员占列车中人数的百分比，改为上车人数，预测准确度会比下车准确度低。
步骤5：通过步骤2，3相同的方法，建立人员选择换乘方式模型，因地铁枢纽站会有大量人流有换乘需求，模型和之前的模型类似，包含时间，日期，天气，温度，如图4所示。最终得到不同换乘路径的选择比例，通过步骤3获取的下车人数，最终获取可能的出站人数。
步骤6：通过对T时间段内的上车人数减去换乘人数，获取在T时间段内预计的到站人数。
步骤7：通过建立交通流预测模型预测到达不同的出站口的人流，模型建立时徐考虑当前已有的人流量模型为V(new)＝aV+(1-a)V(old)，V(new)是 T+Tm时间段内出口的人流量，Tm为乘客到达某一出口的平均时间，V(old)是过去一个T+Tm时间段内的人流，V是预测未来新的将要到达出口的人流，步骤5，6 获取的预计上下车人流调整参数a使得每个出口的在T+Tm时段人流和，与预测得到的上下车人数相匹配，从而得到每个出口的人流。
步骤8：根据不同枢纽占的设置，针对每个枢纽考虑相关的输入人流是否需要分开输入或合并输入，例如两个出口位于同一侧且其间没有红绿灯则将其进行合并计算。
步骤9：通过天气，时间，日期，气温以及拥堵成度，建立针对于每个出入口的乘客地面交通工具选择KNN聚类，方法同步骤2，3.
步骤10：针对不同的出站入站口赋予其对交通流影响系数N，每个出入站口的系数Nx整体之和为1。
步骤11：针对每种交通工具其对交通流的影响赋予不同的系数，在设置系数时，因考虑不同交通工具离开时对交通流产生的压力J1，以及其上下客时对交通流产生的压力J2，以及其对输入人流量的减少M。
步骤12：单独针非机动车以及公交车对交通流的压力分开建模，针对周围部署共享单车的总量设为B，B-N(选择共享单车的人数)为其能疏导的人数
步骤13：针对公交车，需对比其时刻表，如在时间段T内此出口有X路车到达，则其能疏导的总人数为X/总路数×Num(选择公交车的人数)，其余人因再次带入选择模型确认其未来选择不同交通工具的可能。
步骤14：根据系数与人数(共享单车不产生拥堵，公交车到站减少客流)，最终得到总的拥堵指数，更具历史拥堵系数造成的不同路段拥堵结果得到最终的不同路段的拥堵程度。
以上是关于方法实施例的介绍，以下通过电子设备及存储介质实施例，对本发明所述方案进行进一步说明。
本发明电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器 (ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O) 接口也连接至总线。
设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理，例如本发明方法。例如，在一些实施例中，本发明方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM 和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU 执行时，可以执行上文描述的本发明方法的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本发明方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列 (FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，该方法首先通过地铁时刻表以及列车中人员的拥挤程度，预判未来时间点会到达站台的人流；其次搭配当前存在于站台内部关键节点的人流密，匹配由历史数据生成的密度模型确定未来到达特定出站口的人流；同时匹配历史人员换乘工具模型，以及不同交通交通工具对地面交通流影响模型最终判定在未来的时刻可能出现的交通拥堵。
2.根据权利要求1所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，该方法具体包括以下步骤：
步骤S1，列车输入客流；
步骤S2，构建到站客流模型；
步骤S3，对步骤S2构建的模型进行优化；
步骤S4，构建换乘选择模型；
步骤S5，预测枢纽站附近不同的路段的拥堵程度。
3.根据权利要求2所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述步骤S1，列车输入客流具体为：
与城轨ATS子系统交互获取经过此站台所有线路的时刻表以及地铁内部人员密度，从而预估输入客流量。
4.根据权利要求3所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述预估输入客流量具体为：
通过获取到达此站点的地铁线路时刻表，来预计到达客流形成交通压力的时间；
通过对地铁车厢内部行人密度信息，以及此站点历史入站人员数量信息，预估压力时间段的输入客流量。
5.根据权利要求2所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述步骤S2，构建到站客流模型具体为：
根据历史数据建立KNN聚类模型，并构建不同输入人流对出站口人流影响模型。
6.根据权利要求2所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述步骤S3，对步骤S2构建的模型进行优化具体为：
选取乘客进出站的关键节点进行人流密度监控，通过实时监控当前人流对步骤S2构建的模型进行实时调优。
7.根据权利要求6所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述关键节点包括换乘口、上下扶梯、出站口和闸机口。
8.根据权利要求2所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述步骤S4，构建换乘选择模型具体为：
通过时间、天气、季节、节假日、气温和当前拥堵成度的历史数据建立人群可能选则交通工具的换乘选择模型。
9.根据权利要求8所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，每个出入站点在预计时间段的出入客流人数匹配换乘选择模型，得到最终进入此区域的不同交通工具数量；
通过获取交通工具可能的进入路线，以及此路线当前的交通状况，综合预测对当前道路交通造成的压力，并预测相关交通工具离开时造成交通拥堵。
10.根据权利要求9所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，将不同种交通工具按数量输入拥堵影响模型，最终获取未来可能拥堵的时间段。
11.根据权利要求2所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述步骤S5，预测枢纽站附近不同的路段的拥堵程度具体为：
通过历史统计获取在当前出入口人群对交通工具的选择对站台交通交通流的影响因子，通过人群的换乘选择模型以及影响因子，最终预测枢纽站附近不同的路段的拥堵程度。
12.根据权利要求11所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述预测结果精确到不同的出站口；如出站口在行车方向的同一方向同时出站口之间没有红绿灯，则将其合并统计。
13.根据权利要求11所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，所述路段的拥堵程度预测时因考虑地面交通工具停车上下客时间，站台内部的拥堵造成更长的出站时间造成更长等待时间。
14.根据权利要求11所述的一种基于时刻表的地铁枢纽站周围道路拥堵预测方法，其特征在于，该方法因考虑相关出站口附近公交站台情况以及公交车到站时刻在天气良好的前提下，公交车可有效缓解人流压力，同时及时的公交到站可避免乘客选则叫车从而增加道路负担。
15.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～14中任一项所述的方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～14中任一项所述的方法。
CN202211186234.0A 2022-09-27 2022-09-27 基于时刻表的地铁枢纽站周围道路拥堵预测方法 Pending CN115563761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211186234.0A CN115563761A (zh) 2022-09-27 2022-09-27 基于时刻表的地铁枢纽站周围道路拥堵预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211186234.0A CN115563761A (zh) 2022-09-27 2022-09-27 基于时刻表的地铁枢纽站周围道路拥堵预测方法

Publications (1)

Publication Number Publication Date
CN115563761A true CN115563761A (zh) 2023-01-03

Family

ID=84743824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211186234.0A Pending CN115563761A (zh) 2022-09-27 2022-09-27 基于时刻表的地铁枢纽站周围道路拥堵预测方法

Country Status (1)

Country Link
CN (1) CN115563761A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824860A (zh) * 2023-08-22 2023-09-29 成都智达万应科技有限公司 一种城市智能交通的可视化显示方法、装置、设备及介质
CN117194391A (zh) * 2023-11-08 2023-12-08 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及计算机可读存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824860A (zh) * 2023-08-22 2023-09-29 成都智达万应科技有限公司 一种城市智能交通的可视化显示方法、装置、设备及介质
CN117194391A (zh) * 2023-11-08 2023-12-08 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及计算机可读存储介质
CN117194391B (zh) * 2023-11-08 2024-05-10 腾讯科技（深圳）有限公司 数据处理方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107330547B (zh) 一种城市公交动态调度优化方法及系统
CN115563761A (zh) 基于时刻表的地铁枢纽站周围道路拥堵预测方法
Christofa et al. Person-based traffic responsive signal control optimization
JP3414843B2 (ja) 交通手段制御装置
Jenelius Data-driven metro train crowding prediction based on real-time load data
CN111079875A (zh) 基于多源数据的公共交通客流监测方法、装置和存储介质
Chen et al. Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots
CN108364127B (zh) 一种路网客流协同控制优化系统
Li et al. Public bus arrival time prediction based on traffic information management system
CN113850417A (zh) 一种基于车站客流预测的客流组织决策方法
CN110288829B (zh) 一种港湾式公交停靠站停车泊位数量设置判别方法
CN108960532A (zh) 一种车站实时客流状态预测与预警系统及方法
CN114693495B (zh) 智慧城市公共交通管理方法、物联网系统、装置及介质
CN115527369B (zh) 一种空港枢纽大面积延误条件下的大客流预警与疏散方法
CN111882915A (zh) 采用复合算法及交互模型的应需定制公交线路规划方法
CN114580751B (zh) 空港到港旅客疏散时间预测方法、系统、存储介质及终端
JP2019012494A (ja) 人流推定装置及び人流推定システム並びに人流測定方法
CN116050581A (zh) 一种智慧城市地铁行车调度优化方法和物联网系统
Ma et al. Dynamic vehicle routing problem for flexible buses considering stochastic requests
CN113408189B (zh) 基于可变元胞的城市多点循环式紧急疏散与仿真推演方法
CN114707709A (zh) 铁路综合客运枢纽安全预警方法及系统
CN114240002A (zh) 基于深度强化学习的公交发车时刻表动态优化算法
CN113408926A (zh) 短时中断情况下城市轨道交通客流分配方法
Ceder et al. Detecting and improving public-transit connectivity with case studies of two world sport events
CN116451867A (zh) 一种基于时空出行路径标定的地铁短时客流预测方法

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