CN115620525A - 基于时变动态贝叶斯网络的短时交通客运需求预测方法 - Google Patents

基于时变动态贝叶斯网络的短时交通客运需求预测方法 Download PDF

Info

Publication number
CN115620525A
CN115620525A CN202211620967.0A CN202211620967A CN115620525A CN 115620525 A CN115620525 A CN 115620525A CN 202211620967 A CN202211620967 A CN 202211620967A CN 115620525 A CN115620525 A CN 115620525A
Authority
CN
China
Prior art keywords
time
passenger
short
bayesian network
dynamic bayesian
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
CN202211620967.0A
Other languages
English (en)
Other versions
CN115620525B (zh
Inventor
刘畅
潘野
张涛
陈肇欣
罗谦
张兴锐
邓强强
吕明
张志伟
谢琴
文涛
杜雨弦
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.)
Second Research Institute of CAAC
Original Assignee
Second Research Institute of CAAC
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 Second Research Institute of CAAC filed Critical Second Research Institute of CAAC
Priority to CN202211620967.0A priority Critical patent/CN115620525B/zh
Publication of CN115620525A publication Critical patent/CN115620525A/zh
Application granted granted Critical
Publication of CN115620525B publication Critical patent/CN115620525B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Analytical Chemistry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于时变动态贝叶斯网络的短时交通客运需求预测方法，包括以下步骤：S1、建立旅客乘坐短时交通工具结果矩阵；S2、将旅客乘坐短时交通工具结果矩阵从时间点维度切分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集；S3、根据每个时间区间上的旅客乘坐短时交通工具结果数据集，构建在每个时间区间上的动态贝叶斯网络，并找到最优动态贝叶斯网络；S4、对最优动态贝叶斯网络进行更新，得到修正动态贝叶斯网络；S5、将待预测时间切分成多个时间区间，采用修正动态贝叶斯网络对待预测时间对应时间区间的短时客运需求进行预测，本发明解决了现已有客运需求预测方法存在客运需求预测不准确的问题。

Description

基于时变动态贝叶斯网络的短时交通客运需求预测方法
技术领域
本发明涉及交通需求预测技术领域，具体而言，涉及一种基于时变动态贝叶斯网络的短时交通客运需求预测方法。
背景技术
通过机场旅客流与交通运力流的动态匹配，实现便捷、高效的客流疏解是综合交通领域公认的难题，而综合交通枢纽内多交通工具组合的短时客运需求预测信息是解决该难题的关键核心。然而，现已有客运需求预测方法只考虑了单一或不完整的交通工具客运需求，且对大面积航班延误、天气灾害、应急事件等随机因素扰动下的客流预测研究不足。因此，亟需结合当前的运力流状态和旅客流状态，定量刻画旅客对多交通工具的选择过程，才能实现精准的短时客运需求预测，从而快速疏解客流提高综合交通枢纽的运行效率和服务能力。
针对旅客选择多交通工具的问题，现有研究主要采用基于Logit和Probit理论的非集计模型，通过分析影响旅客选择行为的多种因素，定量刻画多交通工具的选择过程。但这类方法侧重于从宏观上静态刻画旅客各种交通工具选择的平均比例。然而，不同时间内旅客对多交通工具的需求是动态变化的，如相同类型的旅客在早高峰和晚高峰对出租车和公交车的选择有着明显的区别。因此，识别并定量刻画多因素下旅客对多交通工具选择过程的非稳定动态依赖关系是精准的短时客运需求预测的关键挑战。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于时变动态贝叶斯网络的短时交通客运需求预测方法解决了现已有客运需求预测方法存在客运需求预测不准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于时变动态贝叶斯网络的短时交通客运需求预测方法，包括以下步骤：
S1、根据历史旅客流数据和历史交通运力流数据，建立旅客乘坐短时交通工具结果矩阵；
S2、将旅客乘坐短时交通工具结果矩阵从时间点维度切分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集；
S3、根据每个时间区间上的旅客乘坐短时交通工具结果数据集，构建在每个时间区间上的动态贝叶斯网络，并找到最优动态贝叶斯网络；
S4、采用待预测时间前的历史旅客流和交通运力流数据，对最优动态贝叶斯网络进行更新，得到修正动态贝叶斯网络；
S5、将待预测时间切分成多个时间区间，采用修正动态贝叶斯网络对待预测时间对应时间区间的短时客运需求进行预测。
进一步地，所述S1包括以下分步骤：
S11、根据历史旅客流数据，建立旅客行为状态矩阵：
Figure 590799DEST_PATH_IMAGE001
，其中，
Figure 682251DEST_PATH_IMAGE002
为第
Figure 657161DEST_PATH_IMAGE003
时刻的旅客行为状态矩阵，
Figure 201274DEST_PATH_IMAGE004
为第
Figure 552621DEST_PATH_IMAGE003
时刻旅客的第1个行为状态，
Figure 498581DEST_PATH_IMAGE005
为第
Figure 441129DEST_PATH_IMAGE003
时刻旅客的第2个行为状态，
Figure 144643DEST_PATH_IMAGE006
为第
Figure 768522DEST_PATH_IMAGE003
时刻旅客的第
Figure 506671DEST_PATH_IMAGE007
个行为状态，
Figure 183902DEST_PATH_IMAGE008
为第
Figure 374712DEST_PATH_IMAGE003
时刻旅客的第
Figure 802282DEST_PATH_IMAGE009
个行为状态；
S12、根据历史交通运力流数据，建立交通运力状态矩阵：
Figure 394938DEST_PATH_IMAGE010
，其中，
Figure 7185DEST_PATH_IMAGE011
为第
Figure 419711DEST_PATH_IMAGE003
个时刻的交通运力状态矩阵，
Figure 447710DEST_PATH_IMAGE012
为第
Figure 832555DEST_PATH_IMAGE003
个时 刻第1种交通工具的运力状态，
Figure 553387DEST_PATH_IMAGE013
为第
Figure 781106DEST_PATH_IMAGE003
个时刻第2种交通工具的运力状态，
Figure 612795DEST_PATH_IMAGE014
为第
Figure 852147DEST_PATH_IMAGE003
个时 刻第
Figure 743879DEST_PATH_IMAGE015
种交通工具的运力状态，
Figure 458895DEST_PATH_IMAGE016
为第
Figure 828696DEST_PATH_IMAGE003
个时刻第
Figure 188133DEST_PATH_IMAGE017
种交通工具的运力状态；
S13、根据旅客在不同时刻对交通工具的选择，基于旅客行为状态矩阵和交通运力状态矩阵，建立旅客乘坐短时交通工具结果矩阵：
Figure 250767DEST_PATH_IMAGE018
其中，
Figure 677245DEST_PATH_IMAGE019
为第
Figure 116317DEST_PATH_IMAGE003
时刻的旅客乘坐短时交通工具结果矩阵，
Figure 330260DEST_PATH_IMAGE020
为在第
Figure 563796DEST_PATH_IMAGE003
时刻的第
Figure 659928DEST_PATH_IMAGE007
个行为状态的旅客选择第
Figure 433849DEST_PATH_IMAGE015
种交通工具的人数，
Figure 830195DEST_PATH_IMAGE021
为时间的编号，
Figure 172315DEST_PATH_IMAGE007
为行为状态的编号，其取 值范围为
Figure 21322DEST_PATH_IMAGE022
，
Figure 598934DEST_PATH_IMAGE009
为行为状态的数量，
Figure 849786DEST_PATH_IMAGE023
为交通工具种类的编号，其取值范围为
Figure 159545DEST_PATH_IMAGE024
，
Figure 433532DEST_PATH_IMAGE017
为交 通工具种类的数量。
进一步地，所述S2具体为：
建立切分目标函数，将切分目标函数中状态转移接受率为局部最大值时所对应的时刻作为切分时间区间的分界点，在找到各时间区间的分界点后，将旅客乘坐短时交通工具结果矩阵从时间点维度划分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集。
进一步地，所述切分目标函数为：
Figure 752517DEST_PATH_IMAGE025
其中，
Figure 920194DEST_PATH_IMAGE026
为从旅客乘坐短时交通工具结果矩阵
Figure 666433DEST_PATH_IMAGE027
的情况下选取
Figure 162136DEST_PATH_IMAGE028
动作 跳转至另一时刻旅客乘坐短时交通工具结果矩阵
Figure 284813DEST_PATH_IMAGE029
的状态转移接受率，
Figure 979099DEST_PATH_IMAGE027
和
Figure 460022DEST_PATH_IMAGE029
为两个时 刻的旅客乘坐短时交通工具结果矩阵，
Figure 770917DEST_PATH_IMAGE030
为旅客乘坐短时交通工具结果矩阵
Figure 369389DEST_PATH_IMAGE029
的后 验概率分布，
Figure 183761DEST_PATH_IMAGE031
为旅客乘坐短时交通工具结果矩阵
Figure 599699DEST_PATH_IMAGE027
的后验概率分布，
Figure 132311DEST_PATH_IMAGE032
为 从另一时刻旅客乘坐短时交通工具结果矩阵
Figure 268895DEST_PATH_IMAGE029
的情况下选取
Figure 203353DEST_PATH_IMAGE033
反向动作跳转至旅客乘 坐短时交通工具结果矩阵
Figure 462296DEST_PATH_IMAGE027
的动作提议概率，
Figure 278942DEST_PATH_IMAGE034
为从旅客乘坐短时交通工具结果 矩阵
Figure 547112DEST_PATH_IMAGE027
的情况下选取
Figure 273760DEST_PATH_IMAGE028
动作跳转至另一时刻旅客乘坐短时交通工具结果矩阵
Figure 703604DEST_PATH_IMAGE029
的动作提 议概率，
Figure 273126DEST_PATH_IMAGE033
为
Figure 813828DEST_PATH_IMAGE028
动作的反向动作，
Figure 457299DEST_PATH_IMAGE035
为雅克比行列式，
Figure 261307DEST_PATH_IMAGE036
为偏导符号，
Figure 990229DEST_PATH_IMAGE037
为在
Figure 163984DEST_PATH_IMAGE029
与
Figure 927540DEST_PATH_IMAGE027
在维度不同时，对
Figure 636870DEST_PATH_IMAGE027
补充的连续型随机变量，
Figure 118667DEST_PATH_IMAGE038
为补充后的向量，
Figure 1173DEST_PATH_IMAGE038
与
Figure 681553DEST_PATH_IMAGE029
维度相 同，
Figure 624101DEST_PATH_IMAGE039
为求最小值。
进一步地，所述S3具体为：通过每个时间区间上的旅客乘坐短时交通工具结果数据集对构建动态贝叶斯网络进行训练，通过目标评分函数找到最优动态贝叶斯网络。
进一步地，所述目标评分函数为：
Figure 265298DEST_PATH_IMAGE040
其中，
Figure 217073DEST_PATH_IMAGE041
为目标评分，
Figure 751960DEST_PATH_IMAGE042
为每个时间区间上的旅客乘坐 短时交通工具结果数据集，
Figure 865409DEST_PATH_IMAGE043
为
Figure 56219DEST_PATH_IMAGE042
的真子集，
Figure 483789DEST_PATH_IMAGE044
为旅客乘坐短时交通工具结果数据集
Figure 76445DEST_PATH_IMAGE042
中的元素，
Figure 688692DEST_PATH_IMAGE045
为求最大值，
Figure 101219DEST_PATH_IMAGE046
为结构评分函数，设定贝叶斯信息准 则BIC为结构评分函数，
Figure 332480DEST_PATH_IMAGE047
为从属于
Figure 779642DEST_PATH_IMAGE042
中选出多个真子集
Figure 234894DEST_PATH_IMAGE043
，找到最大的结构评分作为目标评分。
进一步地，所述S4包括以下分步骤：
S41、根据时间的先后顺序，将待预测时间前的历史旅客流和交通运力流数据划分成不同时间区间上的历史旅客流和交通运力流数据；
S42、根据预测时间前的每一时间区间上的历史旅客流和交通运力流数据，基于最优动态贝叶斯网络，得到预测时间对应时间区间上的旅客选择结果；
S43、根据预测时间对应时间区间上的旅客选择结果与预测时间对应时间区间上的旅客真实选择结果，计算误差；
S44、判断误差是否小于误差阈值，若是，则得到修正动态贝叶斯网络，若否，则对最优动态贝叶斯网络中结构和参数进行更新，并跳转至步骤S41。
进一步地，所述S43中误差选用欧式距离进行计算。
本发明的有益效果为：
1、本发明通过历史旅客流数据和历史交通运力流数据，建立旅客乘坐短时交通工具结果矩阵，通过旅客乘坐短时交通工具结果矩阵表达旅客各种行为状态与交通工具各种运力状态的关系，实现定量刻画旅客在多交通工具选择的时变非稳定演化过程，能考虑不同因素之间影响，提高预测准确度。
2、从时间点维度上对旅客乘坐短时交通工具结果矩阵进行划分，将同一个时间区间的数据归为一个数据集，通过一个时间区间的数据集训练一个动态贝叶斯网络，实现贝叶斯网络能动态预测不同时间区间的短时客运需求，满足旅客对多交通工具的动态需求，提高预测准确度。
附图说明
图1为一种基于时变动态贝叶斯网络的短时交通客运需求预测方法的流程图；
图2为将旅客乘坐短时交通工具结果矩阵从时间点维度切分到时间区间维度上的示意图；
图3为时间区间对应不同贝叶斯网络的示意图。
具体实施方式
为使本发明实施例的目的、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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种基于时变动态贝叶斯网络的短时交通客运需求预测方法，包括以下步骤：
S1、根据历史旅客流数据和历史交通运力流数据，建立旅客乘坐短时交通工具结果矩阵；
S1包括以下分步骤：
S11、根据历史旅客流数据，建立旅客行为状态矩阵：
Figure 964078DEST_PATH_IMAGE001
， 其中，
Figure 795767DEST_PATH_IMAGE002
为第
Figure 35119DEST_PATH_IMAGE003
时刻的旅客行为状态矩阵，
Figure 926851DEST_PATH_IMAGE004
为第
Figure 376287DEST_PATH_IMAGE003
时刻旅客的第1个行为状态，
Figure 746089DEST_PATH_IMAGE005
为第
Figure 371105DEST_PATH_IMAGE003
时 刻旅客的第2个行为状态，
Figure 168160DEST_PATH_IMAGE006
为第
Figure 42575DEST_PATH_IMAGE003
时刻旅客的第
Figure 278384DEST_PATH_IMAGE007
个行为状态，
Figure 554645DEST_PATH_IMAGE008
为第
Figure 725863DEST_PATH_IMAGE003
时刻旅客的第
Figure 87574DEST_PATH_IMAGE009
个行为状态；
S12、根据历史交通运力流数据，建立交通运力状态矩阵：
Figure 799178DEST_PATH_IMAGE010
，其中，
Figure 257842DEST_PATH_IMAGE011
为第
Figure 662278DEST_PATH_IMAGE003
个时刻的交通运力状态矩阵，
Figure 183389DEST_PATH_IMAGE012
为第
Figure 964263DEST_PATH_IMAGE003
个时 刻第1种交通工具的运力状态，
Figure 778898DEST_PATH_IMAGE013
为第
Figure 354236DEST_PATH_IMAGE003
个时刻第2种交通工具的运力状态，
Figure 362643DEST_PATH_IMAGE014
为第
Figure 681629DEST_PATH_IMAGE003
个时 刻第
Figure 849305DEST_PATH_IMAGE015
种交通工具的运力状态，
Figure 329965DEST_PATH_IMAGE016
为第
Figure 153565DEST_PATH_IMAGE003
个时刻第
Figure 948345DEST_PATH_IMAGE017
种交通工具的运力状态；
S13、根据旅客在不同时刻对交通工具的选择，基于旅客行为状态矩阵和交通运力状态矩阵，建立旅客乘坐短时交通工具结果矩阵：
Figure 173790DEST_PATH_IMAGE018
其中，
Figure 153247DEST_PATH_IMAGE019
为第
Figure 198564DEST_PATH_IMAGE003
时刻的旅客乘坐短时交通工具结果矩阵，
Figure 593773DEST_PATH_IMAGE020
为在第
Figure 611408DEST_PATH_IMAGE003
时刻的第
Figure 699449DEST_PATH_IMAGE007
个行为状态的旅客选择第
Figure 294379DEST_PATH_IMAGE015
种交通工具的人数，
Figure 758858DEST_PATH_IMAGE021
为时间的编号，
Figure 630999DEST_PATH_IMAGE007
为行为状态的编号，其取 值范围为
Figure 889942DEST_PATH_IMAGE022
，
Figure 473633DEST_PATH_IMAGE009
为行为状态的数量，
Figure 476224DEST_PATH_IMAGE023
为交通工具种类的编号，其取值范围为
Figure 265188DEST_PATH_IMAGE024
，
Figure 632716DEST_PATH_IMAGE017
为交 通工具种类的数量。
S2、将旅客乘坐短时交通工具结果矩阵从时间点维度切分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集；
所述S2具体为：
建立切分目标函数，将切分目标函数中状态转移接受率为局部最大值时所对应的时刻作为切分时间区间的分界点，在找到各时间区间的分界点后，将旅客乘坐短时交通工具结果矩阵从时间点维度划分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集，切分目标函数采用逆跳转蒙特卡洛算法的思想。
所述切分目标函数为：
Figure 139920DEST_PATH_IMAGE025
其中，
Figure 8519DEST_PATH_IMAGE026
为从旅客乘坐短时交通工具结果矩阵
Figure 651990DEST_PATH_IMAGE027
的情况下选取
Figure 455998DEST_PATH_IMAGE028
动作 跳转至另一时刻旅客乘坐短时交通工具结果矩阵
Figure 184920DEST_PATH_IMAGE029
的状态转移接受率，
Figure 857209DEST_PATH_IMAGE027
和
Figure 89608DEST_PATH_IMAGE029
为两个时 刻的旅客乘坐短时交通工具结果矩阵，
Figure 126834DEST_PATH_IMAGE030
为旅客乘坐短时交通工具结果矩阵
Figure 280735DEST_PATH_IMAGE029
的后 验概率分布，
Figure 428819DEST_PATH_IMAGE031
为旅客乘坐短时交通工具结果矩阵
Figure 109199DEST_PATH_IMAGE027
的后验概率分布，
Figure 317327DEST_PATH_IMAGE032
为 从另一时刻旅客乘坐短时交通工具结果矩阵
Figure 755261DEST_PATH_IMAGE029
的情况下选取
Figure 644720DEST_PATH_IMAGE033
反向动作跳转至旅客乘 坐短时交通工具结果矩阵
Figure 117289DEST_PATH_IMAGE027
的动作提议概率，
Figure 60100DEST_PATH_IMAGE034
为从旅客乘坐短时交通工具结果 矩阵
Figure 250910DEST_PATH_IMAGE027
的情况下选取
Figure 678480DEST_PATH_IMAGE028
动作跳转至另一时刻旅客乘坐短时交通工具结果矩阵
Figure 271136DEST_PATH_IMAGE029
的动作提 议概率，
Figure 617803DEST_PATH_IMAGE033
为
Figure 30330DEST_PATH_IMAGE028
动作的反向动作，
Figure 323908DEST_PATH_IMAGE035
为雅克比行列式，
Figure 708753DEST_PATH_IMAGE036
为偏导符号，
Figure 429584DEST_PATH_IMAGE037
为在
Figure 391724DEST_PATH_IMAGE029
与
Figure 223414DEST_PATH_IMAGE027
在维度不同时，对
Figure 525082DEST_PATH_IMAGE027
补充的连续型随机变量，
Figure 354498DEST_PATH_IMAGE038
为补充后的向量，
Figure 741617DEST_PATH_IMAGE038
与
Figure 439315DEST_PATH_IMAGE029
维度相 同，
Figure 861069DEST_PATH_IMAGE039
为求最小值。
求得多个状态转移接受率，找到局部最大值，局部最大值所对应的时刻作为切分时间区间的分界点。
在本实施例中，将旅客乘坐短时交通工具结果矩阵从时间点维度划分到时间区间 维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集的具体举例：时刻序 列
Figure 861386DEST_PATH_IMAGE048
，每个时刻对应一个结果矩阵，则有
Figure 735801DEST_PATH_IMAGE049
个结果矩阵，将
Figure 473075DEST_PATH_IMAGE049
个结果矩阵切分成
Figure 483756DEST_PATH_IMAGE028
个时间区间上的数据集，其中，
Figure 717291DEST_PATH_IMAGE028
个时间区间为
Figure 16686DEST_PATH_IMAGE050
，每一个时间区间
Figure 993869DEST_PATH_IMAGE051
包含多个时刻，则一个时间区间上的数据集包含多个时刻的矩阵，动作提议概率为局部最 大值时，则对应的该时刻为突变点，用于对时刻进行划分，如图2所示。
S3、根据每个时间区间上的旅客乘坐短时交通工具结果数据集，构建在每个时间区间上的动态贝叶斯网络，如图3所示，并找到最优动态贝叶斯网络；
在每个时间区间上，对于旅客行为状态和交通运力状态的因素各不相同，因此，在每个时间上各训练一个贝叶斯网络，如图3所示。
所述S3具体为：通过每个时间区间上的旅客乘坐短时交通工具结果数据集对构建动态贝叶斯网络进行训练，通过目标评分函数找到最优动态贝叶斯网络。
所述目标评分函数为：
Figure 186953DEST_PATH_IMAGE040
其中，
Figure 591390DEST_PATH_IMAGE041
为目标评分，
Figure 378080DEST_PATH_IMAGE042
为每个时间区间上的旅客乘坐 短时交通工具结果数据集，
Figure 893375DEST_PATH_IMAGE043
为
Figure 878648DEST_PATH_IMAGE042
的真子集，
Figure 516303DEST_PATH_IMAGE044
为旅客乘坐短时交通工具结果数据集
Figure 852607DEST_PATH_IMAGE042
中的元素，
Figure 109276DEST_PATH_IMAGE045
为求最大值，
Figure 214635DEST_PATH_IMAGE046
为结构评分函数，设定贝叶斯信息准 则BIC为结构评分函数，
Figure 695295DEST_PATH_IMAGE047
为从属于
Figure 581211DEST_PATH_IMAGE042
中选出多个真子集
Figure 438309DEST_PATH_IMAGE043
，找到最大的结构评分作为目标评分。
在本实施例中
Figure 335858DEST_PATH_IMAGE044
为旅客乘坐短时交通工具结果数据集
Figure 518577DEST_PATH_IMAGE042
中的某个时刻的矩 阵。
S4、采用待预测时间前的历史旅客流和交通运力流数据，对最优动态贝叶斯网络进行更新，得到修正动态贝叶斯网络；
步骤S1~S3是初步得到贝叶斯网络，但由于无法预知的因素，包括航班延误、雷暴天气和重大节假日等，需要采用待预测时间前的历史数据对贝叶斯网络进行修正，从而使其更准确。
所述S4包括以下分步骤：
S41、根据时间的先后顺序，将待预测时间前的历史旅客流和交通运力流数据划分成不同时间区间上的历史旅客流和交通运力流数据；
在本实施例中，时间区间的长度可选择5分钟、10分钟或30分钟等。
例如：预测日为第d天，则根据第d-1天之前的历史数据训练时变动态贝叶斯网络的结构和参数。
S42、根据预测时间前的每一时间区间上的历史旅客流和交通运力流数据，基于最优动态贝叶斯网络，得到预测时间对应时间区间上的旅客选择结果；
在步骤S42中，具体为将预测时间前的每一时间区间上的历史旅客流和交通运力流数据输入最优动态贝叶斯网络中，最优动态贝叶斯网络输出得到预测时间对应时间区间上的旅客选择结果。
S43、根据预测时间对应时间区间上的旅客选择结果与预测时间对应时间区间上的旅客真实选择结果，计算误差；
所述S43中误差选用欧式距离进行计算。
S44、判断误差是否小于误差阈值，若是，则得到修正动态贝叶斯网络，若否，则对最优动态贝叶斯网络中结构和参数进行更新，并跳转至步骤S41。误差阈值的范围为80%~99%之间。
通过步骤S4对贝叶斯网络的修正，从而进一步使得贝叶斯网络预测结果更准确。
S5、将待预测时间切分成多个时间区间，采用修正动态贝叶斯网络对待预测时间对应时间区间的短时客运需求进行预测。
本发明的有益效果为：
1、本发明通过历史旅客流数据和历史交通运力流数据，建立旅客乘坐短时交通工具结果矩阵，通过旅客乘坐短时交通工具结果矩阵表达旅客各种行为状态与交通工具各种运力状态的关系，实现定量刻画旅客在多交通工具选择的时变非稳定演化过程，能考虑不同因素之间影响，提高预测准确度。
2、从时间点维度上对旅客乘坐短时交通工具结果矩阵进行划分，将同一个时间区间的数据归为一个数据集，通过一个时间区间的数据集训练一个动态贝叶斯网络，实现贝叶斯网络能动态预测不同时间区间的短时客运需求，满足旅客对多交通工具的动态需求，提高预测准确度。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，包括以下步骤：
S1、根据历史旅客流数据和历史交通运力流数据，建立旅客乘坐短时交通工具结果矩阵；
S2、将旅客乘坐短时交通工具结果矩阵从时间点维度切分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集；
S3、根据每个时间区间上的旅客乘坐短时交通工具结果数据集，构建在每个时间区间上的动态贝叶斯网络，并找到最优动态贝叶斯网络；
S4、采用待预测时间前的历史旅客流和交通运力流数据，对最优动态贝叶斯网络进行更新，得到修正动态贝叶斯网络；
S5、将待预测时间切分成多个时间区间，采用修正动态贝叶斯网络对待预测时间对应时间区间的短时客运需求进行预测。
2.根据权利要求1所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述S1包括以下分步骤：
S11、根据历史旅客流数据，建立旅客行为状态矩阵：
Figure 583767DEST_PATH_IMAGE001
， 其中，
Figure 704170DEST_PATH_IMAGE002
为第
Figure 749486DEST_PATH_IMAGE003
时刻的旅客行为状态矩阵，
Figure 227917DEST_PATH_IMAGE004
为第
Figure 245552DEST_PATH_IMAGE003
时刻旅客的第1个行为状态，
Figure 68014DEST_PATH_IMAGE005
为第
Figure 600627DEST_PATH_IMAGE003
时 刻旅客的第2个行为状态，
Figure 127423DEST_PATH_IMAGE006
为第
Figure 61881DEST_PATH_IMAGE003
时刻旅客的第
Figure 258507DEST_PATH_IMAGE007
个行为状态，
Figure 278416DEST_PATH_IMAGE008
为第
Figure 343323DEST_PATH_IMAGE003
时刻旅客的第
Figure 132288DEST_PATH_IMAGE009
个行为状态；
S12、根据历史交通运力流数据，建立交通运力状态矩阵：
Figure 765395DEST_PATH_IMAGE010
， 其中，
Figure 272599DEST_PATH_IMAGE011
为第
Figure 875619DEST_PATH_IMAGE003
个时刻的交通运力状态矩阵，
Figure 784669DEST_PATH_IMAGE012
为第
Figure 323098DEST_PATH_IMAGE003
个时刻第1种交通工具的运力状态，
Figure 317599DEST_PATH_IMAGE013
为第
Figure 225774DEST_PATH_IMAGE003
个时刻第2种交通工具的运力状态，
Figure 723751DEST_PATH_IMAGE014
为第
Figure 760978DEST_PATH_IMAGE003
个时刻第
Figure 914878DEST_PATH_IMAGE015
种交通工具的运力状态，
Figure 390859DEST_PATH_IMAGE016
为第
Figure 8922DEST_PATH_IMAGE003
个时刻第
Figure 13787DEST_PATH_IMAGE017
种交通工具的运力状态；
S13、根据旅客在不同时刻对交通工具的选择，基于旅客行为状态矩阵和交通运力状态矩阵，建立旅客乘坐短时交通工具结果矩阵：
Figure 654984DEST_PATH_IMAGE018
其中，
Figure 341181DEST_PATH_IMAGE019
为第
Figure 141646DEST_PATH_IMAGE003
时刻的旅客乘坐短时交通工具结果矩阵，
Figure 520675DEST_PATH_IMAGE020
为在第
Figure 649168DEST_PATH_IMAGE003
时刻的第
Figure 139055DEST_PATH_IMAGE007
个行为 状态的旅客选择第
Figure 200552DEST_PATH_IMAGE015
种交通工具的人数，
Figure 579843DEST_PATH_IMAGE021
为时间的编号，
Figure 195632DEST_PATH_IMAGE007
为行为状态的编号，其取值范围 为
Figure 223631DEST_PATH_IMAGE022
，
Figure 670793DEST_PATH_IMAGE009
为行为状态的数量，
Figure 188362DEST_PATH_IMAGE023
为交通工具种类的编号，其取值范围为
Figure 353764DEST_PATH_IMAGE024
，
Figure 123137DEST_PATH_IMAGE017
为交通工具 种类的数量。
3.根据权利要求1所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述S2具体为：
建立切分目标函数，将切分目标函数中状态转移接受率为局部最大值时所对应的时刻作为切分时间区间的分界点，在找到各时间区间的分界点后，将旅客乘坐短时交通工具结果矩阵从时间点维度划分到时间区间维度上，得到在每个时间区间上的旅客乘坐短时交通工具结果数据集。
4.根据权利要求3所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述切分目标函数为：
Figure 690385DEST_PATH_IMAGE025
其中，
Figure 378855DEST_PATH_IMAGE026
为从旅客乘坐短时交通工具结果矩阵
Figure 31553DEST_PATH_IMAGE027
的情况下选取
Figure 604617DEST_PATH_IMAGE028
动作跳转至 另一时刻旅客乘坐短时交通工具结果矩阵
Figure 760792DEST_PATH_IMAGE029
的状态转移接受率，
Figure 885743DEST_PATH_IMAGE027
和
Figure 760158DEST_PATH_IMAGE029
为两个时刻的旅 客乘坐短时交通工具结果矩阵，
Figure 136912DEST_PATH_IMAGE030
为旅客乘坐短时交通工具结果矩阵
Figure 413173DEST_PATH_IMAGE029
的后验概率 分布，
Figure 210490DEST_PATH_IMAGE031
为旅客乘坐短时交通工具结果矩阵
Figure 572201DEST_PATH_IMAGE027
的后验概率分布，
Figure 487067DEST_PATH_IMAGE032
为从另一 时刻旅客乘坐短时交通工具结果矩阵
Figure 617835DEST_PATH_IMAGE029
的情况下选取
Figure 84588DEST_PATH_IMAGE033
反向动作跳转至旅客乘坐短时 交通工具结果矩阵
Figure 933595DEST_PATH_IMAGE027
的动作提议概率，
Figure 386573DEST_PATH_IMAGE034
为从旅客乘坐短时交通工具结果矩阵
Figure 637426DEST_PATH_IMAGE027
的情况下选取
Figure 275081DEST_PATH_IMAGE028
动作跳转至另一时刻旅客乘坐短时交通工具结果矩阵
Figure 611384DEST_PATH_IMAGE029
的动作提议概 率，
Figure 868053DEST_PATH_IMAGE033
为
Figure 973412DEST_PATH_IMAGE028
动作的反向动作，
Figure 781968DEST_PATH_IMAGE035
为雅克比行列式，
Figure 339989DEST_PATH_IMAGE036
为偏导符号，
Figure 400349DEST_PATH_IMAGE037
为在
Figure 360214DEST_PATH_IMAGE029
与
Figure 841137DEST_PATH_IMAGE027
在维 度不同时，对
Figure 152032DEST_PATH_IMAGE027
补充的连续型随机变量，
Figure 750504DEST_PATH_IMAGE038
为补充后的向量，
Figure 564876DEST_PATH_IMAGE038
与
Figure 980814DEST_PATH_IMAGE029
维度相同，
Figure 513426DEST_PATH_IMAGE039
为求最小值。
5.根据权利要求1所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述S3具体为：通过每个时间区间上的旅客乘坐短时交通工具结果数据集对构建动态贝叶斯网络进行训练，通过目标评分函数找到最优动态贝叶斯网络。
6.根据权利要求5所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述目标评分函数为：
Figure 915589DEST_PATH_IMAGE040
其中，
Figure 318888DEST_PATH_IMAGE041
为目标评分，
Figure 171307DEST_PATH_IMAGE042
为每个时间区间上的旅客乘坐短时 交通工具结果数据集，
Figure 191215DEST_PATH_IMAGE043
为
Figure 131490DEST_PATH_IMAGE042
的真子集，
Figure 654875DEST_PATH_IMAGE044
为旅客乘坐短时交通工具结果数据集
Figure 678194DEST_PATH_IMAGE042
中的元素，
Figure 919820DEST_PATH_IMAGE045
为求最大值，
Figure 663785DEST_PATH_IMAGE046
为结构评分函数，设定贝叶斯信息准则BIC 为结构评分函数，
Figure 307256DEST_PATH_IMAGE047
为从属于
Figure 908002DEST_PATH_IMAGE042
中选出多个真子集
Figure 466284DEST_PATH_IMAGE043
， 找到最大的结构评分作为目标评分。
7.根据权利要求1所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述S4包括以下分步骤：
S41、根据时间的先后顺序，将待预测时间前的历史旅客流和交通运力流数据划分成不同时间区间上的历史旅客流和交通运力流数据；
S42、根据预测时间前的每一时间区间上的历史旅客流和交通运力流数据，基于最优动态贝叶斯网络，得到预测时间对应时间区间上的旅客选择结果；
S43、根据预测时间对应时间区间上的旅客选择结果与预测时间对应时间区间上的旅客真实选择结果，计算误差；
S44、判断误差是否小于误差阈值，若是，则得到修正动态贝叶斯网络，若否，则对最优动态贝叶斯网络中结构和参数进行更新，并跳转至步骤S41。
8.根据权利要求7所述的基于时变动态贝叶斯网络的短时交通客运需求预测方法，其特征在于，所述S43中误差选用欧式距离进行计算。
CN202211620967.0A 2022-12-16 2022-12-16 基于时变动态贝叶斯网络的短时交通客运需求预测方法 Active CN115620525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211620967.0A CN115620525B (zh) 2022-12-16 2022-12-16 基于时变动态贝叶斯网络的短时交通客运需求预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211620967.0A CN115620525B (zh) 2022-12-16 2022-12-16 基于时变动态贝叶斯网络的短时交通客运需求预测方法

Publications (2)

Publication Number Publication Date
CN115620525A true CN115620525A (zh) 2023-01-17
CN115620525B CN115620525B (zh) 2023-03-10

Family

ID=84879916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211620967.0A Active CN115620525B (zh) 2022-12-16 2022-12-16 基于时变动态贝叶斯网络的短时交通客运需求预测方法

Country Status (1)

Country Link
CN (1) CN115620525B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976588A (zh) * 2023-06-16 2023-10-31 浙江大学 一种基于台风实时信息的应急物资动态分配方法和系统

Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050021831A1 (en) * 2003-07-25 2005-01-27 Artur Andrzejak Determining placement of distributed application onto distributed resource infrastructure
DE102011107663A1 (de) * 2011-07-12 2013-01-17 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zur dynamischen Steuerung einer Signalanlage
CN103632212A (zh) * 2013-12-11 2014-03-12 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法
US20170081148A1 (en) * 2014-06-10 2017-03-23 Kone Corporation Method for controlling a passenger transport system
EP3276550A1 (en) * 2016-07-29 2018-01-31 Otis Elevator Company Big data analyzing and processing system and method for passenger conveyor
CN108269399A (zh) * 2018-01-24 2018-07-10 哈尔滨工业大学 一种基于公路网客流od反推技术的高铁客流需求预测方法
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法
CN109272168A (zh) * 2018-10-09 2019-01-25 南京地铁集团有限公司 一种城市轨道交通客流变化趋势预测方法
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置
CN109886508A (zh) * 2019-03-27 2019-06-14 温州大学 基于gps大数据的出租车高效益寻客多目标规划算法
CN110166945A (zh) * 2019-06-04 2019-08-23 中国民用航空总局第二研究所 航站楼旅客流量动态预测方法、装置、介质及设备
CN110415518A (zh) * 2019-07-25 2019-11-05 民航成都信息技术有限公司 一种客流与运力的监控预警方法、装置、设备及介质
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
CN111582691A (zh) * 2020-04-28 2020-08-25 北京交通大学 基于双层规划的客运枢纽多交通方式的运力匹配方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN112070372A (zh) * 2020-08-25 2020-12-11 长沙理工大学 基于区间不确定性的公交客流分配方法、系统、存储介质
CN112380398A (zh) * 2020-11-12 2021-02-19 北京交通大学 一种空港旅客多交通方式换乘出行链构建装置
CN112418492A (zh) * 2020-11-06 2021-02-26 杭州图软科技有限公司 一种基于人工智能的客流数据采集分析系统
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
CN113361984A (zh) * 2021-08-11 2021-09-07 北京航空航天大学杭州创新研究院 基于互馈模型的空港客流与运力流动态耦合方法和系统
CN113806925A (zh) * 2021-08-30 2021-12-17 东南大学 基于贝叶斯层次最优化的od矩阵估计方法
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN114580751A (zh) * 2022-03-07 2022-06-03 中国民航大学 空港到港旅客疏散时间预测方法、系统、存储介质及终端
CN114818349A (zh) * 2022-05-07 2022-07-29 南京熙昶能源科技有限公司 基于时空网络客流状态估计的节能运行图优化分析方法
CN114943356A (zh) * 2022-06-06 2022-08-26 南京航空航天大学 一种机场到港旅客乘坐出租车短时需求集成预测方法
CN114997543A (zh) * 2022-08-03 2022-09-02 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质
CN115049152A (zh) * 2022-07-12 2022-09-13 中国民用航空总局第二研究所 一种机场换乘区到港旅客流量预测方法、装置及电子设备
CN115048576A (zh) * 2022-06-07 2022-09-13 北京交通大学 一种空港旅客群体出行方式柔性推荐方法
CN115440032A (zh) * 2022-08-09 2022-12-06 浙江工业大学 一种长短期公共交通流量预测方法

Patent Citations (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050021831A1 (en) * 2003-07-25 2005-01-27 Artur Andrzejak Determining placement of distributed application onto distributed resource infrastructure
DE102011107663A1 (de) * 2011-07-12 2013-01-17 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zur dynamischen Steuerung einer Signalanlage
CN103632212A (zh) * 2013-12-11 2014-03-12 北京交通大学 一种时变用户均衡动态网络演化客流预测系统和方法
US20170081148A1 (en) * 2014-06-10 2017-03-23 Kone Corporation Method for controlling a passenger transport system
EP3276550A1 (en) * 2016-07-29 2018-01-31 Otis Elevator Company Big data analyzing and processing system and method for passenger conveyor
CN108269399A (zh) * 2018-01-24 2018-07-10 哈尔滨工业大学 一种基于公路网客流od反推技术的高铁客流需求预测方法
CN108846514A (zh) * 2018-06-07 2018-11-20 同济大学 一种突发事件下轨道交通客流疏散需求预测方法
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
CN109272168A (zh) * 2018-10-09 2019-01-25 南京地铁集团有限公司 一种城市轨道交通客流变化趋势预测方法
CN109858681A (zh) * 2019-01-04 2019-06-07 深圳北斗应用技术研究院有限公司 一种基于ic卡的交通短时客流预测方法和相关装置
CN109886508A (zh) * 2019-03-27 2019-06-14 温州大学 基于gps大数据的出租车高效益寻客多目标规划算法
CN110166945A (zh) * 2019-06-04 2019-08-23 中国民用航空总局第二研究所 航站楼旅客流量动态预测方法、装置、介质及设备
CN110415518A (zh) * 2019-07-25 2019-11-05 民航成都信息技术有限公司 一种客流与运力的监控预警方法、装置、设备及介质
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
CN111582691A (zh) * 2020-04-28 2020-08-25 北京交通大学 基于双层规划的客运枢纽多交通方式的运力匹配方法
CN111738535A (zh) * 2020-08-25 2020-10-02 北京交通大学 轨道交通时空短时客流预测方法、装置、设备及存储介质
CN112070372A (zh) * 2020-08-25 2020-12-11 长沙理工大学 基于区间不确定性的公交客流分配方法、系统、存储介质
CN112418492A (zh) * 2020-11-06 2021-02-26 杭州图软科技有限公司 一种基于人工智能的客流数据采集分析系统
CN112380398A (zh) * 2020-11-12 2021-02-19 北京交通大学 一种空港旅客多交通方式换乘出行链构建装置
CN113361984A (zh) * 2021-08-11 2021-09-07 北京航空航天大学杭州创新研究院 基于互馈模型的空港客流与运力流动态耦合方法和系统
CN113806925A (zh) * 2021-08-30 2021-12-17 东南大学 基于贝叶斯层次最优化的od矩阵估计方法
CN114529032A (zh) * 2021-12-27 2022-05-24 浙江浙大网新众合轨道交通工程有限公司 一种基于lstm网络的地铁断面客流预测方法
CN114330868A (zh) * 2021-12-27 2022-04-12 西北工业大学 基于自注意力的个性化增强图卷积网络的客流预测方法
CN114580751A (zh) * 2022-03-07 2022-06-03 中国民航大学 空港到港旅客疏散时间预测方法、系统、存储介质及终端
CN114818349A (zh) * 2022-05-07 2022-07-29 南京熙昶能源科技有限公司 基于时空网络客流状态估计的节能运行图优化分析方法
CN114943356A (zh) * 2022-06-06 2022-08-26 南京航空航天大学 一种机场到港旅客乘坐出租车短时需求集成预测方法
CN115048576A (zh) * 2022-06-07 2022-09-13 北京交通大学 一种空港旅客群体出行方式柔性推荐方法
CN115049152A (zh) * 2022-07-12 2022-09-13 中国民用航空总局第二研究所 一种机场换乘区到港旅客流量预测方法、装置及电子设备
CN114997543A (zh) * 2022-08-03 2022-09-02 通号通信信息集团有限公司 人流量预测方法、模型训练方法、电子设备、可读介质
CN115440032A (zh) * 2022-08-09 2022-12-06 浙江工业大学 一种长短期公共交通流量预测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SEN WANG: "Wi-Fi Sniffing Data Based Passenger-flow Detection Method Applied in Urban Rail Transit", 《2021 IEEE 6TH INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION SYSTEMS (ICCCS)》 *
任望: "基于大数据的轨道站点客流预测模型研究", 《中国科技纵横》 *
尹溪琛: "基于旅客画像和出行链模型的交通出行推荐方法及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
张兴锐: "基于时空图卷积网络的机场地铁短时客流预测", 《计算机工程与应用》 *
王雪琴: "基于混合深度学习模型的城轨短时客流预测", 《铁道科学与工程学报》 *
纪宇宣: "基于随机距离预测的高铁客流需求研究", 《计算机技术与发展》 *
范丁元: "基于贝叶斯结构方程模型的城际铁路客运需求影响因素分析", 《物流技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976588A (zh) * 2023-06-16 2023-10-31 浙江大学 一种基于台风实时信息的应急物资动态分配方法和系统
CN116976588B (zh) * 2023-06-16 2024-05-07 浙江大学 一种基于台风实时信息的应急物资动态分配方法和系统

Also Published As

Publication number Publication date
CN115620525B (zh) 2023-03-10

Similar Documents

Publication Publication Date Title
WO2021212866A1 (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
Liu et al. Rebalancing bike sharing systems: A multi-source data smart optimization
CN109191896B (zh) 个性化停车位推荐方法和系统
CN107844848A (zh) 一种区域人流量预测方法及系统
CN113380025B (zh) 一种车辆出行量预测模型构建方法及预测方法和系统
CN110222972B (zh) 一种基于数据驱动的城市轨道交通路网协同限流方法
CN108038578B (zh) 基于需求预测和中心辐射网络的公共自行车静态调度方法
CN115620525B (zh) 基于时变动态贝叶斯网络的短时交通客运需求预测方法
US20230140289A1 (en) Traffic accident prediction systems and methods
CN114241751B (zh) 一种面向大型停车场的多出入口动静态交通协调优化方法
CN111860989A (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN111009122A (zh) 隧道交通运行风险评估方法
Jiau et al. Services-oriented computing using the compact genetic algorithm for solving the carpool services problem
CN115730790A (zh) 基于边缘计算的充电配置方法、装置、设备及存储介质
Lu et al. Analyzing the evolution of rare events via social media data and k-means clustering algorithm
CN116050752A (zh) 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法
CN113379318A (zh) 公共交通系统运营服务质量评价方法、装置和计算机设备
CN117935388A (zh) 一种基于联网的高速公路计费监控系统和方法
CN108549981A (zh) 一种提高大批量并行业务流程服务质量的方法
CN116453352A (zh) 一种基于k聚类算法和神经网络的货车交通流量预测方法
CN114626766B (zh) 基于大数据的共享电动车调度方法、装置、设备及介质
CN105844497A (zh) 用户数据的预测的方法及预测装置
US20220277652A1 (en) Systems and methods for repositioning vehicles in a ride-hailing platform
CN112509357B (zh) 一种基于遗传算法的公交发车时间间隔优化方法
CN114038028A (zh) 一种基于刷脸出行大数据的车站降级人脸库生成方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Chang

Inventor after: Xie Qin

Inventor after: Wen Tao

Inventor after: Du Yuxian

Inventor after: Pan Ye

Inventor after: Zhang Tao

Inventor after: Chen Zhaoxin

Inventor after: Luo Qian

Inventor after: Zhang Xingrui

Inventor after: Deng Qiangqiang

Inventor after: Lv Ming

Inventor after: Zhang Zhiwei

Inventor before: Liu Chang

Inventor before: Xie Qin

Inventor before: Wen Tao

Inventor before: Du Yuxian

Inventor before: Pan Ye

Inventor before: Zhang Tao

Inventor before: Chen Zhaoxin

Inventor before: Luo Qian

Inventor before: Zhang Xingrui

Inventor before: Deng Qiangqiang

Inventor before: Lv Ming

Inventor before: Zhang Zhiwei