CN115688412A - 一种基于模拟概率的乘车路径推定方法及清分系统 - Google Patents
一种基于模拟概率的乘车路径推定方法及清分系统 Download PDFInfo
- Publication number
- CN115688412A CN115688412A CN202211326279.3A CN202211326279A CN115688412A CN 115688412 A CN115688412 A CN 115688412A CN 202211326279 A CN202211326279 A CN 202211326279A CN 115688412 A CN115688412 A CN 115688412A
- Authority
- CN
- China
- Prior art keywords
- model
- calculating
- path
- riding path
- adjust
- 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
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于模拟概率的乘车路径推定方法及清分系统,其中基于模拟概率模型的乘车路径推定方法,包括如下步骤:S1:为每个车次组合,对应计算乘客在进站、换乘和出站节点的模拟概率值S imu l atePdf;S2:计算每个车次组合的模拟概率S imu l ateP;S3:将S imu l ateP最大的车次组合对应的有效路径,推定为实际乘车路径。本发明既可以将交易推定到一条有效路径,又可以对模型进行自动训练以提高推定正确率,并且训练的数据量越大,可能获取的准确率就越高,从而更准确的计算地铁客流。
Description
技术领域
本发明涉及轨道交通技术领域,具体涉及一种基于模拟概率的乘车路径推定方法。
背景技术
客流是反应城市轨道交通运营情况的重要维度。由于无法获取所有乘客在线网中的真实位置,要计算断面客流、换乘客流、客运量等客流指标,必须先估算乘客在线网内的乘车路径,目前有两类估算方法。
方法1,分配式,根据有效路径按比例分配。首先,预先计算出每对车站之间的前K条最短路径,记为有效路径,并计算出每条有效路径的选择比例。计算客流时,直接将交易按比例分配到各条有效路径上。
方法2,推定式,根据预定义规则将交易推定到一条有效路径上。首先,仍然是计算有效路径。然后,沿着每条有效路径,根据列车运行图,搜索乘客在各个节点上乘坐的车次,并将乘客依序乘坐的车次,记为车次组合。然后,根据预定义的业务规则,计算所有车次组合的优先级,并将优先级最高的车次组合对应的有效路径,推定为实际使用的乘车路径。
这两类方法各有优缺点。
方法1计算简单,但需要人工设置大量参数,以调整有效路径的分配比例,计算结果受主观因素影响较大。
方法2试图根据列车运行图等客观条件,推定每条交易的真实乘车路径,但其难点在计算车次组合优先级的业务规则。理论上,可以设计出若干业务规则,比如,可以计算车次组合在各个车站上的富裕时间,根据富裕时间方差对车次组合排序,方差最小的最佳。但在实践上,利用该规则推定路径时,总会发现某些交易的车次组合不符合这条规则。为了将这些交易推定正确,就需要根据这些车次组合的特点,调整已有规则或者设计新规则。但是规则升级后,却经常发现之前推定正确的交易,在新规则下反而推定错了。因此,调整业务规则的难度很高,推定准确率也难以保证。
发明内容
本发明所要解决的技术问题就是提供一种基于模拟概率的乘车路径推定方法及地铁清分系统,提高推定正确率。
为解决上述技术问题,本发明采用如下技术方案:
基于模拟概率模型的乘车路径推定方法,包括如下步骤:
S1:为每个车次组合,对应计算乘客在进站、换乘和出站节点的模拟概率值SimulatePdf;
S2:计算每个车次组合的模拟概率SimulateP,
其中,n为车次组合中进站、出站、换乘节点的数量之和;
S3:将SimulateP最大的车次组合对应的有效路径,推定为实际乘车路径。
优选的,步骤S1包括如下步骤:
S11:计算乘客采用该车次组合,在各个节点的实际耗时DeltaUsed:
进站节点的DeltaUsed=发车时间-进站刷卡时间,
换乘节点的DeltaUsed=下个车次的发车时间-上个车次的到达时间,
出站节点的DeltaUsed=出站刷卡时间-列车到达时间;
S12:假定各个节点的DeltaUsed符合正态分布,首先估算各个节点DeltaUsed 的期望NormalMean:
NormalMean=(WalkMean+0.5*TrainInterval),
其中,WalkMean为该节点的平均步行时间,TrainInterval为发车间隔,如果是出站节点,TrainInterval为0;
S13:估算各个节点DeltaUsed的标准差NormalSigma:
NormalSigma=(WalkMax+TrainInterval-NormalMean)/SIGMA_COUNT, 其中,WalkMax为该节点的最大步行时间,SIGMA_COUNT为模型超参数;
S14:利用正态分布概率密度公式,计算DeltaUsed处的概率密度NormalPdf;
S15:计算临时变量a=DeltaUsed–NormalMean;
S16:计算临时变量b=TrainInterval+WalkMax–WalkMin;
S17:如果DeltalUsed<NormalMean,按照以下公式计算SimulatePdf;
SimulatePdf=NormalPdf*pow(ADJUST_BASE_L,a/b*ADJUST_IND_L)
其中,pow为指数函数,ADJUST_BASE_L、ADJUST_IND_L为模型超参数;
S18:如果DeltalUsed≥NormalMean,按照以下公式计算SimulatePdf,SimulatePdf=NormalPdf*pow(ADJUST_BASE_R,a/b*ADJUST_IND_R);其中,pow为指数函数,ADJUST_BASE_R、ADJUST_IND_R为模型超参数。
本发明还提供了一种基于模拟概率模型的地铁客流计算系统,包括:
车次组合计算模块,根据进出站交易,从进站节点开始,沿着各条有效路径,在列车时刻表中搜索乘客可能使用的所有车次组合;
基于模拟概率模型的乘车路径推定模块,采用所述的基于模拟概率模型的乘车路径推定方法,推定乘客的实际乘车路径;
客流计算模块,根据实际乘车路径,计算交易产生的断面客流和换乘客流。
优选的,所述基于模拟概率模型的乘车路径推定模块设有基于模拟概率的乘车路径推定模型,构造基于模拟概率的乘车路径推定模型包括如下步骤:
1)实地测量每个车站的闸机与站台、站台与站台之间的步行时长,记录最小值、最大值、平均值;
2)根据列车时刻表,计算各个时间段、各个站台的发车间隔;
3)计算线网的有效路径;
4)利用乘客调查的方式,采集部分交易对应乘车路径的真实样本;
5)对基于模拟概率的乘车路径推定模型的超参数进行训练调优。
优选的,基于模拟概率的乘车路径推定模型的训练方法为:
对乘客交易进行抽样调查,获取交易对应的乘车路径,然后利用抽样样本,采用以下步骤,对模型的超参数进行调优:
1)将SIGMA_COUNT的取值范围[A,B]等分为L1个数值,将ADJUST_BASE_L、 ADJUST_BASE_R的取值范围[C,D]等分为L2个数值,将ADJUST_IND_L、 ADJUST_IND_R的取值范围[E,F]等分为L3个数值,进行排列组合;
2)从第一步的排列组合中,随机取出一个数值(p1,p2,p3,p4,p5),代入模型,计算模型在抽样样本上的推定正确率;
3)重复进行上一步Z次,并在每一步都记录下当前获得的最大推定正确率,以及对应的超参数;
4)将推定正确率最高的超参数(p1’,p2’,p3’,p4’,p5’),作为最终的模型超参数。
本发明还提供了一种地铁清分系统,包括乘车路径推定模块、收益清分模块,所述乘车路径推定模块采用所述的基于模拟概率模型的乘车路径推定方法,推定交易的乘车路径;所述收益清分模块,利用推定出的乘车路径,将交易产生的票款收益,分配到相关的线路。
本发明还提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于模拟概率模型的乘车路径推定方法。
本发明还提供了一种介质,所述介质存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的基于模拟概率模型的乘车路径推定方法。
本发明采用基于模拟概率模型的乘车路径推定方法,推定乘客的实际乘车路径;然后根据实际乘车路径,计算交易产生的断面客流和换乘客流。基于模拟概率的乘车路径推定模型可以通过训练对模型的超参数进行调优。因此,本发明既可以将交易推定到一条有效路径,又可以对模型进行自动训练以提高推定正确率,并且训练的数据量越大,可能获取的准确率就越高,从而更准确的计算地铁客流。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述:
图1是交易与车次组合的一对多的关系图;
图2是不同的超参数对SimulatePdf数值的影响示意图。
具体实施方式
下面对本发明实施例的技术方案进行解释和说明,但下述实施例仅为本发明的优选实施例,并非全部。基于实施方式中的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例,都属于本发明的保护范围。
实施例一
基于模拟概率模型的乘车路径推定方法,采用基于模拟概率的乘车路径推定模型进行计算,
模型的输入为:
一条交易的进出站车站、闸机和刷卡时间。
该条交易的所有有效路径,以及每条有效路径下的所有车次组合。
进出站闸机到相关站台的最小、最大、平均步行时间。
换乘站相关站台之间的最小、最大、平均步行时间。
模型的输出为:
乘客最有可能采用的乘车路径和其被选择的模拟概率值。
模型的计算过程包括如下步骤:
S1:为每个车次组合,对应计算乘客在进站、换乘和出站节点的模拟概率值SimulatePdf;
S2:计算每个车次组合的模拟概率SimulateP,
其中,n为车次组合中进站、出站、换乘节点的数量之和;
S3:将SimulateP最大的车次组合对应的有效路径,推定为实际乘车路径。
其中,步骤S1包括如下步骤:
S11:计算乘客采用该车次组合,在各个节点的实际耗时DeltaUsed:
进站节点的DeltaUsed=发车时间-进站刷卡时间,
换乘节点的DeltaUsed=下个车次的发车时间-上个车次的到达时间,出站节点的DeltaUsed=出站刷卡时间-列车到达时间,
S12:假定各个节点的DeltaUsed符合正态分布,首先估算各个节点DeltaUsed 的期望NormalMean:
NormalMean=(WalkMean+0.5*TrainInterval),
其中,WalkMean为该节点的平均步行时间,TrainInterval为发车间隔,如果是出站节点,TrainInterval为0;
S13:估算各个节点DeltaUsed的标准差NormalSigma:
NormalSigma=(WalkMax+TrainInterval-NormalMean)/SIGMA_COUNT, 其中,WalkMax为该节点的最大步行时间,SIGMA_COUNT为模型超参数;
S14:利用正态分布概率密度公式,计算DeltaUsed处的概率密度NormalPdf:
S15:计算临时变量a=DeltaUsed–NormalMean;
S16:计算临时变量b=TrainInterval+WalkMax–WalkMin;
S17:如果DeltalUsed<NormalMean,按照以下公式计算SimulatePdf:SimulatePdf=NormalPdf*pow(ADJUST_BASE_L,a/b*ADJUST_IND_L)
其中,pow为指数函数,ADJUST_BASE_L、ADJUST_IND_L为模型超参数;
S18:如果DeltalUsed≥NormalMean,按照以下公式计算SimulatePdf,SimulatePdf=NormalPdf*pow(ADJUST_BASE_R,a/b*ADJUST_IND_R);其中,pow为指数函数,ADJUST_BASE_R、ADJUST_IND_R为模型超参数。
需要指出,以上步骤中的SimulatePdf、SimulateP只用于计算车次组合的优先级,不是严格意义上的概率密度,因此称为模拟概率。
构造基于模拟概率的乘车路径推定模型包括如下步骤:
1)实地测量每个车站的闸机与站台、站台与站台之间的步行时长,记录最小值、最大值、平均值;
2)根据列车时刻表,计算各个时间段、各个站台的发车间隔;
3)计算线网的有效路径;
4)利用乘客调查的方式,采集部分交易对应乘车路径的真实样本;
5)对基于模拟概率的乘车路径推定模型的超参数进行训练调优。
基于模拟概率的乘车路径推定模型的训练方法为:
对乘客交易进行抽样调查,获取交易对应的乘车路径,然后利用抽样样本,采用以下步骤,对模型的超参数进行调优:
1)将SIGMA_COUNT的取值范围[A,B]等分为L1个数值,将ADJUST_BASE_L、 ADJUST_BASE_R的取值范围[C,D]等分为L2个数值,将ADJUST_IND_L、 ADJUST_IND_R的取值范围[E,F]等分为L3个数值,进行排列组合;
优选的,取A=2,B=4,L1=3,C=1.5,D=4.5,L2=61,E=0.1,F=2.1,L3=41。
2)从第一步的排列组合中,随机取出一个数值(p1,p2,p3,p4,p5),代入模型,计算模型在抽样样本上的推定正确率;
3)重复进行上一步Z次,并在每一步都记录下当前获得的最大推定正确率,以及对应的超参数。
优选的,Z取100000。
4)将推定正确率最高的超参数(p1’,p2’,p3’,p4’,p5’),作为最终的模型超参数。
图2中,车站的步行耗时WalkMin为30秒,WalkMax为290秒,WalkMean 为50秒,发车间隔TrainInterval为120秒。
SimulatePdf-1曲线采用的超参数为SIGMA_COUNT=2,ADJUST_BASE_L=1.9,ADJUST_BASE_R=3.25,ADJUST_IND_L=0.9,ADJUST_IND_R=0.3。
SimulatePdf-2曲线采用的超参数为SIGMA_COUNT=2,ADJUST_BASE_L=1.8,ADJUST_BASE_R=2.4,ADJUST_IND_L=0.8,ADJUST_IND_R=0.4。
实施例二
基于模拟概率模型的地铁客流计算系统,包括:
车次组合计算模块,根据进出站交易,从进站节点开始,沿着各条有效路径,在列车时刻表中搜索乘客可能使用的所有车次组合;
基于模拟概率模型的乘车路径推定模块,采用所述的基于模拟概率模型的乘车路径推定方法,推定乘客的实际乘车路径;
客流计算模块,根据实际乘车路径,计算交易产生的断面客流和换乘客流。
以图1为例进行说明,图1中,交易的进站车站为1/5号线换乘站,出站车站为2/5号线换乘站,方框为1/2号线换乘站。
对于该笔进出站交易,乘客可能采用三种车次组合,分别为:
车次组合1:乘坐5号线的5503次车;
车次组合2:先乘坐1号线的1021次车,然后换乘2号线的2013次车;
车次组合3:先乘坐1号线的1022次车,然后换乘2号线的2014次车。
其中,车次组合2和3对应一条有效路径,车次组合1对应另一条有效路径。
该客流计算系统采用以下步骤,计算客流。
1)客流计算系统在地铁后台,实时接收闸机上传的进出站交易。
2)客流计算系统在接收到交易后,从进站节点开始,沿着各条有效路径,在列车时刻表中搜索乘客可能使用的所有车次组合。
3)客流计算系统,将找到的车次组合,发送给基于模拟概率的乘车路径推定模型。
4)基于模拟概率的乘车路径推定模型,推定乘客的实际乘车路径。
5)客流计算系统,根据乘车路径,计算交易产生的断面客流、换乘客流,并保存到数据库。
实施例三
地铁清分系统,包括乘车路径推定模块、收益清分模块,地铁收益清分系统在线网运营结束后,从数据库中加载交易,对每条交易,系统从进站节点开始,沿着各条有效路径,在列车时刻表中搜索乘客可能使用的所有车次组合,并调用所属乘车路径推定模块,所述乘车路径推定模块所述的基于模拟概率模型的乘车路径推定方法,推定交易的乘车路径;然后收益清分模块,利用推定出的乘车路径,将交易产生的票款收益,分配到相关的线路,并将分配结果,保存到数据库。
实施例四
一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如实施例一所述的基于模拟概率模型的乘车路径推定方法。
本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、 PDA(个人数字助理)、PAD(平板电脑)等的移动终端以及诸如台式计算机等的固定终端。
电子设备可以包括处理装置(例如中央处理器),其可以根据存储在只读存储器(ROM)中的程序或者从存储装置加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有电子设备操作所需的各种程序和数据。处理装置、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。
承载在计算机可读介质上的计算机程序,包含用于执行算法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置从网络上被下载和安装,或者从存储装置被安装,或者从ROM被安装。在该计算机程序被处理装置执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
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,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (8)
2.根据权利要求1所述的基于模拟概率模型的乘车路径推定方法,其特征在于:步骤S1包括如下步骤:
S11:计算乘客采用该车次组合,在各个节点的实际耗时DeltaUsed:
进站节点的DeltaUsed=发车时间-进站刷卡时间,
换乘节点的DeltaUsed=下个车次的发车时间-上个车次的到达时间,
出站节点的DeltaUsed=出站刷卡时间-列车到达时间;
S12:假定各个节点的DeltaUsed符合正态分布,首先估算各个节点DeltaUsed的期望NormalMean:
NormalMean=(WalkMean+0.5*TrainInterval),
其中,WalkMean为该节点的平均步行时间,TrainInterval为发车间隔,如果是出站节点,TrainInterval为0;
S13:估算各个节点DeltaUsed的标准差NormalSigma:
NormalSigma=(WalkMax+TrainInterval-NormalMean)/SIGMA_COUNT,
其中,WalkMax为该节点的最大步行时间,SIGMA_COUNT为模型超参数;
S14:利用正态分布概率密度公式,计算DeltaUsed处的概率密度NormalPdf;
S15:计算临时变量a=DeltaUsed–NormalMean;
S16:计算临时变量b=TrainInterval+WalkMax–WalkMin;
S17:如果DeltalUsed<NormalMean,按照以下公式计算SimulatePdf;
SimulatePdf=NormalPdf*pow(ADJUST_BASE_L,a/b*ADJUST_IND_L)
其中,pow为指数函数,ADJUST_BASE_L、ADJUST_IND_L为模型超参数;
S18:如果DeltalUsed≥NormalMean,按照以下公式计算SimulatePdf,
SimulatePdf=NormalPdf*pow(ADJUST_BASE_R,a/b*ADJUST_IND_R);
其中,pow为指数函数,ADJUST_BASE_R、ADJUST_IND_R为模型超参数。
3.基于模拟概率模型的地铁客流计算系统,其特征在于,包括:
车次组合计算模块,根据进出站交易,从进站节点开始,沿着各条有效路径,在列车时刻表中搜索乘客可能使用的所有车次组合;
基于模拟概率模型的乘车路径推定模块,采用权利要求1所述的基于模拟概率模型的乘车路径推定方法,推定乘客的实际乘车路径;
客流计算模块,根据实际乘车路径,计算交易产生的断面客流和换乘客流。
4.根据权利要求3所述的基于模拟概率模型的地铁客流计算系统,其特征在于:所述基于模拟概率模型的乘车路径推定模块设有基于模拟概率的乘车路径推定模型,构造基于模拟概率的乘车路径推定模型包括如下步骤:
1)实地测量每个车站的闸机与站台、站台与站台之间的步行时长,记录最小值、最大值、平均值;
2)根据列车时刻表,计算各个时间段、各个站台的发车间隔;
3)计算线网的有效路径;
4)利用乘客调查的方式,采集部分交易对应乘车路径的真实样本;
5)对基于模拟概率的乘车路径推定模型的超参数进行训练调优。
5.根据权利要求4所述的基于模拟概率模型的地铁客流计算系统,其特征在于:基于模拟概率的乘车路径推定模型的训练方法为:
对乘客交易进行抽样调查,获取交易对应的乘车路径,然后利用抽样样本,采用以下步骤,对模型的超参数进行调优:
1)将SIGMA_COUNT的取值范围[A,B]等分为L1个数值,将ADJUST_BASE_L、ADJUST_BASE_R的取值范围[C,D]等分为L2个数值,将ADJUST_IND_L、ADJUST_IND_R的取值范围[E,F]等分为L3个数值,进行排列组合;
2)从第一步的排列组合中,随机取出一个数值(p1,p2,p3,p4,p5),代入模型,计算模型在抽样样本上的推定正确率;
3)重复进行上一步Z次,并在每一步都记录下当前获得的最大推定正确率,以及对应的超参数;
4)将推定正确率最高的超参数(p1’,p2’,p3’,p4’,p5’),作为最终的模型超参数。
6.地铁清分系统,其特征在于:包括乘车路径推定模块、收益清分模块,所述乘车路径推定模块采用权利要求1所述的基于模拟概率模型的乘车路径推定方法,推定交易的乘车路径;所述收益清分模块,利用推定出的乘车路径,将交易产生的票款收益,分配到相关的线路。
7.一种电子设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述的基于模拟概率模型的乘车路径推定方法。
8.一种介质,所述介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能够实现如权利要求1所述的基于模拟概率模型的乘车路径推定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326279.3A CN115688412A (zh) | 2022-10-27 | 2022-10-27 | 一种基于模拟概率的乘车路径推定方法及清分系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211326279.3A CN115688412A (zh) | 2022-10-27 | 2022-10-27 | 一种基于模拟概率的乘车路径推定方法及清分系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688412A true CN115688412A (zh) | 2023-02-03 |
Family
ID=85098871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211326279.3A Pending CN115688412A (zh) | 2022-10-27 | 2022-10-27 | 一种基于模拟概率的乘车路径推定方法及清分系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151313A (zh) * | 2023-10-31 | 2023-12-01 | 杭州数知梦科技有限公司 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
-
2022
- 2022-10-27 CN CN202211326279.3A patent/CN115688412A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151313A (zh) * | 2023-10-31 | 2023-12-01 | 杭州数知梦科技有限公司 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
CN117151313B (zh) * | 2023-10-31 | 2024-02-02 | 杭州数知梦科技有限公司 | 综合多因素的公交车辆行车计划优化方法、系统及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN111985710A (zh) | 一种公交乘客出行站点预测方法、存储介质及服务器 | |
CN106529711B (zh) | 用户行为预测方法及装置 | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
CN111397625B (zh) | 车辆导航方法及相关装置 | |
CN115688412A (zh) | 一种基于模拟概率的乘车路径推定方法及清分系统 | |
Ma et al. | Public transportation big data mining and analysis | |
CN114547128A (zh) | 虚假订单的识别方法、系统、计算机设备及存储介质 | |
Ricard et al. | Predicting the probability distribution of bus travel time to measure the reliability of public transport services | |
CN112884235A (zh) | 出行推荐方法、出行推荐模型的训练方法、装置 | |
CN110751395A (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
Büchel et al. | Modeling conditional dependencies for bus travel time estimation | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
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 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
CN111489171B (zh) | 基于二维码的乘车行程匹配方法、装置、电子设备及介质 | |
CN110782063B (zh) | 区域拥堵程度的预测方法、装置 | |
CN113592557A (zh) | 广告投放结果的归因方法、装置、存储介质及电子设备 | |
CN112766950A (zh) | 一种动态路径费用确定方法、装置、设备及介质 | |
CN116887257B (zh) | 车联网卡的滥用识别方法、装置、电子设备和存储介质 | |
CN111874045B (zh) | 城市轨道交通正线通过能力确定方法及装置 | |
CN112132495B (zh) | 基于物流事件判定的状态机量化方法、装置、设备及介质 | |
CN109255432B (zh) | 神经网络模型构建方法及装置、存储介质、电子设备 | |
CN116957150A (zh) | 换乘站客流量预测方法、设备、存储介质及装置 |
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 |