CN115817587A - 用于解决列车运行延时的实时重调度方法和装置 - Google Patents

用于解决列车运行延时的实时重调度方法和装置 Download PDF

Info

Publication number
CN115817587A
CN115817587A CN202210562659.0A CN202210562659A CN115817587A CN 115817587 A CN115817587 A CN 115817587A CN 202210562659 A CN202210562659 A CN 202210562659A CN 115817587 A CN115817587 A CN 115817587A
Authority
CN
China
Prior art keywords
train
passengers
time
stop
getting
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
CN202210562659.0A
Other languages
English (en)
Inventor
郭镐赞
吴锡文
宋知英
郑乐教
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.)
Korea Railroad Research Institute KRRI
Original Assignee
Korea Railroad Research Institute KRRI
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 Korea Railroad Research Institute KRRI filed Critical Korea Railroad Research Institute KRRI
Publication of CN115817587A publication Critical patent/CN115817587A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/10—Operations, e.g. scheduling or time tables
    • B61L27/12—Preparing schedules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/40—Handling position reports or trackside vehicle data

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供用于解决列车运行延时的实时重调度方法和装置。根据本公开的一侧面，提供一种用于解决列车运行延时的实时重调度方法，其包括以下过程：收集乘客信息和所述列车的运行信息，其中，乘客信息为出入至少一个停车站的乘客相关信息；利用所述乘客信息和所述运行信息，计算先行上下车人数并生成包括所述先行上下车人数的第一数据集，其中，先行上下车人数是指在所述列车的预定停车站先停车的至少一个先行列车中上下车的乘客数量；利用所述第一数据集，推算本次上下车人数，其中本次上下车人数是指在所述预定停车站上下所述列车的乘客数量；利用包括所述本次上下车人数的第二数据集，推算所述列车在所述预定停车站中所需停车时间；以及比较所述所需停车时间与已设定的停车时间并生成时间表，用以更新所述列车的运行时间表。

Description

用于解决列车运行延时的实时重调度方法和装置
技术领域
本公开涉及用于推算列车的上下车人数及解决运行延时的实时重调度技术。
背景技术
该部分记载的内容仅用于提供本发明实施例的背景信息，并不构成现有技术。
都市中心区域高密度的城铁路线在高峰时(peak hour)由于乘客的增加导致在站台和列车内发生拥挤现象，存在停车站内上下车延时的问题。上下车延时不仅会造成本次列车的延时而且还会影响到后行列车(following train)的运行，是引起连锁延时的根本原因。
由于本次列车的出发延时导致无法从停车站出发时，后行列车将不能驶入停车站。当后行列车事先不知本次列车的延时而依然按照原来时间表运行时，将会产生列车停在车站之间的运行区间并等待的问题。其结果，后行列车在车站之间的运行区间反复进行加速和减速，这将引发列车服务质量劣化和列车原定速度(schedule speed)下降。
为了解决本次列车和后行列车的连锁延时，需要一种事先感测先行列车(preceding train)的延时并在出发站(departure station)获取额外的停车时间的技术。
发明内容
【技术问题】
根据本公开的一侧面，提供一种通过利用机器学习模型事先预测预定到达站中列车的乘客需要和所需的停车时间，从而实时管理后行列车的时间表的技术。
【技术方案】
根据本公开的一实施例，提供一种用于解决列车运行延时的实时重调度方法，其包括以下过程：收集乘客信息和所述列车的运行信息，其中，乘客信息为出入至少一个停车站的乘客相关信息；利用所述乘客信息和所述运行信息，计算先行上下车人数并生成包括所述先行上下车人数的第一数据集(first data set)，其中，先行上下车人数是指在所述列车的预定停车站(scheduled dwell station)在先前停车的至少一个先行列车(preceding train)中上下车的乘客数量；利用所述第一数据集，推算本次上下车人数，其中本次上下车人数是指在所述预定停车站上下所述列车的乘客的数量；利用包括所述本次上下车人数的第二数据集(second data set)，推算所述列车在所述预定停车站中的所需停车时间(required dwell duration)；以及比较所述所需停车时间与已设定的停车时间(pre-set dwell duration)并生成时间表，用以更新所述列车的运行时间表(trainoperation schedule)。
根据本公开的另一实施例，提供一种停车时间推算模型的学习方法，该停车时间推算模型由服务器执行，且用于计算列车需要停车的所需停车时间，该方法包括以下过程：以所述列车欲驶入的停车站即当前停车站为基准计算所述列车的车载人数(passengeroccupancy)、所述预定停车站站台与所述列车之间进出的乘客数量即上下车人数(boarding and alighting quantity)及所述列车在所述当前停车站的站台上实际停车的时间即记录停车时间(record dwell duration)；基于所述车载人数、所述上下车人数、所述记录停车时间及保存的车站信息(station information)中的全部或者一部分，生成学习数据集(learning data set)；以及基于所述学习数据集，对所述停车时间推算模型(dwell duration estimation model)进行训练。
根据本公开的另一实施例，一种用于解决列车运行延时实时重调度装置，包括：数据收集单元，其收集乘客信息和所述列车的运行信息，其中，乘客信息为出入至少一个停车站的乘客相关信息；数据集生成单元，其利用所述乘客信息和所述运行信息，计算先行上下车人数并生成包括所述先行上下车人数的第一数据集(first data set)，其中，先行上下车人数是指在所述列车的预定停车站(scheduled dwell station)在先前停车的至少一个先行列车(preceding train)中上下车的乘客数量；上下车人数推算单元，利用所述第一数据集，推算本次上下车人数，其中本次上下车人数是指在所述预定停车站上下所述列车的乘客的数量；停车时间推算单元，其利用包括所述本次上下车人数的第二数据集(secondData set)，推算所述列车在所述预定停车站中的所需停车时间(required dwellduration)；以及调度生成单元，其比较所述所需停车时间与已设定的停车时间(pre-setdwell duration)，并生成时间表，用以更新所述列车的运行时间表(train operationschedule)。
根据本公开的另一实施例，提供一种用于训练停车时间推算模型的服务器，停车时间推算模型用于计算所需停车时间即列车所需停车的时间，该服务器包括：数据计算单元，其以所述列车欲驶入的停车站即当前停车站为基准计算所述列车的车载人数(passenger occupancy)、所述当前停车站站台与所述列车之间进出的乘客数量即上下车人数(boarding and alighting quantity)及所述列车在所述当前停车站站台上实际停车的时间即记录停车时间(record dwell duration)；数据集生成单元，其基于所述车载人数、所述上下车人数、所述记录停车时间及保存的车站信息中的全部或者一部分，生成学习数据集(learning data set)；以及学习单元，其基于所述学习数据集，对所述停车时间推算模型(dwell duration estimation model)进行训练。
根据本公开的另一实施例，提供一种计算机程序，其存储在计算机可读记录介质中且用于实现实时重调度方法的各过程。
【有益效果】
根据本公开的一实施例，基于利用机器学习模型推算的所需停车时间，实时地调整后行列车的时间表，具有可最小化列车运行的连锁延时的效果。
根据本公开的另一实施例，通过在停车站获取额外的停车时间，具有减轻停车站的拥挤程度且降低后行列车的延时的效果。
附图说明
图1是用于说明根据本公开一实施例的用于解决列车运行延时的实时重调度系统的示意图。
图2是用于说明包括根据本公开一实施例的用于解决列车运行延时的实时重调度装置在内的各构件的结构框图。
图3是根据本公开一实施例的实时重调度方法中各停车站搭乘列车的人员的乘车人数和从列车下车的下车人数的示例图。
图4是根据本公开一实施例的实时重调度方法中驶入预定停车站时先行列车和本次列车的上下车人数的示例图。
图5是用于说明根据本公开一实施例的服务器包括的各构件的结构框图。
图6是用于说明根据本公开一实施例的实时重调度方法的各过程的流程图。
图7是用于说明根据本公开一实施例的实时重调度方法中，生成第一数据集的过程所包括的各过程的流程图。
图8是用于说明根据本公开一实施例的实时重调度方法中，推算本次上下车人数的过程所包括的各过程的流程图。
图9是用于说明根据本公开一实施例的停车时间推算模型的学习方法的各过程的流程图。
【附图标记的说明】
10：实时重调度系统 100：本次列车
102：第一先行列车 104：第二先行列车
106：后行列车 108：服务器
20：实时重调度装置 200：数据收集单元
202：数据集生成单元 204：上下车人数推算单元
206：停车时间推算单元 208：调度生成单元
500：计算单元 502：学习数据生成单元
504：学习单元
具体实施方式
下面，参照附图对本发明的实施例进行详细说明。标注附图标记时，即使相同组成要素在不同的附图中出现，也尽可能使用了相同的附图标记。同时需要注意的是，在说明本发明的实施例时，如果认为对相关已知的组成要素和功能的具体说明可能会导致本发明主题不清楚，则省略其详细说明。
此外，在说明本发明的组成要素的过程中，可以使用第一、第二、A、B、(a)、(b)等术语。这些术语仅仅是为了区分相应组成要素与其他组成要素，并非限定其本质、次序或顺序等。贯穿说明书全文，如果一组成要素“包括”、“具备”另一组成要素，如果没有明确相反的记载，可理解为一组成要素还包括另一组成要素，而非理解为一组成要素排斥另一组成要素。另外，说明书中记载的“…单元”、“模块”等术语表示用于处理至少一个功能或动作的单位，其可由硬件、软件或它们的结合来实现。
本公开提供一种用于解决列车运行延时的实时重调度技术。具体地，实时重调度装置计算先行列车的上下车人数，并基于机器学习推算本次列车的本次上下车人数和所需停车时间(required dwell duration)。实时重调度装置在驶入预定停车站(scheduleddwell station)之前，预先推算本次上下车人数和所需停车时间。因此，根据本公开的实时重调度技术，通过预先判断预定停车站的站台拥挤程度(platform congestion)，可更新后行列车的运行时间表。实时重调度装置使列车驶入预定停车站并在推算的所需停车时间内进行停车，以使站台的乘客能够上下车。由此，可减少后行列车的上下车人数，从而根据本公开的实时重调度技术能够减轻停车站的站台拥挤程度。
本公开中预定停车站是指运行时间表上本次列车预定停车的多个停车站中，以目前时间为基准本次列车最先驶入并预定要停车的停车站。本公开中出发站(initialstation)是指列车路线上本次列车开始运行的第一个停车站。本公开中之前车站(priorstation)是指就在本次列车的预定停车站之前本次列车所停车的车站。
本公开中先行列车是指在本次列车之前行驶的至少一个列车。本公开中后行列车是指在本次列车之后行驶的至少一个列车。
本公开中先行上下车人数是指在预定停车站在先行列车中上下车的乘客数量。本公开中本次上下车人数是指在预定停车站预计在本次列车中上下车的乘客数量。本公开中所需停车时间是指为了解决列车延时，本次列车应在预定停车站站台上停车的时间。
以下公开的详细说明与附图一并用于说明本公开示例性的实施形态，而并不表示实施本公开的唯一实施形态。
图1是用于说明根据本公开一实施例的用于解决列车运行延时的实时重调度系统的示意图。
根据本公开一实施例的实时重调度系统10(real-time scheduling system)包括本次列车100、第一先行列车102(first preceding train)、第二先行列车104(secondpreceding train)、后行列车106(following train)和服务器108。
本公开中本次列车100是指作为实时重调度系统10的基准的列车。本次列车100中包括的实时重调度装置(real-time scheduling device)计算先行于本次列车100的至少一个先行列车的先行上下车人数。实时重调度装置利用机器学习模型推算本次上下车人数和所需停车时间。其中，机器学习模型包括经训练的乘客数量计算模型和停车时间推算模型。实时重调度装置基于先行乘车人数，推算本次列车100的本次上下车人数和所需停车时间，从而可实时地判断在路线的特定区间是否发生拥堵。
在一实施例中，先行列车包括第一先行列车102和第二先行列车104。其中，第一先行列车102是指就在本次列车驶入预定停车站之前停在预定停车站，然后从预定停车站出发的先行列车。第二先行列车104是指就在第一先行列车102驶入预定停车站之前停在预定停车站然后从预定停车站出发的先行列车。
后行列车106是指在本次列车100之后行驶的至少一个列车。实时重调度装置基于所需停车时间更新本次列车和/或至少一个后行列车106的运行时间表。更新的运行时间表利用无线通信传送给各后行列车106。后行列车106所包括的实时重调度装置在驶入预定停车站之前，推算预定停车站的上下车人数和所需停车时间。换而言之，后行列车106所包括的实时重调度装置可按照本次列车100所包括的实时重调度装置的操作进行，因此可实时地判断列车是否延时，从而可解决列车延时问题。
服务器108利用学习数据对实时重调度装置的机器学习模型进行训练。服务器108利用累积的学习数据集，对停车时间推算模型进行再训练。服务器108将经训练的机器学习模型传送给在运行路线上行驶的至少一个列车。服务器108利用累积的学习数据集，对机器学习模型进行周期性地再训练，从而具有能够提高列车的实时重调度装置的准确度的效果。
图2是用于说明包括根据本公开一实施例的用于解决列车运行延时的实时重调度装置在内的各构件的结构框图。
根据本公开一实施例的实时重调度装置20包括数据收集单元200(datacollection unit)、数据集生成单元202(data set generation unit)、上下车人数推算单元204(boarding and alighting quantity estimation unit)、停车时间推算单元206(dwell duration estimation unit)及调度生成单元208(schedule generation unit)中的全部或者一部分。图2中图示的实时重调度装置20为本公开一实施例，图2中图示的所有方框并非全是必要组件，在另一实施例中，实时重调度装置20中包括的部分方框可增加、变更或者删除。
下面，参照图2对实时重调度装置20的各构件进行说明。
数据收集单元200收集乘客信息(passenger information)和列车的运行信息(operation information)。其中，乘客信息是指出入至少一个停车站的乘客相关信息。在一实施例中，乘客信息包括进入(tag-in)或者走出(tag-out)至少一个停车站的乘客的交通卡标签信息(transportation card tag information)。在另一实施例中，乘客信息是指在停车站站台等待的乘客数量。其中，站台的乘客数量可基于乘客所持有的终端与列车间的5G通信(5th generation communications)进行计算。站台的乘客数量也可以通过乘客所持有的标签装置(tag device)与列车间的超宽带通信(UWB communications：UltraWide-Band)进行计算。站台上等待的乘客数量的计算方法不限于该实施例。运行信息包括至少一个列车的位置(position)、至少一个停车站的列车到达时间(arrival time)及列车出发时间(departure time)中的全部或者一部分。在一实施例中，数据收集单元200可通过与管制系统(ATS：Automatic Train Supervision)、停车站服务器及其它列车中的至少一个进行无线通信并收集数据。乘客信息和/或运行信息通过利用V2V(Vehicle-to-Vehicle)通信和/或V2I(Vehicle-to-Infrastructure)通信进行传输。列车间的通信或者列车与地面装置间的通信的具体方法在相应技术领域已公开，因此将省略其详细说明。
数据集生成单元202利用乘客信息和运行信息，计算列车的至少一个先行列车的先行上下车人数并生成包括先行上下车人数的第一数据集(first data set)。在一实施例中，第一数据集包括先行车载人数、本次车载人数和先行上下车人数。其中，先行车载人数是指先行列车驶入预定停车站时先行列车中搭乘的车载人数(passenger occupancy)。本次车载人数
Figure BDA0003656829900000091
是指本次列车100驶入预定停车站时本次列车100中搭乘的车载人数。在本实施例中，数据集生成单元202为了生成第一数据集，前提条件是先行列车包括第一先行列车102和第二先行列车104。其中，第一数据集包括第一先行列车102的先行车载人数
Figure BDA0003656829900000092
第二先行列车104的先行车载人数
Figure BDA0003656829900000093
本次列车100的本次车载人数
Figure BDA0003656829900000094
第一先行列车102的先行上下车人数
Figure BDA0003656829900000095
及第二先行列车104的先行上下车人数
Figure BDA0003656829900000096
在另一实施例中，数据集生成单元202可考虑生成本实施例中定义的第一先行列车102和第二先行列车104以外的其它先行列车有关的信息。
数据集生成单元202为了计算先行车载人数或者本次车载人数，可基于进入各停车站的乘客数量推算各停车站的乘车人数，并且可基于从各停车站走出的乘客数量推算各停车站的下车人数。其中，进入停车站的乘客数量或者从停车站走出的乘客数量可利用乘客信息计算得到。在一实施例中，出入停车站的乘客数量可利用从停车站的检票口收集的交通卡标签信息来计算。数据集生成单元202通过出入停车站的乘客数量推算各停车站乘车人数或者各停车站的下车人数的具体方法将在图5中进行说明。在另一实施例中，服务器108也可以通过进入停车站的乘客数量推算各停车站的乘车人数或者各停车站的下车人数。数据集生成单元202通过累计从出发站到之前车站为止的乘车人数来计算总乘车人数(total boarding quantity)，并通过累计从出发站到之前车站为止的下车人数来计算总下车人数(total alighting quantity)。数据集生成单元202将从总乘车人数减去总下车人数的值作为先行车载人数或者本次车载人数。
图3是根据本公开一实施例的实时重调度方法中各停车站搭乘列车的人员的乘车人数和从列车下车的下车人数的示例图。
图3a图示了在出发站STA1的站台上搭乘列车TRx的乘客的乘车人数
Figure BDA0003656829900000101
和从列车下车的乘客的下车人数
Figure BDA0003656829900000102
图3b图示了在第二停车站STA2的站台上搭乘列车的乘客的乘车人数
Figure BDA0003656829900000103
和从列车下车的乘客的下车人数
Figure BDA0003656829900000104
图3c图示了在之前车站STAj-1的站台上搭乘列车的乘客的乘车人数
Figure BDA0003656829900000105
和从列车下车的乘客的下车人数
Figure BDA0003656829900000106
数据集生成单元202通过累计出发站的乘车人数
Figure BDA0003656829900000107
至之前车站的乘车人数
Figure BDA0003656829900000108
计算全部乘车人数
Figure BDA0003656829900000109
通过累计出发站的下车人数
Figure BDA00036568299000001010
至之前车站的下车人数
Figure BDA00036568299000001011
计算全部下车人数
Figure BDA00036568299000001012
数据集生成单元202将从全部乘车人数减去全部下车人数的值作为驶入预定停车站时的车载人数
Figure BDA00036568299000001013
数据集生成单元202利用图3图示的方法计算第一先行列车的先行车载人数
Figure BDA00036568299000001014
第二先行列车的先行车载人数
Figure BDA00036568299000001015
及本次列车的本次车载人数
Figure BDA00036568299000001016
数据集生成单元202为了计算先行上下车人数，基于进入预定停车站的乘客数量推算先行乘车人数，并基于从预定停车站走出的乘客数量推算先行下车人数。基于出入预定停车站的乘客数量推算先行乘车人数或者先行下车人数的具体方法将在图5中说明。数据集生成单元202将先行乘车人数与先行下车人数之合计值作为先行上下车人数
Figure BDA00036568299000001017
和
Figure BDA00036568299000001018
图4是根据本公开一实施例的实时重调度方法中驶入预定停车站时先行列车和本次列车的上下车人数的示例图。
参照图4a，在预定停车站STAj的站台上，乘客上下第二先行列车104。其中，通过合计搭乘第二先行列车104的乘客的先行乘车人数
Figure BDA00036568299000001019
与从第二先行列车104下车的乘客的先行下车人数
Figure BDA0003656829900000111
可计算第二先行列车的先行上下车人数
Figure BDA0003656829900000112
参照图4b，在预定停车站STAj的站台上，乘客上下第一先行列车102。其中，通过合计搭乘第一先行列车102的乘客的先行乘车人数
Figure BDA0003656829900000113
与从第一先行列车102下车的乘客的先行下车人数
Figure BDA0003656829900000114
可计算第一先行列车的先行上下车人数
Figure BDA0003656829900000115
参照图4c，本次列车100从之前车站STAj-1出发向预定停车站STAj方向行驶。其中，可利用乘客数量计算模型推算本次上下车人数
Figure BDA0003656829900000116
下面，对图2中图示的上下车人数推算单元204利用第一数据集推算本次上下车人数
Figure BDA0003656829900000117
的方法进行说明。
上下车人数推算单元204利用经训练的乘客数量计算模型，推算停车站上下列车的乘客数量。其中，乘客数量计算模型是基于至少一个列车运行记录及累积保存有至少一个先行列车的上下车人数的记录数据集(record data set)进行机器学习的模型。其中，记录数据集包括第一先行列车102的记录先行车载人数、第二先行列车104的记录先行车载人数、本次列车100的记录本次车载人数、第一先行列车102的记录先行上下车人数及第二先行列车104的记录先行上下车人数。在一实施例中，训练乘客数量计算模型的机器学习方式可包括K-NN(K-Nearest Neighbors)方式。下面，对上下车人数推算单元204利用K-NN方式推算本次上下车人数
Figure BDA0003656829900000118
的方法进行说明。
上下车人数推算单元204从记录数据集提取以时间段为基准与第一数据集对应的至少一个数据作为候选数据集(candidate data set)。其中，候选数据集包括第一先行列车102的候选先行车载人数
Figure BDA0003656829900000119
第二先行列车104的候选先行车载人数
Figure BDA00036568299000001110
本次列车100的候选本次车载人数
Figure BDA00036568299000001111
第一先行列车102的候选先行上下车人数
Figure BDA00036568299000001112
及第二先行列车104的候选先行上下车人数
Figure BDA00036568299000001113
上下车人数推算单元204分别计算第一数据集的数据与候选数据集的数据间的欧式距离(Euclidean Distance)。其中，欧式距离是用于评价数据之间的相似度而使用的方式。计算欧式距离的方法为该技术领域常规的方法，故省略其详细说明。上下车人数推算单元204将与欧式距离短的上级k个(k为大于或等于1的自然数)对应的候选数据集的数据确定为相似数据集(analogous data set)的数据。其中，确定相似数据集个数的k值可设定适当的值，以提高模型的分类准确度。例如，如果k值过小则可能会产生过度拟合(over-fitting)。如果k值过大则可能会发生低度拟合(under-fitting)。因此，k值可根据本公开的实施例进行各种变更。上下车人数推算单元2045通过计算相似数据集中包括的数据的加权平均值(weighted average)将推算本次上下车人数
Figure BDA0003656829900000121
停车时间推算单元206利用包括推算的本次上下车人数
Figure BDA0003656829900000122
的第二数据集(seconddata set)，推算所需停车时间。停车时间推算单元206利用经训练的所需停车时间推算模型，以推算所需停车时间。停车时间推算单元206将本次车载人数
Figure BDA0003656829900000123
推算的本次上下车人数
Figure BDA0003656829900000124
及保存的车站信息(station information)SIj中的全部或者一部分作为停车时间推算模型的输入参数值，推算所需停车时间
Figure BDA0003656829900000125
在停车时间推算单元206推算的所需停车时间内，在预定停车站上乘客上下本次列车100。因此，高峰时在通行量激增的情况下，延长的所需停车时间期间能够充分地确保乘客上下车所需的时间。另外，在推算所需停车时间的过程中，很难区分引发延时的特定因素。为了解决该问题，可利用基于随机森林(RF：RandomForest)的重要度测度(importance measure)分析法，判断对引发延时影响较大的因素的加权值。以后，在重调度(rescheduling)后行列车的时间表的过程中，考虑影响较大的因素，从而改变多个后行列车在各停车站出发的时间。
调度生成单元208比较所需停车时间
Figure BDA0003656829900000126
与已设定的停车时间(pre-set dwellduration)
Figure BDA0003656829900000131
以更新列车的运行时间表(train operation schedule)。例如，当所需停车时间
Figure BDA0003656829900000132
大于运行时间表上计划的停车时间(scheduled dwell duration)时，调度生成单元208基于所需停车时间与计划停车时间之间的停车时间差(dwell durationdifference)，更新运行时间表。其中，调度生成单元208所更新的列车运行时间表包括本次列车100的运行时间表和本次列车100之后行驶的至少一个后行列车的运行时间表。在一实施例中，调度生成单元208可更新后行列车106的时间表以使后行列车106的停车站出发时间延迟5秒至10秒。其中，后行列车106作为时间表更新的对象，是指位于出发站STA1至之前车站STAj-1之间的至少一个停车站的至少一个后行列车。
图5是用于说明根据本公开一实施例的服务器的各构件的结构框图。
根据本公开一实施例的服务器108包括计算单元500(calculation unit)、学习数据生成单元502(learning data generation unit)及学习单元504(learning unit)中的全部或者一部分。图5中图示的服务器108为本公开的一实施例，图1中图示的所有方框并非全是必要组件，在另一实施例中，服务器108中包括的部分方框可增加、变更或者删除。
下面，参照图5对服务器108的各构件进行说明。
计算单元500以当前停车站STAc为基准，计算列车路线上行驶的列车的车载人数、当前停车站的站台与列车间进出的乘客数量即上下车人数及列车在当前停车站的站台上实际停车的时间即记录停车时间(record dwell duration)。计算单元500利用乘客信息和至少一个列车的运行信息，分别计算车载人数、上下车人数及记录停车时间。在一实施例中，乘客信息可包括出入停车站的乘客的交通卡标签信息。
计算单元500基于交通卡标签信息将各停车站出入的乘客与停车站所停的列车进行匹配，从而推算各停车站的乘车人数和各停车站的下车人数。计算单元500为了计算各停车站的上下车人数，将乘客与列车进行单独匹配。计算单元500通过进入当前停车站的至少一个乘客即第一乘客的交通卡标签信息，计算第一乘客进入的进入站(tag-in station)、进入时间(tag-in time)，所述第一乘客走出的出站(tag-out station)及出站时间(tag-outstation)。计算单元500判断所述出站是否与当前停车站一致，如果一致，则将在出站时间之前最后到达当前停车站站台的列车匹配为第一乘客下车的列车。当进入站为当前停车站时，计算单元500在进站时间以后，将最先到达当前停车站站台的列车匹配为第一乘客搭乘的列车。计算单元500利用上述单独匹配方式，将出入当前停车站的乘客与乘客所上下的列车进行匹配，从而分别推算乘车人数和下车人数。
计算单元500通过累计从出发站到就在当前停车站之前停车的车站即之前车站为止的各停车站的乘车人数来计算总乘车人数，通过累计从出发站到之前车站为止的各停车站的下车人数来计算总下车人数。计算单元500通过从总乘车人数减去总下车人数来计算车载人数。计算单元500通过合计当前停车站的乘车人数与下车人数来计算上下车人数。计算单元500基于运行信息计算出发时间(departure time)与到达时间(arrival time)之间，即列车从当前停车站出发的时间与列车到达当前停车站的时间之间的差(difference)，从而推算记录停车时间。
计算单元500所计算的车载人数、上下车人数及记录停车时间作为记录数据集(record data set)可累积地保存。具体地,可将至少一个列车运行记录及在列车之前行驶的列车的上下车人数作为记录数据集累积地保存。记录数据集包括同类列车的车载人数、第一先行列车的车载人数、第二先行列车的车载人数、上下第一先行列车的乘客的上下车人数及上下第二先行列车的乘客的上下车人数。同类列车是指在与列车驶入当前停车站的时间段对应的时间段，曾经驶入当前停车站的至少一个另一列车。第一先行列车是指就在同类列车驶入当前停车站之前，驶入当前停车站的先行列车。第二先行列车是指就在第一先行列车驶入当前停车站之前，驶入当前停车站的先行列车。为了利用如上所述经训练的乘客数量计算模型推算预定停车站STAj中的上下车人数，而利用记录数据集。服务器108将计算单元所累积保存的记录数据集传送给列车路线上行驶的至少一个列车。
学习数据生成单元502基于车载人数、上下车人数、记录停车时间及保存的车站信息(station information)中的全部或者一部分生成学习数据集(learning data set)。
学习单元504基于学习数据集对停车时间推算模型进行训练。学习单元504可利用累积的学习数据集对停车时间推算模型进行训练。累积的学习数据集是指基于新增车载人数、新增上下车人数及新增记录停车时间，积累在学习数据集中的学习数据集。新增车载人数，新增上下车人数及新增记录停车时间可基于新收集的新增乘客信息和新增运行信息进行计算。学习单元利用学习数据训练推算模型的方法是本技术领域的常规方法，故省略其详细说明。服务器108周期性地将重新训练的停车时间推算模型传送给至少一个列车。
图6是用于说明根据本公开一实施例的实时重调度方法的各过程的流程图。
下面，参照图6将对实时重调度方法的各过程进行说明。与图1至图5的说明重复的内容将被省略。
数据收集单元200收集乘客信息和列车运行信息(S600)。乘客信息和列车运行信息中各自包括的具体数据如图2所述，故省略其详细说明。
数据集生成单元202利用乘客信息和运行信息，计算在列车的预定停车站先停车的至少一个先行列车的先行上下车人数，并生成包括先行上下车人数的第一数据集(S602)。计算第一数据集中包括的信息的具体方法将在图7中进行说明。
上下车人数推算单元204利用第一数据集和经训练的乘客数量计算模型，推算预定停车站中列车的本次上下车人数(S604)。推算本次上下车人数的具体方法将在图8中进行说明。
停车时间推算单元206通过利用包括推算的本次上下车人数的第二数据集和经训练的所需停车时间推算模型，推算预定停车站中的列车所需的停车时间(S606)。停车时间推算单元206利用的具体输入参数如图2所述，故省略其详细说明。
调度生成单元208比较所需停车时间与已设定的停车时间，并更新列车的运行时间表。调度生成单元208更新运行时间表的具体实施例如图2所述，故省略其详细说明。
图7是用于说明根据本公开一实施例的实时重调度方法中，生成第一数据集的过程所包括的各过程的流程图。
数据集生成单元202计算当至少一个先行列车驶入预定停车站时先行列车的先行车载人数(S700)。数据集生成单元202计算先行车载人数的具体方法如图2所述，故省略其详细说明。
数据集生成单元202计算当列车驶入预定停车站时列车的本次车载人数(S702)。数据集生成单元202计算本次车载人数的具体方法如图3所述，故省略其详细说明。
数据集生成单元202基于出入预定停车站的乘客数量推算先行乘车人数和先行下车人数，并计算先行上下车人数(S704)。数据集生成单元202计算先行上下车人数的具体方法如图4所述，故省略其详细说明。
图8是用于说明根据本公开一实施例的实时重调度方法中，推算本次上下车人数的过程所包括的各过程的流程图。
上下车人数推算单元204从累积保存有各停车站的至少一个列车的上下车人数的记录数据集中，提取以时间段为基准与第一数据集对应的数据作为候选数据集(S800)。候选数据集所包括的具体数据如上所述，故省略其详细说明。
上下车人数推算单元204分别计算第一数据集的数据与候选数据集的数据间的欧式距离(S802)。基于数据值计算数据间的欧式距离的方法为本技术领域的常规方法，故省略其详细说明。
上下车人数推算单元204将与欧式距离短的上级k对应的候选数据集的数据确定为相似数据集的数据(S804)。作为区分相似数据集基准的k值可根据本公开的实施例进行各种变更。
上下车人数推算单元204通过计算相似数据集的数据的加权平均值，推算本次上下车人数(S806)。基于上下车人数推算单元204预先推算本次上下车人数的操作，具有能够预先预测在预定停车站上发生的拥挤的效果。
图9是用于说明根据本公开一实施例的停车时间推算模型的学习方法的各过程的流程图。
下面，参照图9对学习方法的各过程进行说明。与图1至图8的说明重复的内容将被省略。
计算单元500以当前停车站为基准计算列车的车载人数、当前停车站的列车的上下车人数及列车的当前停车站中的记录停车时间(S900)。
学习数据生成单元502基于车载人数、上下车人数、记录停车时间及保存的车站信息中的全部或者一部分生成学习数据集(S902)。
学习单元504基于学习数据集对停车时间推算模型进行训练(S904)。
虽然图6至图9中各过程记载为依次进行，但是这仅仅是用于示例性地说明本发明的部分实施例的技术思想。换而言之，对于本发明的部分实施例所属技术领域的普通技术人员而言，在不超出本发明的部分实施例本质的范围内，可修改或变更图6至图9中记载的过程或者并列执行各过程中至少一个过程，这些各种修改或变形均可适用于本发明，图6至图9不限于顺时针顺序。
本说明书中描述的装置和方法的各种实现方式可以通过数字电子电路、集成电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、计算机硬件、固件、软件和/或它们的组合来实现。这些各种实现方式可以包括在可编程系统上由一个或更多个计算机程序实现的方式。可编程系统包括至少一个可编程处理器(其可以是专用处理器或通用处理器)，其被耦接以从存储系统接收数据和指令以及向存储系统发送数据和指令；至少一个输入设备；以及至少一个输出设备。计算机程序(也称为程序、软件、软件应用或代码)包含用于可编程处理器的指令并且被存储在“计算机可读记录介质”中。
计算机可读记录介质可包括存储有基于计算机系统可读的数据的所有种类的记录装置。这种计算机可读记录介质还可以包括如ROM、CD-ROM，磁带、磁盘、内存卡、硬盘、光盘、存储装置等的非易失性(non-volatile)或者非暂时性(non-transitory)介质或者如数据传输介质(data transmission medium)的暂时介质(transitory)。此外，计算机可读介质分散在通过网络连接的计算机系统中且以分散方式存储并执行可供计算机读取的编码。
本发明中说明的装置和方法的各种实施例，可由可编程计算机实现。其中，计算机包括可编程的处理器，数据存储系统(包括易失性内存、非易失性内存或者其它类型的存储系统或其组合)及至少一个通信接口。例如，可编程计算机可以是服务器、网络设备、机顶盒、嵌入式设备、计算机扩展模块、个人电脑、笔记本电脑、个人数据助理(Personal DataAssistant，PDA)，云计算系统或者移动设备中的一个。
以上说明仅仅是用于示例性地说明本发明的技术思想，本发明的实施例是用于说明本实施例的技术思想而非用于限制，本发明的技术思想的范围不受所述实施例的限制。本发明的保护范围应按照下面的权利要求书进行解释，属于与其等同的范围内的所有技术思想皆应理解为属于本发明的权利范围。

Claims (23)

1.一种用于解决列车运行延时的实时重调度方法，包括以下过程：
收集乘客信息和所述列车的运行信息，其中，乘客信息为出入至少一个停车站的乘客相关信息；
利用所述乘客信息和所述运行信息，计算先行上下车人数并生成包括所述先行上下车人数的第一数据集，其中，先行上下车人数是指在所述列车的预定停车站先停车的至少一个先行列车中上下车的乘客数量；
利用所述第一数据集，推算本次上下车人数，其中本次上下车人数是指在所述预定停车站上下所述列车的乘客数量；
利用包括所述本次上下车人数的第二数据集，推算所述列车在所述预定停车站中所需停车时间；以及
比较所述所需停车时间与已设定的停车时间并生成时间表，用以更新所述列车的运行时间表。
2.如权利要求1所述的实时重调度方法，其特征在于，所述乘客信息包括进入或者走出所述至少一个停车站的乘客的交通卡标签信息，所述运行信息包括至少一个列车的位置、所述至少一个列车到达所述至少一个停车站的到达时间和所述至少一个列车离开所述至少一个停车站的出发时间中的全部或者一部分。
3.如权利要求1所述的实时重调度方法，其特征在于，所述生成第一数据集的过程包括：
当所述至少一个先行列车驶入所述预定停车站时，计算先行车载人数，即所述至少一个先行列车的车载人数；
当所述列车驶入所述预定停车站时，计算本次车载人数，即所述列车的车载人数；以及
计算所述先行上下车人数。
4.如权利要求3所述的实时重调度方法，其特征在于，所述至少一个先行列车包括就在所述列车之前停在所述预定停车站的先行列车即第一先行列车及就在所述第一先行列车之前停在所述预定停车站的先行列车即第二先行列车。
5.如权利要求3所述的实时重调度方法，其特征在于，所述计算先行车载人数的过程或者所述计算本次车载人数的过程通过以下方式计算：
基于进入各车站的乘客数量推算各停车站的乘车人数，并基于走出各车站的乘客数量推算各停车站的下车人数，而且通过累计从列车运行开始的始发站到就在预定停车站之前列车停靠的车站即之前车站为止的乘车人数，并计算出总乘车人数，通过累计从所述始发站到所述之前车站为止的下车人数计算出总下车人数，将从所述总乘车人数减去所述总下车人数的值作为所述先行车载人数或者所述本次车载人数。
6.如权利要求3所述的实时重调度方法，其特征在于，所述计算先行上下车人数的过程通过以下方式计算：
基于进入所述预定停车站的乘客数量推算先行乘车人数，基于走出所述预定停车站的乘客数量推算先行下车人数，将所述先行乘车人数与所述先行下车人数之合计值作为所述先行上下车人数。
7.如权利要求1所述的实时重调度方法，其特征在于，所述推算本次上下车人数的过程，利用经训练的乘客数量计算模型，推算在停车站中上下列车的乘客数量，所述乘客数量计算模型是基于至少一个列车的运行记录及累积保存有所述至少一个列车的先行列车的上下车人数的记录数据集进行机器学习而获得。
8.如权利要求7所述的实时重调度方法，其特征在于，所述机器学习包括K-NN方式。
9.如权利要求8所述的实时重调度方法，其特征在于，所述推算本次上下车人数的过程包括以下过程：
从所述记录数据集中提取以时间段为基准与所述第一数据集对应的数据作为候选数据集；
分别计算所述第一数据集的数据与所述候选数据集的数据之间的欧式距离；
将所述欧式距离短的上级k个(k为大于或等于1的自然数)所对应的候选数据集的数据确定为相似数据集的数据；以及
通过计算所述相似数据集的数据的加权平均值来推算所述本次上下车人数。
10.如权利要求3所述的实时重调度方法，其特征在于，所述推算所需停车时间的过程，利用经训练的所需停车时间推算模型推算所需停车时间，而且将所述本次上下车人数、所述本次车载人数及保存的车站信息中的全部或者一部分作为所述停车时间推算模型的输入参数值并推算所述所需停车时间。
11.如权利要求1所述的实时重调度方法，其特征在于，所述生成时间表的过程中，当所述所需停车时间大于运行时间表上的计划停车时间时，基于所述所需停车时间与所述计划停车时间的停车时间差对所述列车的至少一个后行列车的时间表进行进一步更新。
12.如权利要求11所述的实时重调度方法，其特征在于，所述生成时间表的过程中，所述列车位于开始运行的始发站至就在所述列车的所述预定停车站之前停靠的车站即之前车站之间的至少一个停车站，为了将后行于所述列车的至少一个后行列车的出发时间滞后5秒至10秒，对所述后行列车的时间表进行进一步更新。
13.一种停车时间推算模型的学习方法，该停车时间推算模型由服务器执行，且用于计算列车需要停车的所需停车时间，该方法包括以下过程：
以所述列车欲驶入的停车站即当前停车站为基准计算所述列车的车载人数、所述预定停车站站台与所述列车之间进出的乘客数量即上下车人数及所述列车在所述当前停车站的站台上实际停车的时间即记录停车时间；
基于所述车载人数、所述上下车人数、所述记录停车时间及保存的车站信息中的全部或者一部分，生成学习数据集；以及
基于所述学习数据集，对所述停车时间推算模型进行训练。
14.如权利要求13所述的学习方法，其特征在于，所述计算过程，利用出入至少一个停车站的乘客相关信息即乘客信息及至少一个列车的运行信息，分别计算所述车载人数、所述上下车人数及所述记录停车时间。
15.如权利要求14所述的学习方法，其特征在于，所述乘客信息包括出入至少一个停车站的乘客的交通卡标签信息，所述计算过程包括以下过程：
基于所述交通卡标签信息，将出入各停车站的乘客与停靠在所述各停车站的列车进行匹配，以推算在各停车站搭乘所述列车的乘客数量即各停车站的乘车人数及在各停车站从所述列车下车的乘客数量即各停车站的下车人数；
通过累计从所述列车运行开始的始发站到就在所述预定停车站之前所述列车停靠车站即之前车站为止的各停车站的乘车人数，并计算出总乘车人数，通过累计从所述始发站到所述之前车站为止的各停车站的下车人数，并计算出总下车人数，通过从所述总乘车人数减去所述总下车人数来计算所述车载人数；
通过将所述当前停车站中的乘车人数和下车人数进行合计，计算所述上下车人数；以及
基于所述运行信息计算出发时间与到达时间，即所述列车从所述当前停车站出发的时间与所述列车到达所述当前停车站的时间的差，从而推算所述记录停车时间。
16.如权利要求15所述的学习方法，其特征在于，所述推算的过程包括以下单独匹配过程：通过从至少一个乘客即第一乘客的交通卡标签信息，计算所述第一乘客进站的进入站、进入时间、所述第一乘客走出的出站及出站时间，并判断所述出站是否与所述当前停车站一致，如果一致，则在所述出站时间之前将最后到达所述当前停车站站台的列车匹配为所述第一乘客下车的列车，如果所述进入站为所述当前停车站，则在所述进站时间以后，将最先到达所述当前停车站站台的列车匹配为所述第一乘客搭乘的列车，
利用所述单独匹配过程，将进出所述当前停车站的乘客与进出所述当前停车站的乘客所搭乘的列车进行匹配，从而推算所述乘车人数和所述下车人数。
17.如权利要求14所述的学习方法，其特征在于，进一步包括：
通过收集新增乘客信息和新增运行信息来提取新增车载人数、新增上下车人数及新增记录停车时间，并积累到所述学习数据集中，从而获取累积的学习数据集；
以所述新增乘客信息和所述新增运行信息为基础，并基于所述累积的学习数据集，对所述停车时间推算模型进行再训练；以及
将经过再训练的停车时间推算模型传送给至少一个列车。
18.如权利要求13所述的学习方法，其特征在于，所述计算过程，利用经过训练的乘客数量计算模型，推算在停车站中上下列车的乘客数量，
所述学习方法进一步包括以下过程：
将至少一个列车运行记录及所述至少一个列车的先行列车的上下车人数作为记录数据集进行累积并保存；以及
将所述记录数据集传送给至少一个列车。
19.如权利要求18所述的学习方法，其特征在于，所述乘客数量计算模型为基于K-NN方式进行机器学习而得到的模型。
20.如权利要求18所述的学习方法，其特征在于，所述记录数据集包括同类列车的车载人数，所述同类列车是指在与所述列车驶入所述当前停车站的时间段对应的时间段，曾经驶入所述当前停车站的至少另一个列车，所述记录数据集还包括：第一先行列车的车载人数，第二先行列车的车载人数，上下第一先行列车的乘客的上下车人数及上下第二先行列车的乘客的上下车人数，其中，第一先行列车和第二先行列车是指就在所述同类列车驶入所述当前停车站之前依次驶入所述当前停车站的先行列车。
21.一种用于解决列车运行延时的实时重调度装置，包括：
数据收集单元，其收集乘客信息和所述列车的运行信息，其中，乘客信息为出入至少一个停车站的乘客相关信息；
数据集生成单元，其利用所述乘客信息和所述运行信息，计算先行上下车人数并生成包括所述先行上下车人数的第一数据集，其中，先行上下车人数是指在所述列车的预定停车站先停车的至少一个先行列车中上下车的乘客数量；
上下车人数推算单元，利用所述第一数据集，推算本次上下车人数，其中本次上下车人数是指在所述预定停车站上下所述列车的乘客数量；
停车时间推算单元，其利用包括所述本次上下车人数的第二数据集，推算所述列车在所述预定停车站中所需停车时间；以及
调度生成单元，其比较所述所需停车时间与已设定的停车时间并生成时间表，用以更新所述列车的运行时间表。
22.一种训练停车时间推算模型的服务器，停车时间推算模型用于计算列车所需停车的时间即所需停车时间，该服务器包括：
数据计算单元，其以所述列车欲驶入的停车站即当前停车站为基准计算所述列车的车载人数、所述当前停车站站台与所述列车之间进出的乘客数量即上下车人数及所述列车在所述当前停车站站台上实际停车的时间即记录停车时间；
数据集生成单元，其基于所述车载人数、所述上下车人数、所述记录停车时间及保存的车站信息中的全部或者一部分，生成学习数据集；以及
学习单元，其基于所述学习数据集，对所述停车时间推算模型进行训练。
23.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的方法。
CN202210562659.0A 2021-09-17 2022-05-23 用于解决列车运行延时的实时重调度方法和装置 Pending CN115817587A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210125240A KR20230041920A (ko) 2021-09-17 2021-09-17 열차 운행 지연을 해소하기 위한 실시간 스케줄링 방법 및 장치
KR10-2021-0125240 2021-09-17

Publications (1)

Publication Number Publication Date
CN115817587A true CN115817587A (zh) 2023-03-21

Family

ID=79021644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210562659.0A Pending CN115817587A (zh) 2021-09-17 2022-05-23 用于解决列车运行延时的实时重调度方法和装置

Country Status (3)

Country Link
EP (1) EP4151501A1 (zh)
KR (1) KR20230041920A (zh)
CN (1) CN115817587A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117341773A (zh) * 2023-08-30 2024-01-05 北京城建智控科技股份有限公司 列车信息提示方法、装置、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6279375B2 (ja) * 2014-03-25 2018-02-14 三菱重工業株式会社 車両制御装置、交通システム、車両制御方法及びプログラム
KR101718806B1 (ko) * 2015-04-22 2017-04-05 한국철도기술연구원 열차의 승강장 정차시간 자동 산출 서버, 시스템 및 방법
US10953901B2 (en) * 2016-03-29 2021-03-23 Mitsubishi Electric Corporation Train operation control system and train operation control method
CA3106015A1 (en) * 2020-01-23 2021-07-23 Alstom Transport Technologies System and transport for optimizing operations of trains travelling along a railway line

Also Published As

Publication number Publication date
KR20230041920A (ko) 2023-03-27
EP4151501A1 (en) 2023-03-22

Similar Documents

Publication Publication Date Title
CN111310994B (zh) 一种基于数据校准的公交路线预测方法及系统
CN112530166B (zh) 基于信令数据与大数据分析识别公交出行上下车站点的方法与系统
EP3437957B1 (en) Train traffic control system and train traffic control method
CN104884900A (zh) 行程时间信息提供设备和行程时间信息提供方法
CN111932925B (zh) 一种公共交通站点的出行客流的确定方法、装置及系统
CN111311467A (zh) 一种基于人脸识别的公交路线预测方法及系统
CN108848460B (zh) 基于rfid和gps数据的人车关联方法
CN106781511B (zh) 一种基于gps数据和交通事故类型的拥堵时间预测方法
CN104240529B (zh) 一种预测公交到站时间的方法及系统
CN109145982A (zh) 驾驶员的身份识别方法及装置、存储介质、终端
CN111510496B (zh) 基于区块链信息共享的交通诱导系统及方法
CN101965601A (zh) 驾驶辅助装置、驾驶辅助方法及驾驶辅助程序
CN108364464B (zh) 一种基于概率模型的公交车辆旅行时间建模方法
CN109547930B (zh) 基于运营商数据的城市轨道交通客流来源分析的方法及装置
US20200160708A1 (en) Method and apparatus for adaptively managing a vehicle
CN112507624B (zh) 一种城际公路出行方式识别模型构建、识别方法及装置
JP5174728B2 (ja) 列車運行予測装置
Shviatsova et al. The Smart Urban Transport System
CN115817587A (zh) 用于解决列车运行延时的实时重调度方法和装置
CN110334858A (zh) 一种公交车剩余座位智能预测方法与装置
Farooq et al. GPS based public transport arrival time prediction
CA3175502A1 (en) Systems and methods for estimating time of arrival of vehicle systems
JP6307376B2 (ja) 交通分析システム、交通分析プログラムおよび交通分析方法
CN112601187B (zh) 基于手机信令的公交常乘客预测方法与系统
CN115691128B (zh) 一种基于多源公交数据联合挖掘的公交站点客流推算方法

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