CN115828029A - 一种高速铁路服务范围计算方法 - Google Patents

一种高速铁路服务范围计算方法 Download PDF

Info

Publication number
CN115828029A
CN115828029A CN202211478863.0A CN202211478863A CN115828029A CN 115828029 A CN115828029 A CN 115828029A CN 202211478863 A CN202211478863 A CN 202211478863A CN 115828029 A CN115828029 A CN 115828029A
Authority
CN
China
Prior art keywords
station
traffic
researched
railway
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.)
Pending
Application number
CN202211478863.0A
Other languages
English (en)
Inventor
李隆云
蔡胜全
陈刚
周覃龙
俞祖法
王新
张红伟
张家发
张鲲
韩长生
李传勇
李龙
蒋朝阳
姚传开
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 Railway Eryuan Engineering Group Co Ltd CREEC
Original Assignee
China Railway Eryuan Engineering Group Co Ltd CREEC
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 Railway Eryuan Engineering Group Co Ltd CREEC filed Critical China Railway Eryuan Engineering Group Co Ltd CREEC
Priority to CN202211478863.0A priority Critical patent/CN115828029A/zh
Publication of CN115828029A publication Critical patent/CN115828029A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明一种高速铁路服务范围计算方法，包括将待研究的铁路车站k*所属地级市/省进行交通小区划分；计算交通小区i的乘客前往目的地j的广义出行费用；在所有的交通小区中筛选出经待研究的铁路车站k*前往目的地j的广义出行费用最少的小区；计算覆盖小区的乘客选择经待研究的铁路车站k*前往目的地j的概率：将计算的出行概率从大到小排列，确定设定分位点对应的小区Q，调取地图API接口，计算基于实际路网的小区Q质心到待研究的铁路车站k*的出行时间h；结合实际路网计算相应交通方式在服务半径时间h内从待研究的铁路车站k*到各个方向的行驶最远距离点，将所有最远点连接成封闭不规则区域构成交通等时圈，形成最终的车站服务范围。

Description

一种高速铁路服务范围计算方法
技术领域
本发明涉及铁路工程领域，特别是一种高速铁路服务范围计算方法。
背景技术
高速铁路站点分布在城市的中心、边缘或者远郊，对城市发展起到带动或服务作用。目前建设的部分高铁站点存在站点接驳时间较长、客流低于预期等问题，其原因除了市政交通配套不合理、不同步等原因外，还存在对高铁车站服务范围认识不足等原因。车站服务范围是开展高铁客流预测、布设接驳措施的基础。目前对于高速铁路车站服务范围的研究比较缺乏，实际生产中大多是单纯按空间直线距离估算其服务半径。从国内外对公交、地铁、铁路车站以及机场服务范围研究现状可知，目前基本以距离衡量各类车站服务半径，比较认可的车站服务半径是公交站400米，地铁站800米，对于机场的服务范围未有统一意见。
根据到达站点的空间距离进行定义和计算服务半径，形成的服务范围是以空间距离为半径的圆形区域，这种定义和计算方法比较直观，但没有考虑相关路网结构、站点可达性以及服务水平等情况，有可能给站点的服务范围计算带来偏差，无法准确评估车站服务范围，导致部分站点接驳时间较长、客流低于预期。因此，需要研究合理有效的车站服务范围确定方法。
发明内容
本发明的目的在于：针对现有技术存在的直接按照空间直线距离估算服务半径，无法准确评估车站服务范围的问题，提供一种高速铁路服务范围计算方法。
为了实现上述目的，本发明采用的技术方案为：
一种高速铁路服务范围计算方法，包括以下步骤：
步骤一：将待研究的铁路车站k*所属地级市/省进行交通小区划分；
步骤二：搜索分析得到待研究的铁路车站k*所属地级市/省能够到达目的地j的铁路车站、汽车车站和航空车站；
步骤三：计算交通小区i的乘客前往目的地j的广义出行费用；
当选择公共交通出行时，广义出行费用为：
Figure BDA0003957798330000021
式中，Ui，j，k为从交通小区i经车站k前往目的地j的广义出行费用，ACi，k、ATi，k为交通小区i的居民前往k站的交通费用和时间，Fk，j为k站到目的地j的平均票价，WTk为旅客在k站的候车时间，ITk，j为旅客的在车时间，α为调节参数，fk，j为k站到目的地j的服务频数，Tk，business为k站的营业时间；vot为旅客的平均时间价值，vot＝GDP/(population·worktime)，GDP为待研究的铁路车站k*所属地级市的年GDP总量，population为待研究的铁路车站k*所属地级市的人口总数，worktime为待研究的铁路车站k*所属地级市的年工作时间；
当选择自驾出行时，k取值为0，广义出行费用为：
Ui，j，k＝disi，j·costper.km+timei，j·vot+tolli，j，
式中，disi，j为交通小区i驾车前往目的地j的距离，costper.km为每公里的行驶费用；timei，j为交通小区i驾车前往目的地j的时间；tolli，j为交通小区i驾车前往目的地j的高速公路通行费；
步骤四：在所有的交通小区中筛选出经待研究的铁路车站k*前往目的地j的广义出行费用最少的小区，共筛选出n个待研究的铁路车站k*的覆盖小区：
步骤五：基于MNL离散模型，计算n个覆盖小区的乘客选择经待研究的铁路车站k*前往目的地j的概率：
Figure BDA0003957798330000031
式中，
Figure BDA0003957798330000033
为交通小区i的乘客选择经待研究的铁路车站k*前往目的地j的概率，
Figure BDA0003957798330000034
为从交通小区i经待研究的铁路车站k*前往目的地j的广义出行费用，Ui，j为i，j两地之间出行的平均广义出行费用，
Figure BDA0003957798330000032
l为可选车站的总数，k＝0，1，2，3...l；
步骤六：将步骤五计算出的出行概率从大到小排列，确定设定分位点对应的小区Q，调取地图API接口，计算基于实际路网的小区Q质心到待研究的铁路车站k*的出行时间h，该时间h即为待研究的铁路车站k*的服务半径时间；
步骤七：结合实际路网计算相应交通方式在服务半径时间h内从待研究的铁路车站k*到各个方向的行驶最远距离点，将所有最远点连接成封闭不规则区域构成交通等时圈，形成最终的车站服务范围。
作为优选的技术方案，所述步骤一中：以第四级行政区划，即镇/乡/街道进行交通小区划分，每处交通小区以当地政府/居委会所在地作为小区质心。
作为优选的技术方案，所述步骤二中：基于地图软件进行搜索分析得到待研究的铁路车站k*所属地级市/省包含的铁路车站、汽车车站和航空车站。
作为优选的技术方案，所述步骤三中：利用python调取地图API接口，获取基于实际路网的交通费用和时间。
作为优选的技术方案，所述步骤四中：设有m个交通小区，i＝1，2，3，...n，...m，根据所述步骤三分别计算得到某个交通小区经各个可选车站到达目的地j的广义出行费用，若该交通小区经待研究的铁路车站k*的广义出行费用小于其他可选车站，则认为该小区为待研究的铁路车站k*的覆盖小区。
作为优选的技术方案，所述步骤五中：所有计算结果组成m×(l+1)维的选择概率矩阵[Pi，j，k](m×l)+1，若
Figure BDA0003957798330000041
为矩阵第i行的最大值，则表示交通小区i的乘客会选择经待研究的铁路车站k*出行，否则交通小区i的乘客不会选择经待研究的铁路车站k*出行。
作为优选的技术方案，所述步骤六中：设定分位点为75％。
作为优选的技术方案，所述步骤七中：交通方式包括城市轨道交通、公交和小汽车。
本发明还公开了一种高速铁路服务范围计算设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行任一所述的高速铁路服务范围计算方法。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一所述的高速铁路服务范围计算方法的步骤。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明提出先从时间的角度对服务半径进行分析计算，再结合实际路网结构，将时间半径转换为空间范围的方式，求解出符合出行实际情况的高铁车站服务范围。本发明首先综合考虑运输服务质量、旅客特征、实际路网等因素，结合MNL离散模型，建立高速铁路车站服务范围计算模型，从时间的角度对服务半径进行求解；最后结合等时圈的概念，给出了服务范围应用于工程实践的应用思路。
2、本发明解决了传统铁路、公路、机场等交通方式站点服务范围研究思路单一、计算过程粗放、研究结果准确度差、缺乏针对性等缺点，填补了高速铁路规划选址的理论空白，对于提高客流预测准确度、科学布设交通接驳措施、增强站点吸引力、充分发挥高速铁路区域经济发展带动作用具有重要意义，还可以帮助确定开发规模和边界，优化车站选址方案及车站周边区域空间结构，促进高铁沿线城镇空间合理布局和城市空间结构优化，推动高铁建设与城市发展良性互动、有机协调。
附图说明
图1是本发明的流程示意图。
图2是本发明计算得到的上海虹桥站服务范围等时圈(城市轨道交通)。
图3是本发明计算得到的徐州东站服务范围等时圈(城市轨道交通)。
图4是本发明计算得到的昆山南站服务范围等时圈(城市轨道交通)。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
车站服务范围可定义为车站投入运营后吸引客流所涉及的区域，即潜在的客流吸引区域，该区域是根据乘客本身意愿所决定的。乘客出行时，会根据自己的心理需求来选择让自己满意度达到最高的出行方式。在这个抉择过程中，乘客会综合考虑不同交通方式的出行时间、出行费用、舒适度、安全度、准时性等因素，根据自身特征与出行偏好选择最佳的出行方式。考虑到铁路车站所提供服务的多样性(去往不同的目的地)，不同的出行距离下经车站出行的旅客起点有较大不同，故车站的每一项服务(每一个去向)都应该有相应的服务范围。为了便于分析，下文所讨论的车站服务范围都是针对某一去向(即某一目的地j)进行的。
如图1所示，一种高速铁路服务范围计算方法，包括以下步骤：
步骤一：将待研究的铁路车站k*所属区域以行政区划进行交通小区划分。
通常，对于省/直辖市级高铁站可按照所属省域/直辖市域进行交通小区划分，地级市/县级市高铁站可按照所属地级市进行交通小区划分，当然地级市/县级市高铁站的研究范围也可根据实际情况扩大至所属省域/直辖市域进行交通小区划分。即可根据实际对局域区域/广域区域进行计算。
通常，高速铁路车站服务范围较大，对于交通小区的划分不必过于精细。但计算过程中需要考虑各交通小区的到不同车站的市内交通时间，故可以以第四级行政区划，即镇/乡/街道进行交通小区划分，每处交通小区以当地政府/居委会所在地作为小区质心。当然如果计算能力足够的情况下，也可以第五级行政区划，即村/社区进行交通小区划分，每处交通小区以当地政府/居委会所在地作为小区质心。
步骤二：搜索分析得到待研究的铁路车站k*所属地级市/省能够到达目的地j的交通车站(铁路车站、汽车车站和航空车站)。
通常，可以基于地图软件进行搜索分析得到待研究的铁路车站k*所属地级市/省包含的铁路车站、汽车车站和航空车站。
步骤三：计算交通小区i的乘客前往目的地j的广义出行费用；
当选择公共交通出行时，广义出行费用为：
Figure BDA0003957798330000061
式中，Ui，j，k为从交通小区i经车站k前往目的地j的广义出行费用，ACi，k、ATi，k为交通小区i的居民前往k站的交通费用和时间，Fk，j为k站到目的地j的平均票价，WTk为旅客在k站的候车时间，ITk，j为旅客的在车时间，α为调节参数，一般可取0.1～0.2，fk，j为k站到目的地j的服务频数，Tk，business为k站的营业时间；vot为旅客的平均时间价值，vot＝GDP/(population·worktime)，GDP为待研究的铁路车站k*所属地级市的年GDP总量，population为待研究的铁路车站k*所属地级市的人口总数，worktime为待研究的铁路车站k*所属地级市的年工作时间。
在目的地以及起点车站给定情况下，通过相关的客票网站可以获得票价、旅途时间、服务频率等数据。对于长途汽车站，票价Fk，j、在车时间ITk，j取所有车次的平均值，候车时间WTk取40分钟。对于高铁站，Fk，j取所有车次二等座的平均票价，在车时间ITk，j取所有车次的平均旅行时间，候车时间WTk取30分钟。对于普铁站，票价Fk，j取所有车次硬座/硬卧票价的平均值，在车时间ITk，j取所有车次的平均旅行时间，候车时间WTk取40分钟。对于机场，票价Fk，j取取近30天的平均票价，乘车时间ITk，j取一天内所有航班的平均旅行时间，候车时间WTk取60分钟，服务频率fk，j取30天内的平均每次航班数。
当选择自驾出行时，k取值为0，广义出行费用为：
Ui，j，k＝disi，j·costper.km+timei，j·vot+tolli，j (2)
式中，disi，j为交通小区i驾车前往目的地j的距离，costper.km为每公里的行驶费用；timei，j为交通小区i驾车前往目的地j的时间；tolli，j为交通小区i驾车前往目的地j的高速公路通行费。
优选的方案，可以采用人工智能算法，利用python调取地图API接口，获取基于实际路网的交通费用和时间。例如，对于自驾出行，获取基于实际路网的出行数据，路径规划策略为“速度最快”，小汽车每百公里消耗汽油取7L，油价取7.5元/L，则每公里行驶费用为0.525元/km。
步骤四：在所有的交通小区中筛选出经待研究的铁路车站k*前往目的地j的广义出行费用最少的小区，共筛选出n个待研究的铁路车站k*的覆盖小区。
设有m个交通小区，i＝1，2，3，...n，...m，根据所述步骤三分别计算得到某个交通小区经各个可选车站到达目的地j的广义出行费用，若该交通小区经待研究的铁路车站k*的广义出行费用小于其他可选车站，则认为该小区为待研究的铁路车站k*的覆盖小区。
所有计算结果组成m×(l+1)维的选择概率矩阵[Pi，j，k](m×l)+1，若
Figure BDA0003957798330000081
为矩阵第i行的最大值，则表示交通小区i的乘客会选择经待研究的铁路车站k*出行，否则交通小区i的乘客不会选择经待研究的铁路车站k*出行。
步骤五：基于MNL离散模型，为消除指数级增长导致的结果差异严重扩大，把广义出行费用均值化，计算n个覆盖小区的乘客选择经待研究的铁路车站k*前往目的地j的概率：
Figure BDA0003957798330000082
式中，
Figure BDA0003957798330000083
为交通小区i的乘客选择经待研究的铁路车站k*前往目的地j的概率，
Figure BDA0003957798330000084
为从交通小区i经待研究的铁路车站k*前往目的地j的广义出行费用，Ui，j为i，j两地之间出行的平均广义出行费用，
Figure BDA0003957798330000085
l为可选车站的总数，k＝0，1，2，3...l。
步骤六：将步骤五计算出的出行概率从大到小排列，确定75％分位点对应的小区Q，调取地图API接口，计算基于实际路网的小区Q质心到待研究的铁路车站k*的出行时间h，该时间h即为待研究的铁路车站k*的服务半径时间。
步骤七：结合实际路网计算相应交通方式(城市轨道交通、公交和小汽车等)在服务半径时间h内从待研究的铁路车站k*到各个方向的行驶最远距离点，将所有最远点连接成封闭不规则区域构成交通等时圈，形成最终的车站服务范围。
计算案例：
我国幅员辽阔，不同地区的地形地貌、经济发展水平、城市形态、人口密度以及高铁路网密度均有较明显的差异。为了便于分析，本课题选取了我国东北、华北、华东、华南、华中、西北和西南等七大片区的部分车站进行了相关研究。
以华东地区的上海虹桥站为例，其服务半径计算如下：
上海虹桥站，位于中国上海市闵行区，北端引接京沪高速铁路、沪汉蓉高速铁路，南端与沪昆高速铁路、沪杭甬客运专线接轨，是上海虹桥综合交通枢纽的组成部分，是华东地区最重要的、规模最大的铁路客运枢纽。
对于上海虹桥站，研究去向选上海～北京为计算依据，将上海市以第四级行政区划，即镇/乡/街道进行交通小区划分，每处小区以当地政府/居委会所在地作为小区质心，共划分交通小区264处。搜寻得到上海市及周边区域可到北京的交通车站9处(考虑铁路、长途汽车、航空站点)，站点详细信息如表1所示。该市居民2018年平均时间价值为63.92元/时。
表1上海及周边-北京车站信息
Figure BDA0003957798330000091
Figure BDA0003957798330000101
结合上述数据，并考虑驾车直达情况，利用高速铁路车站服务范围计算模型，求得264处小区中有222处小区选择经上海虹桥站出行的广义费用最少(即这222处小区经上海虹桥站到达北京的广义费用相较于经其他车站是最低的)，这222处小区即为上海虹桥站的覆盖范围。将222处小区按选择上海虹桥站的意愿强弱(选择上海虹桥站出行的概率)从大到小排列，取75％分位点对应的到站时间作为上海虹桥站的服务半径。最终求得的上海虹桥站局域服务半径为1.2h。
同样利用上述算法，将计算范围由市域扩大到市域及周边地区，可得上海虹桥站广域服务半径为1.75h。
对东北、华北、华东、华南、华中、西北和西南等七大片区计算结果汇总如表2、表3、表4所示。
表2省级高铁站计算结果汇总表
Figure BDA0003957798330000102
Figure BDA0003957798330000111
表3地级市高铁站计算结果汇总表
Figure BDA0003957798330000112
表4县级市高铁站计算结果汇总表
Figure BDA0003957798330000113
Figure BDA0003957798330000121
交通等时圈，是指用出行时耗绘制而成的区域范围线，在这条闭合线上的任意一点到所指定的中心所花的出行时耗相等。等时圈可以清晰地表明由城市的某一吸引点出发，在规定的出行时耗内可达到的用地范围。对于车站分布问题，可基于广域服务范围绘制出等时圈(如图2、3、4)，记录该车站分布方案下沿线覆盖的城镇以及城镇的到站时间等数据。可以理解的是，如图2、3、4显示的是采用城市轨道交通出行的车站广域服务范围和局域服务范围，当然如果采用其他交通方式，例如公交、小汽车等，也可以绘制出对应交通方式的等时圈。
实施例2
一种高速铁路服务范围计算设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行如实施例1所述的高速铁路服务范围计算方法。
实施例3
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，该计算机程序被处理器执行时实现如实施例1所述的高速铁路服务范围计算方法的步骤。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种高速铁路服务范围计算方法，其特征在于，包括以下步骤：
步骤一：将待研究的铁路车站k*所属地级市/省进行交通小区划分；
步骤二：搜索分析得到待研究的铁路车站k*所属地级市/省能够到达目的地j的铁路车站、汽车车站和航空车站；
步骤三：计算交通小区i的乘客前往目的地j的广义出行费用；
当选择公共交通出行时，广义出行费用为：
Figure FDA0003957798320000011
式中，Ui，j，k为从交通小区i经车站k前往目的地j的广义出行费用，ACi，k、ATi，k为交通小区i的居民前往k站的交通费用和时间，Fk，j为k站到目的地j的平均票价，WTk为旅客在k站的候车时间，ITk，j为旅客的在车时间，α为调节参数，fk，j为k站到目的地j的服务频数，Tk，business为k站的营业时间；vot为旅客的平均时间价值，vot＝GDP/(population·worktime)，GDP为待研究的铁路车站k*所属地级市的年GDP总量，population为待研究的铁路车站k*所属地级市的人口总数，worktime为待研究的铁路车站k*所属地级市的年工作时间；
当选择自驾出行时，k取值为0，广义出行费用为：
Ui，j，k＝disi，j·costper.km+timei，j·vot+tolli，j，
式中，disi，j为交通小区i驾车前往目的地j的距离，costper.km为每公里的行驶费用；timei，j为交通小区i驾车前往目的地j的时间；tolli，j为交通小区i驾车前往目的地j的高速公路通行费；
步骤四：在所有的交通小区中筛选出经待研究的铁路车站k*前往目的地j的广义出行费用最少的小区，共筛选出n个待研究的铁路车站k*的覆盖小区；
步骤五：基于MNL离散模型，计算n个覆盖小区的乘客选择经待研究的铁路车站k*前往目的地j的概率：
Figure FDA0003957798320000021
式中，
Figure FDA0003957798320000023
为交通小区i的乘客选择经待研究的铁路车站k*前往目的地j的概率，
Figure FDA0003957798320000024
为从交通小区i经待研究的铁路车站k*前往目的地j的广义出行费用，Ui，j为i，j两地之间出行的平均广义出行费用，
Figure FDA0003957798320000022
l为可选车站的总数，k＝0，1，2，3...l；
步骤六：将步骤五计算出的出行概率从大到小排列，确定设定分位点对应的小区Q，调取地图API接口，计算基于实际路网的小区Q质心到待研究的铁路车站k*的出行时间h，该时间h即为待研究的铁路车站k*的服务半径时间；
步骤七：结合实际路网计算相应交通方式在服务半径时间h内从待研究的铁路车站k*到各个方向的行驶最远距离点，将所有最远点连接成封闭不规则区域构成交通等时圈，形成最终的车站服务范围。
2.根据权利要求1所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤一中：以第四级行政区划，即镇/乡/街道进行交通小区划分，每处交通小区以当地政府/居委会所在地作为小区质心。
3.根据权利要求1所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤二中：基于地图软件进行搜索分析得到待研究的铁路车站k*所属地级市/省包含的铁路车站、汽车车站和航空车站。
4.根据权利要求1所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤三中：利用python调取地图API接口，获取基于实际路网的交通费用和时间。
5.根据权利要求1所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤四中：设有m个交通小区，i＝1，2，3，...n，...m，根据所述步骤三分别计算得到某个交通小区经各个可选车站到达目的地j的广义出行费用，若该交通小区经待研究的铁路车站k*的广义出行费用小于其他可选车站，则认为该小区为待研究的铁路车站k*的覆盖小区。
6.根据权利要求5所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤五中：所有计算结果组成m×(l+1)维的选择概率矩阵[Pi，j，k](m×l)+1，若
Figure FDA0003957798320000031
为矩阵第i行的最大值，则表示交通小区i的乘客会选择经待研究的铁路车站k*出行，否则交通小区i的乘客不会选择经待研究的铁路车站k*出行。
7.根据权利要求1所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤六中：设定分位点为75％。
8.根据权利要求1-7任一所述的一种高速铁路服务范围计算方法，其特征在于，所述步骤七中：交通方式包括城市轨道交通、公交和小汽车。
9.一种高速铁路服务范围计算设备，其特征在于，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行如权利要求1-8任一所述的高速铁路服务范围计算方法。
10.一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，该计算机程序被处理器执行时实现如权利要求1-8任一所述的高速铁路服务范围计算方法的步骤。
CN202211478863.0A 2022-11-22 2022-11-22 一种高速铁路服务范围计算方法 Pending CN115828029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211478863.0A CN115828029A (zh) 2022-11-22 2022-11-22 一种高速铁路服务范围计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211478863.0A CN115828029A (zh) 2022-11-22 2022-11-22 一种高速铁路服务范围计算方法

Publications (1)

Publication Number Publication Date
CN115828029A true CN115828029A (zh) 2023-03-21

Family

ID=85530929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211478863.0A Pending CN115828029A (zh) 2022-11-22 2022-11-22 一种高速铁路服务范围计算方法

Country Status (1)

Country Link
CN (1) CN115828029A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540933A (zh) * 2024-01-04 2024-02-09 南京城驿城市与交通规划设计有限公司 一种考虑主要出行方向的轨道车站影响区划分方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117540933A (zh) * 2024-01-04 2024-02-09 南京城驿城市与交通规划设计有限公司 一种考虑主要出行方向的轨道车站影响区划分方法及系统
CN117540933B (zh) * 2024-01-04 2024-04-05 南京城驿城市与交通规划设计有限公司 一种考虑主要出行方向的轨道车站影响区划分方法及系统

Similar Documents

Publication Publication Date Title
CN107679654B (zh) 一种停车规模预估控制系统及实现方法
CN107798867B (zh) 一种基于电动汽车和内燃机车混合车流的拥堵交通网络均衡方法
CN103985247A (zh) 基于城市叫车需求分布密度的出租车运力调度系统
CN110210749B (zh) 一种轨道站点衔接共享单车投放量和投放位置确定方法
CN112036757B (zh) 基于手机信令和浮动车数据的停车换乘停车场的选址方法
Jian et al. The impacts of civil airport layout to Yunnan local tourism industry
CN111882098A (zh) 一种基于整体协同的铁路站点客流及接驳方式预测方法
CN115455681A (zh) 一种面向多载运工具的通勤交通碳排放空间分布估算方法
CN116720997A (zh) 一种基于大数据分析的公交线路评价体系及优化方法
CN115828029A (zh) 一种高速铁路服务范围计算方法
Feng et al. Choices of intercity multimodal passenger travel modes
Li et al. Mapping highway mobile carbon source emissions using traffic flow big data: a case study of Guangdong Province, China
Trembošová et al. Chosen aspects of a spatially functional accessibility by public transport: the case of Trnava self-governing region (Slovakia)
Putri et al. Study of Public Transport Development in South Bali Districts: Potential Public Transport Mode
CN113420439A (zh) 综合交通承载力计算方法、装置、计算机设备及存储介质
Balket et al. Study the characteristics of public bus routes in Al kut city
Dahim Challenges and opportunities in development sustainable transportation system in Saudi Arabia
Kadyraliev Public transport system in the capital of Kryrgyzstan: Current situation and analysis of its performance
Istrate et al. The reduction of the fuel consumption and of the pollution through the city public transport
Jiang et al. Toward transit metropolis: Status quo analysis for Chinese major cities
Chen et al. Location configuration design of new park-and-ride facilities in Beijing, China
CN117973915B (zh) 一种城市绿色出行发展水平评价方法及系统
Fei et al. Towards Sustainable Cities: Using Multiple Linear Regression Model to Identify Influencing Factors to Promote the Use of Public Transport in Downtown Nanjing, China.
Song Forecast of passenger flow in railway terminals and evaluation of terminals
Aoun et al. Alleviating traffic congestion in Lebanon with special emphasis on the roadway section: Beirut-Jounieh.

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