CN116153088A - 交通需求预测方法、装置和电子设备 - Google Patents
交通需求预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN116153088A CN116153088A CN202310442075.4A CN202310442075A CN116153088A CN 116153088 A CN116153088 A CN 116153088A CN 202310442075 A CN202310442075 A CN 202310442075A CN 116153088 A CN116153088 A CN 116153088A
- Authority
- CN
- China
- Prior art keywords
- resident
- travel
- time period
- grid
- trip
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智慧交通技术领域，具体提供一种交通需求预测方法、装置和电子设备，旨在解决采用“四阶段法”进行交通需求的预测时准确性低、覆盖范围小、应用能力差以及研究空间尺度小的问题。为此目的，本申请的交通需求预测方法包括：获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据；根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率；根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量。本申请能够采用大量的出行数据和大的范围区域数据预测到的第一居民出行率预测交通需求量，有效地提高交通需求量预测的精确度和稳定性。
Description
技术领域
本申请涉及智慧交通技术领域，具体涉及一种交通需求预测方法、装置和电子设备。
背景技术
近年来，随着社会经济的快速发展，城市人口快速增加，城市规模不断扩展，车辆也在不断的增长，使得城市交通拥堵日益恶化，尤其在早晚高峰期间的交通拥堵最为严重，给城市交通系统带来巨大的压力。
相关技术中，往往是采用“四阶段法”进行交通需求的预测，在预测的过程中，对居民出行数据的获取，只能通过问卷调查的方式获取，准确性低、覆盖范围小；而且，通过这种预测方法只能对城市全体居民出行进行分析，针对性应用能力差，预测准确度低，不能发挥城市交通模型中模拟模型、集聚模型、分散模型的优势，导致研究空间尺度较小，精度不足，特别是在市区和市域空间尺度的模拟与预测效力难以达到预期效果。
发明内容
为解决以上问题，本申请提供一种交通需求预测方法、装置和电子设备，通过获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据，其中，地理信息数据包括目标区域的地图中划分出的多个网格，居民出行数据中包括各类人群的出行数据；根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率，其中，第一居民出行率包括目标时间段内每个网格内每类人群的第二居民出行率；根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量，能够获取不同类型人群的出行数据，并进行分网格分类型人群预测居民的出行率，并根据不同类型人群的居民出行率预测交通需求量，使得在预测交通需求量的过程中更加地精细化，有效提升交通需求的精确度。
第一方面，本申请实施例提供了一种交通需求预测方法，包括：获取目标区域预设历史时间段内的居民出行数据，以及所述目标区域的地理信息数据，其中，所述地理信息数据包括所述目标区域的地图中划分出的多个网格，所述居民出行数据中包括各类人群的出行数据；根据所述居民出行数据和所述地理信息数据，对目标时间段内所述目标区域的居民出行率进行预测，得到第一居民出行率，其中，所述第一居民出行率包括所述目标时间段内每个网格内每类人群的第二居民出行率；根据所述居民出行数据和所述第一居民出行率，预测所述目标时间段内所述目标区域的交通需求量。
第二方面，本申请实施例提供了一种交通需求预测装置，包括：获取模块，用于获取目标区域预设历史时间段内的居民出行数据，以及所述目标区域的地理信息数据，其中，所述地理信息数据包括所述目标区域的地图中划分出的多个网格，所述居民出行数据中包括各类人群的出行数据；居民出行率预测模块，用于根据所述居民出行数据和所述地理信息数据，对目标时间段内所述目标区域的居民出行率进行预测，得到第一居民出行率，其中，所述第一居民出行率包括所述目标时间段内每个网格内每类人群的第二居民出行率；交通需求预测模块，用于根据所述居民出行数据和所述第一居民出行率，预测所述目标时间段内所述目标区域的交通需求量。
第三方面，本申请实施例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，实现上述第一方面所述的方法。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
本申请实施例通过获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据，其中，地理信息数据包括目标区域的地图中划分出的多个网格，居民出行数据中包括各类人群的出行数据；根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率，其中，第一居民出行率包括目标时间段内每个网格内每类人群的第二居民出行率；根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量，能够获取不同类型人群的出行数据，以及划分不同的网格，并对不同网格内不同类型的人群的第二居民出行率进行预测，使得出行人群的数据以及目标区域更加的精细化，有利于提升居民出行率预测的准确性和可靠性，进而提高交通需求量预测的精确度和可靠度。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例所提供的一种交通需求预测方法的流程图；
图2示出了本申请实施例所提供的目标时间段内目标区域的交通生成量的预测效果图；
图3示出了本申请实施例所提供的目标时间段内目标区域的生成量的预测精度图；
图4示出了本申请实施例所提供的一种交通需求预测装置的结构示意图；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
相关技术中，往往是采用“四阶段法”进行交通需求的预测，在预测的过程中，对居民的出行数据的获取，只能通过问卷调查的方式获取，准确性低、覆盖范围小；而且通过这种预测方法只能对城市全体居民出行进行分析，针对性应用能力差，预测准确度低，不能发挥城市交通模型中模拟模型、集聚模型、分散模型的优势，导致研究空间尺度较小，精度不足，特别是在市区和市域空间尺度的模拟与预测效力难以达到预期效果。
基于此，本申请实施例提供一种交通需求预测方法。下面结合附图对本申请实施例的方案进行具体说明。
参见图1示出的一种交通需求预测方法的流程图，该方法具体包括以下步骤：
步骤101：获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据。
在本申请实施例中，居民出行数据中包括各类人群的出行数据，地理信息数据包括所述目标区域的地图中划分出的多个网格。
预设的历史时间段指的是预先设置的用于获取居民出行数据的时间段。预设的历史时间段可以是本领域技术人员根据实际需要设置的时间段，也可以是本领域技术人员根据实际需要对已设置的时间段进行调整后得到的时间段，本申请实施例不作具体限定。
一种实施方式中，可以通过获取移动端与通讯基站之间的通信记录数据，然后获取该通信记录数据中目标区域预设历史时间段内的居民出行数据，该居民出行数据中可以包括居民的姓名、性别、家庭住址、出行地址、出行地址对应的出行时间、收入状况、家庭住址区域的房价、移动端的品牌、移动端的型号中的至少一种信息。
进一步地，可以通过性别和年龄将获取到的居民出行数据划分为6类人群，即第1到6类人群分别为男未成年、男劳动力、男老年、女未成年、女劳动力、女老年。具体地，年龄在0-18岁时为未成年，年龄在18-60岁时为劳动力，年龄在60岁以上时为老年，然后结合居民的性别得到居民所属的类型人群。
进一步地，可以通过物联网获取该目标区域的地图，然后将该地图根据实际需要划分为多个网格，形成该目标区域的地理信息数据。
通过获取移动端与通讯基站之间的通信记录数据，然后基于该通信记录数据获取目标区域预设历史时间段内的居民出行数据，具有样本量大、时效性强、覆盖范围广、获取成本低、时空粒度精细等优势特征，为交通需求量的预测提供了夯实的数据基础，能够有效提升交通需求量预测的精确度和可靠度；而且，通过上述方式获取居民出行数据和目标区域的地理信息数据，耗时短、成本低且主观性弱，大大增强了目标区域交通需求量预测的准确性。
步骤102：根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率。
在本申请实施例中，目标时间段指的是将要进行预测的时间段。目标时间段可以是本领域技术人员根据实际需要设置的时间段，也可以是本领域技术人员根据实际需要对已设置的时间段进行调整后得到的时间段，本申请实施例不作具体限定。
一个实施方式中，可以基于居民出行数据，获取第一网格内第一类人群在历史时间段内的历史居民出行率，以及该第一网格在目标时间段内的居民经济属性，基于地理信息数据，获取该第一网格在目标时间段内的地理经济属性，基于历史居民出行率、居民经济属性和地理经济属性，对第一网格内第一类人群在目标时间段内的居民出行率进行预测，得到第二居民出行率。
需要说明的是，第一网格为多个网格中的任意一个，第一类人群为各类人群中的任意一类，居民经济属性性可以包括职住关系系数和房价中的至少一个，地理经济属性可以包括可达性、用地混合度指数、道路网络密度、道路交叉口密以及公交站个数中的至少一个。本申请实施例不作具体限定。
进一步地，可以基于历史居民出行率、居民经济属性和地理经济属性，通过下列公式对第一网格内第一类人群在目标时间段内第二居民出行率进行计算：
其中，
表示所述目标区域的第r个网格中第m类人群在所述目标时间段ft内的第二居民出行率，/>
表示所述目标区域的第r个网格中第m类人群在所述历史时间段ht内的历史居民出行率，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的可达性，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的用地混合度指数，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的道路网络密度，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的道路交叉口密，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的公交站个数，/>
表示第r个网格在所述目标时间段ft内的职住关系系数，/>
表示第r个网格在所述目标时间段ft内的房价，/>
表示预测系数。
进一步地，获取第r个网格内第m类人群在历史时间段内的历史居民出行率，可以是基于居民出行数据，获取历史时间段内该第r个网格内第m类人群的历史交通出行总量，以及获取历史时间段内该第r个网格内第m类人群的历史人数，将历史交通出行总量与历史人数得到的比值，作为该第r个网格内第m类人群在历史时间段内的历史居民出行率。
进一步地，可以通过空间相互作用模型获取目标区域的第r个网格在目标时间段ft内的可达性。由于通过空间相互作用模型获取可达性的获取方式为本领域技术人员惯用的技术手段，本申请实施例中不再进行详细赘述。
进一步地，可以基于目标区域的地理信息数据，获取第r个网格内交通小区的用地类型，分别计算第r格网格中每种用地类型的用地面积在总用地面积中的比例，根据该第r个网格中每种用地类型的用地面积在总用地面积中的比例，通过下列公式计算第r个网格在目标时间段内的用地混合度指数：
其中，N为第r个网格内交通小区的用地类型的数量，
为目标时间段内第r个网格中v用地类型的用地面积在总用地面积中的比例，当/>
=0时，通过下列公式对该比例进行修正：
其中，
为目标时间段内第r个网格中v用地类型的面积。
需要说明的是，用地类型可以包括居住用地、商业服务业设施用地、工业用地、公共管理与公共服务用地、绿地与广场用地、道路与交通设施用地、城市公用设施用地、其他非建设用地中的至少一种类型。
进一步地，目标区域的第r个网格在目标时间段ft内的道路网络密度
、道路交叉口密度/>
、公交站个数/>
均可以基于目标区域的地理信息数据，通过空间统计与空间计算得到。由于该计算方式是本领域技术人员惯用的技术手段，本申请实施例中不再进行详细赘述。
进一步地，可以基于居民出行数据，获取第r个网格内就业岗位数和居住人口数量，将该就业岗位数与居中人口的比值作为第r个网格在目标时间段ft内的职住关系系数。
进一步地，可以基于居民出行数据，获取第r个网格在目标时间段内的房价。
进一步地，可以将该第r个网格内第m类人群在历史时间段内的历史居民出行率、目标区域的第r个网格在目标时间段ft内的可达性，目标区域的第r个网格在目标时间段ft内的用地混合度指数，目标区域的第r个网格在目标时间段ft内的道路网络密度，目标区域的第r个网格在目标时间段ft内的道路交叉口密，目标区域的第r个网格在目标时间段ft内的公交站个数，第r个网格在目标时间段ft内的职住关系系数，第r个网格在目标时间段ft内的房价带入到上述公式中后进行计算，得到各个预测系数，然后按照该预测系数对目标时间段内目标区域的居民出行率进行预测，得到第二居民出行率。
通过基于历史居民出行率、居民经济属性和地理经济属性，对第一网格内第一类人群在目标时间段内的居民出行率进行预测，能够精确地追踪到每个居民个体，对目标区域居民的更新敏感度能够有效地进行捕捉，使得预测的结果更加接近目标区域的真实情况，大大地增强了预测的成熟度，显著地提升预测的精确度和实用性。
步骤103：根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量。
通过步骤102预测得到目标时间段内所述目标区域的第一居民出行率之后，可以根据居民出行数据和该第一居民出行率，预测目标时间段内目标区域的交通需求量。
具体地，在本申请实施例中的一种实施方式中，居民出行数据可以包括居民出行轨迹，对居民出行数据按照居民出行轨迹进行分类，得到多条居民出行链，根据居民出行数据及目标时间段内每个网格内每类人群的第二居民出行率，分别预测选择各条居民出行链的第一出行人数，然后利用选择各条居民出行链的第一出行人数，预测目标时间段内目标区域的交通需求量。
进一步地，可以基于居民出行数据，获取第一网格内第一类人群在历史时间段内选择第一居民出行链的历史出行量月平均分布概率，以及第一网格内第一类人群在历史时间段内的历史人口数量，然后对历史出行量月平均分布概率、历史人口数量以及第一网格内第一类人群的第二居民出行率进行乘积计算，得到第一网格内第一类人群在目标时间段内选择第一居民出行链的第一出行人数。
需要说明的是，第一网格为多个网格中的任意一个，第一类人群为各类人群中的任意一类，第一居民出行链为多条居民出行链中的任意一条。
进一步地，可以基于居民出行数据，获取第一网格内第一类人群在历史时间段内选择第一居民出行链的历史选择人数，以及获取第一网格内第一类人群在历史时间段内的历史人口数量，将该历史选择人数与该历史人口数量的比值作为第一网格内第一类人群在历史时间段内选择第一居民出行链的历史出行量月平均分布概率。
通过根据居民出行数据及目标时间段内每个网格内每类人群的第二居民出行率，分别预测选择各条居民出行链的第一出行人数，能够分网格、分人群的预测居民出行链的出行人数，对于个体居民的出行范围进行更加精细化的定位，使得该目标区域的交通需求量能够适合居民长出行链的预测，显著地提升了交通需求量预测的实用性。
进一步地，交通需求量可以包括交通生成量，利用选择各条居民出行链的第一出行人数，预测目标时间段内目标区域的交通需求量，具体地可以分别获取各网格内每条居民出行链对应的历史生成量，以及分别将同一网格内各类人群在目标时间段内选择同一出行链的第一出行人数进行求和，得到各网格内同一居民出行链对应的第二出行人数，然后，对于每条居民出行链，将居民出行链对应的历史生成量与居民出行链对应的第二出行人数进行乘积计算，得到在目标时间段内选择居民出行链的交通生成量，最后，将各条居民出行链的交通生成量进行求和，得到目标时间段内目标区域的交通生成量，与实际交通生成量进行对比，结果如图2所示。
进一步地，交通需求量还可以包括交通吸引量，利用选择各条居民出行链的第一出行人数，预测目标时间段内目标区域的交通需求量，具体地可以分别获取各网格内每条居民出行链对应的历史吸引量，以及分别将同一网格内各类人群在目标时间段内选择同一出行链的第一出行人数进行求和，得到各网格内同一居民出行链对应的第二出行人数，然后，对于每条居民出行链，将居民出行链对应的历史吸引量与居民出行链对应的第二出行人数进行乘积计算，得到在目标时间段内选择居民出行链的交通吸引量，最后，将各条居民出行链的交通吸引量进行求和，得到目标时间段内目标区域的交通吸引量。
进一步地，居民出行链可以包括出行地址以及出行地址对应的出行时间，分别获取各网格内每条居民出行链对应的历史生成量和吸引量，具体地可以对第一居民出行链按照出行时间由早到晚的顺序，依次截取两两相邻的出行地址，生成第一居民出行链的多个第一居民出行轨迹，基于居民出行数据和地理信息数据，获取第一网格内选择第一居民出行链出行的居民的家庭住址及该家庭住址所属的家庭网格，若家庭网格与第一网格相同，则获取多个第一居民出行轨迹中包含家庭住址的第一居民出行轨迹的数量，得到第一数量；若家庭网格与第一网格不相同，则获取多个第一居民出行轨迹中的开始出行地址所属的开始网格与第一网格相同，且多个第一居民出行轨迹中的结束出行地址所属的结束网格与第一网格不相同的第一居民出行轨迹的数量，得到第二数量，以及获取多个第一居民出行轨迹中的结束出行地址所属的结束网格与家庭网格相同的第一居民出行轨迹的数量，得到第三数量；若家庭网格与第一网格不相同，则获取多个第一居民出行轨迹中的开始出行地址所属的开始网格与第一网格相同，且多个第一居民出行轨迹中的结束出行地址所属的结束网格与家庭网格相同的第一居民出行轨迹的数量，得到第四数量；将第一数量与第二数量进行求和，得到第一网格内第一居民出行链出行的历史生成量；将第三数量和第四数量进行求和，得到第一网格内第一居民出行链出行的历史吸引量。
需要说明的是，第一居民出行轨迹中出行时间早的出行地址为开始出行地址，剩下的出行地址为结束出行地址，第一居民出行链为多条居民出行链中的任意一条，第一网格为多个网格中的任意一个。
举例说明，若第一居民出行链为如下表格中的出行地址以及出行时间：
按照出行时间由早到晚的顺序进行排序后为第一出行地址、第三出行地址、第四出行地址、第六出行地址、第二出行地址、第五出行地址，然后依次截取两两相邻的出行地址得到：第一出行地址-第三出行地址、第三出行地址-第四出行地址、第四出行地址-第六出行地址、第六出行地址-第二出行地址、第二出行地址-第五出行地址共五个第一居民出行轨迹；
若第一网格内选择第一居民出行链出行的居民、家庭住址以及对应的家庭网格如下表格所示：
第一数量为在家庭网格与第一网格相同的情况下，获取的多个第一居民出行轨迹中包含家庭住址的第一居民出行轨迹的数量，即张三、李四和赵六的家庭网格与第一网格相同，则多个第一居民出行轨迹中包含张三、李四和赵六的家庭住址（第一住址）的第一居民出行轨迹的数量都为1，则第一数量为3；
第二数量为在家庭网格与第一网格不相同的情况下，获取多个第一居民出行轨迹中的开始出行地址所属的开始网格与第一网格相同，且多个第一居民出行轨迹中的结束出行地址所属的结束网格与第一网格不相同的所有居民的第一居民出行轨迹的数量，即王五和楚七的家庭网格与第一网格不相同，则王五和楚七对应的第一居民出行轨迹的数量都为1，则第二数量为2；
第三数量为在家庭网格与第一网格不相同的情况下，获取多个第一居民出行轨迹中的结束出行地址所属的结束网格与第一网格相同的所有居民的第一居民出行轨迹的数量，即王五和楚七的家庭网格与第一网格不相同，则王五和楚七对应的第一居民出行轨迹的数量都为3，则第三数量为6；
第四数量为在家庭网格与第一网格不相同的情况下，获取多个第一居民出行轨迹中的开始出行地址所属的开始网格与第一网格相同，且多个第一居民出行轨迹中的结束出行地址所属的结束网格与家庭网格相同的所有居民的第一居民出行轨迹的数量，即王五和楚七的家庭网格与第一网格不相同，则王五和楚七对应的第一居民出行轨迹的数量都为1，则第四数量为2；
最后，第一网格内第一居民出行链出行的历史生成量＝第一数量＋第二数量＝3＋2＝5；第一网格内第一居民出行链出行的历史吸引量＝第三数量＋第四数量＝6＋2＝8。
进一步地，交通需求量还包括交通分布量，利用选择各条居民出行链的第一出行人数，预测目标时间段内所述目标区域的交通需求量，具体地可以分别获取各条所述居民出行链的多个第二居民出行轨迹，分别对各网格内各类人群在目标时间段内选择第二居民出行轨迹对应的居民出行链的第一出行人数进行求和，得到第二居民出行轨迹在目标区域的交通分布量，对同一第二居民出行轨迹在目标区域的交通分布量进行合并处理，得到目标区域在目标时间段内的交通分布量。
进一步地，分别获取各条所述居民出行链的多个第二居民出行轨迹的获取方式与上述实施例中获取多个第一居民出行轨迹的获取方式相同，此处不再进行重复赘述。
进一步地，对同一第二居民出行轨迹在目标区域的交通分布量进行合并处理可以将所有相同的第二居民出行轨迹在目标区域的交通分布量进行求和，求和结果为该第二居民出行轨迹在目标区域的交通分布量。本申请实施例的目标时间段内目标区域的交通分布量的预测结果如图3所示。从图3所述的目标时间段内目标区域的交通分布量的预测结果来看，预测结果和实际情况基本吻合。
本申请实施例通过获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据，其中，地理信息数据包括目标区域的地图中划分出的多个网格，居民出行数据中包括各类人群的出行数据；根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率，其中，第一居民出行率包括目标时间段内每个网格内每类人群的第二居民出行率；根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量，能够获取不同类型人群的出行数据，以及划分不同的网格，并对不同网格内不同类型的人群的第二居民出行率进行预测，使得出行人群的数据以及目标区域更加的精细化，有利于提升居民出行率预测的准确性和可靠性，进而提高交通需求量预测的精确度和可靠度。与分类回归模型-四阶段法预测进行交通生成量的预测精度相相比，本申请的交通需求预测方法预测的交通生成量的预测精度大大地提高，效果如图3所示。
在一些扩展的实施方式中，可以在通过上述步骤103获取到目标区域在目标时间段内的交通需求量之后，根据预测到的交通分布量生成OD矩阵（起讫点矩阵的缩写），然后采用等间距法进行分级空间可视化展示。
需要说明的是，根据交通分布量生成OD矩阵，然后采用等间距法进行分级空间可视化展示，形成预测图是本领域技术人员惯用的技术手段，本申请实施例中不再进行详细赘述。
在一些扩展的实施方式中，在对居民出行数据按照居民出行轨迹进行分类，得到多条居民出行链之后，还可以对选择各条居民出行链的居民的平均年龄进行预测，得到各条居民出行链的出行量平均年龄。具体地可以为，对于每条居民出行链，获取选择该居民出行链的居民的年龄以及获取居民的年龄标签，根据该年龄标签获取年龄的权重值，将居民的年龄与权重值进行相加后得到加权年龄值，将所有居民的加权年龄值进行求和，得到该居民出行链的出行量平均年龄。
进一步地，根据该年龄标签获取年龄的权重值，可以预先设置年龄标签与年龄段的对应关系，根据该对应关系得到年龄标签的年龄段，将该年龄段的中间值作为该权重值。
通过预测每条出行链的出行量平均年龄，能够直观地得知各个区域的劳动力的多少，提高对各个区域的发展政策部署的准确性，更能够满足智慧交通规划管理的精细化业务需求。
在一些扩展的实施方式中，在预测得到目标时间段内目标区域的交通生成量之后，可以预测该目标区域内男性居民与女性居民的性别比。
通过预测该目标区域内男性居民与女性居民的性别比，能够直观了解该目标区域存在的城乡地带行的差异，目标区域中心及郊区的城镇建设区通常具有较高的女性出行量比例，城镇建设水平较低的郊区乡镇则具有更高的男性出行量比例，能够直观反映政策导向。
参见图4，本申请实施例还提供一种交通需求预测装置，该装置用于执行上述实施例所述的交通需求预测方法，该装置包括：
获取模块201，用于获取目标区域预设历史时间段内的居民出行数据，以及目标区域的地理信息数据，其中，地理信息数据包括目标区域的地图中划分出的多个网格，居民出行数据中包括各类人群的出行数据；
居民出行率预测模块202，用于根据居民出行数据和地理信息数据，对目标时间段内目标区域的居民出行率进行预测，得到第一居民出行率，其中，第一居民出行率包括目标时间段内每个网格内每类人群的第二居民出行率；
交通需求预测模块203，用于根据居民出行数据和第一居民出行率，预测目标时间段内目标区域的交通需求量。
本申请实施例提供的交通需求预测装置与上述实施例提供的交通需求预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的交通需求预测方法对应的电子设备。请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备30可以包括：处理器300，存储器301，总线302和通信接口303，所述处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述处理器300上运行的计算机程序，所述处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的交通需求预测方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个物理端口303（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述交通需求预测方法可以应用于处理器300中，或者由处理器300实现。
处理器300可能是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器300可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的交通需求预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的交通需求预测方法对应的计算机可读存储介质，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的交通需求预测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请实施方式还提供一种与前述实施方式所提供的交通需求预测方法对应的计算机程序产品，包括计算机程序，该计算机程序被处理器执行以实现上述各实施例提供的相交通需求预测方法。
本申请的上述实施例提供的计算机可读存储介质、计算机程序产品均与本申请实施例提供的交通需求预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种交通需求预测方法，其特征在于，包括：
获取目标区域预设历史时间段内的居民出行数据，以及所述目标区域的地理信息数据，其中，所述地理信息数据包括所述目标区域的地图中划分出的多个网格，所述居民出行数据中包括各类人群的出行数据；
根据所述居民出行数据和所述地理信息数据，对目标时间段内所述目标区域的居民出行率进行预测，得到第一居民出行率，其中，所述第一居民出行率包括所述目标时间段内每个网格内每类人群的第二居民出行率；
根据所述居民出行数据和所述第一居民出行率，预测所述目标时间段内所述目标区域的交通需求量。
2.根据权利要求1所述的交通需求预测方法，其特征在于，所述根据所述居民出行数据和所述地理信息数据，对目标时间段内所述目标区域的居民出行率进行预测，得到第一居民出行率，包括：
基于所述居民出行数据，获取第一网格内第一类人群在所述历史时间段内的历史居民出行率，以及所述第一网格在所述目标时间段内居民经济属性，其中，所述第一网格为所述多个网格中的任意一个，所述第一类人群为所述各类人群中的任意一类，所述居民经济属性性包括职住关系系数和房价中的至少一个；
基于所述地理信息数据，获取所述第一网格在所述目标时间段内的地理经济属性，所述地理经济属性包括可达性、用地混合度指数、道路网络密度、道路交叉口密以及公交站个数中的至少一个；
基于所述历史居民出行率、所述居民经济属性和地理经济属性，对所述第一网格内第一类人群在所述目标时间段内的居民出行率进行预测，得到所述第二居民出行率。
3.根据权利要求2所述的交通需求预测方法，其特征在于，所述基于所述历史居民出行率、所述居民经济属性和地理经济属性，对所述第一网格内第一类人群在所述目标时间段内的居民出行率进行预测，得到所述第二居民出行率，包括：
基于所述历史居民出行率、所述居民经济属性和地理经济属性，通过以下公式计算所述第二居民出行率：
其中，
表示所述目标区域的第r个网格中第m类人群在所述目标时间段ft内的第二居民出行率，/>
表示所述目标区域的第r个网格中第m类人群在所述历史时间段ht内的历史居民出行率，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的可达性，
表示所述目标区域的第r个网格在所述目标时间段ft内的用地混合度指数，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的道路网络密度，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的道路交叉口密，/>
表示所述目标区域的第r个网格在所述目标时间段ft内的公交站个数，/>
表示第r个网格在所述目标时间段ft内的职住关系系数，/>
表示第r个网格在所述目标时间段ft内的房价，/>
表示预测系数。
4.根据权利要求1所述的交通需求预测方法，其特征在于，所述居民出行数据包括居民出行轨迹，所述根据所述居民出行数据和所述第一居民出行率，预测所述目标时间段内所述目标区域的交通需求量，包括：
对所述居民出行数据按照所述居民出行轨迹进行分类，得到多条居民出行链；
根据所述居民出行数据及所述目标时间段内每个网格内每类人群的第二居民出行率，分别预测选择各条居民出行链的第一出行人数；
利用选择各条居民出行链的第一出行人数，预测所述目标时间段内所述目标区域的交通需求量。
5.根据权利要求4所述的交通需求预测方法，其特征在于，所述根据所述居民出行数据及所述目标时间段内每个网格内每类人群的第二居民出行率，分别预测选择各条居民出行链的第一出行人数，包括：
基于所述居民出行数据，获取第一网格内第一类人群在所述历史时间段内选择第一居民出行链的历史出行量月平均分布概率，以及所述第一网格内所述第一类人群在所述历史时间段内的历史人口数量，其中，所述第一网格为所述多个网格中的任意一个，所述第一类人群为所述各类人群中的任意一类，所述第一居民出行链为所述多条居民出行链中的任意一条；
对所述历史出行量月平均分布概率、所述历史人口数量以及所述第一网格内第一类人群的第二居民出行率进行乘积计算，得到所述第一网格内所述第一类人群在所述目标时间段内选择所述第一居民出行链的第一出行人数。
6.根据权利要求4所述的交通需求预测方法，其特征在于，所述交通需求量包括交通生成量和交通吸引力量，所述利用选择各条居民出行链的第一出行人数，预测所述目标时间段内所述目标区域的交通需求，包括：
分别获取各网格内每条居民出行链对应的历史生成量和历史吸引量；
分别将同一网格内各类人群在所述目标时间段内选择同一出行链的第一出行人数进行求和，得到各网格内同一居民出行链对应的第二出行人数；
对于每条居民出行链，将所述居民出行链对应的所述历史生成量与所述居民出行链对应的所述第二出行人数进行乘积计算，得到在所述目标时间段内选择所述居民出行链的交通生成量；
对于每条居民出行链，将所述居民出行链对应的所述历史吸引量与所述居民出行链对应的所述第二出行人数进行乘积计算，得到在所述目标时间段内选择所述居民出行链的交通吸引量；
将各条居民出行链的交通生成量进行求和，得到所述目标时间段内所述目标区域的交通生成量，以及将条居民出行链的交通吸引量进行求和，得到所述目标时间段内所述目标区域的交通吸引量。
7.根据权利要求6所述的交通需求预测方法，其特征在于，所述居民出行链包括出行地址以及所述出行地址对应的出行时间，所述分别获取各网格内每条居民出行链对应的历史生成量和历史吸引量，包括：
对第一居民出行链按照所述出行时间由早到晚的顺序，依次截取两两相邻的所述出行地址，生成所述第一居民出行链的多个第一居民出行轨迹，其中，所述第一居民出行轨迹中所述出行时间早的出行地址为开始出行地址，剩下的出行地址为结束出行地址，所述第一居民出行链为所述多条居民出行链中的任意一条；
基于所述居民出行数据和所述地理信息数据，获取第一网格内选择所述第一居民出行链出行的居民的家庭住址及所述家庭住址所属的家庭网格，其中，所述第一网格为所述多个网格中的任意一个；
若所述家庭网格与所述第一网格相同，则获取所述多个第一居民出行轨迹中包含所述家庭住址的第一居民出行轨迹的数量，得到第一数量；
若所述家庭网格与所述第一网格不相同，则获取所述多个第一居民出行轨迹中的所述开始出行地址所属的开始网格与所述第一网格相同，且所述多个第一居民出行轨迹中的所述结束出行地址所属的结束网格与所述第一网格不相同的第一居民出行轨迹的数量，得到第二数量，以及获取所述多个第一居民出行轨迹中的所述结束出行地址所属的结束网格与所述家庭网格相同的第一居民出行轨迹的数量，得到第三数量；
若所述家庭网格与所述第一网格不相同，则多个第一居民出行轨迹中的开始出行地址所属的开始网格与第一网格相同，且所述多个第一居民出行轨迹中的所述结束出行地址所属的结束网格与所述家庭网格相同的第一居民出行轨迹的数量，得到第四数量；
将所述第一数量与所述第二数量进行求和，得到所述第一网格内所述第一居民出行链出行的历史生成量；
将所述第三数量和所述第四数量进行求和，得到所述第一网格内所述第一居民出行链出行的历史吸引量。
8.根据权利要求4所述的交通需求预测方法，其特征在于，所述交通需求量还包括交通分布量，所述利用选择各条居民出行链的第一出行人数，预测所述目标时间段内所述目标区域的交通需求量，包括：
分别获取各条所述居民出行链的多个第二居民出行轨迹；
分别对各网格内各类人群在所述目标时间段内选择所述第二居民出行轨迹对应的居民出行链的第一出行人数进行求和，得到所述第二居民出行轨迹在所述目标区域的交通分布量；
对同一所述第二居民出行轨迹在所述目标区域的交通分布量进行合并处理，得到所述目标区域在所述目标时间段内的交通分布量。
9.一种交通需求预测装置，其特征在于，包括：
获取模块，用于获取目标区域预设历史时间段内的居民出行数据，以及所述目标区域的地理信息数据，其中，所述地理信息数据包括所述目标区域的地图中划分出的多个网格，所述居民出行数据中包括各类人群的出行数据；
居民出行率预测模块，用于根据所述居民出行数据和所述地理信息数据，对目标时间段内所述目标区域的居民出行率进行预测，得到第一居民出行率，其中，所述第一居民出行率包括所述目标时间段内每个网格内每类人群的第二居民出行率；
交通需求预测模块，用于根据所述居民出行数据和所述第一居民出行率，预测所述目标时间段内所述目标区域的交通需求量。
10.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442075.4A CN116153088B (zh) | 2023-04-23 | 2023-04-23 | 交通需求预测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310442075.4A CN116153088B (zh) | 2023-04-23 | 2023-04-23 | 交通需求预测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116153088A true CN116153088A (zh) | 2023-05-23 |
| CN116153088B CN116153088B (zh) | 2023-09-01 |
Family
ID=86362217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310442075.4A Active CN116153088B (zh) | 2023-04-23 | 2023-04-23 | 交通需求预测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116153088B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542402A (zh) * | 2023-07-06 | 2023-08-04 | 北京大学 | 居民出行方式预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015096400A1 (zh) * | 2013-12-24 | 2015-07-02 | 中兴通讯股份有限公司 | 一种利用移动通信数据挖掘进行公交规划的方法 |
| CN115062873A (zh) * | 2022-08-12 | 2022-09-16 | 北京大学 | 交通出行方式预测方法和装置、存储介质及电子设备 |
-
2023
- 2023-04-23 CN CN202310442075.4A patent/CN116153088B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015096400A1 (zh) * | 2013-12-24 | 2015-07-02 | 中兴通讯股份有限公司 | 一种利用移动通信数据挖掘进行公交规划的方法 |
| CN115062873A (zh) * | 2022-08-12 | 2022-09-16 | 北京大学 | 交通出行方式预测方法和装置、存储介质及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 刘学军 等: "利用可达性模型预测轨道交通站点发生客流", 华中建筑, no. 12 * |
| 海晓东 等: "基于手机信令数据的特大城市人口时空分布及其社会经济属性估测――以北京市为例", 北京大学学报(自然科学版), no. 03 * |
| 赵鹏军 等: "城市交通与土地利用一体化模型的核心算法进展及技术创新", 地球信息科学学报, no. 04 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542402A (zh) * | 2023-07-06 | 2023-08-04 | 北京大学 | 居民出行方式预测方法 |
| CN116542402B (zh) * | 2023-07-06 | 2023-10-03 | 北京大学 | 居民出行方式预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116153088B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Urban growth models: progress and perspective | |
| Schläpfer et al. | Valuation of landscape amenities: A hedonic pricing analysis of housing rents in urban, suburban and periurban Switzerland | |
| Fontaine et al. | An agent-based approach to model future residential pressure on a regional landscape | |
| Vimal et al. | Detecting threatened biodiversity by urbanization at regional and local scales using an urban sprawl simulation approach: Application on the French Mediterranean region | |
| Moeckel et al. | Microsimulation of urban land use | |
| CN116153088B (zh) | 交通需求预测方法、装置和电子设备 | |
| CN107506433A (zh) | 城市发展空间格局情景模拟系统 | |
| Mahamud et al. | Identifying factors influencing urban spatial growth for the George Town Conurbation | |
| Zhou et al. | A novel spatio-temporal cellular automata model coupling partitioning with CNN-LSTM to urban land change simulation | |
| Waddell et al. | Manufacturing location in a polycentric urban area: a study in the composition and attractiveness of employment subcenters | |
| Kim et al. | Estimating urban spatial temperatures considering anthropogenic heat release factors focusing on the mobility characteristics | |
| Jian et al. | CA-based urban land use prediction model: A case study on orange county, Florida, US | |
| Li et al. | Research on land‐use evolution and ecosystem services value response in mountainous counties based on the SD‐PLUS model | |
| Zhang et al. | The distribution characteristics and driving mechanism of vacant land in Chengdu, China: A perspective of urban shrinkage and expansion | |
| Wimhurst et al. | Predicting commercial wind farm site suitability in the conterminous United States using a logistic regression model | |
| Bindajam et al. | Assessing landscape fragmentation due to urbanization in English Bazar Municipality, Malda, India, using landscape metrics | |
| Chung et al. | Investigating the effects of POI-based land use on traffic accidents in Suzhou Industrial Park, China | |
| Hu et al. | Construction of a refined population analysis unit based on urban forms and population aggregation patterns | |
| Salim et al. | The effect of transport infrastructure on land-use change: The case of toll road and high-speed railway development in West Java | |
| Tian et al. | Suburban sprawl measurement and landscape analysis of cropland and ecological land: A case study of Jiangsu Province, China | |
| Crols et al. | Downdating high-resolution population density maps using sealed surface cover time series | |
| Mubea et al. | Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya | |
| Karimi et al. | Integrated sub-regional planning informed by weighted spatial network models: The case of Jeddah sub-regional system | |
| Duan et al. | Influence of the built environment on taxi travel demand based on the optimal spatial analysis unit | |
| Chuangchang et al. | Modelling urban growth over time using grid-digitized method with variance inflation factors applied to spatial correlation |
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 |