CN116341926A - 基于多模式交通网络的都市圈或城市群实质边界识别方法 - Google Patents
基于多模式交通网络的都市圈或城市群实质边界识别方法 Download PDFInfo
- Publication number
- CN116341926A CN116341926A CN202310194893.7A CN202310194893A CN116341926A CN 116341926 A CN116341926 A CN 116341926A CN 202310194893 A CN202310194893 A CN 202310194893A CN 116341926 A CN116341926 A CN 116341926A
- Authority
- CN
- China
- Prior art keywords
- urban
- node
- reachability
- network
- travel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000012546 transfer Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000029305 taxis Effects 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出基于多模式交通网络的都市圈或城市群实质边界识别方法,包括多源出行信息数据的获取与预处理;基于改进马氏距离的点际可达性计算;基于异常影响因子的节点可达性计算;节点综合可达性计算;都市圈或城市群实质边界识别;基于功能多中心的识别结果验证。该方法基于新兴大数据分析技术设计了全新的点际可达性、节点可达性、节点综合可达性计算体系,并以此为基础提出了一个简单、高效、精准且易于理解的都市圈或城市群实质边界识别方法,对于相关大数据技术在城市与交通规划、工程领域的应用具有深刻的理论与现实意义。
Description
技术领域
本发明涉及一种多模式交通网络出行背景下的都市圈或城市群实质边界识别方法,属于交通与城市规划的交叉学科领域。
背景技术
作为现代城市化进程中跨行政边界发展的全新单元,都市圈、城市群等多中心城市区域的社会经济特征、城市规划、交通规划等均受到了业界的广泛关注。然而,当下仍缺少关于都市圈、城市群等实体范围的实质边界识别方法。随着居民陆路出行信息获取的日益便捷,新兴大数据分析技术为都市圈、城市群等多中心城市区域的实质性边界识别提供了可能,对于城市与交通的规划、设计等工程实践具有重要的现实意义。
发明内容
本发明目的是提供一种多模式交通网络出行背景下的都市圈或城市群实质边界识别方法,为今后都市圈、城市群等相关交通规划与政策的制定、调整、及实施提供科学量化的依据。同时,该方法也能在一定程度上减小规划方案、发展政策等落实与实际应用范围的偏差。
本发明通过对多模式交通出行网络节点综合可达性的评估,识别都市圈或城市群的实质边界,并结合功能多中心性对实质边界识别结果进行验证。
为解决上述技术问题,本发明基于大数据分析技术,提供了一种基于多模式交通网络的都市圈或城市群实质边界识别方法,包括以下步骤:
步骤1:多源出行信息数据的获取与预处理
多源出行信息数据主要包括各类常见交通方式的起讫点信息、票务信息、交通工具信息(含定员)、班次信息、行程信息(含行程时间、距离)等。基于以上信息与必要的假设条件,按照行程时间最短的基本原则,可获取由不同出行方式主导的出行链信息。每一条出行链信息包括:行程时间、行程距离、行程费用、班次数量、定员容量等,必要假设则包括:在由任何交通方式主导的组合出行网络下,网络中任意两点之间的有效路径均为行程时间最短、主导出行方式换乘最少的路径;当出行路径由多种出行模式共同构成时,用户在不同出行模式之间的换乘时间假设为固定值;任意出行链涉及的定员容量、班次总量应等于出行链中定员容量、班次总量最小的出行模式;广义上的私人交通工具(如私家车、网约车、出租车等)的理论“容量、班次总量”假设为无穷大;当铁路(如城际铁路、高速铁路、普通铁路等,且不包含城市轨道交通)为主导方式的出行链中,乘客在主导出行方式内部一般无需换乘。
步骤2:基于改进马氏距离的点际可达性计算
将步骤1获得的出行链数据作为输入数据,对数据进行降维处理后,按马氏距离的计算公式计算网络中任意两点之间的点际可达性。
式中,MMD为经数据降维后计算得到的马氏距离,即改进马氏距离;i、j分别为出行链的起讫点,且满足(i∈I=J,j∈J,j≠i);m为依据主导方式分类的数据集编号;x为目标出行链的数据向量;μ基准数据集的均值,本方法中的基准数据集宜采用仅依靠城市轨道交通的出行链数据集。
步骤3:基于异常影响因子的节点可达性计算
将步骤2获取的点际可达性作为步骤3的输入数据,基于异常影响因子算法计算不同主导交通方式出行网络m中的节点可达性,包括:
3.1删除单程出行链数据,确保数据的平整。
3.2确定不同出行方式主导的网络m中,目标节点i邻域内邻近点的数量N(i-nearest,m):
式中,Nm为网络m的节点总数。此外,点i与其邻近点集合P(i-nearest,m)中所有点的“距离”均小于最邻近距离MMD(i-nearest,m),后者通常是点i与最远邻近点的距离。
3.3在网络m中,基于最邻近距离MMD(i-nearest,m)确定点i到任意其他点j的可到达距离RMMD(i,j,m):
RMMD(i,j,m)=max{MMD(i-nearest,m),MMD(i,j,m)} (3)
3.4确定网络m中各点i局部可到达密度LRD(i,m):
LRD(i,m)=1/mean(∑j∈J=I,j≠iRMMD(i,j,m)) (4)
3.5确定网络m中各样本点i的节点可达性LOF(i,m):
步骤3中,任意出行方式主导的网络m中,非连通点的节点可达性的缺省值为无穷大。
步骤4:节点综合可达性计算
基于步骤3中不同主导交通方式出行网络m中的节点可达性计算整体网络(由不同交通出行网络叠加)的节点综合可达性,包括:
4.1:对各主导出行模式网络m中各个节点i的可达性的倒数进行归一化处理,n(i,m)为归一化后的值:
4.2:确定各主导出行模式网络m的熵hm:
4.3:计算各主导出行模式网络m的权重wm:
4.4:基于wm计算节点i的综合可达性指标SLOFi:
步骤5:都市圈或城市群实质边界识别
基于步骤4获得的多模式出行网络节点综合可达性指标SLOFi与绝对中值偏差法筛选可达性较差(或较好)的节点。进一步,根据这些综合可达性较差(或较好)的节点描绘都市圈或城市群的实质边界。
MAD=b*median(|SLOFi-median(SLOFi)|) (10)
U=median(SLOFi)+T×MAD (11)
L=median(SLOFi)-T×MAD (12)
式中,b为比例因子常数,一般取1.4826;U、L分别为判断综合可达性优劣的上、下阈值。当节点综合可达性大于U(或小于L),即为节点可达性较差的点;T为识别精度,一般取2、2.5、3。
步骤6:基于功能多中心的结果验证
步骤6主要利用外源居民活动数据(如职住分布、出行需求)等计算步骤5中获取的都市圈(或城市群)区域的功能多中心性,并对比步骤5中获取的都市圈(或城市群)区域所处更大区域的功能多中心性,达到验证的目的。功能多中心性的计算按下式进行:
式中,ρF为功能多中心性;Δ为网络密度;σF为网络中各节点度的标准差;σFmax为双节点网络中的最大节点度标准差(双节点网络由节点度不为0的点和节点度为0的点共同构成);L为网络中连通边的数量;Lmax网络中边的理论最大数量。
当步骤5中获取的都市圈(或城市群)区域的功能多中心性大于步骤5中获取的都市圈(或城市群)区域所处更大区域的功能多中心性时,说明结果可靠。否则,说明识别范围过小,未能囊括整个都市圈(或城市群)区域。
本发明方法应用于都市圈或城市群的城市规划、交通规划等相关的规划决策部门、工程咨询领域。
本发明方法基于新兴大数据分析技术设计了全新的点际可达性、节点可达性、节点综合可达性计算体系,并以此为基础提出了一个简单、高效、精准且易于理解的都市圈或城市群实质边界识别方法,对于相关大数据技术在城市与交通规划、工程领域的应用具有深刻的理论与现实意义。
附图说明
图1是本发明实施例提供的总体步骤,即都市圈或城市群实质边界识别方法。
图2是本发明实施例实质边界识别结果。注:由于网络密度过低,整个长三角“三省一市”区域的功能多中心性仅为约0.0001。
图3是本发明实施例实施例都市圈或城市群实质边界识别验证结果。*基于晚高峰时段数据的识别结果显示,杭州都市圈已经融入以上海为代表的城市群。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明做进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供了一种多模式交通网络出行背景下的都市圈或城市群实质边界识别方法。
下面结合具体实施例对本发明的应用原理作进一步的描述。
算例:
本发明实施例提供的都市圈或城市群实质边界识别方法,以长江三角洲上海、江苏、浙江、安徽等“三省一市”的全天、早高峰(6:00~10:00)、晚高峰(16:00~20:00)时段数据为例进行计算。
(1)获取多源出行信息数据,并进行必要的预处理
基于来自互联网的长三角区域内的路网、国家铁路、城市轨道交通、长途汽车等数据,并以拼接不同出行方式的网络行程的方式获取所有可能存在的出行链信息。实施例所采用的的数据概况及通过拼接获取的出行链数据集合如表1、表2所示。
表1基础数据概况
a:油耗统一取0.6CNY/km的综合油耗。
b:包含城际铁路、高速铁路、普通铁路等三种模式。
c:城市轨道交通定员统一取最常见车型的定员容量,约2,046人。
d:仅包含主要站点的班次,部分至偏远乡村地区的班次并不包含在内。此外,长途汽车一般为往返双程线路,但部分起讫站点间的班次仅公开了单程数据。考虑到缺失数据关联的站点往往是乡、镇、区级别的小站,严肃起见,最终用于研究的仅为122,099班次。
e:长途汽车定员统一取最常见车型的定员容量,约45人。
f:部分站点既是同时兼顾铁路站点、城市轨道交通站点、长途汽车站点等多重属性。
g:用户在城市轨道交通系统内的换乘时间假设为5分钟,其他均为10分钟。
表2拼接后的出行链分类与数据规模
*:意指不同时段下可获取的出行链数量。
表2中,每条出行链包含的信息有:起讫点、行程时间、行程距离、行程费用、班次总量(全天、早高峰、晚高峰)、定员(全天、早高峰、晚高峰)、城市轨道交通内与非城市轨道交通内的换乘次数等。
(2)对出行链数据进行降维,并由式(1)计算基于改进马氏距离的点际可达性。
针对表2中城市轨交(单模式)数据集进行主成分分析,并以表2中城市轨交(单模式)数据集为基准对其他所有降维处理,并由式(1)计算获得表1中各服务站点之间的点际可达性。
实施例的主成分分析按方差贡献率不低于90%确定主成分数量,得到各出行时段的主成分数量和系数如表3所示。由于实施例使用到的数据有限,使得各时段仅能提取一个主成分。
表3主成分分析结果
出行时段 | 行程时间 | 行程距离 | 行程费用 | 班次总量 | 定员 | 换乘时间 |
早高峰 | 0.0000 | -0.0007 | 0.1383 | 0.9853 | -0.0995 | 0.0092 |
晚高峰 | 0.0000 | -0.0001 | 0.1383 | 0.9853 | -0.0995 | 0.0092 |
全天 | 0.0000 | -0.0001 | 0.1383 | 0.9853 | -0.0995 | 0.0092 |
(3)节点可达性计算
依据式(2)~(5)计算不同出行模式主导的网络m中各节点的节点可达性。
(4)节点综合可达性的计算
依据式(6)~(9)计算不同出行模式主导的网络m叠加的多模交通出行网络的节点综合可达性。
(5)都市圈或城市群的实质边界识别
依据式(10)~(12)对多模式交通出行网络中各节点的综合可达性的优劣进行判别。基于此,依次连接未被综合可达性较差点覆盖的区域边缘的可达性较差点,进而勾勒出都市圈或城市群的实质边界,如图2所示。
(6)实质边界识别结果的验证
依据式(13)~(14)分别计算经步骤5中获取的都市圈(或城市群)区域功能多中心性以及这些都市圈(或城市群)所处更大区域的功能多中心性,并进行比较。当经步骤5中获取的都市圈(或城市群)区域的功能多中心性大于这些都市圈(或城市群)区域所处更大区域的功能多中心性时,说明结果有效。否则,说明识别范围过小,未能囊括整个都市圈(或城市群)区域,需扩大数据采集范围返回步骤1重新识别。从图3可知,算例所识别的各都市圈或城市群的功能多中心性均大于其所在大区域(“三省一市”)的相应数值(0.0001),结果有效。
Claims (8)
1.基于多模式交通网络的都市圈或城市群实质边界识别方法,其特征在于,包括以下步骤:
步骤1:多源出行信息数据的获取与预处理;
步骤2:基于改进马氏距离的点际可达性计算;
步骤3:基于异常影响因子的节点可达性计算;
步骤4:节点综合可达性计算;
步骤5:都市圈或城市群实质边界识别;
步骤7:基于功能多中心的结果确认。
2.如权利要求1所述的方法,其特征在于,步骤1中,多源出行信息数据的获取与预处理,包括:
基于各类常见交通方式的起讫点信息、票务信息、交通工具信息、班次信息、行程信息组合获取多模式交通出行背景下用户的可行组合出行链信息;
私家车、网约车、出租车这类具有私人交通出行方式不考虑其交通工具信息、班次信息,设置相应的缺省值为无穷大;
预处理则依据以上信息,按照行程时间最短、主导出行方式换乘最少为基本原则,通过必要的假设条件对出行信息进行组合,得到完整的出行链数据。
4.如权利要求1所述的方法,其特征在于,步骤3中,基于异常影响因子的节点可达性计算,具体为:
将步骤2获取的点际可达性作为步骤3的输入数据,基于异常影响因子算法计算不同主导交通方式出行网络m中的节点可达性,包括:
3.1删除单程出行链数据,确保数据的平整;
3.2确定不同出行方式主导的网络m中,目标节点i邻域内邻近点的数量N(i-nearest,m):
式中,Nm为网络m的节点总数;点i与其邻近点集合P(i-nearest,m)中所有点的“距离”均小于最邻近距离MMD(i-nearest,m),后者通常是点i与最远邻近点的距离;
3.3在网络m中,基于最邻近距离MMD(i-nearest,m)确定点i到任意其他点j的可到达距离RMMD(i,j,m):
RMMD(i,j,m)=max{MMD(i-nearest,m),MMD(i,j,m)} (3)
3.4确定网络m中各点i局部可到达密度LRD(i,m):
LRD(i,m)=1/mean(∑j∈J=I,j≠iRMMD(i,j,m)) (4)
3.5确定网络m中各样本点i的节点可达性LOF(i,m):
步骤3中,任意出行方式主导的网络m中,非连通点的节点可达性的缺省值为无穷大。
6.如权利要求1所述的方法,其特征在于,步骤5中,基于步骤4获得的多模式出行网络节点综合可达性指标SLOFi与绝对中值偏差法筛选可达性较差或较好的节点,进一步,根据这些综合可达性较差或较好的节点描绘都市圈或城市群的实质边界;
具体为:
MAD=b*median(|SLOFi-median(SLOFi)|) (10)
U=median(SLOFi)+T×MAD (11)
L=median(SLOFi)-T×MAD (12)
式中,b为比例因子常数,一般取1.4826;U、L分别为判断综合可达性优劣的上、下阈值;当节点综合可达性大于U或小于L即为节点可达性较差的点;T为识别精度,一般取2、2.5、3。
7.如权利要求1所述的方法,其特征在于,步骤6利用外源居民活动数据计算步骤5中获取的都市圈或城市群区域的功能多中心性,并对比步骤5中获取的都市圈或城市群区域所处更大区域的功能多中心性,达到验证的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194893.7A CN116341926A (zh) | 2023-03-02 | 2023-03-02 | 基于多模式交通网络的都市圈或城市群实质边界识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194893.7A CN116341926A (zh) | 2023-03-02 | 2023-03-02 | 基于多模式交通网络的都市圈或城市群实质边界识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341926A true CN116341926A (zh) | 2023-06-27 |
Family
ID=86884965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310194893.7A Pending CN116341926A (zh) | 2023-03-02 | 2023-03-02 | 基于多模式交通网络的都市圈或城市群实质边界识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341926A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797055A (zh) * | 2023-08-28 | 2023-09-22 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
-
2023
- 2023-03-02 CN CN202310194893.7A patent/CN116341926A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797055A (zh) * | 2023-08-28 | 2023-09-22 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
CN116797055B (zh) * | 2023-08-28 | 2023-11-07 | 日照朝力信息科技有限公司 | 一种基于物联网的城市道路规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269399A (zh) | 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 | |
CN109543882B (zh) | 一种基于最优公交平均站间距的公交线网密度计算方法 | |
CN102169524A (zh) | 城市轨道交通网络客流分布的分阶段多路径模型算法 | |
CN106448132A (zh) | 一种常规公交服务指数实时评价系统及评价方法 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN116341926A (zh) | 基于多模式交通网络的都市圈或城市群实质边界识别方法 | |
CN106951549A (zh) | 一种基于轨道ic卡和手机信令数据的乘客出行路线识别方法 | |
Pomykala | Effectiveness of urban transport modes | |
CN113408833A (zh) | 一种公共交通重点区域识别方法、装置及电子设备 | |
CN113361885B (zh) | 一种基于多源数据的双目标城市公交效益评价方法 | |
CN113592246B (zh) | 一种基于pca-topsis模型的道路施工期公交线网评价方法 | |
Tian et al. | Method for determining the valid travel route of railways based on generalised cost under the syncretic railway network | |
CN105023063B (zh) | 公交线网新能源公交车运行能耗指标体系的建立方法 | |
Liang et al. | Analysis of the Impact of Ride-Hailing on Urban Road Network Traffic by Using Vehicle Trajectory Data | |
Izadi et al. | Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city) | |
Ambarwati et al. | Improvement of public transport to minimize air pollution in urban sprawl | |
CN112632374A (zh) | 一种考虑定制公交的居民出行方式选择分析方法 | |
Kou et al. | Last-mile shuttle planning for improving bus commuters’ travel time reliability: a case study of Beijing | |
Chen et al. | Morning peak-period pricing surcharge of elderly passengers taking express buses | |
Di Maio et al. | The definition of bus fleet operational parameters: the dwell time estimation | |
Zhang et al. | Research on quantitative indicator system of transfer efficiency in airport general transportation center | |
CN114973668B (zh) | 一种基于拓扑步数分析的城市道路交通薄弱环节识别方法 | |
Wang et al. | Study on the Tourist Traffic Characteristics of People Entering Tibet and People in the Area | |
Han et al. | RESEARCH on route selection of urban rail passengers based on AFC data | |
Zhou et al. | Travel mode choice based on perceived quality of bus service |
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 |