CN116894609B - 一种基于半监督图神经网络的公交轨道接驳评价方法 - Google Patents
一种基于半监督图神经网络的公交轨道接驳评价方法 Download PDFInfo
- Publication number
- CN116894609B CN116894609B CN202311153523.5A CN202311153523A CN116894609B CN 116894609 B CN116894609 B CN 116894609B CN 202311153523 A CN202311153523 A CN 202311153523A CN 116894609 B CN116894609 B CN 116894609B
- Authority
- CN
- China
- Prior art keywords
- bus
- connection
- track
- station
- node
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 description 11
- 238000003032 molecular docking Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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—Systems or methods specially adapted for 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
Abstract
本申请提供一种基于半监督图神经网络的公交轨道接驳评价方法,利用公交轨道IC卡信息、GPS数据和城市公共交通拓扑结构信息,建立包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络的多角度公交轨道接驳图结构,该图结构中包括多个节点,各节点对应公交系统中与轨道接驳的公交接驳站点。基于图注意力机制,获得多角度公交轨道接驳图结构中各节点的高维度表示信息。基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型获得每个公交接驳站点的接驳能力评价结果。该方案可全方面对站点接驳能力进行评估,使得交通系统整体效率最优化。
Description
技术领域
本发明涉及公共交通评价技术领域,具体而言,涉及一种基于半监督图神经网络的公交轨道接驳评价方法。
背景技术
随着城市化进程的加快和人口的不断增长,城市公共交通系统的重要性日益凸显。从交通功能划分上来看,轨道交通重点承担长距离出行,地面公交重点承担中、短距离及微循环接驳出行。为了提高城市交通的效率和便捷性,二者需要通过设施、服务、信息系统等各个方面融合,从而促进城市交通系统整体效率最大化和最优化,因此当前公交轨道接驳成为了一种重要的交通模式。公交轨道接驳通过将公交线路与轨道交通系统相连接,实现不同交通模式之间的衔接,为乘客提供更便捷、高效的出行方式。
然而,由于轨道、地面公交管理分属不同部门和主体,两网融合的难度较大,运营服务整合不深,特别是在换乘衔接方面,不够理想,一定程度上制约了城市整体交通水平的提升。因此,如何对公交轨道接驳能力进行评估,从而以使得城市交通系统整体效率最优化,是目前亟待解决的难题。
发明内容
本发明的目的包括,例如,提供了一种基于半监督图神经网络的公交轨道接驳评价方法,其能够全方面对站点接驳能力进行评估,使得交通系统整体效率最优化。
本发明的实施例可以这样实现:
第一方面,本申请提供一种基于半监督图神经网络的公交轨道接驳评价方法,所述方法包括:
利用获得的公交轨道IC卡信息、GPS数据与城市公共交通拓扑结构信息,建立多角度公交轨道接驳图结构,所述多角度公交轨道接驳图结构包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络,所述多角度公交轨道接驳图结构中包括多个节点,具有邻接关系的节点之间具有边,各所述节点对应公交系统中与轨道接驳的公交接驳站点;
基于图注意力机制,获得所述多角度公交轨道接驳图结构中各节点的高维度表示信息;
基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型和所述多角度公交轨道接驳图结构中各节点的高纬度表示信息,获得每个公交接驳站点的接驳能力评价结果。
在可选的实施方式中,建立所述空间连通度指标图网络的步骤,包括:根据城市公共交通拓扑结构信息计算出任意公交站点和任意轨道站点之间的直线距离;
判定所述直线距离小于预设距离的公交站点和轨道站点之间存在接驳关系,以确定公交接驳站点和轨道接驳站点;
获得对应的公交接驳站点和轨道接驳站点之间的步行距离;
基于所述直线距离和步行距离得到空间连通度指标;
将所述空间连通度指标设置为各节点的节点属性,以建立空间连通度指标图网络。
在可选的实施方式中,建立所述时间匹配度指标图网络的步骤,包括:
根据GPS数据计算得到接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数;
基于所述接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数构建时间匹配度指标;
将所述时间匹配度指标设置为各节点的节点属性,以建立时间匹配度指标图网络。
在可选的实施方式中,根据GPS数据计算得到接驳线路早班运营时间匹配指数的步骤,包括:
针对各所述公交接驳站点,获得公交早班车到达所述公交接驳站点的早班车时间点;
获得轨道早班轨道到达对应的轨道接驳站点的早班轨道时间点;
计算早班车时间点和早班轨道时间点之间的接驳时间差;
基于多日所计算得到的多个接驳时间差,得到接驳平均时间差;
将所述接驳平均时间差除以公交系统中的最大接驳平均时间差,得到接驳线路早班运营时间匹配指数。
在可选的实施方式中,建立所述乘客换乘流量指标图网络的步骤,包括:
根据获得的公交轨道IC卡信息,计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量和接驳上车客流总量;
计算所述接驳上车客流总量和下车总客流量之间的比值,得到每天每小时内公交接驳站点接驳量比,以作为乘客换乘流量指标;
将所述乘客换乘流量指标设置为各节点的节点属性,以建立乘客换乘流量指标图网络。
在可选的实施方式中,根据获得的公交轨道IC卡信息,计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量的步骤,包括:
针对各所述公交接驳站点,将获得的公交站点gis数据信息表和ic卡刷卡数据信息表进行匹配,获得ic卡刷卡数据中下车站点号与所述公交接驳站点的ic卡刷卡站点号相一致,且下车线路号与所述公交接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id号,并获得设定时段内的下车刷卡量;
将获得的轨道站点gis数据信息表和ic卡刷卡数据信息表进行匹配,获得ic卡数据中下轨道站点号与对应的轨道接驳站点的ic卡刷卡站点号相一致,且下轨道线路号与所述轨道接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id号,并获得设定时段内的下轨道刷卡量;
根据所述下车刷卡量和下轨道刷卡量,计算得到下车客流总量。
在可选的实施方式中,计算接驳上车客流总量的步骤,包括:
针对记录的各id号,将所述id号对应的ic卡刷卡数据中上轨道刷卡线路号和上轨道刷卡站点号与轨道gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为轨道接驳的客流,并统计预设时段内的轨道接驳的客流总量,作为上轨道客流量;
将所述id号对应的ic卡刷卡数据中上车刷卡线路号和上车刷卡站点号与公交gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为公交接驳的客流,并统计预设时段内的公交接驳的客流总量,作为上公交客流量;
根据所述上轨道客流量和上公交客流量,计算得到接驳上车客流总量。
在可选的实施方式中,基于图注意力机制,获得所述多角度公交轨道接驳图结构中各节点的高维度表示信息的步骤,包括:
针对所述多角度公交轨道接驳图结构中的每个节点,通过线性变换将所述节点的特征转换为查询向量、键向量和值向量;
计算所述查询向量和键向量之间的内积,并基于归一化函数计算得到所述节点对邻居节点的注意力权重,所述邻居节点为与所述节点具有邻接关系的节点;
利用所述注意力权重对所述邻居节点的值向量进行加权求和,得到聚合特征;
根据所述聚合特征和所述节点的特征,通过非线性变换更新所述节点的特征,得到更新后的高维度表示信息。
在可选的实施方式中,基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型的步骤,包括:
利用有标签样本的真实标签为无标签样本设置伪标签;
采用半监督学习方式,利用带有真实标签的有标签样本对图神经网络模型进行初步训练,再利用带有伪标签的无标签样本对初步训练后的图神经网络模型进行继续训练,直至满足预设条件时停止训练。
在可选的实施方式中,直至满足预设条件时停止训练的步骤,包括:
在采用的损失函数达到收敛时,判定满足预设条件并停止训练。
本发明实施例的有益效果包括,例如:
本申请提供一种基于半监督图神经网络的公交轨道接驳评价方法,利用公交轨道IC卡信息、GPS数据和城市公共交通拓扑结构信息,建立包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络的多角度公交轨道接驳图结构,该图结构中包括多个节点,具有邻接关系的节点之间具有边,各节点对应公交系统中与轨道接驳的公交接驳站点。基于图注意力机制,获得多角度公交轨道接驳图结构中各节点的高维度表示信息。基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型和多角度公交轨道接驳图结构中各节点的高纬度表示信息,获得每个公交接驳站点的接驳能力评价结果。该方案可全方面对站点接驳能力进行评估,使得交通系统整体效率最优化。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于半监督图神经网络的公交轨道接驳评价方法的流程图;
图2为本申请实施例提供的空间连通度指标图网络的方法流程图;
图3为本申请实施例提供的时间匹配度指标图网络的方法流程图;
图4为本申请实施例提供的乘客换乘流量指标图网络的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
由于轨道、地面公交管理分属不同部门和主体,两网融合的难度较大,运营服务整合不深,特别是在换乘衔接方面不够理想,主要表现在:公交轨道换乘距离较长,在空间关系上换乘耗时耗力;轨道交通和地面公交的运营计划、时刻表衔接不足,部分轨道站点配套的线路与轨道交通站点班次没有形成时间上的“无缝衔接”;输运换乘乘客能力匹配不足,高峰期拥挤造成居民出行体验差。
在技术层面上,要实现有效的公交轨道接驳,需要合理规划和布局接驳站点,而传统的规划方法利用专家知识进行公交轨道接驳规划,缺乏科学性和综合性,难以准确评估不同站点之间的接驳能力。此外,由于缺乏科学的评价标准和接驳指标标签,导致现有的基于机器学习或深度学习的规划方法难以直接应用,进而导致无法实现接驳站点的优化。
基于上述研究发现,本申请提供一种基于半监督图神经网络的公交轨道接驳评价方法,从空间连通性、时间匹配性和乘客流量需求等多个方面构建图网络,并结合半监督学习方式,通过利用时空动态建模技术对不同时间段和空间位置下的全城接驳站点匹配度进行特征传递,对公交接驳站点的接驳能力进行评估,使得交通系统整体效率最大化。
图 1示出了本申请实施例提供的基于半监督图神经网络的公交轨道接驳评价方法的流程示意图,该基于半监督图神经网络的公交轨道接驳评价方法可由接驳评价装置实现,该接驳评价装置可以由软件和/或硬件实现,可配置在电子设备中,该电子设备可以是计算机设备。该接驳评价方法的详细步骤介绍如下。
S11,利用获得的公交轨道IC卡信息、GPS数据与城市公共交通拓扑结构信息,建立多角度公交轨道接驳图结构,多角度公交轨道接驳图结构包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络。
多角度公交轨道接驳图结构中包括多个节点,具有邻接关系的节点之间具有边,各所述节点对应公交系统中与轨道接驳的公交接驳站点。
S12,基于图注意力机制,获得多角度公交轨道接驳图结构中各节点的高维度表示信息。
S13,基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型和多角度公交轨道接驳图结构中各节点的高纬度表示信息,获得每个公交接驳站点的接驳能力评价结果。
本实施例中,通过对公交、轨道之间的接驳进行研究,考虑到时间上的接驳匹配度,公交和轨道应当在接驳站点的首班和末班的时间上相匹配,从而方便乘客换乘出行。此外,考虑到空间上的接驳匹配度,公交接驳站点与轨道接驳站点的实际步行距离不应过长,否则影响站点接驳换乘吸引力。而考虑运力上的接驳匹配度,对高峰期和全天的地面公交和轨道客流情况进行分析,判断公交和轨道在接驳运力上的匹配度,帮助公交运营部门灵活调整运力安排。
因此,本实施例中构建包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络的多角度公交轨道接驳图结构。将城市公交系统中与轨道接驳的公交接驳站点作为图结构中的节点集合N,各个节点具有节点属性,节点属性包括空间连通度指标、时间匹配度指标和乘客换乘流量指标。其中,图结构中的多个节点,具有邻接关系的节点之间具有边,也即,图结构是由多个节点以及边所构成。可以基于节点之间的距离来确定节点之间是否具有邻接关系,例如距离小于设定距离的节点之间具有邻接关系。具有邻接关系的节点中,对于某个节点而言,其他节点为该节点的邻居节点。利用节点之间的距离关系可以建立图网络中的节点间的邻接矩阵Adj。
请参阅图2,本实施例中,建立空间连通度指标图网络可以通过以下方式实现:
S111,根据城市公共交通拓扑结构信息计算出任意公交站点和任意轨道站点之间的直线距离;
S112,判定直线距离小于预设距离的公交站点和轨道站点之间存在接驳关系,以确定公交接驳站点和轨道接驳站点;
S113,获得对应的公交接驳站点和轨道接驳站点之间的步行距离,基于直线距离和步行距离得到空间连通度指标;
S114,将空间连通度指标设置为各节点的节点属性,以建立空间连通度指标图网络。
具体地,可从公交线路和站点 gis(Geographic Information System,地理信息系统)数据信息表中提取公交线路区其站点经纬度位置数据,从轨道线路和站点 gis 数据信息表中提取轨道线路及其站点经纬度位置数据,遍历计算所有的公交站点与轨道站点的直线距离。直线距离S stra计算公式如下:
(1)
其中,(B1,L1)、(B2,L2)分别为公交站点和轨道站点的经纬度,R为地球半径。
当某个公交站点和某个轨道站点之间的直线距离小于预设距离时,可以认为该公交站点和该轨道站点存在接驳关系,其中,预设距离可以是如100米。针对具有接驳关系的公交站点和轨道站点,其中,公交站点对应的公交线路为公交接驳线路,轨道站点对应的轨道线路为轨道接驳线路。
公交-轨道接驳步行距离,该指标旨在获取公交接驳站点 A 和轨道接驳站点 B的实际步行距离,反映公交和轨道在空间上的接驳便利性。
步行距离可以利用出行软件的 API (Application Programming Interface,应用程序接口)进行查询,得到公交接驳站点A和轨道接驳站点 B的实际步行距离S walk。
而公交接驳站点的空间连通度指标则可以通过将直线距离和步行距离进行叠加得到,具体地。
在各节点设置空间连通度指标的节点属性的基础上,可构建得到空间连通度指标图网络。
此外,请参阅图3,本实施例中,建立时间匹配度指标图网络可以通过以下方式实现:
S115,根据GPS数据计算得到接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数;
S116,基于接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数构建时间匹配度指标;
S117,将时间匹配度指标设置为各节点的节点属性,以建立时间匹配度指标图网络。
在时间匹配度指标图网络中,具有接驳线路早班运营时间匹配指数与接驳线路末班运营时间匹配指数的两种指标。
接驳线路早班运营时间匹配指数,该指标通过计算任意公交bus1和轨道rail1的早班车到达接驳站点A、B的时间差与公交系统中所有公交和轨道接驳站点早班到达时间差的最大值的比值,可以反映任意公交早班车bus1到接驳站点A的时间与轨道rail1早班地铁到接驳站点B的时间匹配度的优劣情况。其中指标负值为公交先到站,轨道后到站,正值为轨道先到站,公交后到站。
具体地,可以通过以下方式计算接驳线路早班运营时间匹配指数:
针对各公交接驳站点,获得公交早班车到达公交接驳站点的早班车时间点;获得轨道早班轨道到达对应的轨道接驳站点的早班轨道时间点;计算早班车时间点和早班轨道时间点之间的接驳时间差;基于多日所计算得到的多个接驳时间差,得到接驳平均时间差;将接驳平均时间差除以公交系统中的最大接驳平均时间差,得到接驳线路早班运营时间匹配指数。
本实施例中,首先可获得任意公交线路早班车到达公交接驳站点的早班车时间点。GPS(Global Positioning System,全球定位系统)数据包括公交线路GPS数据信息表,可从公交线路GPS数据信息表中提取任意公交线路bus1每日早班车的GPS位置点数据。依次计算各个GPS位置点与公交接驳站点A之间的距离。考虑到GPS测量误差,因此,在公交线路bus1的GPS位置点与公交接驳站点A之间的距离小于设定距离时,例如20米,可认为公交线路bus1到达公交接驳站点A。并获得该GPS位置点对应的时间戳,作为当日公交线路bus1的早班车到达公交接驳站点A的早班车时间点,记为Tb早[]。
同理,针对与公交接驳站点对应的轨道接驳站点,计算任意轨道线路早班轨道到达轨道接驳站点的早班轨道时间点。具体地,可从轨道GPS数据信息表中提取轨道线路rail1每日最早班的GPS位置点数据。依次计算各个GPS位置点与轨道接驳站点B之间的距离。考虑到GPS测量误差,因此当GPS位置点与轨道接驳站点B之间的距离小于设定距离时,例如20米,认为轨道线路rail1到达轨道接驳站点B。此时,GPS位置点对应的时间戳即为当日轨道线路rail1早班轨道到达轨道接驳站点B的时间,即为早班轨道时间点Tr早[]。
按以上方式进行多日的统计,例如n日,得到的n日中公交线路bus1早班车到达公交接驳站点A的早班车时间点分别为Tb早[day1]、Tb早[day2]…、Tb早[dayn]。轨道线路rail1早班轨道到达轨道接驳站点B的早班轨道时间点分别为Tr早[day1]、Tr早[day2]…、Tr早[dayn]。则每日公交线路bus1与轨道线路rail1在公交接驳站点A和轨道接驳站点B的接驳时间差为T早[day1]=Tb早[day1]-Tr早[day1]、T早[day2]=Tb早[day2]-Tr早[day2]…、T早[dayn]=Tb早[dayn]-Tr早[dayn]。
计算多日统计得到的接驳时间差的平均值,得到接驳平均时间差:
(2)
通过对公交系统中各个公交接驳站点的统计结果,可以得到其中的最大接驳平均时间差T早_max_all。针对某个公交接驳站点,则该公交接驳站点的早班运营时间匹配指数为其接驳平均时间差除以最大接驳平均时间差,得到接驳线路早班运营时间匹配指数=T早_aver/T早_max_all。
其中,在计算得到的接驳线路早班运营时间匹配指数为负值时,表明具有接驳关系的公交接驳站点和轨道接驳站点中,公交接驳站点的早班车先到站,轨道接驳站点的早班轨道后到站。而若早班运营时间匹配指数为正值,表明轨道接驳站点的早班轨道早到站,公交接驳站点的早班车后到站。
此外,接驳线路末班运营时间匹配指数通过计算任意公交线路bus1和轨道线路rail1的末班车到达接驳站点A、B的时间差与公交系统中所有公交和轨道接驳站点末班到达时间差的最大值的比值。可以反映任意公交末班车bus1到公交接驳站点A的时间与轨道rail1末班轨道到轨道接驳站点B的时间匹配度的优劣情况。其中指标负值时表明公交末班车早于轨道,指标为正值时,表明轨道末班车早于公交。
接驳线路末班运营时间匹配指数的计算方式与上述接驳线路早班运营时间匹配指数的计算方式相似,将上述早班车数据提取修改为分别提取公交线路和轨道线路的GPS数据信息表中每日的末班车的GPS位置点数据,并采用上述相似的计算方式,计算出的接驳线路末班运营时间匹配指数,可表示为tlast=T末_aver/T末_max_all。
将接驳线路早班运营时间匹配指数叠加接驳线路末班运营时间匹配指数,得到公交接驳站点的时间匹配度指标,表示为n i(temp)=tfirst+tlast。
此外,请参阅图4,本实施例中,乘客换乘流量指标图网络可通过以下方式建立:
S118,根据获得的公交轨道IC卡信息,计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量和接驳上车客流总量;
S119,计算接驳上车客流总量和下车总客流量之间的比值,得到每天每小时内公交接驳站点接驳量比,以作为乘客换乘流量指标;
S1110,将乘客换乘流量指标设置为各节点的节点属性,以建立乘客换乘流量指标图网络。
在乘客换乘流量指标图网络中,设计公交接驳站点接驳量比的指标表示公交轨道换乘评价指标。公交接驳站点接驳量比,该指标通过计算全天每小时时间段某公交bus1和轨道rail1在接驳站点A、B相互接驳上车人数和站点位置下车的总客流量的比,反映公交和轨道在该接驳站点处的接驳吸引力。
具体地,可以通过以下方式计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量:
针对各公交接驳站点,将获得的公交站点gis数据信息表和ic(IntegratedCircuit Card,集成电路)卡刷卡数据信息表进行匹配,获得ic卡刷卡数据中下车站点号与公交接驳站点的ic卡刷卡站点号相一致,且下车线路号与公交接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id(Identity document,身份标识)号,并获得设定时段内的下车刷卡量;将获得的轨道站点gis数据信息表和ic卡刷卡数据信息表进行匹配,获得ic卡数据中下轨道站点号与对应的轨道接驳站点的ic卡刷卡站点号相一致,且下轨道线路号与轨道接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id号,并获得设定时段内的下轨道刷卡量;根据下车刷卡量和下轨道刷卡量,计算得到下车客流总量。
上述计算得到的某公交接驳站点的下车刷卡量记录为P下公交,对应的轨道接驳站点的下轨道刷卡量,记录为P下轨道。该公交接驳站点和轨道接驳站点的下车总客流量P下=P下公交+P下轨道。
计算上述公交接驳站点和轨道接驳站点处的接驳上车客流总量的方式如下:
针对记录的各id号,将所述id号对应的ic卡刷卡数据中上轨道刷卡线路号和上轨道刷卡站点号与轨道gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为轨道接驳的客流,并统计预设时段内的轨道接驳的客流总量,作为上轨道客流量;将所述id号对应的ic卡刷卡数据中上车刷卡线路号和上车刷卡站点号与公交gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为公交接驳的客流,并统计预设时段内的公交接驳的客流总量,作为上公交客流量;根据所述上轨道客流量和上公交客流量,计算得到接驳上车客流总量。
本实施例中,若乘客在公交bus1的公交接驳站点A点下车后半小时内又在轨道rail1的轨道接驳站点B上轨道刷卡,则认为该部分客流为轨道接驳的客流,统计一段时间的轨道接驳刷卡上轨道客流量,记录为P上轨道。同理,若乘客在轨道rail1的轨道接驳站点B下轨道后半小时内又在公交bus1的公交接驳站点A上车刷卡,则认为该部分客流为公交接驳的客流,统计一段时间的公交接驳刷卡上公交客流量,记录为P上公交。
该公交接驳站点和轨道接驳站点的接驳上车客流总量P上= P上公交+P上轨道。
在上述基础上,则每小时公交接驳站点接驳量比=P上/P下。乘客换乘流量指标即为每小时公交接驳站点接驳量的比,记为n i(demand)。
在得到各个公交接驳站点的空间连通度指标、时间匹配度指标、乘客换乘流量指标后,各公交接驳站点的接驳度可表示如下:
(3)
其中,w1、w2、w3为学习参数,在神经网络学习阶段学习。
本实施例中,基于图注意力机制,获得多角度公交轨道接驳图结构中各节点的高维度表示信息。图注意力机制能够通过自适应地给予不同节点n之间的重要性权重来聚合节点的邻居信息。具体地,可以通过以下方式实现:
针对多角度公交轨道接驳图结构中的每个节点,通过线性变换将节点的特征转换为查询向量、键向量和值向量;计算查询向量和键向量之间的内积,并基于归一化函数计算得到节点对邻居节点的注意力权重,邻居节点为与节点具有邻接关系的节点;利用注意力权重对邻居节点的值向量进行加权求和,得到聚合特征;根据聚合特征和节点的特征,通过非线性变换更新节点的特征,得到更新后的高维度表示信息。
本实施例中,采用两层图注意力网络,其中,第1层的节点可表示为, 其邻居节点可表示为/>,其中,N(i)表示节点i的邻居节点索引集合。对于每个节点n i,通过线性变换将其特征(节点属性)/>转换为查询向量/>、键向量/>和值向量/>。可以通过以下公式表示:
(4)
其中,是学习的权重矩阵。通过计算查询向量和键向量的内积,结合归一化函数softmax,可以得到节点i对邻居节点j的注意力权重/>。可以通过以下公式表示:
(5)
其中,d是特征维度。利用注意力权重对邻居节点的值向量进行加权求和,得到聚合特征/>。可以通过以下公式表示:
(6)
结合聚合特征和节点自身的特征/>,可以通过一个非线性变换来更新节点的特征。可以通过以下公式表示:
(7)
其中,是学习的权重矩阵。基于更新后的特征得到节点的高维度表示信息。
半监督学习阶段,利用部分有标签样本和无标签样本进行训练。其中,有标签样本是指带有真实标签的公交接驳站点样本,而无标签样本是指未标记的公交接驳站点样本。在图神经网络模型的基础上,采用标签传播的方法来为无标签样本分配伪标签,从而进行半监督学习。
具体地,本实施例中可采用以下方式进行图神经网络模型的训练:
利用有标签样本的真实标签为无标签样本设置伪标签;采用半监督学习方式,利用带有真实标签的有标签样本对图神经网络模型进行初步训练,再利用带有伪标签的无标签样本对初步训练后的图神经网络模型进行继续训练,直至满足预设条件时停止训练。
其中,有标签样本的真实标签可以是通过专家标注或者是居民调查中给出的站点接驳能力高低的评价标签。有标签样本对应的真实标签为,为一个0至1之间的数值标签,例如,/>=1表示非常好,/>=0表示非常差。获得的多个有标签样本可构建有标签样本集合Bus_lab。此外,获得的多个无标签样本可构建无标签样本集合Bus_nan。
在半监督学习中,通过图神经网络模型在图结构上进行标签传播,为无标签样本分配伪标签。标签传播的过程可以通过以下公式表示:
(8)
其中,是无标签样本的伪标签矩阵,/>是图神经网络模型在第l层的节点特征矩阵,/>是学习的权重矩阵。
通过标签传播,可以获得无标签样本的伪标签。然后,可以利用带有真实标签的有标签样本的真实标签/>和带有伪标签/>的无标签样本进行神经网络模型的训练,优化神经网络模型的模型参数。
在半监督学习中,通常会采用基于交叉熵的损失函数来进行优化。损失函数可以通过以下公式表示:
(9)
其中,为有标签样本/>的预测标签,/>为无标签样本/>的伪标签,D l为有标签样本集合Bus_lab中的样本数量,D u为无标签样本集合Bus_nan中的样本数量。
在损失函数的指导下进行训练,在损失函数达到收敛时可判定满足迭代结束的预设条件,可结束训练,得到训练完成的图神经网络模型。
基于训练完成的图神经网络模型,可以根据输入的公交接驳站点的数据,即,多角度公交轨道接驳图结构中各公交接驳站点的高纬度表示信息,得到预测的公交接驳站点的接驳能力评价结果。其中,图神经网络模型输出的接驳能力评价结果为一个0至1之间的数值,数值越靠近1表示站点接驳能力越好,反之,数值越靠近0表示站点接驳能力越差。如此,可以利用训练得到的图神经网络对新的公交接驳站点进行评估,并为公交轨道接驳规划和决策提供参考。
综上所述,本申请实施例提供的一种基于半监督图神经网络的公交轨道接驳评价方法,利用公交轨道IC卡信息、GPS数据和城市公共交通拓扑结构信息,建立包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络的多角度公交轨道接驳图结构,该图结构中包括多个节点,具有邻接关系的节点之间具有边,各节点对应公交系统中与轨道接驳的公交接驳站点。基于图注意力机制,获得多角度公交轨道接驳图结构中各节点的高维度表示信息。基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型和多角度公交轨道接驳图结构中各节点的高纬度表示信息,获得每个公交接驳站点的接驳能力评价结果。该方案可全方面对站点接驳能力进行评估,使得交通系统整体效率最优化。
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,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,所述方法包括:
利用获得的公交轨道IC卡信息、GPS数据与城市公共交通拓扑结构信息,建立多角度公交轨道接驳图结构,所述多角度公交轨道接驳图结构包括空间连通度指标图网络、时间匹配度指标图网络和乘客换乘流量指标图网络,所述多角度公交轨道接驳图结构中包括多个节点,具有邻接关系的节点之间具有边,各所述节点对应公交系统中与轨道接驳的公交接驳站点;
基于图注意力机制,获得所述多角度公交轨道接驳图结构中各节点的高维度表示信息;
基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型,并基于训练完成的图神经网络模型和所述多角度公交轨道接驳图结构中各节点的高维度表示信息,获得每个公交接驳站点的接驳能力评价结果;
基于图注意力机制,获得所述多角度公交轨道接驳图结构中各节点的高维度表示信息的步骤,包括:
针对所述多角度公交轨道接驳图结构中的每个节点,通过线性变换将所述节点的特征转换为查询向量、键向量和值向量;计算所述查询向量和键向量之间的内积,并基于归一化函数计算得到所述节点对邻居节点的注意力权重,所述邻居节点为与所述节点具有邻接关系的节点;利用所述注意力权重对所述邻居节点的值向量进行加权求和,得到聚合特征;根据所述聚合特征和所述节点的特征,通过非线性变换更新所述节点的特征,得到更新后的高维度表示信息;
基于有标签样本和无标签样本,采用半监督学习方式训练图神经网络模型的步骤,包括:
利用有标签样本的真实标签为无标签样本设置伪标签;采用半监督学习方式,利用带有真实标签的有标签样本对图神经网络模型进行初步训练,再利用带有伪标签的无标签样本对初步训练后的图神经网络模型进行继续训练,直至满足预设条件时停止训练。
2.根据权利要求1所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,建立所述空间连通度指标图网络的步骤,包括:
根据城市公共交通拓扑结构信息计算出任意公交站点和任意轨道站点之间的直线距离;
判定所述直线距离小于预设距离的公交站点和轨道站点之间存在接驳关系,以确定公交接驳站点和轨道接驳站点;
获得对应的公交接驳站点和轨道接驳站点之间的步行距离;
基于所述直线距离和步行距离得到空间连通度指标;
将所述空间连通度指标设置为各节点的节点属性,以建立空间连通度指标图网络。
3.根据权利要求1所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,建立所述时间匹配度指标图网络的步骤,包括:
根据GPS数据计算得到接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数;
基于所述接驳线路早班运营时间匹配指数和接驳线路末班运营时间匹配指数构建时间匹配度指标;
将所述时间匹配度指标设置为各节点的节点属性,以建立时间匹配度指标图网络。
4.根据权利要求3所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,根据GPS数据计算得到接驳线路早班运营时间匹配指数的步骤,包括:
针对各所述公交接驳站点,获得公交早班车到达所述公交接驳站点的早班车时间点;
获得轨道早班轨道到达对应的轨道接驳站点的早班轨道时间点;
计算早班车时间点和早班轨道时间点之间的接驳时间差;
基于多日所计算得到的多个接驳时间差,得到接驳平均时间差;
将所述接驳平均时间差除以公交系统中的最大接驳平均时间差,得到接驳线路早班运营时间匹配指数。
5.根据权利要求1所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,建立所述乘客换乘流量指标图网络的步骤,包括:
根据获得的公交轨道IC卡信息,计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量和接驳上车客流总量;
计算所述接驳上车客流总量和下车总客流量之间的比值,得到每天每小时内公交接驳站点接驳量比,以作为乘客换乘流量指标;
将所述乘客换乘流量指标设置为各节点的节点属性,以建立乘客换乘流量指标图网络。
6.根据权利要求5所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,根据获得的公交轨道IC卡信息,计算任意公交线路和轨道线路在公交接驳站点和轨道接驳站点处相互接驳的下车总客流量的步骤,包括:
针对各所述公交接驳站点,将获得的公交站点gis数据信息表和ic卡刷卡数据信息表进行匹配,获得ic卡刷卡数据中下车站点号与所述公交接驳站点的ic卡刷卡站点号相一致,且下车线路号与所述公交接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id号,并获得设定时段内的下车刷卡量;
将获得的轨道站点gis数据信息表和ic卡刷卡数据信息表进行匹配,获得ic卡数据中下轨道站点号与对应的轨道接驳站点的ic卡刷卡站点号相一致,且下轨道线路号与所述轨道接驳站点的ic卡刷卡线路号也相一致的刷卡数据,记录id号,并获得设定时段内的下轨道刷卡量;
根据所述下车刷卡量和下轨道刷卡量,计算得到下车客流总量。
7.根据权利要求6所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,计算接驳上车客流总量的步骤,包括:
针对记录的各id号,将所述id号对应的ic卡刷卡数据中上轨道刷卡线路号和上轨道刷卡站点号与轨道gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为轨道接驳的客流,并统计预设时段内的轨道接驳的客流总量,作为上轨道客流量;
将所述id号对应的ic卡刷卡数据中上车刷卡线路号和上车刷卡站点号与公交gis数据信息表中的线路名称和站点名称进行匹配,若在预设时段内具有匹配项,则判定为公交接驳的客流,并统计预设时段内的公交接驳的客流总量,作为上公交客流量;
根据所述上轨道客流量和上公交客流量,计算得到接驳上车客流总量。
8.根据权利要求1所述的基于半监督图神经网络的公交轨道接驳评价方法,其特征在于,直至满足预设条件时停止训练的步骤,包括:
在采用的损失函数达到收敛时,判定满足预设条件并停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153523.5A CN116894609B (zh) | 2023-09-08 | 2023-09-08 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153523.5A CN116894609B (zh) | 2023-09-08 | 2023-09-08 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116894609A CN116894609A (zh) | 2023-10-17 |
CN116894609B true CN116894609B (zh) | 2023-11-24 |
Family
ID=88311053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153523.5A Active CN116894609B (zh) | 2023-09-08 | 2023-09-08 | 一种基于半监督图神经网络的公交轨道接驳评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894609B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156908A (zh) * | 2010-12-17 | 2011-08-17 | 东南大学 | 基于轨道交通与公交一体化的公交线路及站点调整方法 |
CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN113947719A (zh) * | 2021-10-26 | 2022-01-18 | 北京工业大学 | 基于多源数据的轨道站点骑行接驳综合活力评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
-
2023
- 2023-09-08 CN CN202311153523.5A patent/CN116894609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156908A (zh) * | 2010-12-17 | 2011-08-17 | 东南大学 | 基于轨道交通与公交一体化的公交线路及站点调整方法 |
CN103136933A (zh) * | 2013-01-14 | 2013-06-05 | 东南大学 | 一种常规公交与地铁站的换乘协调控制方法 |
CN111612249A (zh) * | 2020-05-20 | 2020-09-01 | 北京百度网讯科技有限公司 | 用于预测人流量的方法、装置、设备以及存储介质 |
CN113947719A (zh) * | 2021-10-26 | 2022-01-18 | 北京工业大学 | 基于多源数据的轨道站点骑行接驳综合活力评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116894609A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Perrine et al. | Anticipating long-distance travel shifts due to self-driving vehicles | |
Holguı et al. | User rationality and optimal park-and-ride location under potential demand maximization | |
Mamun et al. | A method to define public transit opportunity space | |
CN103177575B (zh) | 城区出租车动态在线调度优化系统及其方法 | |
CN109102114B (zh) | 一种基于数据融合的公交出行下车站点估计方法 | |
WO2023109720A1 (zh) | 城市公共交通规划方法 | |
CN112036757A (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 | |
Yamamoto et al. | Structured random walk parameter for heterogeneity in trip distance on modeling pedestrian route choice behavior at downtown area | |
CN116862325A (zh) | 一种城市轨道交通乘客出行链推断方法及系统 | |
Guo et al. | Mass rapid transit ridership forecast based on direct ridership models: A case study in Wuhan, China | |
CN109493601B (zh) | 一种公交支线设置方法 | |
Liu et al. | Understanding the route choice behaviour of metro-bikeshare users | |
Su et al. | Data-driven method for passenger path choice inference in congested subway network | |
Bhatt et al. | GIS and Gravity Model-Based Accessibility Measure for Delhi Metro | |
CN110598971A (zh) | 一种基于蚁群算法的响应式公交服务规划方法 | |
Wei et al. | Optimal routing design of feeder transit with stop selection using aggregated cell phone data and open source GIS tool | |
CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN116894609B (zh) | 一种基于半监督图神经网络的公交轨道接驳评价方法 | |
CN113569977B (zh) | 一种基于手机信令数据的出行目的识别方法 | |
Scheurer et al. | Spatial network analysis of public transport systems: Developing a strategic planning tool to assess the congruence of movement and urban structure in Australian cities | |
Lee et al. | Simple pre-post analysis overestimates the impacts of new public transit services on ridership: Evidence from a quasi-experimental study of new bus rapid transit in Columbus, Ohio, USA | |
Ceder et al. | Analysis of passenger-ferry routes using connectivity measures | |
Li et al. | Using Random Undersampling Boosting Classifier to Estimate Mode Shift Response to Bus Local Network Expansion and Bus Rapid Transit Services | |
Rojas | Assessing the First and Last Mile Problem in Intercity Passenger Rail: Effects on Mode Choice and Trip Frequency | |
Mokgukulushi et al. | Using accessibility to investigate the level of integration of the various public transport systems within the City of Johannesburg |
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 |