CN116933958B - 一种基于刷卡数据的地铁换乘站换乘客流估计方法 - Google Patents
一种基于刷卡数据的地铁换乘站换乘客流估计方法 Download PDFInfo
- Publication number
- CN116933958B CN116933958B CN202310882825.XA CN202310882825A CN116933958B CN 116933958 B CN116933958 B CN 116933958B CN 202310882825 A CN202310882825 A CN 202310882825A CN 116933958 B CN116933958 B CN 116933958B
- Authority
- CN
- China
- Prior art keywords
- transfer
- data
- station
- subway
- passenger flow
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000011664 signaling Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/20—Individual registration on entry or exit involving the use of a pass
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于刷卡数据的地铁换乘站换乘客流估计方法,属于交通信息化和城市公共交通技术领域。为了克服现有技术中存在的缺陷,本发明旨在提供一种基于刷卡数据的地铁换乘站换乘客流估计方法,包括三部分,即:(i)地铁拓扑网络构建,(ii)换乘客流估算,(iii)换乘站换乘客流可视化。本发明解决了地铁系统中无法获取乘客具体出行路径进而无法准确估算地铁换乘客流的问题。这种方法不仅具有较强的实用性,还融合了大数据和数据挖掘技术,可以为地铁换乘客流估计提供新的思路和手段。另外通过利用AFC系统产生的智能卡刷卡数据,该方法还可以快速地推断乘客的出行路径和换乘行为,从而更加准确地估算地铁换乘客流的数量。
Description
技术领域
本发明涉及一种基于刷卡数据的地铁换乘站换乘客流估计方法,属于交通信息化和城市公共交通技术领域。
背景技术
现有的地铁站换乘客流估计方法,主要聚焦于地铁与地面交通之间的换乘客流(如地铁与公交、地铁与共享单车等)。关于地铁不同线路之间的换乘客流识别和估算研究方法还不多见。地铁站换乘客流估计最大的难题是,现有的地铁基础设施无法实时监控乘客的出行路径。
因此无法对乘客的出行过程进行详细的分析,增加了地铁系统运营管理的难度,影响了进一步优化地铁线路的运营和乘客乘车体验的改善。近年来,随着大数据和数据挖掘技术的发展,由地铁自动收费系统产生的智能卡刷卡数据为推断乘客出行路径提供了新的思路。
但是如何更准确地识别乘客在出行中是否发生了换乘以及具体的换乘站点仍然是一项十分具有挑战的工作。
现有技术之一是采用基于图的深度优先搜索算法来遍历构建地铁拓扑网络。在此基础上,根据乘客进出站点记录和刷卡时间,找到乘客最短距离的出行路径和换乘站点,进而根据乘客进出站点记录和刷卡时间,找到乘客最短距离的出行路径和换乘站点,从而进一步获取换乘站的换乘客流数据信息。
但是上述技术存在以下的缺点:
1、DFS算法产生的乘客路径不一定是最短路径。DFS算法找到的是所有可行的路径,但不能保证找到最短路径。在地铁系统中,乘客通常会选择最短路线或最快捷的出行方式。因此,如果使用DFS算法,它找到的可能只是其中一条路径,而非最短路径。这种情况在地铁系统的复杂换乘过程中常常出现。
2、算法耗时很长。随着搜索深度的增加,DFS算法的时间复杂度也会呈指数级上升,造成运算时间的剧增。在城市地铁系统中,尤其是大规模网格地图规划问题中,DFS算法的搜索时间会变得非常长。
现有技术二采用的方法是通过使用通讯运营商获取地铁周边智能手机的手机信令数据,其中包括了用户手机的位置、信号强度、基站ID、时间戳等信息。通过对经过同一个基站的手机信令数据进行聚类,可以提取出每个用户在时间上的轨迹,即出行路径。同时,通过分析手机信令数据中的停留时间、经过路线等参数,找到两个地铁站之间的换乘点,并判断用户是否在该站点换乘。如果用户在该站点换乘,则将其路径分隔成两条路径,分别对应前后两个地铁线路。从而识别并计算换乘客流量。
但是现有技术二也存在以下的缺点:
1、数据获取较难。手机信令数据需要通过通讯运营商才能获得,有可能需要额外付费或合作协议。此外,通讯运营商拥有大量用户的数据,因此涉及到用户隐私和个人信息保护等问题,需要做好数据处理与保护。
2、数据精度有限。基于手机信令数据进行地铁换乘客流识别,需要使用基站信号密度、信号强度、时序和位置等数据。但由于手机通讯网络的重复覆盖和干扰等因素,这些数据会受到较大的影响,从而影响数据精度和准确性。
3、算法复杂度高。对于大规模的地铁交通网络,基于手机信令数据的方法需要处理大量的数据,而且还需要运用图像处理、机器学习等技术,从而增加了算法的复杂度和计算量。
4、需要配合其他数据源。如果仅仅使用手机信令数据,那么往往只能够得到出行路径、起点和终点等信息,对于如何识别换乘站点、换乘时间等问题,需要结合其它数据源进行分析。
发明内容
为了克服现有技术中存在的缺陷,本发明旨在提供一种基于刷卡数据的地铁换乘站换乘客流估计方法;本发明解决了地铁系统中无法获取乘客具体出行路径进而无法准确估算地铁换乘客流的问题。这种方法不仅具有较强的实用性,还融合了大数据和数据挖掘技术,可以为地铁换乘客流估计提供新的思路和手段。另外,通过利用AFC系统产生的智能卡刷卡数据,该方法还可以快速地推断乘客的出行路径和换乘行为,从而更加准确地估算地铁换乘客流的数量。
本发明解决上述技术问题所提供的技术方案是:一种基于刷卡数据的地铁换乘站换乘客流估计方法,包括以下步骤:
S1、利用从数字地图平台收集的实际地铁网络的地理信息系统数据,构建实际地铁网络的抽象网络;
S2、根据抽象网络构建地铁拓扑网络;
S3、通过挖掘乘客的智能卡数据,提取地铁乘客的出发地-目的地数据;通过将这些数据去重后与抽象网络的数据相结合,利用Dijkstra算法推断出去重后的每个OD对的出行路径;
S4、将推断出的出行路径分解为轨道断面形式,通过对比每个轨道断面的终点站和起点站,确定所有种类有换乘的OD以及它们的换乘站;
S5、筛选出智能卡数据中所有出行OD中有换乘的OD,以其换乘站为标准分类,计算不同分类中乘客智能卡ID的数量,得到各个换乘站的换乘客流数;
S6、将估算出的换乘客流数据在数字地图上进行可视化。
进一步的技术方案是,所述抽象网络包括车站节点、轨道边和换乘边。
进一步的技术方案是,所述步骤S2的具体过程为:以出行时间最短最为出行路径选择的依据,将车站和线路投影到同一坐标系,计算每个车站到起点站的距离,进而求出各个站点之间的距离;用求出距离的除以地铁的平均运行速度,估算出不同站点间的运行时间,将其作为轨道边的权重;而换乘边的权重设置为站点的平均换乘时间;将轨道边和换乘边合并,使用Python中自带的NetworkX包从合并的边中提取节点和边,并给它们分配权重,从而完成地铁拓扑网络的构建。
进一步的技术方案是,所述步骤S3的具体过程为:对智能卡刷卡数据进行预处理,将数据按卡号和交易时间排序,将数据整体上移一列,即可获得所有刷卡数据中的OD数据;每一行数据对应一个乘客出行的数据,把站点所在的线路与站点相匹配;对OD数据进行去重,得到所有种类的出行OD后将其与地铁拓扑网络结合,利用Dijkstra算法求出各个OD之间的具体路径即是出行时间最短路径。
进一步的技术方案是,所述OD数据包括卡号、交易时间、开始站点和线路、到达站点和线路。
进一步的技术方案是,所述步骤S4中设地铁的线路集为E,车站集为V,某条OD的起点站为终点站为/>利用Dijkstra算法求出一个行程的路径,并通过线路是否变化识别其是否换乘,再从刷卡数据中得到的OD数据中筛选出有换乘的OD。
进一步的技术方案是,所述步骤S6中利用matplotlib、seaborn和kepler.gl的数据可视化功能,以及利用GIS系统来创建更为直观的可视化,以促进更好地理解各个换乘站各类型换乘客流数据信息。
本发明具有以下有益效果:本发明的技术方案可实现对一段时间内的地铁智能卡刷卡数据进行智能挖掘,并利用挖掘的数据推断乘客的出行路径,进而判断乘客是否换乘,最终计算出各换乘站的换乘客流量。相比传统的客流调查方式,本发明的方法可以提高数据获取效率、降低成本,并且避免了因无法获取乘客具体出行路径而无法获取乘地铁换乘客流数据的问题。此外,由于本发明所使用的数据是通过AFC系统自动生成的,因此也减少了人工记录数据的错误率。
因此,本发明具有成本低、效率高的特点,可为城市交通规划、客流预测等领域带来较大的应用价值。
附图说明
图1为本发明的流程图;
图2为地铁网络转化图。
实施方式
下面将结合附图对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,本发明的一种基于刷卡数据的地铁换乘站换乘客流估计方法,包括以下步骤:
S1、利用从数字地图平台收集的实际地铁网络的地理信息系统数据,构建实际地铁网络的抽象网络,构建的抽象网络包括车站节点、轨道边和换乘边;
S2、根据抽象网络构建地铁拓扑网络;
以乘客出行路径负效用最小作为乘客出行路径选择的依据;将车站和线路投影到同一坐标系,计算每个车站到起点站的距离,进而求出各个站点之间的距离,将其作为各个边的权重;
将轨道边和换乘边合并,使用Python中自带的NetworkX包从合并的边中提取节点和边,并给它们分配权重,从而完成地铁拓扑网络的构建;
S3、通过挖掘乘客的智能卡数据,提取地铁乘客的出发地-目的地数据;通过将这些数据去重后与抽象网络的数据相结合,利用Dijkstra算法推断出去重后的每个OD对的出行路径;
对智能卡刷卡数据进行预处理,将数据按卡号和交易时间排序,将数据整体上移一列,即可获得所有刷卡数据中的OD数据;每一行数据对应一个乘客出行的数据,包括卡号、交易时间、开始站点和线路、到达站点和线路,把站点所在的线路与站点相匹配;
对OD数据进行去重,得到所有种类的出行OD后将其与地铁拓扑网络结合,利用Dijkstra算法求出各个OD之间的具体路径即是出行时间最短路径;
S4、将推断出的出行路径分解为轨道断面形式,通过对比每个轨道断面的终点站和起点站,确定所有种类有换乘的OD以及它们的换乘站;
设地铁的线路集为E,车站集为V,某条OD的起点站为终点站为/>利用Dijkstra算法求出一个行程的路径,并通过线路是否变化识别其是否换乘;
再从刷卡数据中得到的OD数据中筛选出有换乘的OD;
S5、筛选出智能卡数据中所有出行OD中有换乘的OD,以其换乘站为标准分类,计算不同分类中乘客智能卡ID的数量,得到各个换乘站的换乘客流数;
每个换乘站的总换乘客流和每小时的换乘客流计算。
从数据中去掉线路的限制,生成一个新的数据系列Sk。根据Sk对T进行分类;
为了得到按时间段划分的客流,只需要将时间作为一个条件加入到分类中:
每个换乘站的换出和换入客流以及不同线路间的换乘客流量计算。
为了计算从l号线换出的乘客流量,可以以为标准对T进行分类;
为了计算从l'号线换入的乘客流量,可以以为标准对T进行分类:
为了找到不同线路之间的换乘客流,去掉和/>的车站信息,只保留线路信息,生成一个新的系列数据Cll';
上述公式中的符号含义分为为:T为筛选出的OD数据集;Ti为数据集中第i个出行的乘客卡号;Hi为Ti的交易时间;Oi为Ti的起始站点;Di为Ti的到达站点;为Ti在站点k换出l号线;/>为Ti在站点k换入l'号线;Cll'为Ti从l号线换乘至l'号线;Fa为站点a总的换乘客流;/>为时间区间b内站点a的换乘客流;/>为站点a换出l号线的客流;/>为站点a换入l'号线的客流;Fel为从e号线换乘至f号线的客流;n为换乘站的总数;h为集计设置的时间区间;v为线路之间换乘的种类数;
S6、将估算出的换乘客流数据在数字地图上进行可视化;
通过使用一个名为kepler.gl的位置数据可视化工具和Python绘图软件包,将估算出的换乘客流数据在数字地图上进行可视化;
其中利用matplotlib、seaborn和kepler.gl的数据可视化功能,以及利用GIS系统来创建更为直观的可视化,以促进更好地理解各个换乘站各类型换乘客流数据信息。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,包括以下步骤:
S1、利用从数字地图平台收集的实际地铁网络的地理信息系统数据,构建实际地铁网络的抽象网络;
S2、根据抽象网络构建地铁拓扑网络;
S3、通过挖掘乘客的智能卡数据,提取地铁乘客的出发地-目的地数据;通过将这些数据去重后与抽象网络的数据相结合,利用Dijkstra算法推断出去重后的每个OD对的出行路径;
S4、将推断出的出行路径分解为轨道断面形式,通过对比每个轨道断面的终点站和起点站,确定所有种类有换乘的OD以及它们的换乘站;
所述步骤S4中设地铁的线路集为E,车站集为V,某条OD的起点站为终点站为/>利用Dijkstra算法求出一个行程的路径,并通过线路是否变化识别其是否换乘,再从刷卡数据中得到的OD数据中筛选出有换乘的OD;
S5、筛选出智能卡数据中所有出行OD中有换乘的OD,以其换乘站为标准分类,计算不同分类中乘客智能卡ID的数量,得到各个换乘站的换乘客流数;
每个换乘站的总换乘客流和每小时的换乘客流计算;
从数据中去掉线路的限制,生成一个新的数据系列Sk;根据Sk对T进行分类;
为了得到按时间段划分的客流,只需要将时间作为一个条件加入到分类中:
每个换乘站的换出和换入客流以及不同线路间的换乘客流量计算;
为了计算从l号线换出的乘客流量,以为标准对T进行分类;
为了计算从l'号线换入的乘客流量,以为标准对T进行分类:
为了找到不同线路之间的换乘客流,去掉和/>的车站信息,只保留线路信息,生成一个新的系列数据Cll';
式中:T为筛选出的OD数据集;Ti为数据集中第i个出行的乘客卡号;Hi为Ti的交易时间;Oi为Ti的起始站点;Di为Ti的到达站点;为Ti在站点k换出l号线;/>为Ti在站点k换入l'号线;Cll'为Ti从l号线换乘至l'号线;Fa为站点a总的换乘客流;/>为时间区间b内站点a的换乘客流;/>为站点a换出l号线的客流;/>为站点a换入l'号线的客流;Fef为从e号线换乘至f号线的客流;n为换乘站的总数;h为集计设置的时间区间;v为线路之间换乘的种类数;
S6、将估算出的换乘客流数据在数字地图上进行可视化。
2.根据权利要求1所述的一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,所述抽象网络包括车站节点、轨道边和换乘边。
3.根据权利要求2所述的一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,所述步骤S2的具体过程为:以出行时间最短最为出行路径选择的依据,将车站和线路投影到同一坐标系,计算每个车站到起点站的距离,进而求出各个站点之间的距离;用求出距离的除以地铁的平均运行速度,估算出不同站点间的运行时间,将其作为轨道边的权重;而换乘边的权重设置为站点的平均换乘时间;将轨道边和换乘边合并,使用Python中自带的NetworkX包从合并的边中提取节点和边,并给它们分配权重,从而完成地铁拓扑网络的构建。
4.根据权利要求1所述的一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,所述步骤S3的具体过程为:对智能卡刷卡数据进行预处理,将数据按卡号和交易时间排序,将数据整体上移一列,即可获得所有刷卡数据中的OD数据;每一行数据对应一个乘客出行的数据,把站点所在的线路与站点相匹配;对OD数据进行去重,得到所有种类的出行OD后将其与地铁拓扑网络结合,利用Dijkstra算法求出各个OD之间的具体路径即是出行时间最短路径。
5.根据权利要求4所述的一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,所述OD数据包括卡号、交易时间、开始站点和线路、到达站点和线路。
6.根据权利要求1所述的一种基于刷卡数据的地铁换乘站换乘客流估计方法,其特征在于,所述步骤S6中利用matplotlib、seaborn和kepler.gl的数据可视化功能,以及利用GIS系统来创建更为直观的可视化,以促进更好地理解各个换乘站各类型换乘客流数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882825.XA CN116933958B (zh) | 2023-07-18 | 2023-07-18 | 一种基于刷卡数据的地铁换乘站换乘客流估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882825.XA CN116933958B (zh) | 2023-07-18 | 2023-07-18 | 一种基于刷卡数据的地铁换乘站换乘客流估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933958A CN116933958A (zh) | 2023-10-24 |
CN116933958B true CN116933958B (zh) | 2024-03-29 |
Family
ID=88383798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882825.XA Active CN116933958B (zh) | 2023-07-18 | 2023-07-18 | 一种基于刷卡数据的地铁换乘站换乘客流估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933958B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973640B (zh) * | 2024-03-29 | 2024-07-12 | 煤炭科学研究总院有限公司 | 换乘地铁站换乘人流量预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN107886189A (zh) * | 2017-10-19 | 2018-04-06 | 东南大学 | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 |
CN112990648A (zh) * | 2021-01-08 | 2021-06-18 | 北京工业大学 | 一种轨道交通网络运营稳定性评估方法 |
-
2023
- 2023-07-18 CN CN202310882825.XA patent/CN116933958B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015167169A1 (ko) * | 2014-05-02 | 2015-11-05 | 서울대학교 산학협력단 | 전철 네트워크의 승객 이동경로 추정 방법 |
WO2016045195A1 (zh) * | 2014-09-22 | 2016-03-31 | 北京交通大学 | 一种城轨路网客流估算方法 |
CN107886189A (zh) * | 2017-10-19 | 2018-04-06 | 东南大学 | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 |
CN112990648A (zh) * | 2021-01-08 | 2021-06-18 | 北京工业大学 | 一种轨道交通网络运营稳定性评估方法 |
Non-Patent Citations (8)
Title |
---|
城市轨道交通网络换乘性能研究;谭玉荣;陈峰;胡映月;;城市轨道交通研究(第03期);全文 * |
基于一卡通数据的公交客流时空特征分析――以深圳为例;黄练;唐小淋;林钰龙;詹承志;;中国高新技术企业(第17期);全文 * |
罗浩然.成都东客站铁路与地铁换乘设施通行能力研究. * |
罗浩然.成都东客站铁路与地铁换乘设施通行能力研究.全文. * |
谭玉荣 ; 陈峰 ; 胡映月 ; .城市轨道交通网络换乘性能研究.城市轨道交通研究.2017,(第03期),全文. * |
陈志杰.城市轨道交通线路负荷实时推算模型及控制方法. * |
陈志杰.城市轨道交通线路负荷实时推算模型及控制方法.全文. * |
黄练 ; 唐小淋 ; 林钰龙 ; 詹承志 ; .基于一卡通数据的公交客流时空特征分析――以深圳为例.中国高新技术企业.(第17期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116933958A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766473B (zh) | 基于多模式公交数据匹配的公共交通出行特征提取方法 | |
Biljecki et al. | Transportation mode-based segmentation and classification of movement trajectories | |
CN111681421B (zh) | 基于手机信令数据的对外客运枢纽集疏空间分布分析方法 | |
CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
Biagioni et al. | Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones | |
CN110111574B (zh) | 一种基于流量树分析的城市交通不平衡评价方法 | |
CN108242149A (zh) | 一种基于交通数据的大数据分析方法 | |
CN106197458A (zh) | 一种基于手机信令数据和导航路线数据的手机用户出行方式识别方法 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
CN110555992B (zh) | 一种基于gps轨迹数据的出租车行驶路径信息提取方法 | |
CN105185105A (zh) | 基于车辆gps和公交ic卡数据的公交换乘识别方法 | |
CN105303854A (zh) | 一种出行路线数据的处理方法和装置 | |
CN109035787B (zh) | 一种利用移动通信数据识别交通工具类别的方法 | |
CN116933958B (zh) | 一种基于刷卡数据的地铁换乘站换乘客流估计方法 | |
CN105101092A (zh) | 一种基于c4.5决策树的手机用户出行方式识别方法 | |
CN110149593A (zh) | 基于移动台信令的路网客流状态辨识方法 | |
CN114446048B (zh) | 基于手机信令数据的轨道交通出行者全出行链分析方法 | |
CN111027929B (zh) | 地铁票务清分方法及装置 | |
CN114363842B (zh) | 基于手机信令数据的公交乘客下车站点预测方法及装置 | |
CN108766031A (zh) | 一种检测车道障碍物的方法和装置 | |
CN114358808A (zh) | 基于多源数据融合的公交od估计及分配方法 | |
CN109389243A (zh) | 结合联网收费数据的高速公路交通情况调查站点布设方法 | |
CN107886189B (zh) | 一种基于地铁刷卡数据进行路径旅行时间推断的方法 | |
CN110675646B (zh) | 公交站点位置获取方法及装置 | |
CN115862331A (zh) | 考虑卡口网络拓扑结构的车辆出行轨迹重构方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |