CN117371629B - 基于机器学习的公交线路优化方法 - Google Patents
基于机器学习的公交线路优化方法 Download PDFInfo
- Publication number
- CN117371629B CN117371629B CN202311271363.4A CN202311271363A CN117371629B CN 117371629 B CN117371629 B CN 117371629B CN 202311271363 A CN202311271363 A CN 202311271363A CN 117371629 B CN117371629 B CN 117371629B
- Authority
- CN
- China
- Prior art keywords
- bus
- bus route
- information
- congestion
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 3
- 230000009193 crawling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的公交线路优化方法,本发明设计的技术方案步骤包括:S10:利用爬虫信息技术采集公交线路信息;S20:构建公交线路优化模型;S30:对所述优化模型进行约束;S40:根据所述公交线路信息对约束后的优化模型进行训练,输出公交线路优化结果;S50:根据所述公交线路优化结果进行公交线路的重新排序,并对存在拥堵情况的路段进行优化处理。本申请通过现有公交信息和新增站点信息对约束后的优化模型进行训练,配合阈值判断进行再次优化,达到公交线路优化的最终效果。
Description
技术领域
本发明涉及城市交通领域,设计了一种基于机器学习的公交线路优化方法。
背景技术
近年来,由于城市化进程的加快和城市人口的不断增加,乘客出行需求增长迅猛,在客流高峰时段,部分城市轨道的交通线路的客流需求巨大,导致运输服务供应不求,需要根据道路承载能力、交通流量、乘客需求等因素,对公交线路进行不断的合理规划、调整和优化,以提高公交运营效率和乘客服务水平。
但是随着国民经济的快速发展,对于新建的餐饮购物广场、楼盘和写字楼等城市居民建设,需要同时搭建公交车站点,而对于新增公交站点,往往会将其并入最近的公交线路,会使原先不拥挤的公交路线因为新增站点而导致拥堵情况的发生,导致城市道路网上的交通压力不断增加,对于不断新增的公交站点,公交线路也需要进行相应调整。
发明内容
有鉴于现有技术的上述缺陷,本发明提出一种基于机器学习的公交线路优化方法,本发明设计的技术方案步骤包括:
S10:利用爬虫信息技术采集公交线路信息;
S20:构建公交线路优化模型;
S30:对所述优化模型进行约束;
S40:根据所述公交线路信息对约束后的优化模型进行训练,输出公交线路优化结果;
S50:根据所述公交线路优化结果进行公交线路的重新排序,并对存在拥堵情况的路段进行优化处理。
优选地,在执行所述S10过程中,所述采集公交线路信息包括采集现有公交线路信息和采集新增公交线路信息;所述采集现有公交线路信息包括采用Python语言的爬虫技术对公交信息网站进行信息采集,然后使用Oracle数据库对采集的现有公交线路信息进行储存。
优选地,所述采集新增公交线路信息包括将所述Oracle数据库与高德平台通过Web接口进行连接,通过高德平台的地图周边搜索功能确定没有现有公交线路信息的城市居民区域,然后在所述城市居民区域设立新增公交站点。
优选地,在执行所述S20过程中,所述优化模型包括优化乘客量和优化公交车运行时间;所述优化乘客量的函数表达为:
式中,maxV1为优化乘客量的函数的输出,l为公交线路的路段,Zx和Zy为l路段的两个不同站点,Q(Zx,Zy)为l路段从Zx上车到Zy下车的乘客量。
优选地,所述优化公交车运行时间的函数表达为:
minV2=∑l∈N∑x∈NT(Zx,Zx+1),
式中,minV2为优化公交车运行时间的函数输出,T(Zx,Zx+1)为l路段Zx到Zx+1站点的公交运行时间。
优选地,在执行所述S30过程中,对所述优化模型进行Subject to约束,约束条件的公式为:
式中,V为所述优化模型的函数表达,Z″为新增站点的技术系数,Ll为公交路线的技术系数,l为公交线路的路段。
优选地,所述Z″的函数表达为:
所述Ll的函数表达为:
优选地,在执行所述S50过程中,所述对存在拥堵情况的路段进行优化处理包括计算拥堵评价指标,然后对重新排序后的公交路线划分拥堵等级,进行相应的优化处理。
优选地,所述计算拥堵评价指标包括计算重新排序后公交线路的拥堵函数,公式为:
式中,为l路段第t时间段的第c辆公交车的拥堵函数,/>为l路段第t时间段的第c辆公交车的实际通行时间,Tl为l路段正常通行时间;
然后将所述拥堵函数的平均数作为拥堵评价指标,公式为:
式中,为l路段第t时间段的公交车拥堵评价指标、C为l路段第t时间段的公交车数量。
优选地,所述对重新排序后的公交路线划分拥堵等级,进行相应的优化处理包括设置双阈值ε1和ε2对重新排序后的公交路线划分三个等级,分别为通畅、较拥堵和过于拥堵三个等级;当时,判定为通畅,不进行优化处理;当/> 时,判定为较拥堵,对相应公交路线增设公交车专用道;当/>时,判定为过于拥堵,对相应公交线路增设公交车专用道和增加公交车数量。
有益效果
1、本发明基于爬虫技术结合高德平台,做到对现有公交信息的采集和确定新增公交站点的信息,能将数据集合高德的地图功能有效的进行管理,做到自动化更新确定新增站点,提高了数据采集效率和准确性;
2、本发明使用多目标的优化方法优化公交线路,即乘客量和公交车运行时间,可以在最小化公交车总体运行时间的同时尽可能提高区域内公交车的乘客量,且充分考虑了约束条件,使输出的结果更加准确,更好地进行线路规划和优化;
3、本发明采用拥堵评价指标和路线等级划分,为优化公交线路操作提供了依据,通过建设专用道和增加公交车数量等措施来应对拥堵情况,能够改善公交运行状况,提高乘客的出行体验,以及促进交通系统的效率和可持续发展。
附图说明
图1是本发明一个较佳实施例的流程示意图;
图2是本发明一个较佳实施例的数据采集类型示意图。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明设计了一种基于机器学习的公交线路优化方法,技术方案包含以下步骤,如图1所示,具体包括:
S10:利用爬虫信息技术采集公交线路信息;
S20:构建公交线路优化模型;
S30:对优化模型进行约束;
S40:根据公交线路信息对约束后的优化模型进行训练,输出公交线路优化结果;
S50:根据公交线路优化结果进行公交线路的重新排序,并对存在拥堵情况的路段进行优化处理。
优选地,在执行S10过程中,采集公交线路信息包括采集现有公交线路信息和采集新增公交线路信息;采集现有公交线路信息包括采用Python语言的爬虫技术对公交信息网站进行信息采集,然后使用Oracle数据库对采集的现有公交线路信息进行储存。
优选地,采集新增公交线路信息包括将Oracle数据库与高德平台通过Web接口进行连接,通过高德平台的地图周边搜索功能确定没有现有公交线路信息的城市居民区域,然后在城市居民区域设立新增公交站点。
具体的,如图2所示,采用Python语言的爬虫技术对8684网站进行爬取,爬取数据类型为VARCHAR2,数据长度为50,以供后续连接高德平台,而采集的现有公交线路信息包括现有站点相关的线路名称、站点名称、公交高峰单向断面客流量、公交高峰单项断面车流量的信息、乘客上下站信息;采集的新增公交线路信息需要对区域内餐饮、购物、生活服务、公司企业、医疗机构等城市居民信息进行爬取,为新增站点信息提供基础信息;另外,对于现有公交线路信息和新增站点信息的公交高峰单向断面客流量、公交高峰单项断面车流量的信息、乘客上下站信息使用实地考察的方法,对新增站点附近居民提供信息采集表,补全新增站点信息;根据线路名称和站点名称,结合高德平台地图功能,可以得到路段的长度供后续分析。
优选地,在执行S20过程中,优化模型包括优化乘客量和优化公交车运行时间;优化乘客量的函数表达为:
式中,maxV1为优化乘客量的函数的输出,l为公交线路的路段,Zx和Zy为l路段的两个不同站点,Q(Zx,Zy)为l路段从Zx上车到Zy下车的乘客量。
优选地,优化公交车运行时间的函数表达为:
minV2=∑l∈N∑x∈NT(Zx,Zx+1),
式中,minV2为优化公交车运行时间的函数输出,T(Zx,Zx+1)为l路段Zx到Zx+1站点的公交运行时间。
优选地,在执行S30过程中,对优化模型进行Subject to约束,约束条件的公式为:
式中,V为优化模型的函数表达,Z″为新增站点的技术系数,Ll为公交路线的技术系数,l为公交线路的路段。
优选地,Z″的函数表达为:
Ll的函数表达为:
具体的,由于一般城市公交在13到25km之间,设置站点大约15到25个之间,超大型城市可以设置30km40站以上的公交,所以本发明设置的Z″约束条件为1km内是否存在现有站点或地铁站点;Ll的约束条件为l路段的长度是否处于13到25km之间。
优选地,在执行S50过程中,对存在拥堵情况的路段进行优化处理包括计算拥堵评价指标,然后对重新排序后的公交路线划分拥堵等级,进行相应的优化处理。
优选地,计算拥堵评价指标包括计算重新排序后公交线路的拥堵函数,公式为:
式中,为l路段第t时间段的第c辆公交车的拥堵函数,/>为l路段第t时间段的第c辆公交车的实际通行时间,Tl为l路段正常通行时间;
然后将拥堵函数的平均数作为拥堵评价指标,公式为:
式中,为l路段第t时间段的公交车拥堵评价指标、C为l路段第t时间段的公交车数量。
优选地,对重新排序后的公交路线划分拥堵等级,进行相应的优化处理包括设置双阈值ε1和ε2对重新排序后的公交路线划分三个等级,分别为通畅、较拥堵和过于拥堵三个等级;当时,判定为通畅,不进行优化处理;当/> 时,判定为较拥堵,对相应公交路线增设公交车专用道;当/>时,判定为过于拥堵,对相应公交线路增设公交车专用道和增加公交车数量。
具体的,本发明设公交车运营时间为6:00-23:00,分别设置早晚高峰作为时间段进行分析,6:00-9:00和17:00-20:00进行分析;然后以公交运营公司编制的公交线路作为参考样本,将多条公交线路和各站点进行分析,划分路线,计算拥堵评价指标,然后绘制双指标的散点图,得到拥堵评价指标和公交运行实际拥堵指标的相关系数,确定ε1为1.7,ε2为2.0,且公交车专用道设置在至少双向四车道的道路上,长度需求至少为2.1km;
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种基于机器学习的公交线路优化方法,其特征在于,包括以下步骤:
S10:利用爬虫信息技术采集公交线路信息;
S20:构建公交线路优化模型;
S30:对所述优化模型进行约束;
S40:根据所述公交线路信息对约束后的优化模型进行训练,输出公交线路优化结果;
S50:根据所述公交线路优化结果进行公交线路的重新排序,并对存在拥堵情况的路段进行优化处理;
在执行所述S20过程中,所述优化模型包括优化乘客量和优化公交车运行时间;所述优化乘客量的函数表达为:
式中,maxV1为优化乘客量的函数的输出,l为公交线路的路段,Zx和Zy为l路段的两个不同站点,Q(Zx,Zy)为l路段从Zx上车到Zy下车的乘客量;
所述优化公交车运行时间的函数表达为:
minV2=∑l∈N∑x∈NT(Zx,Zx+1),
式中,minV2为优化公交车运行时间的函数输出,T(Zx,Zx+1)为l路段Zx到Zx+1站点的公交运行时间;
在执行所述S30过程中,对所述优化模型进行Subject to约束,约束条件的公式为:
式中,V为所述优化模型的函数表达,Z″为新增站点的技术系数,Ll为公交路线的技术系数,l为公交线路的路段。
2.根据权利要求1所述的基于机器学习的公交线路优化方法,其特征在于,在执行所述S10过程中,所述采集公交线路信息包括采集现有公交线路信息和采集新增公交线路信息;所述采集现有公交线路信息包括采用Python语言的爬虫技术对公交信息网站进行信息采集,然后使用Oracle数据库对采集的现有公交线路信息进行储存。
3.根据权利要求2所述的基于机器学习的公交线路优化方法,其特征在于,所述采集新增公交线路信息包括将所述Oracle数据库与高德平台通过Web接口进行连接,通过高德平台的地图周边搜索功能确定没有现有公交线路信息的城市居民区域,然后在所述城市居民区域设立新增公交站点。
4.根据权利要求1所述的基于机器学习的公交线路优化方法,其特征在于,所述Z″的函数表达为:
所述Ll的函数表达为:
5.根据权利要求1所述的基于机器学习的公交线路优化方法,其特征在于,在执行所述S50过程中,所述对存在拥堵情况的路段进行优化处理包括计算拥堵评价指标,然后对重新排序后的公交路线划分拥堵等级,进行相应的优化处理。
6.根据权利要求5所述的基于机器学习的公交线路优化方法,其特征在于,所述计算拥堵评价指标包括计算重新排序后公交线路的拥堵函数,公式为:
式中,为l路段第t时间段的第c辆公交车的拥堵函数,/>为l路段第t时间段的第c辆公交车的实际通行时间,Tl为l路段正常通行时间;
然后将所述拥堵函数的平均数作为拥堵评价指标,公式为:
式中,为l路段第t时间段的公交车拥堵评价指标、C为l路段第t时间段的公交车数量。
7.根据权利要求5或6所述的基于机器学习的公交线路优化方法,其特征在于,所述对重新排序后的公交路线划分拥堵等级,进行相应的优化处理包括设置双阈值ε1和ε2对重新排序后的公交路线划分三个等级,分别为通畅、较拥堵和过于拥堵三个等级;当时,判定为通畅,不进行优化处理;当/>时,判定为较拥堵,对相应公交路线增设公交车专用道;当/>时,判定为过于拥堵,对相应公交线路增设公交车专用道和增加公交车数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271363.4A CN117371629B (zh) | 2023-09-28 | 2023-09-28 | 基于机器学习的公交线路优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311271363.4A CN117371629B (zh) | 2023-09-28 | 2023-09-28 | 基于机器学习的公交线路优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371629A CN117371629A (zh) | 2024-01-09 |
CN117371629B true CN117371629B (zh) | 2024-04-26 |
Family
ID=89388348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311271363.4A Active CN117371629B (zh) | 2023-09-28 | 2023-09-28 | 基于机器学习的公交线路优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371629B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及系统 |
CN116029470A (zh) * | 2022-12-05 | 2023-04-28 | 电子科技大学 | 基于群智感知的公交线路规划方法 |
WO2023109720A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 城市公共交通规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920769B (zh) * | 2021-10-19 | 2022-07-01 | 航天物联网技术有限公司 | 一种基于公交多源数据分析的智能排班表生成方法 |
-
2023
- 2023-09-28 CN CN202311271363.4A patent/CN117371629B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330547A (zh) * | 2017-06-15 | 2017-11-07 | 重庆交通大学 | 一种城市公交动态调度优化方法及系统 |
WO2023109720A1 (zh) * | 2021-12-13 | 2023-06-22 | 深圳先进技术研究院 | 城市公共交通规划方法 |
CN116029470A (zh) * | 2022-12-05 | 2023-04-28 | 电子科技大学 | 基于群智感知的公交线路规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117371629A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886491B (zh) | 一种海量运行数据驱动的地面公交两阶段优化调度方法 | |
CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
CN108320501B (zh) | 基于用户手机信令的公交线路识别方法 | |
CN103745089A (zh) | 一种多维公共交通运行指数评价方法 | |
CN106781479B (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
Srinivasan | A spatial exploration of the accessibility of low-income women: Chengdu, China and Chennai, India | |
CN111191816B (zh) | 城市轨道交通乘客出行时间链辨识系统 | |
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 | |
CN107679654A (zh) | 一种停车规模预估控制系统及实现方法 | |
CN108665191A (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
Park et al. | Can good walkability expand the size of transit-oriented developments? | |
CN107403235A (zh) | 轨道交通站台乘客候车位置诱导系统及方法 | |
CN109489679B (zh) | 一种导航路径中的到达时间计算方法 | |
CN114139251B (zh) | 一种边境地区陆路口岸整体布局方法 | |
CN109360420B (zh) | 一种公共交通大数据处理系统与方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN115049156B (zh) | 一种交通线网运行图衔接优化方法、电子设备及存储介质 | |
CN112784000A (zh) | 基于出租车轨迹数据的寻客方法 | |
CN106997662A (zh) | 一种城市公交车工况构建方法 | |
CN111341135B (zh) | 基于兴趣点及导航数据的手机信令数据出行方式识别方法 | |
CN114969007A (zh) | 一种基于功能混合度和集成学习的城市功能区识别方法 | |
CN106448165A (zh) | 一种基于网络约租车数据的路网行程时间可靠性评价方法 | |
CN113079463A (zh) | 一种基于手机信令数据的旅游景点游客出行活动识别方法 | |
CN109493601B (zh) | 一种公交支线设置方法 | |
CN117371629B (zh) | 基于机器学习的公交线路优化方法 |
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 |