CN117422199A - 出站点的确定方法及装置、非易失性存储介质、电子设备 - Google Patents
出站点的确定方法及装置、非易失性存储介质、电子设备 Download PDFInfo
- Publication number
- CN117422199A CN117422199A CN202311425940.0A CN202311425940A CN117422199A CN 117422199 A CN117422199 A CN 117422199A CN 202311425940 A CN202311425940 A CN 202311425940A CN 117422199 A CN117422199 A CN 117422199A
- Authority
- CN
- China
- Prior art keywords
- site
- outbound
- station
- target
- 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 55
- 230000003203 everyday effect Effects 0.000 claims description 12
- 230000002354 daily effect Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 10
- 241000490229 Eucephalus Species 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000736199 Paeonia Species 0.000 description 3
- 235000006484 Paeonia officinalis Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 244000236658 Paeonia lactiflora Species 0.000 description 1
- 235000008598 Paeonia lactiflora Nutrition 0.000 description 1
- 240000008866 Ziziphus nummularia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation 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
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种出站点的确定方法及装置、非易失性存储介质、电子设备。其中,方法包括:获取出行记录表,并确定出行规律表;根据刷卡进站信息中的目标交易账号,并根据发生概率,确定出站点;在出行规律表中无法确定与目标交易账号对应的出站点的情况下,预测目标对象的第一出站点和第二出站点,并确定出站点;若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,第二出站点或第一出站点无法预测,确定第三出站点,并根据第三出站点,确定出站点。本申请解决了由于相关技术无法实时确定乘客的出站点等出行信息,造成的客运管理效率低下的技术问题。
Description
技术领域
本申请涉及轨道交通技术领域,具体而言,涉及一种出站点的确定方法及装置、非易失性存储介质、电子设备。
背景技术
在路网规模快速扩大过程中,特大型城市轨道交通呈现出客流负荷激增、客流特性及演化规律复杂、突发事件影响传播快等特征。目前轨道交通客流清分系统只有在获得乘客出行进站点至出站点的完整时空信息后,才能对乘客的出行路径进行清分,推断数小时前乘客的在网情况;而乘客在网期间各断面满载情况、各换乘站换乘通道的拥挤程度、各车站站台的候车人数只能通过现场布设的监控获取较为片面的信息。而相关技术中无法根据乘客的进站信息精准预测乘客的出站信息,进而无法提升网络化运营调度指挥及客运管理效率。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种出站点的确定方法及装置、非易失性存储介质、电子设备,以至少解决由于相关技术无法实时确定乘客的出站点等出行信息,造成的客运管理效率低下的技术问题。
根据本申请实施例的一个方面,提供了一种出站点的确定方法,包括:获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
可选地,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点,包括:在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点的情况下,赋予第一目标车站第一数值,其中,第一目标车站为出行记录表中的任意车站;在第一目标车站为出行记录表中每天最后一条出行记录中的第一目标出站点的情况下,赋予第一目标车站第二数值;在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点,且与当天最后一条出行记录中的第一目标出站点为同一车站的情况下,赋予第一目标车站第三数值;在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点,且与第二目标出站点为同一车站的情况下,赋予第一目标车站第四数值,其中,第二目标出站点为第一出行日的前一个出行日最后一条出行记录中的第一出站点,第一出行日为第一目标进站点对应的出行日;根据出行记录表范围内目标数值与目标对象每天进出站次数的比值,确定第一目标车站为第一出站点的概率,其中,目标数值为第一数值、第二数值、第三数值和第四数值的总和。
可选地,根据出行记录表中进站点与出站点的关系,预测目标对象的第二出站点,包括:根据第一目标车站为第一出站点的概率以及在目标情况下第二目标车站为第二出站点的概率,确定第二目标车站为第二出站点的概率,其中,目标情况为:第一目标车站为第一出站点。
可选地,根据第一出站点和第二出站点,确定进站点对应的出站点,包括:若目标对象在早平峰对应的第一预设时段、早高峰对应的第二预设时段以及午平峰对应的第三预设时段进站,确定第二出站点为出站点;若目标对象在晚高峰对应的第四预设时段以及晚平峰对应的第五预设时段进站,确定第一出站点为出站点。
可选地,根据进站点至第一出站点的平均用时,确定目标对象在第一出站点的出站时间。
可选地,若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,包括:根据进站点至第二目标车站的第一客流量与进站点至全部出站点的第二客流量的比值,确定进站点至第二目标车站的多个第一概率,其中,第二目标车站为出行规律表中的任意出站点;分别确定多个第一概率中大于第n预设数值的第二目标车站的第n数量,其中,n为正整数;将第n预设数值以及与第n预设数值对应的第n数量分别取对数后进行线性拟合,得到目标回归方程;确定取对数后的第n数量的下四分位数,并将下四分位数代入目标回归方程,确定进站点对应的去向车站的概率临界值;将第一概率大于概率临界值的第二目标车站确定为第三出站点。
可选地,在第三出站点的数量为多个,且第三出站点包括第三目标车站的情况下,若目标对象在第一预设日期范围内进站,将第三目标车站确定为目标对象的第三出站点,其中,第三目标车站包括:铁路地铁站点、客运地铁站点和民航地铁站点;根据进站点至第三出站点的平均用时,确定目标对象在第三出站点的出站时间。
根据本申请实施例的再一方面,还提供了一种出站点的确定装置,包括:获取模块,用于获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;第一确定模块,用于获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;第二确定模块,用于在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;第三确定模块,用于若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的出站点的确定方法。
根据本申请实施例的再一方面,还提供了一种电子设备,包括:存储器和处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的出站点的确定方法。
在本申请实施例中,采用获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定的方式,通过进站点与出站点的关系,确定进站点对应的出站点,达到了精准确定乘客的出站点的目的,从而实现了提升客运管理效率的技术效果,进而解决了由于相关技术无法实时确定乘客的出站点等出行信息,造成的客运管理效率低下的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种出站点的确定方法的流程图;
图2是根据本申请实施例的一种进站点对应的出站点的概率分布示意图;
图3是根据本申请实施例的一种出站点的确定装置的结构图;
图4是根据本申请实施例的一种出站点的确定方法的计算机终端的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种出站点的确定方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种出站点的确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间。
步骤S104,获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间。
步骤S106,在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点。
第一出站点包括但不限于:居住地站点,第二出站点包括但不限于:工作地站点。对乘客基本信息、历史出行记录、车站基本信息、进出站历史数据深入分析挖掘,在预测日的前一日生成乘客(交易账号)对应的出行OD(Origin-Destination,进站点-出站点)规律、乘客工作地站点和居住地站点及各车站的主要去向车站规律。
预测日当天,实时采集通过自动检票机(Automatic Gate,AG)产生的自动售检票系统(Automatic Fare Collection,AFC)交易数据。在获取实时交易数据后,首先将交易账号与乘客画像中该交易账号的出行OD规律进行匹配,匹配成功则按照相同进站点(O站)的出站地概率预测出站点(D站),并利用该交易账号对应的OD历史旅行时间中值预测出站时间。
如果交易账号出行OD规律中没有进站匹配信息,则利用该账户的职住地规律进行匹配,即早平峰、早高峰、午平峰进站以该乘客的工作地站点为预测出站,晚高峰、晚平峰时段的进站以该乘客的居住地站点为预测出站,并利用OD标准时间概率分布预测出站时间。
步骤S108,若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
根据上述步骤,通过进站点与出站点的关系,确定进站点对应的出站点,达到了精准确定乘客的出站点的目的,从而实现了提升客运管理效率的技术效果。
根据本申请的一些可选的实施例,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点,包括以下步骤:在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点的情况下,赋予第一目标车站第一数值,其中,第一目标车站为出行记录表中的任意车站;在第一目标车站为出行记录表中每天最后一条出行记录中的第一目标出站点的情况下,赋予第一目标车站第二数值;在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点,且与当天最后一条出行记录中的第一目标出站点为同一车站的情况下,赋予第一目标车站第三数值;在第一目标车站为出行记录表中每天第一条出行记录中的第一目标进站点,且与第二目标出站点为同一车站的情况下,赋予第一目标车站第四数值,其中,第二目标出站点为第一出行日的前一个出行日最后一条出行记录中的第一出站点,第一出行日为第一目标进站点对应的出行日;根据出行记录表范围内目标数值与目标对象每天进出站次数的比值,确定第一目标车站为第一出站点的概率,其中,目标数值为第一数值、第二数值、第三数值和第四数值的总和。
第一出站点包括但不限于:乘客的居住地站点,为了预测乘客的居住地站点,设定如下四个规则,统计满足各规则车站的满足次数概率分布,然后综合四个规则的满足概率,统计出行规律表中各车站为居住地站点的概率分布:
1.出行记录表中每天第一条出行记录的O站;
2.出行记录表中每天最后一条出行记录的D站;
3.每天的第一条出行记录的O站与当天最后一条出行记录的D站为同一车站;
4.每天的第一条出行记录的O站与上一个出行日最后一条出行记录的D站为同一车站。
以分析通州北苑地铁站是否为乘客的居住地站点为例,若每天第一条出行记录的O站为通州北苑站,则赋予通州北苑站数值1;若每天最后一条出行记录的D站为通州北苑站,则赋予通州北苑站数值1;若每天的第一条出行记录的O站与当天最后一条出行记录的D站为同一车站,则赋予通州北苑站数值1;若每天的第一条出行记录的O站与上一个出行日最后一条出行记录的D站为同一车站,则赋予通州北苑站数值1。
可以理解的是,在该乘客每天进出站次数为4的情况下,则通州北苑地铁站100%的概率为乘客的居住地站点。
以下为交易账号对应居住地站点的预测结果示例:
交易账号 | 居住地站点的预测概率 |
J001 | 九龙山:0.83/广渠门外:0.17 |
J002 | 沙河:0.97/朱辛庄:0.02/沙河高教园:0.004/昌平:0.004 |
J003 | 张自忠路:0.81/北京西站:0.19 |
J004 | 沙河:0.89/南锣鼓巷:0.05/枣园:0.05/清源路:0.02 |
J005 | 沙河:0.84/燕山:0.12/健德门:0.04 |
J006 | 国家图书馆:0.87/北京西站:0.13 |
J007 | 长阳:0.89/北京站:0.11 |
J008 | 芍药居:1 |
J009 | 生物医药基地:0.99/西红门:0.01 |
J010 | 通州北苑:1 |
J011 | 草房:0.94/王府井:0.03/北京站:0.03 |
在本申请的一些可选的实施例,根据出行记录表中进站点与出站点的关系,预测目标对象的第二出站点,可以通过以下方法实现:根据第一目标车站为第一出站点的概率以及在目标情况下第二目标车站为第二出站点的概率,确定第二目标车站为第二出站点的概率,其中,目标情况为:第一目标车站为第一出站点。
第二出站点包括但不限于:乘客的工作地站点,基于上述步骤中预测出的居住地站点,通过筛选以居住地站点为O站或D站的OD,利用如下全概率公式可得到不同站点作为乘客工作地站点的概率:
其中,P(Bj)为Bj站作为工作地站点的概率;P(Bj|Ai)表示以Ai站作为居住地站点的条件下,Bj站为工作地站点的概率;P(Ai)表示Ai站为居住地站点的概率。以某一位乘客A为例,其出行OD符合通勤特征,假设乘客A的工作地站点为东大桥(75%)、东直门(25%),居住地站点为花园桥(100%)。乘客A某日晚高峰从东四十条刷卡进站,但该乘客的历史出行记录(出行规律表)里中并没有东四十条,所以无法采用出行OD规律预测D站,进而采用职住地规律对乘客A的出站点进行预测,结果如下表所示:
作为本申请的一些可选的实施例,根据第一出站点和第二出站点,确定进站点对应的出站点,包括以下步骤、:若目标对象在早平峰对应的第一预设时段、早高峰对应的第二预设时段以及午平峰对应的第三预设时段进站,确定第二出站点为出站点;若目标对象在晚高峰对应的第四预设时段以及晚平峰对应的第五预设时段进站,确定第一出站点为出站点。
进一步地,根据进站点至第一出站点的平均用时,确定目标对象在第一出站点的出站时间。
作为本申请的另一些可选的实施例,若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,可以通过以下方法实现:根据进站点至第二目标车站的第一客流量与进站点至全部出站点的第二客流量的比值,确定进站点至第二目标车站的多个第一概率,其中,第二目标车站为出行规律表中的任意出站点;分别确定多个第一概率中大于第n预设数值的第二目标车站的第n数量,其中,n为正整数;将第n预设数值以及与第n预设数值对应的第n数量分别取对数后进行线性拟合,得到目标回归方程;确定取对数后的第n数量的下四分位数,并将下四分位数代入目标回归方程,确定进站点对应的去向车站的概率临界值;将第一概率大于概率临界值的第二目标车站确定为第三出站点。
若交易账号不在乘客出行OD规律表中,或者交易账号虽然在规律表中,但是在预测日当天,进站点不在OD规律表中,且依据交易账号对应的历史出行记录无法推断其工作地站点站和/或居住地站点时,这种情况本实施例提出根据进站点该时段的主要去向车站(第三出站点)概率分布预测D站。
具体地:定义车站某时段去往路网其他车站的客流占该车站进站量的比例为去向概率分布。以天通苑站为例,其2021年某工作日早高峰的去向概率分布如图2所示,图2中横轴表示以天通苑站为起点,去往其他站点的站点数量,纵轴表示去向概率。分析可知,绝大多数车站的去向概率分布具有“长尾”分布(long-tailed distributions)的特点,进一步地,将不同去向概率分布数取对数后进行线性回归,其呈现较强的线性关系,因此各车站的客流去向服从幂律分布。需要说明的是,幂律分布的共性是绝大多数事件的规模很小,而只有少数事件的规模相当大。幂律分布曲线方程可以表示成y=cx-γ,其中,c,γ为正数,x,y是正的随机变量。对上式两边取对数,可知lny与lnx满足线性关系lny=lnc-rlnx,也即在双对数坐标下,幂律分布表现为一条斜率为负幂指数的直线,这一线性关系是判断给定的实例中随机变量是否满足幂律的依据。
综上,本申请提出一种基于幂律分布规律的主要去向车站(第三出站点)识别方法,具体过程如下:
1.计算车站i到路网其他车站的去向概率分布(数值在0到1之间),计算公式如下:
其中,odij为从i站到j站的OD客流量,Rij表示i站到j站的去向概率分布。
2.统计去向分布概率超过不同数值(例如,设置参数bins=30,不同数值为…1)的车站数目,将不同数值与其对应的车站数目取对数后线性拟合,得到回归方程;
3.对取对数后的车站数目再取下四分位数,获得主要去向车站对应的概率临界值;
4.将车站i到路网其他车站的去向概率超过临界值的车站设定为主要去向车站(第三出站点);
5.重复上述步骤,直至确定全路网所有车站高、平峰时段的主要去向车站。
以天通苑站为例,该站2021年某工作日早高峰的主要去向车站临界值为0.0202如图2中横线所示,通过筛选去向概率超过临界值的车站,即可得到天通苑站的主要去向车站,如下表所示:
可选地,每天各车站各时段的主要去向车站均不同,且双休日主要去向车站个数多于工作日。
以一位持有新交易账号的乘客B为例,该乘客B某日在牡丹园地铁站初次刷卡进站,只能采用主要去向车站规律进行D站预测,牡丹园站工作日平峰期的主要去向车站为:中关村、海淀黄庄、北京南站、天通苑,系统按照牡丹园到这四个车站的出站概率分布确定此次出行的D站,并按照OD平均时长确定出站时间。预测结果如下表所示:
以下是实际工作中早高峰通勤乘客实时D站预测的示例,(通勤乘客为:月度出行次数不小于18次的乘客),利用2021.3-2021.4这两个月的AFC交易数据,挖掘乘客出行OD规律、职住地规律及各车站的主要去向车站规律,对2021年5月9日(双休日)、5月10日(工作日)通勤乘客的早高峰进站刷卡交易进行实时D站预测,统计采用各预测策略在工作日和双休日早高峰的占比及预测准确率,如下表所示:
通过上表可知,不论是工作日还是双休日,采用乘客出行OD规律进行D站预测的占比和精度最高,其次是职住地规律,主要去向车站规律的占比及精度最低,工作日的预测精度要大于双休日。工作日早高峰通勤乘客的D站预测准确率可达88%以上,双休日早高峰通勤乘客的D站预测准确率可达79%以上。
根据本申请一些优选的实施例,在第三出站点的数量为多个,且第三出站点包括第三目标车站的情况下,若目标对象在第一预设日期范围内进站,将第三目标车站确定为目标对象的第三出站点,其中,第三目标车站包括:铁路地铁站点、客运地铁站点和民航地铁站点;根据进站点至第三出站点的平均用时,确定目标对象在第三出站点的出站时间。
可以理解的是,在乘客的主要去向车站,即第三出站为多个,且主要去向车站包括:北京南站、六里桥站以及大兴机场站等交通枢纽站点的情况下,若目标对象在第一预设日期范围内进站,例如,若乘客在春运或小长假期间内进站,则将上述交通枢纽站点(第三目标车站)确定为乘客的出站点。
综上,本申请具有如下优点:
1.D站级联预测精度高:依托海量乘客出行OD记录进行特征挖掘,提炼乘客出行OD规律、职住地规律及各车站主要去向车站规律,构建级联预测模式,最大程度提高预测精度;
2.D站预测时空粒度小:根据乘客进站车站和时间快速预测出站车站及出站时间,形成完整出行记录,预测时间为秒计,空间为OD级;
3.D站预测支持自学习:每日实际客流清分完成后,模型自动更新每位乘客的OD规律库、职住地规律库及每个车站的主要去向车站库,应用于下一日客流实时D站预测;
4.刷卡乘客快速匹配:采用分布式系统架构,配合流处理模式及内存数据库,使得在大数据量及高并发场景下实现客流实时D站预测;
5.应用场景可拓展:以乘客画像及车站画像为基础进行实时D站预测,即使在突发事件场景下,也能较好实现客流实时D站预测。进一步结合清分模型系统,可以实现实时客流仿真推演。
图3是根据本申请实施例的一种出站点的确定装置的结构图,如图3所示,该装置包括:
获取模块30,用于获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;
第一确定模块32,用于获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;
第二确定模块34,用于在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;
第三确定模块36,用于若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
需要说明的是,上述图3中的各个模块可以是程序模块(例如是实现某种特定功能的程序指令集合),也可以是硬件模块,对于后者,其可以表现为以下形式,但不限于此:上述各个模块的表现形式均为一个处理器,或者,上述各个模块的功能通过一个处理器实现。
需要说明的是,图3所示实施例的优选实施方式可以参见图1所示实施例的相关描述,此处不再赘述。
图4示出了一种用于实现出站点的确定方法的计算机终端的硬件结构框图。如图4所示,计算机终端40可以包括一个或多个(图中采用402a、402b,……,402n来示出)处理器402(处理器402可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器404、以及用于通信功能的传输模块406。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端40还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
应当注意到的是上述一个或多个处理器402和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端40中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器404可用于存储应用软件的软件程序以及模块,如本申请实施例中的出站点的确定方法对应的程序指令/数据存储装置,处理器402通过运行存储在存储器404内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的出站点的确定方法。存储器404可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器404可进一步包括相对于处理器402远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端40。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端40的通信供应商提供的无线网络。在一个实例中,传输模块406包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块406可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端40(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图4所示的计算机终端可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图4仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机终端中的部件的类型。
需要说明的是,图4所示的计算机终端用于执行图1所示的出站点的确定方法,因此上述命令的执行方法中的相关解释说明也适用于该电子设备,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的出站点的确定方法。
非易失性存储介质执行以下功能的程序:获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
本申请实施例还提供了一种电子设备,包括:存储器和处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的出站点的确定方法。
处理器用于运行执行以下功能的程序:获取目标对象在预设时长内的出行记录表,并根据出行记录表确定出行规律表,其中,出行规律表包括:目标对象在历史出行记录中的交易账号、与交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定目标交易账号对应的进站点,并根据发生概率,确定进站点对应的出站点和出行时间,并确定目标对象在进站点对应的出站点的出站时间;在出行规律表中无法确定与目标交易账号对应的出站点的情况下,根据出行记录表中进站点与出站点的关系,预测目标对象的第一出站点和第二出站点,并根据第一出站点和第二出站点,确定进站点对应的出站点;若在出行规律表中不存在目标交易账号,或者,若出行规律表中存在目标交易账号,刷卡进站信息中的进站点与出行规律表中的进站点无法匹配,且目标对象的第二出站点或第一出站点无法预测,确定目标对象的第三出站点,并根据第三出站点,确定进站点对应的出站点,其中,第三出站点为第一概率大于预设数值的出站点,第一概率根据进站点和进站点对应的出站点的客流量确定。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种出站点的确定方法,其特征在于,包括:
获取目标对象在预设时长内的出行记录表,并根据所述出行记录表确定出行规律表,其中,所述出行规律表包括:所述目标对象在历史出行记录中的交易账号、与所述交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;
获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定所述目标交易账号对应的进站点,并根据所述发生概率,确定所述进站点对应的出站点和出行时间,并确定所述目标对象在所述进站点对应的所述出站点的出站时间;
在所述出行规律表中无法确定与所述目标交易账号对应的出站点的情况下,根据所述出行记录表中所述进站点与所述出站点的关系,预测所述目标对象的第一出站点和第二出站点,并根据所述第一出站点和所述第二出站点,确定所述进站点对应的所述出站点;
若在所述出行规律表中不存在所述目标交易账号,或者,若所述出行规律表中存在所述目标交易账号,所述刷卡进站信息中的进站点与所述出行规律表中的进站点无法匹配,且所述目标对象的第二出站点或第一出站点无法预测,确定所述目标对象的第三出站点,并根据所述第三出站点,确定所述进站点对应的所述出站点,其中,所述第三出站点为第一概率大于预设数值的出站点,所述第一概率根据所述进站点和所述进站点对应的出站点的客流量确定。
2.根据权利要求1所述的方法,其特征在于,根据所述出行记录表中所述进站点与所述出站点的关系,预测所述目标对象的第一出站点,包括:
在第一目标车站为所述出行记录表中每天第一条出行记录中的第一目标进站点的情况下,赋予所述第一目标车站第一数值,其中,所述第一目标车站为所述出行记录表中的任意车站;
在所述第一目标车站为所述出行记录表中每天最后一条出行记录中的第一目标出站点的情况下,赋予所述第一目标车站第二数值;
在所述第一目标车站为所述出行记录表中每天第一条出行记录中的第一目标进站点,且与当天最后一条出行记录中的第一目标出站点为同一车站的情况下,赋予所述第一目标车站第三数值;
在所述第一目标车站为所述出行记录表中每天第一条出行记录中的第一目标进站点,且与第二目标出站点为同一车站的情况下,赋予所述第一目标车站第四数值,其中,所述第二目标出站点为第一出行日的前一个出行日最后一条出行记录中的第一出站点,所述第一出行日为所述第一目标进站点对应的出行日;
根据所述出行记录表范围内目标数值与所述目标对象每天进出站次数的比值,确定所述第一目标车站为所述第一出站点的概率,其中,所述目标数值为所述第一数值、所述第二数值、所述第三数值和所述第四数值的总和。
3.根据权利要求2所述的方法,其特征在于,根据所述出行记录表中所述进站点与所述出站点的关系,预测所述目标对象的第二出站点,包括:
根据所述第一目标车站为所述第一出站点的概率以及在目标情况下第二目标车站为第二出站点的概率,确定所述第二目标车站为第二出站点的概率,其中,所述目标情况为:所述第一目标车站为所述第一出站点。
4.根据权利要求1所述的方法,其特征在于,根据所述第一出站点和所述第二出站点,确定所述进站点对应的所述出站点,包括:
若所述目标对象在早平峰对应的第一预设时段、早高峰对应的第二预设时段以及午平峰对应的第三预设时段进站,确定所述第二出站点为所述出站点;
若所述目标对象在晚高峰对应的第四预设时段以及晚平峰对应的第五预设时段进站,确定所述第一出站点为所述出站点。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:根据所述进站点至所述第一出站点的平均用时,确定所述目标对象在所述第一出站点的出站时间。
6.根据权利要求1所述的方法,其特征在于,若在所述出行规律表中不存在所述目标交易账号,或者,若所述出行规律表中存在所述目标交易账号,所述刷卡进站信息中的进站点与所述出行规律表中的进站点无法匹配,且所述目标对象的第二出站点或第一出站点无法预测,确定所述目标对象的第三出站点,包括:
根据所述进站点至第二目标车站的第一客流量与所述进站点至全部出站点的第二客流量的比值,确定所述进站点至所述第二目标车站的多个第一概率,其中,所述第二目标车站为所述出行规律表中的任意出站点;
分别确定所述多个第一概率中大于第n预设数值的所述第二目标车站的第n数量,其中,n为正整数;
将所述第n预设数值以及与所述第n预设数值对应的第n数量分别取对数后进行线性拟合,得到目标回归方程;
确定取对数后的第n数量的下四分位数,并将所述下四分位数代入所述目标回归方程,确定所述进站点对应的去向车站的概率临界值;
将所述第一概率大于所述概率临界值的所述第二目标车站确定为所述第三出站点。
7.根据权利要求1所述的方法,其特征在于,包括:
在所述第三出站点的数量为多个,且所述第三出站点包括第三目标车站的情况下,若所述目标对象在第一预设日期范围内进站,将所述第三目标车站确定为所述目标对象的所述第三出站点,其中,所述第三目标车站包括:铁路地铁站点、客运地铁站点和民航地铁站点;
根据所述进站点至所述第三出站点的平均用时,确定所述目标对象在所述第三出站点的出站时间。
8.一种出站点的确定装置,其特征在于,包括:
获取模块,用于获取目标对象在预设时长内的出行记录表,并根据所述出行记录表确定出行规律表,其中,所述出行规律表包括:所述目标对象在历史出行记录中的交易账号、与所述交易账号对应的进站点、出站点、同一进站点至不同出站点的发生概率以及出行时间;
第一确定模块,用于获取刷卡进站信息,根据刷卡进站信息中的目标交易账号,在出行规律表中确定所述目标交易账号对应的进站点,并根据所述发生概率,确定所述进站点对应的出站点和出行时间,并确定所述目标对象在所述进站点对应的所述出站点的出站时间;
第二确定模块,用于在所述出行规律表中无法确定与所述目标交易账号对应的出站点的情况下,根据所述出行记录表中所述进站点与所述出站点的关系,预测所述目标对象的第一出站点和第二出站点,并根据所述第一出站点和所述第二出站点,确定所述进站点对应的所述出站点;
第三确定模块,用于若在所述出行规律表中不存在所述目标交易账号,或者,若所述出行规律表中存在所述目标交易账号,所述刷卡进站信息中的进站点与所述出行规律表中的进站点无法匹配,且所述目标对象的第二出站点或第一出站点无法预测,确定所述目标对象的第三出站点,并根据所述第三出站点,确定所述进站点对应的所述出站点,其中,所述第三出站点为第一概率大于预设数值的出站点,所述第一概率根据所述进站点和所述进站点对应的出站点的客流量确定。
9.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述的出站点的确定方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述处理器用于运行存储在所述存储器中的程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的出站点的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425940.0A CN117422199A (zh) | 2023-10-30 | 2023-10-30 | 出站点的确定方法及装置、非易失性存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311425940.0A CN117422199A (zh) | 2023-10-30 | 2023-10-30 | 出站点的确定方法及装置、非易失性存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422199A true CN117422199A (zh) | 2024-01-19 |
Family
ID=89524457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311425940.0A Pending CN117422199A (zh) | 2023-10-30 | 2023-10-30 | 出站点的确定方法及装置、非易失性存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422199A (zh) |
-
2023
- 2023-10-30 CN CN202311425940.0A patent/CN117422199A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN103984993B (zh) | 一种轨道交通客流od分布实时推测方法 | |
Wang et al. | A big data approach for smart transportation management on bus network | |
Guo et al. | Parking spaces repurchase strategy design via simulation optimization | |
CN112863172B (zh) | 高速公路交通运行状态判定方法、预警方法、装置及终端 | |
CN108806302A (zh) | 一种车辆调度方法及装置 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN112703517A (zh) | 电子叫车服务 | |
CN112687401B (zh) | 聚集风险确定方法及装置、计算机可读介质及电子设备 | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN112686417B (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
Barabino et al. | Regularity diagnosis by automatic vehicle location raw data | |
CN111553633A (zh) | 一种工程造价管理系统及方法 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN115909727A (zh) | 一种收费站效能监测方法、装置 | |
CN116090903A (zh) | 基于多源数据的轨道公交两网融合综合评价方法及其应用 | |
CN114971135A (zh) | 基于5g物联网的智能充电站电力设备管理系统及调度方法 | |
CN111724184A (zh) | 一种转化概率预测方法及装置 | |
CN117422199A (zh) | 出站点的确定方法及装置、非易失性存储介质、电子设备 | |
CN114140210A (zh) | 数据处理方法、装置、电子设备、介质和计算机程序产品 | |
CN108959596B (zh) | 一种公交阶梯票价预测方法 | |
Hobi | The impact of real-time information sources on crowd-sourced parking availability prediction | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
CN115578854B (zh) | 收费站车辆排队长度预测方法、装置、设备及存储介质 |
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 |