公开(公告)号：CN114819366B

公开(公告)日：2024-07-26

申请号：CN202210483804.6

申请日：2022-05-06

Applicant: 华侨大学

Inventor： 王成 ,  李心怡

IPC: G06Q10/04 ,  G06Q10/0631 ,  G06Q50/40 ,  G06N3/045 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明提供了一种OD客流短时预测方法、装置、设备及其存储介质，包括获取历史乘客IC数据集及外部影响因素特征数据，并对其进行OD匹配处理，生成历史OD数据集；将历史OD数据集进行转换处理，生成时间序列，并对时间序列进行堆叠处理，生成输入数据集，以Δt作为预测时间间隔对预设时间段内的时间序列中进行划分，并将划分后数据进行堆叠；调用训练好的神经网络模型对输入数据集进行处理，生成OD客流预测数据；根据OD客流预测数据，对车辆实时动态调度进行调整。此外，现有技术中的OD预测方法忽略了在解决数据稀疏性、可用性问题基础上，同时考虑时序特点，并且OD分布与历史客流量以及外部因素之间的密切关系，导致结果精确度不高。

公开(公告)号：CN114723141B

公开(公告)日：2024-07-02

申请号：CN202210371443.6

申请日：2022-04-11

Applicant: 华侨大学

Inventor： 王成 ,  李心怡

IPC: G06Q10/04 ,  G08G1/123

Abstract: 本发明涉及一种BRT多服务模式优化方法及系统，首先以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型，然后利用遗传算法求解所述多目标非线性整数优化模型，从而优化多服务模式下的线路、停靠站、发车频率以及车型，有效提高了BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。

公开(公告)号：CN115660156A

公开(公告)日：2023-01-31

申请号：CN202211269386.7

申请日：2022-10-18

Applicant: 华侨大学

Inventor： 王成 ,  李心怡

IPC: G06Q10/04 ,  G06Q50/26 ,  G06F18/25 ,  G06F18/214 ,  G06F17/18 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种客流拥堵延误的预测方法及系统，属于通勤延误预测技术领域，在历史延误数据集中选取待测时间周期的临近、过去几天同一时间、过去几周同一时间的延误数据，并据这些数据构建交通站点两两之间的显式和隐式交通关系图，使客流拥堵延误预测的输入数据充分考虑交通站点历史时间维度上的时间特征，以及相邻或相关性强的交通站点在空间维度上的空间特征，在此基础上还将外部影响因素的特征参与到客流拥堵延误的预测中，不仅充分考虑了站点自身的历史数据，还要考虑各交通站点之间的时空相关性以及各种外部影响因素，提高了客流拥堵延误预测模型的准确度和适用性。

公开(公告)号：CN114723141A

公开(公告)日：2022-07-08

申请号：CN202210371443.6

申请日：2022-04-11

Applicant: 华侨大学

Inventor： 王成 ,  李心怡

IPC: G06Q10/04 ,  G08G1/123

Abstract: 本发明涉及一种BRT多服务模式优化方法及系统，首先以每个线路中车辆的跳站方案、发车频率以及车辆核载人数为优化的决策变量，以发车间隔、满载率和车容量为约束，以乘客在站等车时间最小、乘客乘车时间最小和公交运营成本最小为优化目标函数，构建多目标非线性整数优化模型，然后利用遗传算法求解所述多目标非线性整数优化模型，从而优化多服务模式下的线路、停靠站、发车频率以及车型，有效提高了BRT的服务质量，解决乘客挤不上车或者乘客等车时间长等问题。

公开(公告)号：CN114819366A

公开(公告)日：2022-07-29

申请号：CN202210483804.6

申请日：2022-05-06

Applicant: 华侨大学

Inventor： 王成 ,  李心怡

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种OD客流短时预测方法、装置、设备及其存储介质，包括获取历史乘客IC数据集及外部影响因素特征数据，并对其进行OD匹配处理，生成历史OD数据集；将历史OD数据集进行转换处理，生成时间序列，并对时间序列进行堆叠处理，生成输入数据集，以Δt作为预测时间间隔对预设时间段内的时间序列中进行划分，并将划分后数据进行堆叠；调用训练好的神经网络模型对输入数据集进行处理，生成OD客流预测数据；根据OD客流预测数据，对车辆实时动态调度进行调整。此外，现有技术中的OD预测方法忽略了在解决数据稀疏性、可用性问题基础上，同时考虑时序特点，并且OD分布与历史客流量以及外部因素之间的密切关系，导致结果精确度不高。