-
公开(公告)号：CN110378557B
公开(公告)日：2023-05-05
申请号：CN201910500923.6
申请日：2019-06-11
Applicant: 东南大学
IPC: G06Q10/0639 , G06Q50/30
Abstract: 本发明公开了一种基于逆向交通分配的错峰出行政策评价方法，包括以下步骤：(A)构建正向基础道路网络；(B)根据出行者从家出发时间分布，采用多次静态交通分配方法，将错峰前OD需求分配到步骤(A)所述的正向基础道路网络上；(C)构建反向基础道路网络；(D)根据错峰出行政策，将部分出行者的工作时间推迟一段时间；(E)根据错峰后出行者到达目的地的时间分布，采用多次静态交通分配方法，将错峰后的反向OD需求分配到步骤(C)所述的反向道路网络上；(F)对比高峰时段步骤(B)和步骤(E)分配所得的路段交通量和旅行时间，对错峰出行政策做出评价。本发明可以对错峰出行政策做出合理的评价，并为其制定和实施提供参考。
-
公开(公告)号：CN110309248B
公开(公告)日：2022-04-29
申请号：CN201910558769.8
申请日：2019-06-26
Applicant: 东南大学
IPC: G06F16/29
Abstract: 本发明公开了基于Voronoi图及道路网络的交通小区自动划分方法，步骤分别是：提取所有道路，创建地理缓冲区；删除重复的道路节点，预创建Voronoi图；创建Voronoi图，形成初始的交通小区；根据绿地水系合并小区；给定最小面积阈值，统计小于这个阈值的小区；合并面积小于阈值的小区，使所有小区都大于这个面积阈值；用行政区裁剪小区；步骤S8按缓冲区裁剪小区；重新统计面积小于阈值的小区,重复步骤S6，继续合并小区；步骤S10检查小区，保证所有交通小区都至少含有一个道路节点。本发明能够在有限的时间内完成交通小区的自动划分，节省了用户手工划分小区的时间和精力，同时也避免了该过程中人工操作可能带来的错误。
-
公开(公告)号：CN110322058B
公开(公告)日：2022-04-15
申请号：CN201910540990.0
申请日：2019-06-21
Applicant: 东南大学
Abstract: 本发明提供了一种考虑步行衔接的轨道交通出行方式时间最短路计算方法，属于交通网络分配领域，包括以下步骤：（1）获取城市指定研究区域的小区形心点、轨道交通站点、路网步行时间阻抗、路网轨道交通时间阻抗数据；（2）采用Dijkstra算法计算各小区形心点到各轨道交通站点的步行时间最短路；（3）筛选各小区形心点合理步行范围内的轨道交通站点；（4）采用Dijkstra算法计算各轨道交通站点间的时间最短路；（5）计算各小区形心点之间考虑步行衔接的轨道交通出行方式时间最短路。本发明步骤简明，结果精确，对城市交通运输体系仿真中轨道交通出行分担率的预测具有重要意义，为城市虚拟交通系统测试平台的建设提供了有力的技术支撑。
-
公开(公告)号：CN111882158A
公开(公告)日：2020-11-03
申请号：CN202010588754.9
申请日：2020-06-24
Applicant: 东南大学
IPC: G06Q10/06 , G06Q50/30 , G06F16/901 , G06F16/9537 , G06F17/18
Abstract: 一种基于Voronoi图的混合公共自行车调度需求预测方法，包括以下步骤：S1、获取有桩与无桩公共自行车出行数据；S2、设置调度区域边界；S3、基于有桩公共自行车站点绘制Voronoi图；S4、提取Voronoi图各子区出行量的时间序列；S5、确定ARMA模型的阶数p和q；S6、采用标定后的ARMA模型预测次日出行量；S7、计算各子区内调度时间与调度量。本发明方法综合考虑有桩与无桩公共自行车进行调度分区与需求预测，打破了传统研究与应用方法只针对单一公共自行车的弊端，减少了两类公共自行车各自为营、重复调度的情况；同时，本发明方法生成的调度需求相比传统方法更为细致，也更加准确。
-
公开(公告)号：CN108492547B
公开(公告)日：2020-09-11
申请号：CN201810285793.4
申请日：2018-04-03
Applicant: 东南大学
Abstract: 本发明公开了一种有桩与无桩混用的公共自行车分区调度方法，包括以下步骤：S1、获取有桩与无桩混用的公共自行车共享网络的数据；S2、基于不平衡热度确定调度子区数量；S3、以多因子聚类进行调度子区划分；S4、生成调度子区内调度量与区间调度量；S5、确定调度子区仓库容量与位置；S6、确定最佳调度卡车车队规模。本发明综合考虑了有桩与无桩公共自行车的联合调度，充分达到了整个系统最优，利用本发明的方法可以有效缓解因调度不足引起的公共自行车乱停放、供需不匹配等问题，改善出行者无车可借或无处可还的尴尬情况，避免交通资源浪费，从根源上控制了调度的距离与成本，并且比传统的优化方法更简单，数据获取便捷，易于操作，便于计算机运算。
-
Patent Agency Ranking
公开(公告)号：CN110322058A
公开(公告)日：2019-10-11
申请号：CN201910540990.0
申请日：2019-06-21
Applicant: 东南大学
Abstract: 本发明提供了一种考虑步行衔接的轨道交通出行方式时间最短路计算方法，属于交通网络分配领域，包括以下步骤：（1）获取城市指定研究区域的小区形心点、轨道交通站点、路网步行时间阻抗、路网轨道交通时间阻抗数据；（2）采用Dijkstra算法计算各小区形心点到各轨道交通站点的步行时间最短路；（3）筛选各小区形心点合理步行范围内的轨道交通站点；（4）采用Dijkstra算法计算各轨道交通站点间的时间最短路；（5）计算各小区形心点之间考虑步行衔接的轨道交通出行方式时间最短路。本发明步骤简明，结果精确，对城市交通运输体系仿真中轨道交通出行分担率的预测具有重要意义，为城市虚拟交通系统测试平台的建设提供了有力的技术支撑。
-
公开(公告)号：CN109257694A
公开(公告)日：2019-01-22
申请号：CN201810964387.0
申请日：2018-08-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于RFID数据的车辆OD矩阵划分方法，首先获取RFID采集器的位置及坐标，将设置在路网中的RFID采集器作为车辆出行的起讫点；其次采集多个以自然日为单位的车辆数据，主要包括采集点编号，车辆编号以及车辆通过各个采集点的时间，从中抽取样本；然后，基于数据挖掘技术，通过对车辆的车牌数据进行匹配，获取车辆在路网中的运行轨迹以及按顺序通过各个采集器的时间，根据车辆通过的时间间隔和平均运行速度可以判断出相邻采集点之间是否存在停留点，利用敏感性分析技术对判断标准的精度进行调整；最后将RFID采集器匹配到所在的交通区，利用python工具获取整体OD矩阵。
-
公开(公告)号：CN108664553A
公开(公告)日：2018-10-16
申请号：CN201810285795.3
申请日：2018-04-03
Applicant: 东南大学
IPC: G06F17/30
Abstract: 本发明公开了一种地铁与公共自行车刷卡数据的融合方法，属于多源交通数据挖掘领域。该方法包括以下步骤：S1、获取地铁刷卡数据和公共自行车刷卡数据，并对公共自行车刷卡数据进行扩充；S2、对地铁刷卡数据和扩充后公共自行车刷卡数据进行处理，生成交易数据；S3、基于交易数据，计算地铁IC卡与公共自行车IC卡的关联规则的支持度、置信度与提升度；S4、提取有效关联规则，生成关联规则列表；S5、对关联规则列表进行检验，剔除不合理的关联规则。本发明方法对地铁与公共自行车刷卡数据进行融合的准确率高达97％，能够为进一步的研究提供数据基础，同时该方法运算速度快，相比于人工调查方式，不仅减少了人力投入，而且降低了误差。
-
公开(公告)号：CN108446791A
公开(公告)日：2018-08-24
申请号：CN201810149231.7
申请日：2018-02-13
Applicant: 东南大学
CPC classification number: G06Q10/04 , G06F17/18 , G06Q10/06315 , G06Q50/26 , G06Q50/30
Abstract: 本发明提供了一类城市公共交通站点覆盖率计算方法，属于城市公共交通规划与评价技术领域，包括以下步骤：（1）获取城市指定研究区域的用地范围边界坐标信息和公共交通站点坐标信息；（2）利用不规则多边形面积计算公式计算研究区域的城市用地总面积；（3）根据公共交通站点类型和研究目的，确定研究区域内每个公交站点的服务半径；（4）利用像素点法、随机点法或积分法计算研究区域的城市公共交通站点覆盖总面积；（5）计算研究区域的城市公共交通站点覆盖率。本发明步骤简明，计算高效，结果精确，对建立科学系统的城市公共交通评价指标体系具有重要的现实意义，为城市公共交通规划以及城市虚拟交通系统测试平台的建设提供了可靠的技术基础。
-
公开(公告)号：CN108438001A
公开(公告)日：2018-08-24
申请号：CN201810213616.5
申请日：2018-03-15
Applicant: 东南大学
IPC: B60W40/09
CPC classification number: B60W40/09
Abstract: 本发明公开了一种基于时间序列聚类分析的异常驾驶行为判别方法，包括以下步骤：S1：通过多个传感器采集车辆驾驶过程中的数据；S2：利用特征提取模块对步骤S1采集的传感器数据提取特征数据；S3：对步骤S2提取的特征数据进行离散小波变换处理，得到每辆车的时间序列数据；S4：最后通过层次聚类算法对步骤S3得到的时间序列数据进行分析，根据分析结果识别出车辆的异常行驶行为，生成驾驶行为分析结果。本发明大大提高了判别的准确性、效率和稳定性，提升了交通运行的安全性，能够对复杂的驾驶行为进行分析。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.019 seconds)
