一种用于弹性公交系统的城市出行用户画像体系构建方法

    公开(公告)号:CN112508425B

    公开(公告)日:2024-03-15

    申请号:CN202011471127.3

    申请日:2020-12-14

    申请人: 东南大学

    摘要: 本发明公开了一种用于弹性公交系统的城市出行用户画像体系构建方法,包括以下步骤:根据城市用地分类标准对13类POI数据进行重分类;利用TF‑IDF算法计算主要POI类型,赋予公交站点功能属性。基于弹性公交出行记录数据提取弹性公交OD,关联站点功能属性信息,并提取用户公交使用指标;关联用户基本属性,构建多级用户出行指标体系。基于定量的多级用户出行指标体系,进行出行指标标签化,获得用户事实标签以及模型标签。构建多级多粒度公交用户出行标签体系,即公交用户出行画像体系。建立公交用户全方位信息,分析城市居民公交出行画像,为公共交通的规划与调度提供数据基础,从而引导城市居民公交绿色出行。

    一种基于巢式-交叉巢式的多模式换乘矩阵测算方法

    公开(公告)号:CN113160560A

    公开(公告)日:2021-07-23

    申请号:CN202110331960.6

    申请日:2021-03-29

    申请人: 东南大学

    IPC分类号: G08G1/01 G06F17/16

    摘要: 本发明公开了一种基于巢式‑交叉巢式的多模式换乘矩阵测算方法,该方法包括:分析换乘中心服务的多模式交通模式及换乘关系,明确出行者的备选出行链集合及待测算的多模式换乘矩阵;结合巢式Logit(Nested Logit,NL)模型和交叉巢式Logit(Cross Nested Logit,CNL)模型考虑多模式交通模式各模式间的相似性和多模式城市道路网的重合度,通过交通方式划分(Mode Split,MS)和交通分配(Traffic Assignment,TA)结合的方法,构建最优化模型;利用Evans算法求解得到换乘矩阵测算结果。与现有技术相比,本发明对于辅助换乘中心规划建设过程中的资源配置有重要作用。

    基于深度学习和多维度融合数据的车辆跟驰行为预测方法

    公开(公告)号:CN115130612A

    公开(公告)日:2022-09-30

    申请号:CN202210876936.5

    申请日:2022-07-25

    申请人: 东南大学

    摘要: 本发明公开了基于深度学习和多维度融合数据的车辆跟驰行为预测方法,包括以下步骤:根据微观交通流轨迹数据,提取驾驶者感知区域内其他车辆的非结构化数据;基于信息熵理论采用DIM模型对非结构化数据进行编码;将编码后非结构化数据和结构化数据进行融合;将融合之后的数据输入至深度学习模型,进行微观跟驰行为预测,输出跟驰车辆在下一时段的行驶距离。本发明提出一种同时考虑非结构化特征和结构化特征的跟驰行为预测方法,该预测方法在单步预测和多步预测任务中均有优异的性能表现;本发明方法理论性和可操作性强,通过将非结构化数据与结构化数据相融合,使得车辆对于周围环境的感知更加全面、准确。

    一种用于弹性公交系统的城市出行用户画像体系构建方法

    公开(公告)号:CN112508425A

    公开(公告)日:2021-03-16

    申请号:CN202011471127.3

    申请日:2020-12-14

    申请人: 东南大学

    IPC分类号: G06Q10/06 G06Q30/02 G06Q50/30

    摘要: 本发明公开了一种用于弹性公交系统的城市出行用户画像体系构建方法,包括以下步骤:根据城市用地分类标准对13类POI数据进行重分类;利用TF‑IDF算法计算主要POI类型,赋予公交站点功能属性。基于弹性公交出行记录数据提取弹性公交OD,关联站点功能属性信息,并提取用户公交使用指标;关联用户基本属性,构建多级用户出行指标体系。基于定量的多级用户出行指标体系,进行出行指标标签化,获得用户事实标签以及模型标签。构建多级多粒度公交用户出行标签体系,即公交用户出行画像体系。建立公交用户全方位信息,分析城市居民公交出行画像,为公共交通的规划与调度提供数据基础,从而引导城市居民公交绿色出行。

    一种基于巢式-交叉巢式的多模式换乘矩阵测算方法

    公开(公告)号:CN113160560B

    公开(公告)日:2022-06-17

    申请号:CN202110331960.6

    申请日:2021-03-29

    申请人: 东南大学

    IPC分类号: G08G1/01 G06F17/16

    摘要: 本发明公开了一种基于巢式‑交叉巢式的多模式换乘矩阵测算方法,该方法包括:分析换乘中心服务的多模式交通模式及换乘关系,明确出行者的备选出行链集合及待测算的多模式换乘矩阵;结合巢式Logit(Nested Logit,NL)模型和交叉巢式Logit(Cross Nested Logit,CNL)模型考虑多模式交通模式各模式间的相似性和多模式城市道路网的重合度,通过交通方式划分(Mode Split,MS)和交通分配(Traffic Assignment,TA)结合的方法,构建最优化模型;利用Evans算法求解得到换乘矩阵测算结果。与现有技术相比,本发明对于辅助换乘中心规划建设过程中的资源配置有重要作用。