城市轨道交通车站客流状态采集范围

随着城市化进程的不断推进,迅猛增加的轨道交通客流对客运组织管理提出了更高的要求。目前,虽然多样化的视频采集设备已广泛应用于地铁客流监测中,但是对视频监测范围缺乏统一的标准规范导致监控设备布设随意性大、客流采集无法满足监测需求,鉴于此,课题开展对轨道交通车站客流状态数据采集范围的研究。首先,阐述了客流状态采集范围的概念和影响因素;其次,分析轨道交通车站不同功能区域的数据采集参数类型,以全面性及精度最优为目标,构建了不同功能区域的采集范围模型,并给出模型中参数权重的计算方法和模型求解方法;最后,以北京西直门地铁站为研究对象进行实例分析,给出其不同功能区客流状态数据的最优采集范围。本研究可为交通流数据的获取提供有效的技术支持和保障。     

基于AFC数据的大型活动期间城市轨道交通客流预测

准确预测大型活动期间城市轨道交通客流,是城市轨道交通管理与运营部门制定运输组织计划的重要依据,也是实现活动期间交通保障的关键.在分析大型活动期间城市轨道交通历史客流特征的基础上,针对活动期间的客流成分,分别构建活动客流与背景客流预测模型,以实现对未来大型活动期间城市轨道交通客流的预测.基于城市轨道交通自动检票系统(AFC)采集到的客流数据,分析大型活动期间的历史客流数据的变化规律,并依据其客流特征进行成分分解.针对活动客流,构建基于小波分解与重构的GM-ARIMA客流预测模型,针对背景客流则采用ARIMA模型与底特律法进行预测.基于广州地铁在2011—2014年广交会期间的历史AFC客流数据,对提出的方法进行验证.结果表明:该方法能够捕捉大型活动期间的客流特征,并可实现对大型活动期间城市轨道交通客流的预测.     

从商家的促销活动看接受策略

每一个节假日来临,对商家而言意味着一个商机的到来。要想在激烈的促销的活动中脱颖而出,商家必须做到知己知彼,迎合消费者的心理,出奇招而制胜。文章尝试从接受修辞学的角度分析促销活动所蕴含的修辞接受策略。     

智能客运移动检测及统计系统研究

实现客运实时调度的关键环节是客流基础数据的积累和客流信息的实时采集、传输与分析.因此,研究和开发客流实时检测、存储设备及相应的数据仓库与数据挖掘系统对于实现真正意义上的智能客运实时调度系统具有重要的现实意义.本文在对国内外市场现状和发展前景分析的基础上,将智能客运移动检测及统计系统进行了剖析,重点就开发该系统的开发思路做了全面的理论研究.     

综合商场冷负荷问题探讨

分析了综合商场空调冷负荷特点，影响商场客流密度取值的因素以及新风冷负荷等问题，并根据我国暖通规范提供的气象参数，给出了在一定条件下商场空调冷负荷指标及各项冷负荷在总冷负荷中所占的比例。其内容可供商场空调设计参考。     

做直销切忌“鸡立鹤群”

《孙子兵法》云：知己知彼，百战不殆。商场如战场。不论是直销企业还是做直销的人，如果对其他直销企业不了解，对顾客的心理不了解，仅凭着自己的想当然，或者所谓的经验做直销，纸上谈兵，闭门造车，那结果只能是失败。     

电子商务与传统商业

如今只要你有空逛逛商场你就能感受到商场激烈的竞争,无处不在的促销搞得消费者也很湖涂,到底谁是最低价?只有商家自已知道。生意难作,一些商家的管理人员也是伤透脑子,然而在如此激烈的竞     

基于客流规律的地铁车站客流风险分析

地铁车站类型识别和客流风险识别对地铁安全运营管理有着重要的作用。基于深圳地铁AFC(automatic fare collection)系统数据,采用无关值和异常值清理、聚合、均值滤波、标准化、主成分分析等数据清洗步骤,提取不同时段客流比例、不同天数客流比例和换乘客流比例等特征。运用Gauss混合模型(GMM)对工作日和周末客流进行聚类,分析客流出行规律,辨识车站类型及其对应的客流风险时段,提出车站客流风险分析方法,通过大数据分析对车站类型和客流风险进行识别。分析结果对掌握车站大客流风险情况,避免大客流冲击造成的拥挤踩踏等群体性事件的发生,保障乘客安全具有指导意义。     

基于时空特征的城市轨道交通客流量预测方法

随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高,特定站点客流量极易发生急剧变化,这种变化引起整个网络客流量的不均匀分布,从而增加运营调度的难度和运营事故的发生概率.本文以城市轨道交通实际运营中采集的大量客流数据为基础,从时间和空间两个维度分析城市轨道交通客流分布的特点,并进一步提出基于贝叶斯网络的客流量预测方法,实现对特定站点的客流量预测.本实验完全基于实际数据,结果表明:预测客流量平均绝对百分比误差基本在0.1以下,预测准确程度较高.     

试论商场促销活动中的应用数学

面对激烈的市场竞争,不少商家纷纷采取商场促销活动的形式来开拓市场。本文通过对商场促销活动的简要介绍,阐述商场促销活动中的应用数学。     

全路客运能力计算分析及管内客流数据管理系统和全路客运管理数据处理系统通过鉴定

由我校运输系王苏男副教授主持的“全路客运能力计算分析及管内客流数据管理系统”和“全路客运管理数据处理系统”两项课题于1992年12月15日通过鉴定.“全路客运能力计算分析及管内客流数据管理系统”由管内客流数据管理、全路客运列车信息管理、客运能力计算分析、主要站间客流汇总及分析和绘制管内客流图及能力分析图5部分组成.“全路客运管理数据处理系统”研制开发了客运规章管理子系统、站务管理子     

基于WLAN信号的线下客流分析技术研究

构建基于WLAN信号分析的非接触线下客流分析方法及系统。通过底层驱动使无线网卡在监听模式下抓取区域内的WLAN信号,通过监听阵列追踪顾客的无线信号行为,构建算法对数据进行分析和处理,形成客流分析数据为商业决策提供支撑。     

逆风

代币券(卡)遭封杀购物热忙坏商家国务院纠正行业不正之风办公室、国家经贸委、中国人民银行发出紧急通知,严禁发放使用各种代币券(卡),已发放的限期在2月28日前妥善处理。集团购买某些商场的购物券由此能够得到占购买金额一定比例的“优惠”,已是公开的秘密。有关人士称:“值得注意的是,这些从中受益者又有几个能有自觉性,去主动交纳个人所得税?”大多数代币券(卡)持有者赶紧挤进商场近乎疯狂地购物,一些商场的刷卡机经常因线路繁忙而罢工。     

基于SARIMA模型的动态关联规则元规则挖掘

对动态关联规则的元规则进行建模分析预测,这对了解商品之间的联系规则以及为商家做出决策提供科学的依据,具有重大的现实意义.选取某商场2007—2016年顾客购买商品I_1与I_2的销售数据,挖掘出规则I■_1I_2,并对支持度计数建立SARIMA模型.结果显示:2015年1月—12月支持度计数的实际值与拟合值的相对误差在6%以内,说明采用SARIMA模型预测是可行的,预测数据比较可靠,最后对该商场2017年1月—3月的支持度计数进行预测.     

基于C/S架构的客流检测系统设计与实现

客流检测系统基于Windows平台,以C/S架构为基础,通过对采集视频进行一系列的处理来实现行人的检测跟踪,以及相关客流数据的实时计算与显示.对视频解码模块、检测跟踪处理模块和进程间交互模块的设计作了详细介绍,测试结果表明,系统各模块均达到使用要求,且具有较强的稳定性和可扩展性.     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

基于IC卡的公交枢纽客流特征分析

IC卡数据记录了IC卡的卡号、车辆号、交易日期、交易时间、公交线路编号等信息,通过对IC卡数据的处理以及挖掘分析,能够反映城市居民公交出行的总体特征,同时也能够为公交枢纽预警机制提供数据支持。利用基于IC卡数据的上客客流、落客客流、换乘客流判定方法,结合实际IC卡刷卡数据,分析了公交枢纽客流的时间特征、动态特征以及短时特征,可为公交枢纽客流状态判断提供数据支持,为行业主管部门提升公众出行服务水平提供决策依据,同时也能够对公交枢纽安全预警以及应急管理工作起到关键数据支撑作用。     

安阳市公共交通系统客流特征分析

通过对安阳市公交客流数据的调查,分析了安阳市公交客流的特点和公交线网存在的问题,为安阳市公交线路规划和行车作业计划编制提供了基础。     

基于客流转移的轨道交通换乘站客流分析

换乘站客流研究是城市轨道交通重要的研究方向,本文针对轨道交通换乘站客流分析预测存在的不足,提出了一种基于客流转移的换乘站客流分析方法。文章主要对比轨道交通信息运营前后两个阶段,获得换乘站准确的客流变化情况,为下一步进行客流预测建模提供坚实的理论与数据支撑。     

基于S-Catboost算法的短时公交客流预测及影响因子分析

针对城市公交实时客流数据多样化和特征复杂的状况,提出一种基于S-Catboost模型的客流特征提取及短时客流预测方法和影响因子分析流程。首先,通过爬虫技术获取公交客流数据的环境和时变特征,扩充客流数据的特征维度。其次,通过对客流数据进行时间和精度加权并采用LSTM和随机森林2种基模型对客流数据进行堆叠(Stacking),提取强特征并加入第二层子模型的特征矩阵。最后,利用Catboost算法对类别特征进行数值化处理,得到预测结果。实验结果表明该模型比传统LSTM、随机森林、GBDT以及SVM在预测准确度和计算时间上都有明显的优势,并给出了不同影响因子对客流量的相对贡献度和各自的偏效应,该模型对于公交系统进行实时线网优化调度和线路拥挤度信息发布具有比较高的实用价值。