[go: up one dir, main page]

CN113160603B - 一种基于车联网的智能公交管理 - Google Patents

一种基于车联网的智能公交管理 Download PDF

Info

Publication number
CN113160603B
CN113160603B CN202110457203.3A CN202110457203A CN113160603B CN 113160603 B CN113160603 B CN 113160603B CN 202110457203 A CN202110457203 A CN 202110457203A CN 113160603 B CN113160603 B CN 113160603B
Authority
CN
China
Prior art keywords
module
passengers
passenger
station
face
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.)
Active
Application number
CN202110457203.3A
Other languages
English (en)
Other versions
CN113160603A (zh
Inventor
赵岩
孙宏飞
张世强
钱贵涛
王金刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hualu Zhida Technology Co Ltd
Original Assignee
Hualu Zhida Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hualu Zhida Technology Co Ltd filed Critical Hualu Zhida Technology Co Ltd
Priority to CN202110457203.3A priority Critical patent/CN113160603B/zh
Publication of CN113160603A publication Critical patent/CN113160603A/zh
Application granted granted Critical
Publication of CN113160603B publication Critical patent/CN113160603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车联网的智能公交管理系统，其特征在于，包括智能公交管理子系统以及到站提醒系统，智能公交管理子系统包括用于获取乘客的换乘列表的手机终端系统、获取乘客的身份信息的数据关联模块、利用人脸识别方法对乘客进行位置跟踪的位置跟踪模块、获取车内的客流信息的客流量统计模块。到站提醒模块包括站点分析模块、最优化选择模块、扬声器模块，站点分析模块接收位置跟踪模块和客流量统计模块的信息，生成提醒方案发送到最优化选择模块，最优化选择模块用于确定最优提醒方案，并利用扬声器模块提醒乘客，乘客可按照自己需求设置换乘列表，提高乘客满意度。

Description

一种基于车联网的智能公交管理
技术领域
本发明涉及公交领域，尤其涉及一种基于车联网的智能公交管理。
背景技术
现有的公交换乘通常对手机终端，利用性不高，不能满足点对点提供换乘提醒的要求。
发明内容
本发明提供一种基于车联网的智能公交管理，以克服上述技术问题。
本发明公开了一种基于车联网的智能公交管理，其特征在于，包括智能公交管理子系统以及到站提醒系统，智能公交管理子系统包括用于获取乘客的换乘列表的手机终端系统、获取乘客的身份信息的数据关联模块、利用人脸识别方法对乘客进行位置跟踪的位置跟踪模块、获取车内的客流信息的客流量统计模块。到站提醒模块包括站点分析模块、最优化选择模块、扬声器模块，站点分析模块接收位置跟踪模块和客流量统计模块的信息，生成提醒方案发送到最优化选择模块，最优化选择模块用于确定最优提醒方案，并利用扬声器模块提醒乘客。
手机终端系统是指获取乘客的换乘列表，获取乘客的换乘列表是指通过手机终端选择目的地以及当前上车站点，创建换乘列表并以手机用户识别码为ID，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表；
数据关联模块是指获取乘客的身份信息，获取乘客的身份信息包括建立人脸数据库，将人脸图像数据与ID保存到人脸数据库中，建立到站站点信息与乘客面部特征的数据关联，并将关联后的信息发送到位置跟踪模块；
位置跟踪模块是指利用人脸识别方法对乘客进行位置跟踪，利用人脸识别方法对乘客进行位置跟踪包括安装在车内的监控装置，接收数据关联模块发送的建立到站站点信息与乘客面部特征的数据关联，统计即将到站的人数，按照ID分别跟踪即将到站人员在车内位置信息；
客流量统计模块是指获取车内的客流信息，获取车内的客流信息包括采集开门过程乘客的支付信息，获取上车人数，通过安装在车门的监控装置，获取车辆开门过程中的视频，识别并统计视频中出现的下车人数,下车人员对应的ID，根据上车人数、下车人数、开门前车内人数计算关门后车内人数，上车人员ID；
所述到站提醒模块包括站点分析模块、最优化选择模块、扬声器模块，
站点分析模块是指将到到达下一站的时间划分为不同的采样周期，在同一采样周期获取当前车速，通过GPS定位获取与前车车距，获取客流量统计模块统计的当前车内客流量，获取位置跟踪模块传入的即将到站人员数量统计，获取位置跟踪模块传入的即将到站人员在车内位置信息，根据以上数据生成提醒方案；
最优化选择模块是指将站点分析模块中相邻的两个采样周期内产生的数据进行匹配度计算，计算匹配度的公式为(1)，若匹配值大于阈值，则说明两方案匹配度较高，则选择第一个采样周期的提醒方案作为最优提醒方案，若匹配值小于等于阈值，则选择第二个采样周期的方案作为最优提醒方案，标记最优提醒方案所对应的乘客；
Figure BDA0003040941340000021
其中，txi,txi-1分别为相邻的两个采样周期内产生的数据，zm为匹配度，k为即将到站人员在车内位置信息，Vx表示第一次采样周期特征的置信度，取值范围[0,1]，Vy表示第二个采样周期特征的置信度，取值范围[0,1]，l(*)表示使用卷积网络抽取后的特征，f(*)表示对数据进行序列化；
扬声器模块是指获取最优化选择模块的最优提醒方案，对即将到站的乘客进行到站提醒；
优选地，所述在同一采样周期获取当前车速，后一站点的车站客流信息，获取客流量统计模块统计的当前车内客流量，获取位置跟踪模块传入的即将到站人员数量统计，获取位置跟踪模块传入的即将到站人员在车内位置信息，根据以上数据生成提醒方案，其提醒方案的生成公式为(2)：
Figure BDA0003040941340000031
其中，TX为提醒方案，p为后一站点的车站客流信息，o为公交车之间的车间距，s为车速，h为当前车内客流量，k为即将到站人员在车内位置信息，i表示第i个站点，1≦i≦n，fun表示使用交叉熵损失训练的残差网络，fn(*)表示使用残差网络抽取后的特征，fm(*)表示使用卷积网络抽取后的特征。
优选地，数据关联模块是指获取乘客的身份信息，获取乘客的身份信息包括建立人脸数据库，将人脸图像数据与ID保存到人脸数据库中，提取乘客人脸面部特征，建立到站站点信息与乘客人脸面部特征的数据关联，获取乘客人脸面部特征的公式为(3)，
Figure BDA0003040941340000032
其中，x为图像，y是通用人脸模版，具体是指由256个点组成的三维点云，点云内的点包含眼鼻嘴和脸颊轮廓，r为乘客人脸图像划分的块数，fea是乘客面部特征，Vi表征图像特征置信度，Vj表征人脸模板特征置信度，取值范围[0,1]，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，ff(*)表示从面像中提取人脸信息，concat(*)表示所有特征纵向相连；
优选地，所述对即将到站的乘客进行到站提醒包括通过车载终端的微型语音播放器提醒乘客，所述微型语音播放器整车厢均布，且以位置为中心，选择最近的一个进行语音播放；
优选地，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表，其中，判断是否下车是接收客流量统计模块发送的下车人员对应的ID，若ID与当前手机终端ID匹配，则判断下车；
优选地，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表，其中，更改换乘列表是指乘客再次下车后，可选择下次是否按照换乘列表进行换乘，若是，则保存换乘列表为常用列表，否则，当前换乘列表不保存，下次使用手机终端系统时仍需要重新创建换乘列表；
本发明提供一种基于车联网的智能公交管理，乘客可按照自己需求设置换乘列表，提高乘客满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一种基于车联网的智能公交管理模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明一种基于车联网的智能公交管理模块图，如图1所示，本实施例的方法可以包括：
智能公交管理子系统以及到站提醒系统，智能公交管理子系统包括用于获取乘客的换乘列表的手机终端系统101、获取乘客的身份信息的数据关联模块102、利用人脸识别方法对乘客进行位置跟踪的位置跟踪模块103、获取车内的客流信息的客流量统计模块104。到站提醒模块包括站点分析模块201、最优化选择模块202、扬声器模块203，站点分析模块接收位置跟踪模块和客流量统计模块的信息，生成提醒方案发送到最优化选择模块，最优化选择模块用于确定最优提醒方案，并利用扬声器模块提醒乘客。
手机终端系统101是指获取乘客的换乘列表，获取乘客的换乘列表是指通过手机终端选择目的地以及当前上车站点，创建换乘列表并以手机用户识别码为ID，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表；
具体来说，判断是否下车是接收客流量统计模块发送的下车人员对应的ID，若ID与当前手机终端ID匹配，则判断下车，更改换乘列表是指乘客再次下车后，可选择下次是否按照换乘列表进行换乘，若是，则保存换乘列表为常用列表，否则，当前换乘列表不保存，下次使用手机终端系统时仍需要重新创建换乘列表；
数据关联模块102是指获取乘客的身份信息，获取乘客的身份信息包括建立人脸数据库，将人脸图像数据与ID保存到人脸数据库中，建立到站站点信息与乘客面部特征的数据关联，并将关联后的信息发送到位置跟踪模块；
具体来说，所有人脸识别的数据，需要经过乘客同意才能采集，获取乘客人脸面部特征的公式为(1)，
Figure BDA0003040941340000051
其中，x为图像，y是通用人脸模版，具体是指由256个点组成的三维点云，点云内的点包含眼鼻嘴和脸颊轮廓，r为乘客人脸图像划分的块数，fea是乘客面部特征，Vi表征图像特征置信度，Vj表征人脸模板特征置信度，取值范围[0,1]，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，ff(*)表示从面像中提取人脸信息,concat(*)表示所有特征纵向相连；
位置跟踪模块103是指利用人脸识别方法对乘客进行位置跟踪，利用人脸识别方法对乘客进行位置跟踪包括安装在车内的监控装置，接收数据关联模块发送的建立到站站点信息与乘客面部特征的数据关联，统计即将到站的人数，按照ID分别跟踪即将到站人员在车内位置信息；
客流量统计模块104是指获取车内的客流信息，获取车内的客流信息包括采集开门过程乘客的支付信息，获取上车人数，通过安装在车门的监控装置，获取车辆开门过程中的视频，识别并统计视频中出现的下车人数,下车人员对应的ID，根据上车人数、下车人数、开门前车内人数计算关门后车内人数，上车人员ID；
具体来说，统计下车人数的公式为(2)：
Figure BDA0003040941340000061
t1为输入的下车图像，n表示图片被切分成的块数，n＝15，
Figure BDA0003040941340000064
为块t1的特征匹配函数，具体为使用欧氏距离计算特征的匹配程度，W为通用人脸模板，，具体是指由256个点组成的三维点云，点云内的点包含眼鼻嘴和脸颊轮廓的线性回归矩阵，ω表示权重,f表示使用卷积抽取图像特征，M表示前M个最大的特征值，c1为下车人数；
统计上车人数的公式为(3)：
Figure BDA0003040941340000062
t2为输入的上车图像，n表示图片被切分成的块数，n＝15，
Figure BDA0003040941340000065
为块t2的特征匹配函数，具体为使用欧氏距离计算特征的匹配程度，W为通用人脸模板，具体是指由256个点组成的三维点云，点云内的点包含眼鼻嘴和脸颊轮廓的线性回归矩阵，ω表示权重,f表示使用卷积抽取图像特征，M表示前M个最大的特征值，c2为上车人数；
统计车内人数的公式为(4)：
Figure BDA0003040941340000063
Figure BDA0003040941340000071
t3为输入的车内安装的摄像头获取的车内图像，n表示图片被切分成的块数，n＝15，
Figure BDA0003040941340000072
为块t3的特征匹配函数，具体为使用欧氏距离计算特征的匹配程度，W为通用人脸模板具体是指由256个点组成的三维点云，点云内的点包含眼鼻嘴和脸颊轮廓的线性回归矩阵，ω表示权重，f表示使用卷积抽取图像特征，M表示前M个最大的特征值，c3为车内人数；
所述到站提醒系统包括站点分析模块、最优化选择模块、扬声器模块，
站点分析模块201是指将到到达下一站的时间划分为不同的采样周期，在同一采样周期获取当前车速，通过GPS定位获取与前车车距，获取客流量统计模块统计的当前车内客流量，获取位置跟踪模块传入的即将到站人员数量统计，获取位置跟踪模块传入的即将到站人员在车内位置信息，根据以上数据生成提醒方案；
具体来说，其提醒方案的生成公式为(5)：
Figure BDA0003040941340000073
其中，TX为提醒方案，p为后一站点的车站客流信息，o为公交车之间的车间距，s为车速，h为当前车内客流量，k为即将到站人员在车内位置信息，i表示第i个站点，1≦i≦n，fun表示使用交叉熵损失训练的残差网络，fn(*)表示使用残差网络抽取后的特征，fm(*)表示使用卷积网络抽取后的特征；
最优化选择模块202是指将站点分析模块中相邻的两个采样周期内产生的数据进行匹配度计算，计算匹配度的公式为(6)，若匹配值大于阈值，则说明两方案匹配度较高，则选择第一个采样周期的提醒方案作为最优提醒方案，若匹配值小于等于阈值，则选择第二个采样周期的方案作为最优提醒方案，标记最优提醒方案所对应的乘客；
Figure BDA0003040941340000074
其中，txi,txi-1分别为相邻的两个采样周期内产生的数据，zm为匹配度，k为即将到站人员在车内位置信息，Vx表示第一次采样周期特征的置信度，取值范围[0,1]，Vy表示第二个采样周期特征的置信度，取值范围[0,1]，l(*)表示使用卷积网络抽取后的特征，f(*)表示对两个数据进行序列化；
扬声器模块203是指获取最优化选择模块的最优提醒方案，对即将到站的乘客进行到站提醒；
具体来说，所述微型语音播放器整车厢均布，且以位置为中心，选择最近的一个进行语音播放；
本发明提供一种基于车联网的智能公交管理，乘客可按照自己需求设置换乘列表，提高乘客满意度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.一种基于车联网的智能公交管理，其特征在于，包括智能公交管理子系统以及到站提醒系统，所述智能公交管理子系统包括手机终端系统、数据关联模块、位置跟踪模块、客流量统计模块，
手机终端系统是指获取乘客的换乘列表，获取乘客的换乘列表是指通过手机终端选择目的地以及当前上车站点，创建换乘列表并以手机用户识别码为ID，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表；
数据关联模块是指获取乘客的身份信息，获取乘客的身份信息包括建立人脸数据库，将人脸图像数据与ID保存到人脸数据库中，建立到站站点信息与乘客面部特征的数据关联，并将关联后的信息发送到位置跟踪模块；
位置跟踪模块是指利用人脸识别方法对乘客进行位置跟踪，利用人脸识别方法对乘客进行位置跟踪包括安装在车内的监控装置，接收数据关联模块发送的建立到站站点信息与乘客面部特征的数据关联，统计即将到站的人数，按照ID分别跟踪即将到站人员在车内位置信息；
客流量统计模块是指获取车内的客流信息，获取车内的客流信息包括采集开门过程乘客的支付信息，获取上车人数，通过安装在车门的监控装置，获取车辆开门过程中的视频，识别并统计视频中出现的下车人数,下车人员对应的ID，根据上车人数、下车人数、开门前车内人数计算关门后车内人数，上车人员ID；
所述到站提醒系统包括站点分析模块、最优化选择模块、扬声器模块，
站点分析模块是指将到达下一站的时间划分为不同的采样周期，在同一采样周期获取当前车速，通过GPS定位获取与前车车距，获取客流量统计模块统计的当前车内客流量，获取位置跟踪模块传入的即将到站人员数量统计，获取位置跟踪模块传入的即将到站人员在车内位置信息，根据以上数据生成提醒方案；
最优化选择模块是指将站点分析模块中相邻的两个采样周期内产生的数据进行匹配度计算，计算匹配度的公式为(1)，若匹配值大于阈值，则说明两方案匹配度较高，则选择第一个采样周期的提醒方案作为最优提醒方案，若匹配值小于等于阈值，则选择第二个采样周期的方案作为最优提醒方案，标记最优提醒方案所对应的乘客；
Figure FDA0003564619920000021
其中，txi,txi-1分别为相邻的两个采样周期内产生的数据，zm为匹配度，k为即将到站人员在车内位置信息，Vx表示第一次采样周期特征的置信度，取值范围[0,1]，Vy表示第二个采样周期特征的置信度，取值范围[0,1]，l(*)表示使用卷积网络抽取后的特征，f(*)表示对两个数据进行序列化；
扬声器模块是指获取最优化选择模块的最优提醒方案，对即将到站的乘客进行到站提醒。
2.根据权利要求1所述的一种基于车联网的智能公交管理，其特征在于，所述在同一采样周期获取当前车速，通过GPS定位获取与前车车距，获取客流量统计模块统计的当前车内客流量，获取位置跟踪模块传入的即将到站人员数量统计，获取位置跟踪模块传入的即将到站人员在车内位置信息，根据以上数据生成提醒方案，其提醒方案的生成公式为(2)：
Figure FDA0003564619920000022
其中，TX为提醒方案，p为后一站点的车站客流信息，o为公交车之间的车间距，s为车速，h为当前车内客流量，k为即将到站人员在车内位置信息，i表示第i个站点，1≦i≦n，fun表示使用交叉熵损失训练的残差网络，fn(*)表示使用残差网络抽取后的特征，fm(*)表示使用卷积网络抽取后的特征。
3.根据权利要求1所述的一种基于车联网的智能公交管理，其特征在于，数据关联模块是指获取乘客的身份信息，获取乘客的身份信息包括建立人脸数据库，将人脸图像数据与ID保存到人脸数据库中，提取乘客人脸面部特征，建立到站站点信息与乘客人脸面部特征的数据关联，获取乘客人脸面部特征的公式为(3)，
Figure FDA0003564619920000031
其中，x为图像，y是通用人脸模版，r为乘客人脸图像划分的块数，fea是乘客面部特征，Vi表征图像特征置信度，Vj表征人脸模板特征置信度，取值范围[0,1]，ln(*)表示使用对比损失训练的孪生网络抽取后的特征，ff(*)表示从面像中提取人脸信息,concat(*)表示所有特征纵向相连。
4.根据权利要求1所述的一种基于车联网的智能公交管理，其特征在于，所述对即将到站的乘客进行到站提醒包括通过车载终端的微型语音播放器提醒乘客，所述微型语音播放器整车厢均布，且以位置为中心，选择最近的一个进行语音播放。
5.根据权利要求1所述的一种基于车联网的智能公交管理，其特征在于，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表，其中，判断是否下车是接收客流量统计模块发送的下车人员对应的ID，若ID与当前手机终端ID匹配，则判断下车。
6.根据权利要求1所述的一种基于车联网的智能公交管理，其特征在于，将乘客人脸图像数据保存并将换乘列表、人脸图像数据和ID发送到数据关联模块，并按照是否下车更新换乘列表，其中，更改换乘列表是指乘客再次下车后，选择下次是否按照换乘列表进行换乘，若是，则保存换乘列表为常用列表，否则，当前换乘列表不保存，下次使用手机终端系统时仍需要重新创建换乘列表。
CN202110457203.3A 2021-04-27 2021-04-27 一种基于车联网的智能公交管理 Active CN113160603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110457203.3A CN113160603B (zh) 2021-04-27 2021-04-27 一种基于车联网的智能公交管理

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110457203.3A CN113160603B (zh) 2021-04-27 2021-04-27 一种基于车联网的智能公交管理

Publications (2)

Publication Number Publication Date
CN113160603A CN113160603A (zh) 2021-07-23
CN113160603B true CN113160603B (zh) 2022-07-08

Family

ID=76871239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110457203.3A Active CN113160603B (zh) 2021-04-27 2021-04-27 一种基于车联网的智能公交管理

Country Status (1)

Country Link
CN (1) CN113160603B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115810287B (zh) * 2022-01-27 2025-03-11 中电信用服务有限公司 一种乘客下车提示系统及提示方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763740A (zh) * 2009-10-26 2010-06-30 杭州六易科技有限公司 公交车下车站点选择提醒装置
CN103714698A (zh) * 2013-12-26 2014-04-09 苏州清研微视电子科技有限公司 基于距离图像的公交车辆客流量统计系统
CN104021605A (zh) * 2014-04-16 2014-09-03 湖州朗讯信息科技有限公司 一种公交客流实时统计系统及其统计方法
CN105206092A (zh) * 2015-09-23 2015-12-30 广东工业大学 一种基于移动智能终端的乘客到站提醒系统及方法
CN106157673A (zh) * 2016-07-07 2016-11-23 广州华途信息科技有限公司 一种基于智能感知的公交出行信息提醒系统及方法
CN108281027A (zh) * 2018-03-15 2018-07-13 浙江工业大学 一种交互式智能到站提醒方法及装置
CN108764017A (zh) * 2018-04-03 2018-11-06 广州通达汽车电气股份有限公司 公交客流统计方法、装置及系统
CN109982258A (zh) * 2019-03-04 2019-07-05 湖南工程学院 到站提醒系统与方法、公交智能系统与方法
CN110097249A (zh) * 2019-03-19 2019-08-06 厦门交保通达信息科技有限公司 一种公交客流监测分析系统及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7275716B2 (ja) * 2019-03-22 2023-05-18 日本電気株式会社 乗客管理装置、乗客管理方法、及びプログラム

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101763740A (zh) * 2009-10-26 2010-06-30 杭州六易科技有限公司 公交车下车站点选择提醒装置
CN103714698A (zh) * 2013-12-26 2014-04-09 苏州清研微视电子科技有限公司 基于距离图像的公交车辆客流量统计系统
CN104021605A (zh) * 2014-04-16 2014-09-03 湖州朗讯信息科技有限公司 一种公交客流实时统计系统及其统计方法
CN105206092A (zh) * 2015-09-23 2015-12-30 广东工业大学 一种基于移动智能终端的乘客到站提醒系统及方法
CN106157673A (zh) * 2016-07-07 2016-11-23 广州华途信息科技有限公司 一种基于智能感知的公交出行信息提醒系统及方法
CN108281027A (zh) * 2018-03-15 2018-07-13 浙江工业大学 一种交互式智能到站提醒方法及装置
CN108764017A (zh) * 2018-04-03 2018-11-06 广州通达汽车电气股份有限公司 公交客流统计方法、装置及系统
CN109982258A (zh) * 2019-03-04 2019-07-05 湖南工程学院 到站提醒系统与方法、公交智能系统与方法
CN110097249A (zh) * 2019-03-19 2019-08-06 厦门交保通达信息科技有限公司 一种公交客流监测分析系统及其方法

Also Published As

Publication number Publication date
CN113160603A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113299106B (zh) 一种基于物联网的公交到站时间预测系统
CN113158923B (zh) 一种基于人脸识别的公交换乘提醒系统
CN109886222B (zh) 人脸识别方法、神经网络训练方法、装置及电子设备
CN108875682A (zh) 信息推送方法和装置
CN104751321B (zh) 一种嵌入特定人群识别的公交智能支付系统及其实现方法
CN107886045B (zh) 设施满意度计算装置
CN111048095A (zh) 一种语音转写方法、设备及计算机可读存储介质
CN110298257B (zh) 一种基于人体多部位特征的驾驶员行为识别方法
CN112686161A (zh) 基于神经网络的疲劳驾驶检测方法
CN106062871A (zh) 使用所选择的群组样本子集来训练分类器
CN108734008B (zh) 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法
CN111027929A (zh) 地铁票务清分方法及装置
CN111801667A (zh) 车辆用操作辅助装置
CN113160603B (zh) 一种基于车联网的智能公交管理
CN108592915A (zh) 导航方法、购物车及导航系统
JP2021111046A (ja) 記録制御装置及び記録制御プログラム
CN106713633A (zh) 一种聋人提示系统、方法及智能手机
CN108681934A (zh) 一种交易平台及其不良用户的识别方法
CN111584091A (zh) 一种城轨线路级密切接触者交叉感染风险辨识方法和装置
JP5316181B2 (ja) ツアー参加者管理システム、ツアー参加者管理サーバ、ツアー参加者管理方法、およびプログラム
CN111882678A (zh) 一种轨道交通检票系统及方法
CN115116001A (zh) 一种目标区域的监控方法、装置、设备及介质
CN114283363A (zh) 一种基于人脸识别的客流量获取方法、系统及存储介质
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
CN108674367A (zh) 一种汽车驾驶人员用车控制方法及实现该方法的系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhao Yan

Inventor after: Sun Hongfei

Inventor after: Zhang Shiqiang

Inventor after: Qian Guitao

Inventor after: Wang Jingang

Inventor before: Zhao Yan

Inventor before: Sun Hongfei

Inventor before: Zhang Shiqiang

Inventor before: Qian Guitao

Inventor before: Nanjing

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 14 / F, Hualu building, 717 Huangpu Road, Dalian hi tech Industrial Park, Liaoning 116000

Patentee after: Hualu Zhida Technology Co.,Ltd.

Address before: No. 717, Huangpu Road, high tech park, Dalian, Liaoning 116000

Patentee before: Hualu Zhida Technology Co.,Ltd.