基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。     

谱分析法在路段行程时间预测中的应用

路段行程时间超前预报是动态交通诱导方案制定的基础,应用短时交通预测的方法可以获得将来某个时刻的路段行程时间数据,但已有研究成果,还存在适应性不强,计算量大,基础数据需求多等不足。应用谱分析及Karhunen-Loeve变换对随机序列的分解与重构功能,通过挖掘路段历史行程时间序列与当前检测行程时间序列的相似性特征进行序列重构,实现对后一时段路段行程时间的预测,结果显示,该方法具有良好的预测精度。     

基于改进遗传卡尔曼算法的短时路段行程时间估计

为进一步提高城市道路行程时间短时预测的准确性,利用城市浮动车全球定位系统(global positioning system,GPS)数据,提出基于遗传算法(genetic algorithm,GA)优化的卡尔曼滤波(kalman filtering,KF)模型估计短时道路行程时间的方法。利用高斯滤波器对异常数据进行有效剔除,基于城市道路地理信息系统(geographic information system,GIS)数据提出道路地图匹配算法,利用卡尔曼滤波器预测匹配道路的行程时间,并通过遗传算法优化卡尔曼滤波的误差参数。实际算例表明:预测路段的行程时间误差均小于0.5 min,基于GA优化的KF算法能有效提高路段行程时间估计的精度。根据预测行程时间对上海市外环路各个路段不同时间的拥堵情况进行预测识别,预测结果有助于交通管理部门及时掌握城市道路运行状态信息。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

基于随机森林算法的路段行程时间预测

利用随机森林算法对路段行程时间进行预测,根据行程时间的相关性提取了四个特征向量作为决策树节点分裂的依据,对原始数据集进行训练,并将预测值与实际数据对比,发现绝大部分时刻两者基本吻合,MAE均小于2.49 min,MAPE都控制在10%以内,相对于该时段平均行程时间来说误差在可以接受的范围内,预测精度较高,这说明基于随机森林算法的路段行程时间预测是可行的。     

浮动车数据在车辆路径问题中的应用

利用浮动车信息采集系统预测路段行程时间,实现对带时间窗的混合车辆配送路径选择的优化.提出了带时间窗的混合车辆路径选择优化问题的求解模型;设计了浮动车地图匹配和路段行程时间预测算法,以实现对路段行程时间的预测,并通过给出的成都市浮动车数据证明了所提出的算法比同类算法更有效——地图匹配率提高6%,路段行程时间预测值与实测值的拟合度更高,运输总费用节约24%.     

基于Monte Carlo的行程时间可靠性研究

从分析行程时间可靠性的概念及其重要性入手,提出了路段、路径、OD对以及系统行程时间可靠性的定量计算方法.在路段通行能力随机变化的条件下,基于Monte Carlo仿真建立了行程时间可靠性的求解算法.考虑到行程时间可靠性与出行者路径选择的相互作用,该方法将基于行程时间可靠性的交通分配纳入到行程时间可靠性的评价之中.用一个简单算例进行测试,结果表明该方法能够对行程时间可靠性进行合理评定.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象，在考虑降雨数据的基础上，设计一个基于非最小路段的行程时间计算方法，建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后，以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明，加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析，发现在满足数据精度的前提下，本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

基于网约车数据的城市区域出行时空特征识别与预测研究

针对交通需求特征识别和需求预测问题，构建改进的LDA(Latent Dirichlet Allocation)城市区域内出行需求识别与预测组合模型，快速识别城市区域内出行需求特征并对需求做出预测. 构建城市交通小区尺度内的空间和时间维度下的主要出行需求特征分布挖掘辨识方法，以及数据集在不同时间尺度下时间维度出行特征构建及预测方法. 利用北京市三环内网约车出行订单数据，验证模型的有效性和准确性. 结果表明，模型能够对不同时间窗口下的区域出行需求特征进行辨识和预测，取得较好的结果.     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.