共享单车影响下接驳公交线路设计与车辆配置方法

针对轨道交通的“第一/最后一公里”问题,接驳公交和共享单车是通勤用户最常选择的两种公共交通方式。为理解共享单车对接驳公交出行需求和线路设计等规划运营方面的影响,提出供需交互状态下的接驳公交线路设计与车辆配置模型。需求端考虑出行时间和出行费用,基于用户在共享单车和接驳公交之间的模式选择行为,动态计算接驳公交实际出行需求;供应端考虑车辆容量、数量和流平衡约束,以最小化公交运营成本和用户出行成本之和为目标,建立混合整数非线性规划模型,优化接驳公交线路设计及车辆配置。模型采用拉格朗日松弛算法进行求解。该方法应用于北京市回龙观地铁站周边出行小区接驳公交线路设计,公交及单车出行需求采用真实的IC卡数据,以及摩拜单车骑行数据,站点间行驶时长采用高德驾车路径规划API(Application Programming Interface)数据。实验结果表明,车辆总数为10,线路数量为2时,考虑共享单车影响的接驳公交规划模型相较于只考虑单一模式可以有效避免规划需求误差。此时,各站点到地铁站的平均运行时间是15.58 min,乘客平均等待时间是3.35 min;在线路数量为4时,各站点到地铁站的平均运行时间...     

交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

网约车合乘与地铁联运出行特征识别与节油估算

网约车合乘与地铁联运出行,不仅可以实现两种交通方式在服务功能上的优势互补,还可以放大共享出行的节能减排效益。基于滴滴出行网约车移动出行平台中北京市域拼车和顺风车运营数据以及北京地铁AFC刷卡数据,深入分析网约车合乘与地铁的竞合关系。利用非负矩阵分解算法进行延伸型通勤出行链的识别,提出考虑燃油经济性指标和车辆运行状态的通勤出行链节油估算模型。将该方法应用于北京市,发现拼车多为地铁竞争型和地铁延伸型订单,而顺风车多为地铁延伸型订单;延伸型通勤出行链主要为郊区通勤者提供地铁接驳服务。顺风车出行明显比拼车出行更加节油;“网约车合乘+地铁”通勤出行链主要来自郊区无地铁覆盖区域,该模式的平均节油率能够达到50%以上;“顺风车+地铁”出行链的节油效益好于“拼车+地铁”出行链。指出管理者应采取费用补贴、停车优惠等政策措施,鼓励“网约车合乘+地铁”通勤出行方式发展,使绿色高效的一体化出行服务惠及更多城市居民。     

闭合通勤链中基于博弈的小汽车拥有者出行方式选择研究

从个体出行方式选择决策机理入手,以演化博弈理论为基础,基于出行链构建了考虑回程因素的闭环通勤出行选择决策模型.模型中考虑了个体对去程与回程两次出行感知程度的两类影响因素,模拟了回程过程的3种不同情境,研究回程加入不同活动情境下对整个闭合通勤链出行选择决策的影响,并将考虑回程因素的决策结果与仅考虑单次出行的结果进行对比,证明了考虑回程因素的必要性.最后,以北京市典型通勤OD为例,对模型进行实证分析.结果表明,仅考虑去程时,小汽车方式优势凸显;而考虑回程因素时,回程过程中加入的不同活动将影响个体闭环出行链出行选择决策结果,小汽车将不再成为人们出行的最优选择,定制公交的优势不容小视.     

基于IC卡数据的城市公共自行车出行特征

发展慢行交通已成为当前城市交通建设的一个热点,公共自行车以及共享单车等共享型自行车已经成为发展城市慢行交通的重要手段。本文通过搜集福建省晋江市公共自行车IC卡数据以及微信移动端调查,研究典型的机动车出行占主导城市中公共自行车的出行特征。研究发现,通勤出行是使用者最主要的出行目的,骑行目的地的土地性质以及起讫点空间范围是决定骑行热度的重要因素。最后通过构建可靠的晋江市时空环境与骑行热度模型,为城市后续公共自行车站点选址、共享单车投放点及集中管理区选址等提供预测支撑。     

共享单车的外部性分析及发展策略研究

为了厘清共享单车参与各方的权利与义务，更好地发挥市场调节作用，提高资源配置效 率，从共享单车的经济外部性特征入手，运用经济学成本收益理论分析了共享单车的负外部性产 生的原因，论证了共享单车外部成本管理的必要性，最后从外部成本内部化角度，面向政府、企 业和用户分别提出了管理策略，为共享单车的可持续发展提供参考。研究结果表明，共享单车的 正外部性主要体现在促进自行车出行，优化交通结构，促进交通领域节能减排；负外部性主要体 现在挤占道路资源，车辆乱停乱放，安全隐患突出；消减共享单车负外部性的根本手段是控制共 享单车的规模在动态最优投放量附近。在市场价格调节机制失灵的情况下，必须发挥政府的激励 作用，将可持续发展目标、共享单车企业、共享单车使用者紧密联系起来，共同消减共享单车带 来的负外部成本。     

多源数据驱动CNN-GRU模型的公交客流量分类预测

为精准分析公交线路与站点不同客流的出行特征及时变差异性，结合深度学习理论，提出了一种基于卷积神经网络(CNN)与门控制循环单元(GRU)组合的公交客流分类预测模型；融合匹配公交一卡通刷卡、公交车GPS轨迹、线路和站点基础信息、气象等多源数据，实现公交客流数据重构；采用K-Medians算法将乘客分为通勤类和非通勤类；以乘客类型、历史客流量、时段、高/平峰、星期、降水量、重大活动等因素为输入向量，分别建立CNN与GRU单一模型，并利用均方误差、均方根误差、平均绝对误差为评价指标，开展预测；针对单一模型不适用多特征时间序列预测等问题，分别构建了由CNN和GRU组合的线路客流和断面客流预测模型；以北京市特15路公交为例，预测工作日与非工作日场景下的线路及断面的分类客流。分析结果表明:对于通勤类和非通勤类线路及断面客流，组合模型的均方误差相比单一模型平均降低了57.932、13.106和33.987，均方根误差平均降低了1.862、1.058和1.538，平均绝对误差平均降低了1.399、0.487和0.613，可见，多源数据驱动下的CNN-GRU组合模型具有良好的预测性能。      

基于Fisher算法的无桩共享单车故障预测

无桩共享单车故障的主要诊断方式为人工定期维修和APP用户反馈,但在诊断过程中存在浪费劳动力和资金、报修率较低等问题.因此,单车的故障率居高不下,严重影响用户的使用体验,不利于共享单车企业的未来发展.为提高故障诊断效率并节约成本,结合大数据技术,提出共享单车故障预测模型及求解算法进行探究:以无桩共享单车的行驶时间和行驶距离作为输入,构建有条件约束的故障预测模型;针对模型计算的复杂性,利用Fisher线性判别法设计模型的求解算法;最后,对北京市某地区的哈啰单车系统进行案例分析,验证模型和算法的有效性.结果表明:与传统的两种方法相比较,该模型可快速预测该地区的故障无桩共享单车,且准确率高达86.13％,能够显著降低无桩共享单车的故障率并节约成本.     

基于GA-BP方法的地铁站动态人员冷负荷预测研究

地铁站人流量变化对通风空调系统节能运行有重要影响,为了提高地铁站人员冷负荷预测的准确度,采用遗传算法优化BP神经网络(GA-BP)的方法建立地铁站人流量预测模型,并对地铁站人员冷负荷进行动态计算。通过引入遗传算法,优化BP神经网络的初始权值和阈值,提高了BP神经网络的非线性学习能力。利用地铁站的实际人员冷负荷对模型进行验证,并与传统BP神经网络方法的预测结果进行比较。结果表明,本方法有效地提高了BP神经网络的非线性学习能力和地铁站逐时人员冷负荷预测的准确性和稳定性。与传统BP神经网络方法相比,GA-BP模型的日人员冷负荷预测平均误差降低10%左右,日逐时人员冷负荷预测拟合相关系数值提高了0.1。     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

人工神经网络模型的江西省物流需求预测

区域物流与区域经济息息相关。为了准确预测区域物流需求规模,运用灰色关联对决定区域物流需求的经济因素以及他们之间的相关性进行分析,建立区域物流需求预测指标体系和BP神经网络区域物流预测模型。通过实证分析,验证了预测模型的有效性,并对江西未来5年的物流需求做出了预测。     

地铁+折叠自行车通勤出行调查——以南京市为例

为研究地铁+折叠自行车通勤方式的效果,以南京地铁为例对使用折叠自行车的乘客和普通乘客进行了现场调查和问卷调查。分析相关数据发现:地铁+折叠自行车的通勤方式在南京已获得了较好的实践及市民的广泛认可;与私人小汽车、公共汽车、自行车、地铁+步行等交通方式相比,更加节约出行时间和出行成本,也更加低碳。随着地铁线网的加密,地铁+折叠自行车通勤方式的服务范围可达主城区总面积的92%。为更好地推广这种健康环保的出行方式、鼓励更多的人使用公共交通,从城市及交通规划、设施配置、宣传引导三个层面提出了改进建议。     

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.     

城市出租车需求仿真预测模型研究

针对城市出租车需求的动态不确定性问题,在分析城市出租车需求系统的特点和影响因素的基础上,构建其人工神经网络BP网络预测模型,应用MATLAB进行数值仿真,研究城市出租车需求变化的动态规律,以期对城市出租车需求量作出有效预测.     

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.     

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.     

考虑群体异质性的建成环境与老年人慢行出行关系研究

健康老龄化背景下，慢行出行是提升老年人身心健康、生活品质的重要方式，而建成环境是影响老年人慢行出行的重要因素。本文以2013年南京市老年人出行实测数据为基础，利用潜在类别聚类方法对老年群体进行异质性分析，分类建立随机森林模型研究建成环境指标对不同老年群体慢行出行时间的重要度影响及两者之间的非线性关联。研究结果表明：以性别、是否退休、学历、家庭收入以及学龄前儿童这5个类别变量作为外显变量，可将老年群体划分成两类，各自建立的老年人慢行时间模型整体拟合优度较好；其中，影响第1类老年群体的关键建成环境变量有慢行路网密度、交叉口数和地铁站邻近度，第2类老年群体慢行出行时间的影响因素主要有地铁站邻近度、慢行路网密度和住宅密度，另外同一建成环境指标对两类老年群体慢行出行时间的非线性关联也不相同。研究结果可为制定差异化的老年宜居环境优化政策，提升老年人生活品质以及实现健康老龄化提供理论依据。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.