基于航空OD客流的重力模型逆向算法

为了由航空OD（起讫点）客流数据及航线距离数据估计机场旅客吞吐量,结合哈密顿图简化算法机理,推导了简化代数算法．以我国15个主要机场之间航空0D客流数据为例,标定了模型参数,并利用两种逆向代数算法预测机场旅客吞吐量,结果吻合良好．与标准代数算法相比,简化代数算法需要的数据少,尤其适合于缺乏完整数据的大规模OD矩阵分析．     

航线网络区间鲁棒优化设计

为解决航空公司航线网络中枢纽机场具体位置及OD流路径设计问题, 根据航线网络设计参数OD 流量和单位流成本的不确定性, 定义了区间型情景集, 建立了区间型绝对鲁棒优化模型, 设计了将修正最短路算法与人工智能算法相结合进行求解的有效算法,并利用航线网络设计经典数据及中国航空网络OD数据对模型进行了验证. 研究结果表明:该模型的最优鲁棒解具有全局最优性,确定型优化模型为本文模型在悲观准则下,当OD 流量和单位流成本确定时的特例;在不同情景的悲观准则和乐观准则下的模型目标值之间的相关系数达到0.99以上;在悲观准则下,用本文模型计算出标准算例的归一化后的最优目标值为784.47,比确定型模型最优目标值减少了16.65%,比相对鲁棒优化模型最优目标值减少了29.07%.      

基于AFC数据的城轨路网客流OD在线动态估计

路网实时客流状态是城市轨道交通日常运营组织科学决策的主要依据,而精准地在线估计客流OD是前提条件.本文分析了准实时AFC数据接入条件下客流OD在线动态估计问题及其特点,提出了将机器学习与递归贝叶斯相结合的客流OD动态估计方法;构建了基于LSTM的客流OD状态转移模型,以及LSTM模型嵌入下的客流OD递归贝叶斯估计模型;针对客流OD状态变化的非线性、不确定性特点,提出基于粒子滤波算法求解客流OD递归贝叶斯估计问题.面向LSTM模型嵌入所形成的客流OD状态转移三阶马尔科夫过程,对一般的粒子滤波算法进行高阶扩展,研究了算法的实现.最后用实例对本文提出的方法进行了验证.     

基于马尔可夫过程的快速路OD矩阵估计方法

为得到城市快速路网络的OD矩阵,引入马尔可夫理论.运用吸收马尔可夫过程对快速路网络进行建模分析,给出相应求解算法推导路段流量,小区OD矩阵表达式,并介绍了运用MATLAB软件进行矩阵求解的方法.最后进行了算例分析,利用VISSIM仿真,通过布设线圈检测器,对OD矩阵估计模型及算法进行精度评价.结果显示,模型可很好地拟合...     

双层规划模型下的机场航线网络优化设计

为解决传统航线网络设计将航空公司视为唯一决策者而忽略其它网络设计参与者对于航线网络设计方案的影响，基于机场视角建立上层模型以最大化机场旅客吞吐量为目标和下层模型以各航空公司航线网络设计总成本最小化为目标的双层规划模型。在上层模型中，要求在机场市场运营补贴限额下提供给下层航空公司若干市场补贴方案，并基于下层航空公司提供的市场运输方案，开展基于TOPSIS综合评价的运输方案选择；在下层模型中，要求若干个非严格多分配枢纽网络型航空公司提供给上层机场各市场运营补贴方案的运输方案。实例计算结果表明，与传统航线网络设计模型相比，双层规划模型得出的方案使机场旅客吞吐量明显提高，且设计出的补贴O-D对运输路线更加符合实际要求。     

公交线路客流OD矩阵推算方法研究

公交线路客流OD矩阵是公共交通管理和控制不可缺少的信息.参照机动车OD矩阵反推技术,对公交线路客流OD矩阵推算进行了专门研究.在公交线路客流OD调查数据的基础上,分析得到居民公交出行规律.首次建立了根据公交乘客上下车人数推算公交线路客流OD矩阵的极大熵模型,分别采用原始资料作为先验OD和重力模型形式的先验OD对模型进行求解,结果证明该模型精度较高.     

OD矩阵估计问题研究综述

OD矩阵是交通规划、管理与控制的重要决策支持数据,OD矩阵估计是获得OD矩阵数据的一种先进技术方法。主要对道路交通系统的OD矩阵估计(静态和动态)方面的相关主要文献进行概括总结与简单评述,包括研究现状及存在的主要问题等。主要涉及道路观测点的优化布设、静态OD矩阵估计模型及算法、动态OD矩阵估计模型和方法等几方面。最后,总结了近期OD矩阵估计方面的主要研究热点。     

OD矩阵估计问题研究综述

OD矩阵是交通规划、管理与控制的重要决策支持数据,OD矩阵估计是获得OD矩阵数据的一种先进技术方法.主要对道路交通系统的OD矩阵估计(静态和动态)方面的相关主要文献进行概括总结与简单评述,包括研究现状及存在的主要问题等.主要涉及道路观测点的优化布设、静态OD矩阵估计模型及算法、动态OD矩阵估计模型和方法等几方面.最后,总结了近期OD矩阵估计方面的主要研究热点.     

城市轨道交通短时客流预测体系框架及关键技术

针对当前城市轨道交通短时客流预测系统性不强等问题,构建短时客流预测体系框架,并讨论预测过程涉及的关键技术。框架的构建以自动售检票系统（AFC）获得的数据为出发点,统计站点客流和线网客流OD矩阵两类基础客流数据;在此基础上,构建线网客流分配模型,结合视频数据、站点平面布置和列车运行时刻表三类数据,考虑乘客步行时间的影响,估计断面客流数据;接着,在分析站点客流和断面客流数据时空特性的基础上,分别预测站点和断面短时客流;利用站点客流和断面客流短时预测结果反推未来OD矩阵;同时引入GARCH模型分析预测结果的可靠性,以提高短时客流预测结果的可信度。     

面向车联网的高速路OD矩阵估计模型

针对高速路OD矩阵的采集与估计,提出采用RFID技术的车联网进行部署,建立有缺失数据的OD矩阵采集方法.用拉格朗日乘数法求解OD矩阵元素概率的极大似然估计,给出基于EM算法的OD矩阵估计算法.通过912节点规模的仿真实验结果表明,提出的算法相比模拟采集准确性更高,真实数据的均方根误差降低了77.7%,验证了算法流程和模型的有效性.      

公交客流OD矩阵反推法

公交客流OD矩阵是进行公共交通规划的重要基础数据。根据交通需求预测“四阶段”理论中交通分布预测的重力模型法的基本原理，建立了公交客流分布函数模型，根据公交OD矩阵与公交线路的日均客运量以及区域人口、社会经济、用地性质等之间的内在联系提出了一种免OD调查的公交客流OD矩阵的反推算法。用Matlab语言编写了多条线路公交客流OD矩阵推算程序，给出了oD矩阵的检验及修正方法。     

基于OD反推的公交站点团OD矩阵预测

城市公共交通的公交站点数量多,在实际操作中,预测站点之间的客流OD分布往往非常困难,因此需把与主要客流集散点相近的站点合并成公交站点团．通过预测站点团的OD矩阵来掌握客流量的分布情况,从而为合理布置公交线网、站场提供科学依据。     

基于OD反推的公交站点团OD矩阵预测

城市公共交通的公交站点数量多,在实际操作中,预测站点之间的客流OD分布往往非常困难,因此需把与主要客流集散点相近的站点合并成公交站点团,通过预测站点团的OD矩阵来掌握客流量的分布情况,从而为合理布置公交线网、站场提供科学依据。     

����VISUMģ�͵Ĺ���OD�����о�——��������Ϊ��

OD矩阵是公交线网规划和线网优化的重要依据.OD矩阵反推是获取公交OD数据的有效方法.相关文献中,针对城市整体公交体系的研究较少.依据西宁市建成区所有公交线路上客、下客、车上乘客的调查数据,采用VISUM软件构建了基于等概率下客分布、距离概率下客分布的公交OD矩阵反推模型;然后在VISUM全市整体公交模型中,将各线路反推所得到的OD矩阵归并至交通小区,并通过模型分配得到的路段客流与线路调查得到的路段实际客流比较,检验公交OD反推方法的有效性.研究表明,等概率分布OD矩阵反推在西宁案例中的精度与可靠性较高.最后指出,乘客在各站的下客概率影响因素较多,把握并合理运用其规律是公交OD反推的关键.     

����СƱ���Ĺ�������OD���������о�

针对目前常规公交客流OD调查抽样率及准确率难以保证的缺陷,提出调查公交客流OD的小票法. 该方法可采集各站点的上下车人数及每位乘客的上下车站点信息. 本文基于小票法调查数据的基础上提出一种公交客流OD分析方法：在分析小票法原理的基础上得到乘客OD的分析算法,通过ACCESS实现乘客上车站点查询,获取公交客流OD,并通过修正和扩样,准确得到公交客流OD. 最后将公交客流OD导入 EMME中,进行公交客流分配,即可输出断面客流及各站点上下车人数等信息. 该方法在厦门市公交客流OD调查中得到运用,取得很好的效果,证明了该方法的有效性.     

基于旅客列车开行方案的客流分配方法研究

基于旅客列车开行方案的客流分配是评价列车开行方案编制质量的重要依据. 本文总结基于列车开行方案的客流分配特点,构建了基于列车开行方案的列车服务网. 通过分析旅客乘车选择行为,确定了网络阻抗的计算方法,配流过程中尽量减少短途客流对长途客流乘车选择的影响. 结合铁路旅客运输组织特点,建立了以旅客换乘次数限制、OD客流量限制、列车能力限制为约束条件的客流分配模型. 模型求解时,利用罚函数将多约束模型转化为标准的用户平衡模型,提出了能记录径路信息的基于F-W的改进算法. 案例验证了该方法的可行性和有效性.     

基于遗传算法与小波神经网络的客流预测研究

针对轨道交通短时客流具有动态性、非线性、不确定性的特点,提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法.该方法利用具有全局搜索最优的遗传算法优化小波神经网络,有效的避免了神经网络易陷入局部最小值的缺陷.在分析轨道交通短时客流的特征上,利用实测数据对模型进行验证.结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用.