基于前车数据的动态公交车辆到站时间预测模型研究

在以往研究成果基础上,基于采集获取的实时车辆定位信息,提出了一种基于前车的公交车辆到站时间动态预测模型。在建立路段行程时间计算模型时考虑了前车的平均瞬时速度,在计算站点区域停留时间时建立了基于前车的预测模型,提出了一种参数容易获取、便于实际计算的模型,用于预测公交车辆在信号控制交叉口的延误。用上海市58路公交车的GPS数据对预测模型进行了验证,结果表明预测模型具有较高的预测精度,能够较为准确地预测公交车辆到站时间。     

基于预测算法的公交车实时到站时间查询系统

公交车是目前城市中最为普遍的一种大众运输工具,随着城市化和机动化的发展,使城市人口和地域不断增加,对公共交通的需求相应快速增长,出行者对公交系统提出了更多更高的要求。公交车辆到站时间是城市智能公共交通系统服务的重要指标参数之一,也是乘坐公共交通出行者最为关注的基本信息之一,为满足公交出行者对所乘线路公交车辆的到站时间可实时查询的需要,介绍城市公交实时到站时间查询系统的设计。在需求分析的基础上,通过概念结构、逻辑结构的设计建立了查询系统的数据模型,提出了一种到站时间的预测算法。该算法将路线划分成站间路段,以实时收集到的车辆进出站信息为基础,从历史纪录中得到通过每个路段的运行时间。通过聚类分析、判别分析的方法确定预测的运行时间,最后通过简单计算得到用户需要的预测到站时间,并且将到站时间通过网络公开展示给系统的用户。     

公交浮动车辆到站时间实时预测模型

根据公交浮动车辆实时GPS数据,考虑不同时段的路段平均速度、公交车站、信号灯等多因素的影响,建立了一种新的公交车辆到站时间预测模型.通过估计到达下游最临近站点的时间和判断道路上GPS数据的有效性等方法,改善了预测模型的精度,并应用重庆公交车辆数据对模型进行验证.计算结果表明:该模型能够实时预测公交浮动车辆到达下游站点的...     

城市公交车辆有限状态的到站时间预测

在分析影响公交车辆到站时间影响因素的基础上,选取模型的输入变量和输出变量,设计基于城市公交车有限运行状态的自动机模型,通过对不同时段的到站时间预测模型分析,提出了一种复合的公交车辆到站时间预测模型,并通过实例分析证明有限状态自动机预测模型较单一预测模型预测结果更为精准,对于城市公交车辆到站时间预测工作具有一定的现实意义.     

基于公交专用道的准点到站预测方法

公交准时定点到站是衡量公交服务质量的重要指标,也是居民公交出行的最大期盼。公交日常运营能产生海量的GPS定位数据,运用海量公交车辆GPS数据,基于站点、路段及线路维度,精准计算公交车辆运行时长及速度变化特征,并计算公交运行时间的可靠度,从而评估公交准点到站的可靠性。以厦门市公交专用道的开通为背景,提出基于公交专用道背景的公交准点到站预测方法,预测公交专用道上公交线路的定点到站时间,实现公交专用道沿线线路的"定点发车,准时到站"目标。     

基于AVL的公共汽车到站信息服务系统设计

为了提高公交到站信息服务系统的可移植性、降低到站时间预测误差、增强到站时间信息服务的可获取性,对如何构建公共汽车到站信息服务系统进行设计。以标准化AVL数据输入为基础,阐述了4项关键技术：制定AVL数据采集内容标准;建立基于行程时间的到站时间预测算法;建立基于事件驱动的到站时间预测控制方法;提出电子站牌与手机相结合的联合信息发布模式。选取实际线路在计算机上实现上述设计成果,并对比分析事件驱动和时间驱动两种控制方法在降低预测误差方面的效果。结果证实,事件驱动控制方法对到站时间预测误差的改善效果比时间驱动控制方法显著。     

两种算法结合的公交到站时间预测

随着临港地区经济高速发展,人口规模与机动车拥有量急剧增加,公交优先战略对于缓解城市交通压力起着举足轻重的作用。在临港智能公交体系大背景下,尝试对公交到站时间进行算法分析研究,具体提供了一种结合非参数回归与卡尔曼滤波的公交车到站时间预测算法。通过非参数回归方法得到基于历史数据的公交车到站时间预测值,进而根据预测值和当前公交车实时运行结果的误差,通过不断更新最优到站时间估计和卡尔曼增益,实现对预测运行时间的修正。研究结果表明,基于非参数回归和卡尔曼滤波混合后的模型预测误差减小,预测效果良好。     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

基于双向长短期记忆网络的公交到站时间预测模型

为实现准确预测公交到站时间，提高城市公交出行分担率，本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型。通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优，并增加Attention机制以提高双向LSTM处理信息能力，构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型。使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间，验证模型预测精度。结果表明：整体上来说，Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好；改进的海鸥算法可对双向LSTMAttention模型实现较好的优化效果，相较于现有模型及标准海鸥算法(SOA)优化双向LSTMAttention模型，ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96%、9.87%及7.99%；同时，ISOABiLSTM-Attention具有最大的模型...     

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%.     

出行策略与行程时间不确定下的公交客流分配方法

利用杭州市公交线路站点GIS数据和车辆运行GPS数据进行分析,将公交车到站时间分为站点停靠时间和站间行程时间,得到公交车站点之间运行可能总时间的分布概率.通过实际的公交路网结构,定义扩展的公交网络有效路径.在考虑公交线路联合发车频率和根据乘客路径选择的广义成本下,建立出行策略与行程时间不确定下的公交客流分配模型,并将公交线路发车时刻表引入用户均衡模型中,设计了基于扩展网络最短路的Method of Successive Average(MSA)算法求解,通过对两个交通小区间高峰小时的客流分配结果验证模型和算法的有效性.     

考虑车辆随机到站时间的动态需求响应型接驳公交线路优化

车辆到站时间的不准时性严重影响着需求响应型公交的服务水平和乘客选择公共交通的出行意愿，因此，本文对考虑车辆随机到站时间的动态需求响应型接驳公交线路优化问题进行研究。以运营商成本、乘客乘车时间成本、乘客等待时间成本组成的系统总成本最小为目标建立数学模型，通过优化车辆路径寻求系统总成本最优的需求响应型接驳公交服务方案，其创新之处在于，在服务过程中允许乘客提交实时出行需求；定义车辆到站时间服从已知分布以描述其随机性。提出一种遗传算法和邻域搜索相结合的启发式算法对模型进行求解，该算法融合了遗传算法的全局搜索优势和邻域搜索的局部搜索能力，通过算例测试分析对本文算法的有效性及先进性进行验证。最后，基于西安市延平门地铁站设计数值实验，结果表明，考虑车辆随机到站时间可以在一定程度上减少乘客时间成本和系统总成本。     

���ڿɿ��Է����Ĺ�������·������ʽ�����㷨

城市公交系统包含多种公交模式如地铁、轻轨、公交专用道、地面公交等,不同模式的车辆行驶速度及换乘时间差异很大,同时由于城市公交运行时间的具有较强的随机性,基于静态分析的路径选择与实际的动态最佳路径常有较大偏离。本文以公交出行链各环节为边,通过构建包含不同公交模式的多层次网络邻接关系,并对各边进行平均出行时间及时间可靠度的双重赋权,建立考虑出行各环节时间随机波动的多模式公交线网;并以通行时间较短、延误风险较小为路径寻优的双重目标,通过在路径寻优过程中对延误高发线路及换乘点进行启发式规避,实现在出行时间许可范围内有效减少延误风险的可靠路径的快速搜索。文中最后通过实例表明该算法的合理性及有效性。     

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.     

定制公交线路优化综述

为全面回顾定制公交线路优化问题的研究进展,从优化目标、问题场景和求解算法3个方面对相关文献进行了归类分析。研究结果表明:定制公交线路的单目标优化研究主要集中在行驶时间、运营里程、运营成本、运营收益以及多种成本线性加权形成的系统总成本等方面,而多目标优化研究主要通过同时考虑运营成本、出行成本和服务质量中的2种或3种来实现;根据出发和到达站点的数量,定制公交线路优化的问题场景可分为“一对一”、“多对一”和“多对多”3种,针对停靠站点之间时间阻抗场景的研究主要集中在“静态时间阻抗”,对“动态时间阻抗”的研究较少;出行需求场景的研究也主要集中在“静态出行需求”,对于“动态出行需求场景”,一般通过两阶段优化策略进行求解;由于定制公交的线路优化问题属于一种特殊的车辆路径优化问题,精确求解算法适用于少量出行需求的分析案例,针对大规模出行需求的实际问题,一般采用启发式智能算法进行求解。未来的研究中,定制公交的线路优化需要考虑停车场设置和停靠点选择的影响,针对不同类型出行者设置特定的时间窗属性;此外,大数据背景下如何兼顾实时出行需求和运营成本约束,提供差异化的定制公交线路也将是具有挑战的研究方向。      

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.     

多方式交通网络的时间可靠性分析

面向小汽车和公交组成的多方式交通网络,建立公交到站时间迭代表达式,分别给出公交及小汽车的时间可靠性计算方法,构建包含时间可靠性的多方式交通网络均衡模型并设计求解算法.计算结果表明,开辟公交专用道及增加公交发车频率这两项措施,均能提高公交自身的时间可靠性及分担率,同时也能改善小汽车的时间可靠性,但是后者还会增加公交积聚概率;而增加公交站点间距,将降低公交分担率,同时也将增加公交集聚的发生概率;随着乘车站数的增加,公交时间可靠性及分担率降低,特别是下游公交线路分担率降低更为显著.     

基于人工免疫算法的公交车辆调度优化问题研究

公交车辆调度是公交运营组织中的关键环节.通过对大连市公交IC卡数据管理中心公交IC卡数据信息进行的采集和分析,构建了基于公交线路时段客流数据的公交车辆优化调度模型,并进一步提出了采用基于信息熵的人工免疫算法对模型进行求解的基本流程和方法.实验的结果表明,该方法能够快速地搜索得到全天不同时段的最优发车间隔,并可以在短时间内根据公交客流量的变化对公交车辆发车时刻表做出有效的调整.     

距离加权公交换乘复杂网络最短路算法研究

为研究乘客使用公共交通的实际出行距离,基于公交复杂网络中的换乘网络Space P拓扑结构,结合公交车站的经纬度坐标,建立以距离为边权的加权公交换乘网络。基于该加权网络,设计了综合考虑换乘次数和路径长度的最短路算法,该算法可保证在站间换乘次数最少的基础上通过的路径也相对最短。利用成都市公交网络进行实例分析,并与Floyd算法进行对比,结果显示,由该算法得到的平均最短路径长度增加3.7 km,但平均换乘次数下降0.64次,更符合乘客的出行习惯;随机选择一些车站进行最优换乘路径选取试验,结果表明,由该算法得到的方案在保证换乘次数最少基础上,得到的路径也基本最短,证明了算法的有效性。