����SVM��Kalman�˲���BRT�г�ʱ��Ԥ��ģ���о�

本文提出了一个支持向量机进行初始行程时间预测并结合卡尔曼滤波算法进行动态调整的快速公交车行程时间综合预测模型.以快速公交车运行的GPS数据为基础,对北京市朝阳区快速公交2号线进行行程时间预测案例研究.利用该模型对其早高峰和上午平峰的两个不同时段的公交行程时间分别进行预测和对比分析,并通过与单一的卡尔曼滤波方法所得的预测结果进行比较.结果表明,该模型应用于快速公交行程时间预测具有更好的适用性,并且预测平峰时段的精度要高于高峰时段.     

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.     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

基于射频数据的道路交通流路径识别优化模型

针对非RFID(Radio Frequency Identification)覆盖道路交通流路径识别误差较大等问题，本文提出基于FCD(Floating Car Data)校核下RFID道路断面交通流路径识别优化组合模型。首先， 利用平移不变小波变换将RFID初始数据切分为可追溯交通流、非追溯交通流及随机项；然后，根据统计路段中浮动车数量将路段分为Full、Defect、Null这3类，并建立FCD-RFID追溯路径模型识别可追溯交通流路径构成，同时，提出考虑出行时间、道路等级和驾驶偏好因素的综合成本阻抗效用函数，通过路径感知随机用户平衡分配模型估算非追溯交通流与随机项路径；最后，通过路径叠加识别断面交通流最终路径构成。结果表明：相较于单一RFID交通流路径识别，组合模型具有更高精度，MAE(Mean Absolute Error)为 72 辆，较单一 RFID 算法下降 62.5%，MRE(Mean Relative Error)为9.5%，下降72.2%；在非RFID覆盖校核道路中，组合模型MRE为13.3%，较单一 RFID算法下降82.0%，有效验证了本文模型的可行性及适用性。     

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.     

基于MLR的公交车行程时间预测模型

分析了站间距离、上下车乘客数、停车延误等因素与公交车行程时间存在的线性映射关系,推导并建立了多元线性回归(MLR)模型,利用大连市21路公交车的数据,对模型进行了标定和检验,并对线性模型的误差来源进行了详细的分析和探究.重点探讨了行驶车速-行程时间线性相关性、乘客数-停站时间线性相关性、延误和行程时间线性相关性,解释了MLR标定的系数的含义,并阐述了导致MLR模型产生误差的来源,分析了非线性因素的影响.研究结果表明多元MLR模型能够解释影响因素与行程时间之间的线性因果关系,可以用来估计和预测公交车行程时间.     

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.     

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.     

基于集成学习和居民属性数据的出行方式预测模型

传统的效用理论模型以整体效用最大化为目标，忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性，解决了不同出行特征影响因素对于不同人群有不同效用表征问题。本文依托大样本居民属性数据，针对不同个体对不同影响因素的感知差异，结合居民出行调查的个人属性、出行属性及环境属性等相关影响因素进行综合分析，构建个体级居民的出行特征向量；研究构建基于集成学习方法的居民出行方式预测模型；以广州市为例进行实证分析，通过准确率、精确率、召回率和F1值这4个指标，对模型预测结果进行综合评价；针对部分出行属性相似导致细分的出行方式判别精度不高，按照大类方式、慢行交通、公共交通、个体机动化交通这4个类别构建层次化LightGBM (Light Gradient Boosting Machine)模型，并对GBDT (Gradient Boosting Decision Tree)、Random Forest、LightGBM、层次化LightGBM这4个模型预测结果进行综合对比。分析结果表明：LightGBM模型预测慢...     

基于车路信息交互的车辆卫星定位协同定权方法

为确保基于卫星导航系统的车辆定位性能满足特定交通应用需求，本文针对导航卫星观 测量权重分配对复杂动态运行环境的跟踪适配问题，建立基于车路信息交互的车辆卫星定位协 同定位增强总体框架；基于加权最小二乘定位解算模式，设计基于轻量级梯度提升机建模与多车 信息综合决策的协同定权方法，提出面向学习建模通道的导航卫星伪距残差轻量级梯度提升机 建模方案，面向定权计算通道设计了基于多车信息综合决策的导航卫星观测量权重决策策略。 实验结果表明：运用轻量级梯度提升机构建伪距残差模型，相较于支持向量机、随机森林以及仅 基于基础卫星观测特征的轻量级梯度提升机，均方根误差分别降低了62.1%，29.9%，60.4%；运用所建立的预测模型协同定权所得水平误差标准差，相对于等权和卫星仰角/信噪比组合定权策略分别降低了48.5%和47.6%。研究结果对于充分发挥车路协同系统模式下，信息交互机制的核心优势和优化车辆卫星定位性能具有重要意义。     

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。     

考虑多路径选择的定制电动公交线路优化

为提高定制电动公交系统运营效率,本文探讨了考虑多路径选择的定制电动公交线路优化问题。首先,构建描述该问题的混合整数规划模型,以实现线路与路径的双重决策优化。模型以运营总收益最大化为目标,在约束中考虑定制电动公交特性,如车容量,乘客出行时间窗,续航里程,访问站点数等。其次,为求解模型,设计新的自适应大邻域搜索算法,提出相应的初始解生成规则和邻域搜索算子,并通过算例验证算法的有效性。最后,基于实际路网及乘客出行时空需求进行实证分析,验证多路径选择可进一步优化定制电动公交线路。结果表明,本文方法可根据优化目标为运营者提供多种线路运行方案,为定制电动公交线路规划提供依据。     

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.