考虑实时停车场信息的出行方式选择仿真模型

停车App在交通出行中的广泛应用,使实时获取各类停车场信息更加便捷.然而,实时停车场信息在优化交通系统方面的作用机理尚无理论基础,其应用效果也缺乏量化分析. 本文将实时剩余停车位信息和停车诱导信息作为研究对象,基于点队列模型、学习理论和Logit选择模型,建立了实时停车场信息提供下的出行方式选择行为的仿真模型.然后,设计3种出行情景并结合仿真实验结果,对实时停车场信息提供影响出行者出行行为的机理进行分析,从而评估其对交通系统的优化效果.最后,基于对2类主要参数(学习因子和扩容因子)的敏感性分析,进一步讨论了提升实时停车场信息提供对交通系统优化作用的可行方式.     

���·��ģ�ͼ�·���ȶ��Է���

城市道路网运行中受多种因素干扰,系统运行经常处于非稳定状态,出行者不仅要求尽量减少出行时间,而且越来越重视保障出行时间的稳定性、强调交通系统的可靠性.考察智能交通系统中人们出行选择的偏好,80%以上的通勤者认为行程时间可靠性是他们出行时第一或者第二位的要求,因此,本文以行程时间可靠性和行程时间作为出行者路径选择的两个主要因素,建立混合随机路网模型.借鉴随机平衡分配模型的求解方法,设计混合随机路网模型的求解算法.同时,通过熵来考察行程时间可靠性和行程时间在出行者路径选择中所占比例不同对道路网交通状态的影响.此模型可描述智能交通系统下,有无信息出行者的比例对路网交通状态的影响.通过案例研究发现,只有拥有信息的出行者比例达到一定程度时,路网才最稳定.     

信息作用下出行者短期决策行为分析

出行者信息系统的建立加强了出行和交通系统之间的联系,使得活动出行决策形成一个动态决策调整过程. 在分析信息作用下的活动出行需求变化的基础上,以信息对出行者的短期决策影响为研究对象,基于吉林市居民出行的SP调查数据,探讨了出行者出发时间、出行方式、路径选择决策行为之间的内在联系. 考虑出行者对信息持有的态度等影响因素,运用二元Probit模型定量分析了出行者决策行为的内在联系. 结果表明,出行方式选择行为与出发时间及路径选择之间密切相关,出行者的路径选择行为则相对独立. 研究结论可为城市交通需求预测及交通管理提供参考.     

��Ϣ�����³����߶��ھ�����Ϊ����

出行者信息系统的建立加强了出行和交通系统之间的联系,使得活动出行决策形成一个动态决策调整过程. 在分析信息作用下的活动出行需求变化的基础上,以信息对出行者的短期决策影响为研究对象,基于吉林市居民出行的SP调查数据,探讨了出行者出发时间、出行方式、路径选择决策行为之间的内在联系. 考虑出行者对信息持有的态度等影响因素,运用二元Probit模型定量分析了出行者决策行为的内在联系. 结果表明,出行方式选择行为与出发时间及路径选择之间密切相关,出行者的路径选择行为则相对独立. 研究结论可为城市交通需求预测及交通管理提供参考.     

社交网络交通信息对出行方式选择行为影响模型

为解决社交网络交通信息对出行方式选择行为影响缺少定量描述方法的问题,基于技术接受理论,提出感知有用性、感知易用性、感知风险性等 7个潜变量作为出行者对社交网络交通信息的心理感受变量.结合个人属性变量、出行方案属性变量共同构建融合社交网络交通信息影响的出行方式选择行为混合离散模型,运用重庆市问卷调查数据进行实证分析.结果表明,混合模型优度比提升了 0.171,同时,心理感受变量中感知风险性对选择结果有负向影响,其余变量对选择结果均为正向影响,而感知有用性(0.757)、主观规范(0.646)、感知信任 (0.502)对结果影响最大.     

多公交信息下居民出行前方式选择意向分析

为了研究公交信息对出行前交通方式选择的影响,选取了公交出行距离信息、 公交车辆位置信息、道路拥堵情况信息和公交换乘信息等四种公共交通信息,通过均匀 设计方法,设计四种公共交通信息组合条件下的居民出行交通方式选择意向调查,并通 过在湖北襄阳获得的数据,建立了多项Logit 模型,定量分析了显著影响因素.研究结果表 明,公交信息对出行前方式选择行为的影响比较显著,且不同的公交信息对出行方式选 择的影响存在差异,但总体上会增加人们选择公交出行的意愿;对于已购车的出行者,公 交信息的影响十分有限,而个人对于公共交通的偏好也会影响其出行方式选择的意向.研 究建议,提供更准确和丰富的公交信息服务以增加城市公共交通的吸引力.     

出行链特征指标的提出及应用研究

以往传统的交通分析方法,将大量的交通信息堆砌在一起,如时间信息、空间信息等,忽略了信息间的相互作用,割裂了交通系统的整体性和系统性。说明了出行链对交通分析和交通规划的重要作用,从交通现象的本质出发,给出了出行链的结构和定义,提出了出行链特征指标,以“链”的形式将交通系统的时间维、空间维、方式维和活动类型联接在一起,将交通系统变成一个有机的整体。并通过多项Logit模型建立了交通方式选择模型,在模型拟合良好的前提下,验证了平均出行链长度和换乘次数对方式选择的影响是显著的。     

����SEM�ļ�ʻԱ������Ϣ��Ѱ��Ϊ����

出行信息的搜寻与获取是驾驶员出行决策的重要依据.为获取驾驶员的出行信息搜寻行为特征,以昆明市412个样本数据库为基础,建立驾驶员出行信息搜寻行为的因果和过程结构方程模型(SEM),并拟合各变量之间的路径关系.其中,驾驶员出行信息搜寻的因果结构方程模型重点分析个体属性、信息源因素及环境因素与搜寻行为之间的关系;驾驶员出行信息搜寻的过程结构方程模型则模拟驾驶员的出行信息搜寻过程.结果表明：驾驶员由于自身属性的不同在信息源与搜寻行为上存在显著差异,搜寻行为中驾驶员对出行信息的认知及信息源的选择是重要的影响因素.此外,驾驶员出行信息搜寻过程模型主要受到个体属性与信息需求的影响.     

VMS�Լ�ʻԱ·��ѡ��Ӱ���ʵ֤�о��뽨ģ

可变信息板(VMS)通过发布实时的道路交通信息引导驾驶员的路径选择行为,是智能交通系统的重要组成部分之一,也是大城市缓解交通拥堵所采取的方法之一.为了定量分析VMS对驾驶员路径选择行为所产生的影响,本文采用SP调查法针对驾龄在1年以上的驾驶员进行问卷调查,使用SPSS20.0软件对调查数据进行分析,并在此基础上建立VMS诱导条件下驾驶员改变路径频率的有序多分类Logit模型,得出结论,驾驶员根据VMS所提供信息进行路径选择的主要影响因素为驾驶风格、出行时间、VMS可信度.     

多方式诱导信息对通勤者出行链的动态影响模型

为研究多方式诱导下通勤者的动态选择行为,采用效用理论和多阶段决策方法,以出行链感知效用最大化为目标,建立了通勤者单日内以家为起点和终点的出行链选择行为动态规划模型,并利用Dijkstra算法求解.将出行链分割为相互联系的单次出行,每次出行均包含出行前和出行中决策节点,在每个决策节点上实现交通信息的动态加载,并考虑通勤者对信息的信任度和学习过程,使模型可更准确地描述实际决策过程.算例结果表明:多方式诱导信息使每位通勤者的出行链实际效用平均增加0.88%;且信任度越高,通勤者获得的收益越大,越倾向于通过缩短出行链长度,选择地铁或停车换乘方式以规避交通拥堵造成的效用损失.      

基于合作博弈的公交滞站点优化模型

公交滞站控制是防治公交串车的常用方法. 现有研究主要集中于公交滞站时间的优化，很少关注滞站点优化问题. 本文提出一种基于合作博弈的公交滞站点优化模型. 根据系统当前状态，模型首先预测当控制不同滞站点组合时该滞站点组合对公交串车率的改进；其次，以滞站点为博弈人，以滞站点组合及其对公交串车率的改进量为效用函数，构建合作博弈，分析滞站点的单独和联合控制效果，并用Shapley 值刻画滞站点的相对重要性. 通过在最有效的滞站点实施滞站控制，能够有效防治公交串车. 最后，通过仿真实验对滞站点的数量和位置的确定进行说明，模型能有效降低公交车头时距波动，减少公交串车率，最终减少乘客平均候车时间.     

基于合作博弈的公交滞站点优化模型

公交滞站控制是防治公交串车的常用方法. 现有研究主要集中于公交滞站时间的优化，很少关注滞站点优化问题. 本文提出一种基于合作博弈的公交滞站点优化模型. 根据系统当前状态，模型首先预测当控制不同滞站点组合时该滞站点组合对公交串车率的改进；其次，以滞站点为博弈人，以滞站点组合及其对公交串车率的改进量为效用函数，构建合作博弈，分析滞站点的单独和联合控制效果，并用Shapley 值刻画滞站点的相对重要性. 通过在最有效的滞站点实施滞站控制，能够有效防治公交串车. 最后，通过仿真实验对滞站点的数量和位置的确定进行说明，模型能有效降低公交车头时距波动，减少公交串车率，最终减少乘客平均候车时间.     

基于层次集成学习的高光谱图像分类

为提高高光谱图像（HSI）分类精度,基于集成学习方法提出高光谱图像分类的层次集成学习新框架。采用两种集成学习策略：外部集成及内部集成。在外部集成阶段,构造多种高光谱图像的光谱和空间特征,使外部集成呈高度多样性,有利于提高分类精度;内部集成阶段,针对关联多特征集中的个体,Adaboost算法实现个体分类性能的提高。两组高光谱数据的实验结果表明,与原始的Adaboost和单分类器相比较,该方法在整体精度方面有更好的性能。     

基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.     

驾驶行为非参数微观仿真模型

运用信息挖掘技术最大限度地榨取实测数据所携带的驾驶行为个体有用信息,通过数据修正和精简形成样本数据库,采用K最近邻概率密度函数法对样本数据库进行数据过滤和冗余信息清洗,利用预处理后的数据和非参数回归法构建了驾驶行为非参数仿真模型。模拟得到的后车多元信息与其实际值有很好的拟合性,且实际值以模拟平均值为轴小幅度摆动。仿真结果表明,合适的光滑参数能提高模型精度,使模型避免大样本标定数据的限制,很好地反映和预测跟驰过程中的驾驶员行为。     

������о�����Ϊ��TDM���Ի�����ϵ�о��ı�Ҷ˹����

综合评述了活动－出行行为研究方法和存在的问题,引入贝叶斯结构学习和参数估计方法,辅以基于活动的出行行为分析理论、非集计建模方法和SP/RP数据融合方法,提出了基于贝叶斯结构学习和参数估计方法的出行行为与TDM策略互动关系分析方法的框架,探索了改进已有研究方法的途径。研究表明,贝叶斯理论可以将居民的个人属性及隐性非样本信息在出行行为预测中充分表达,并解决MNP等复杂非集计模型的参数标定问题。将贝叶斯理论与已有的出行行为分析方法相结合,可以使出行行为预测更为精确、全面和灵活,从而更加准确地描述活动－出行决策行为与TDM策略的互动响应关系,为制定有效的TDM策略,缓解城市交通供需矛盾提供理论依据。     

��̸ITS�ļ���������������

首先提出了交通系统的发展方向不单单是智能交通系统，而是一体化交通系统和智能交通系统的统一的新观点，并且从以下三个方面加以论述，即从所属范畴分析ITS的地位，从交通问题的成因来分析ITS的作用范围，以交通控制与交通诱导为例说明交通系统必须一体化.然后，从三个角度讨论了ITS信息化问题，即信息化与智能化的关系，信息的数量与质量问题，IT的发展也需要智能化.接着，列举了7个方面的例子说明存在着忽视交通系统的复杂性的现象.最后，分析了用系统科学的方法论研究交通系统的必要性.     

Semi-supervised learning in large scale text categorization

The rapid development of the Internet brings a variety of original information including text information, audio information, etc. However, it is difficult to find the most useful knowledge rapidly and accurately because of its huge number. Automatic text classification technology based on machine learning can classify a large number of natural language documents into the corresponding subject categories according to its correct semantics. It is helpful to grasp the text information directly. By learning from a set of hand-labeled documents, we obtain the traditional supervised classifier for text categorization (TC). However, labeling all data by human is labor intensive and time consuming. To solve this problem, some scholars proposed a semi-supervised learning method to train classifier, but it is unfeasible for various kinds and great number of Web data since it still needs a part of hand-labeled data. In 2012, Li et al. invented a fully automatic categorization approach for text (FACT) based on supervised learning, where no manual labeling efforts are required. But automatically labeling all data can bring noise into experiment and cause the fact that the result cannot meet the accuracy requirement. We put forward a new idea that part of data with high accuracy can be automatically tagged based on the semantic of category name, then a semi-supervised way is taken to train classifier with both labeled and unlabeled data, and ultimately a precise classification of massive text data can be achieved. The empirical experiments show that the method outperforms the supervised support vector machine (SVM) in terms of both F1 performance and classification accuracy in most cases. It proves the effectiveness of the semi-supervised algorithm in automatic TC.     

基于改进遗传算法的铁路三维空间线路智能优化方法研究

归纳和总结了铁路线路智能优化与三维空间信息之间的内在联系,基于OSG技术对空间信息数据进行高效组织,加工处理与信息输出为一体,建立了三维空间信息模型,为铁路三维空间线路智能搜索提供可视化地理信息环境。以平面交点坐标、交点半径、纵面变坡点里程、变坡点高程为设计变量,充分考虑了空间线路平面约束、纵断面约束、平纵组合约束和环境影响约束条件,深入分析铁路三维空间线路优化费用目标函数,建立了铁路三维空间线路综合优化数学模型。采用浮点编码方式,以交点偏移距、交点曲线半径、链式变坡点高程为基因序列,针对多约束条件构成的优化空间进行深入的研究,生成线路方案群;基于多目标排序矩阵方式对每代中线路方案进行适用度计算,设计了选择、交叉和变异三类遗传算子,逐代遗传进化,实现了线路方案向最优线路方案群自动搜索,完成了铁路三维空间线路智能寻优过程。以本文提出的理论与方法为基础,基于vs.net、OSG、数据库等技术实现了铁路三维空间智能选线系统的开发,结合实际工程对本文的理论模型与算法进行了验证和评价。     

Latent Supportive Utility of Irrelevant Attributes in Feature Selection

This paper proposed a novel feature selection method LUIFS (latent utility of irrelevant feature selection) that not only selects the relevant features, but also targets at discovering the latent useful irrelevant attributes by measuring their supportive importance to other attributes. The method minimizes the information lost and simultaneously maximizes the final classification accuracy. The classification error rates of the LUIFS method on 16 real-life datasets from UCI machine learning repository were evaluated using the ID3, Nave-Bayes, and IB (instance-based classifier) learning algorithms, respectively; and compared with those of the same algorithms with no feature selection (NoFS), feature subset selection (FSS), and correlation-based feature selection (CFS). The empirical results demonstrate that the LUIFS can improve the performance of learning algorithms by taking the latent relevance for irrelevant attributes into consideration, and hence including those potentially important attributes into the optimal feature subset for classification.