基于视频的城市道路超车行为影响因素模型

以超车次率为城市道路超车行为宏观量化指标,结合MYSQL与VBA,完成了海量视频超车数据的提取,分别构建了工作日、非工作日及工作日高峰期的超车次率影响因素逐步回归模型.研究结果表明:行程时间及速度对超车行为影响显著,但车辆数在高峰期对超车行为的影响并不明显;行程时间及速度在工作日对超车行为的影响更大,而车辆数在非工作日对超车行为的影响更明显.     

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。      

轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性，为实现站点精细化分类，本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据，提取客流、土地利用和网络性质等特征，其中，客流层面考虑工作日、周末和节假日等不同日期类型下客流状态，土地利用层面考虑站点辐射区用地强度和均衡性，网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型，综合聚类评价指标确定簇数，辨析不同类型站点多维度特性，结合站区土地利用和站点网络特征探讨对出行活动的影响，并设计簇内联合预测和整体联合预测策略，采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明：考虑全部客流特征时，划分为10簇，考虑工作日进站客流特征时，划分为5簇，充分挖掘客流时变特征能够获得更加精细化的聚类结果；各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系；相比于整体联合预测，通过聚类联合相关性强的站点进行预测，以间接捕获空间相关性的方式能有效提升预测性能，各模型均方根误差平均降低9.04%，平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。     

基于网络客流传播的轨道交通关键站点识别

为了更为真实的反映城市轨道交通网络的实际运营情况,在复杂网络理论基础上,进一步考虑客流因素的影响,提高网络中关键站点识别的准确性,通过分析站区间断面客流来源,根据普通站和换乘站的客流运输功能特征,分别构建了客流传播模型,对历史刷卡数据配流统计标定模型参数,并结合复杂网络的度与介数提出了4个关键站点识别指标.以某市轨道交通网络为例,利用刷卡数据对某工作日早高峰时段进行了全网动态客流演示并展示关键车站.研究结果表明:关键线路为1号线与10号线,南站、西二旗、天通苑附近乘客滞留严重,客流负荷强度大的车站更易受到大客流的冲击;本文所构建的客流传播模型可动态显示全网各区间等级及滞留车站的变化,并能综合真实客流、线路运输能力以及线网结构三方面的指标识别关键站点,可更有效地为轨道交通网络安全管理提供参考.     

客运专线山区长隧道的乘客气压舒适度研究

在客运专线列车穿越山区长隧道时,乘客气压舒适度是提高运营质量必须考虑的问题.简化了车内压力方程,对不同密封指数不同速度的高速列车穿越山区长隧道时的多种工况进行了数值模拟.参考隧道内瞬变压力向车内传播的规律和相应的舒适度标准,对计算结果进行了详细分析.在着重研究了车内压力变化产生原因的基础上,进一步分析了车辆密封指数对车内气压舒适度的深刻影响,并提出提高舒适度等级的建议.     

城市轨道交通车厢立席密度计算模型

为科学合理地确定城市轨道交通车厢立席密度,从立席乘客舒适度的角度探讨了合理立席密度对舒适度的影响。通过问卷调查和实地测量进行分析和量化,确定了空间舒适度和车厢微环境2个主要因素,基于线性加权法和顾客赋权法将2个因素结合构建了静态舒适度评价模型。考虑到站立时长对舒适度的影响,类比疲劳程度指标对静态舒适度评价模型进行修正,通过问卷调查验证时间折减因子并标定参数,构建了基于立席密度的广义舒适度评价模型,通过广义舒适度评价模型反推得到合理立席密度求解模型,并对北京地铁4号线-大兴线进行舒适度评价。分析结果表明:舒适度可以及时、准确地反映立席密度的变化和影响,借助舒适度评价结果可以改善运营线路的服务水平;北京地铁4号线-大兴线满足舒适等级、设计等级和超员等级的合理立席密度分别为3.1、4.2、4.7人·m-2,美国车辆设计定员的相应立席密度分别为3.0、4.0、6.0人·m-2,两者基本相当,且计算结果与调研结果相符,因此,模型可作为规划设计中确定合理立席密度的依据。     

城市轨道交通网络新线接入后的客流预测

城市轨道交通网络新线接入后,网络拓扑结构和客流时空规律都将发生较大变化。提出通过可达性指标将进出站量预测、OD分布量预测、基于路径选择模型的随机客流分配等阶段关联,构建客流预测模型。进出站量预测时,构建土地利用替代指标,避免对新车站周边土地利用、社会经济属性等进行调查;同时由目的地选择效用计算得到车站可达性指标,描述车站位置对进出站量的影响。OD分布量预测时,构建目的地选择模型,可适应拓扑变化后的场景,模型中OD可达性指标由路径选择效用计算得到。构建的路径选择模型,综合考虑了影响乘客路径选择的各因素。最后,对广州市地铁6号线接入后的客流进行建模预测,各模型参数均符合统计检验要求且客流预测精度较高。     

寒地城市地铁客流特性及网络失效研究

为分析寒地城市地铁客流与网络特性，挖掘客流与寒地气候的相关性，本文利用《寒区城市多模式公交协同运营技术与示范工程》2013—2020 年共 8 年 11 万余条地铁客流数据进行研究。提出效用阻抗Space L-Space P模型建立地铁抽象网络，将时间维度细分为周、月和年这3类， 研究地铁客流特性与扰动因素，并建立寒地城市地铁网络失效模型，分析扰动后地铁站点与线路的客流分布。进一步选取哈尔滨市与南京市地铁数据，运用转移熵因果关系分析地铁网络客流分布与气候的相关性，得到寒地气候对地铁客流的影响。研究表明：所采集的地铁客流数据能够充分展现客流的状态与变化趋势，能够满足客流数据分析的精度与质量要求。近8年，哈尔滨市地铁客流呈现明显的增长趋势，地铁客流分布呈现2月为客流低峰，3月客流逐步回升，3~12月客 流较平稳且具有轻微波幅；换乘客流中夏季呈现8月大于7月大于6月的趋势，冬季则2月换乘客流最低，大多在周一与周五达到周换乘客流量极值。由地铁网络失效模型识别出关键站点，得到 哈尔滨市冬季客流略高于其余3季，冬季地铁网络较脆弱，结合实际数据的模拟分析表明，温度与地铁客流具有一定相关性，且哈尔滨市的相关性大于南京市。     

融合客流大数据和成本最优化的公交动态排班方法

为提高公交排班效率和准确性,提出一种基于客流OD数据的动态排班模型。首先,模型将影响公交车辆排班的因素划分为静态因素、可变因素和动态因素,给出每日客流变化情况下动态影响因素计算方法;其次,以满足乘客需求减少公交企业运营成本为目标,探索多目标最优排班方案求解方法,实现公交运营效益最大化;最后,以广州560路公交线路为例进行模型仿真验证。仿真结果表明:模型求解结果可以在不降低乘客服务质量的同时有效减少车辆使用量,提升车辆满载率,工作日减少车辆13.3%,非工作日减少车辆26.6%。在满足社会效益的情况下节约企业运营成本。     

基于路网仿真的地铁运营协调性分析

面向地铁运营状态的动态性、不确定性及多因素动态关联性,采用路网运营仿真技术,基于路网客流分布状态变化,从网络整体角度研究地铁运营协调性的定量分析方法.将运营协调决策问题分成资源配置、服务设计、客流控制三个层次,提出利用运能需求匹配度,将系统不同层次的协调性进行关联分析的思想.从运输单元运能需求匹配度的均衡性和换乘服务效能两个方面构建网络运营协调性分析指标,给出基于分布熵的协调性指数计算方法.构建地铁路网运营中观仿真模型,给出面向协调性研究的路网仿真实验流程.最后,以北京地铁为例,进行案例研究,利用路网客流分布仿真实验数据分析两条线路的运营协调性,给出优化后的列车开行间隔.     

基于CNL 模型的公共自行车使用模式研究

正在许多城市迅速推广的公共自行车系统被认为是解决出行“最后一公里”问题的 新型交通方式.本文将公共自行车使用分为接驳地铁、接驳常规公交及全程单独使用3种模式, 构建Cross-Nested Logit模型,利用苏州市地铁沿线公共自行车使用情况的调查数据,定量分析 影响使用模式的主要因素.研究发现,相对于接驳地铁或常规公交,公共自行车在很大程度上 倾向于被全程单独使用,在短距离出行中极可能与常规公交存在竞争关系,但对地铁出行有一 定的补充作用.本研究有助于重新思考公共自行车在城市交通系统中的定位及其发展方向.     

基于地铁刷卡数据的通学模式影响机理研究

长距离的通学出行是导致中小学生被家长用小汽车接送的关键因素,鼓励中长距离通学学生使用地铁出行可以减少他们对小汽车的依赖.本文在考虑潜在接送行为的基础上,利用地铁IC卡刷卡数据研究了南京市中小学生的地铁通学模式.通过识别出地铁通学人群及对应的通学记录,把学生地铁通学行为分为只去不回 (HTSO)、只回不去 (STHO)、往返 (SHUTTLE)和其他(OTHERS)模式,并建立多元Logistic模型分析了学生出行特征、所在区位、居住地及学校周边建成环境特征对其地铁通学模式的影响.模型结果显示,学生的出发时刻、出行频率、居住地区位、学校区位及建成环境对地铁通学模式有显著影响,且居住地和学校周边建成环境对学生通学模式的影响不同.     

降雨对城市道路行程速度的影响

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.     

����Գ��е�·�г��ٶȵ�Ӱ��

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.     

客运专线与既有线合理分工原则与优化模型

客运专线与平行既有线的合理分工及使用,对方便各类旅客出行和增加铁路运营效益有着直接的影响.本文综合分析了影响客运专线与既有线分工的社会因素和经济因素;基于福利经济学原理,论证了客运专线与既有线的合理分工应是一种帕累托的改进过程,合理方案应是实现帕累托最优状态.藉此,提出了兼顾效率与公平的合理分工基本原则.依据分工原则,运用定量优化理论建立了铁路运输收益和旅客收益最大化优化数学模型,并从优选思想与启发算法相结合的角度,提出相应的求解方法.     

基于精细化用地的轨道客流直接估计模型

现有轨道客流直接估计模型中,对于用地的描述多基于人口、岗位分布、用地面积等概略数据,未能准确反映用地开发的多样性和复杂性,难以揭示用地混合开发对于居民出行的作用机理.本文采用北京市电子地图中的兴趣点（POI）数据表示用地信息,结合轨道站点多层次吸引范围划分,实现了轨道站点吸引范围内各类用地比例的精细化描述.通过将精细化用地信息与轨道站点乘降客流量进行回归分析,总结了用地、交通、区位因素对于轨道站点乘降客流的影响机理,建立了基于精细化用地的轨道站点客流估计模型.验证结果显示,模型对于本文所研究典型站点的预测精度达到预期,反映了用地与轨道客流之间的强相关性.     

西安地铁二号线一期运营客流特征研究及改善建议

本文以西安地铁二号线一期为研究对象,通过对线路客流特征的分析,剖析其客流发展和分布规律,为增加客流、改善运营服务提供支持。本文根据匝机OD及居民出行调查等数据,对客流总量、客流强度、出行目的、时间分布、运距分布、车站集散量、断面客流量、接驳交通方式、接驳耗时等客流特征指标进行了统计分析,结果显示指标值基本反映了本地居民的出行规律和地铁单线运营的客流现状特点;根据车型、车辆编组以及发车间隔对线路运力进行了核算,结果显示线路运力与客流时间分布基本一致,但工作目、周末日运力配备和客流量变化趋势相反,需引起重视。最后,本文建议西安地铁通过加快地铁成网建设、完善车站接驳设施等手段扩大客流吸引范围,从而增加客流规模;通过探索中心站等管理模式建立站务人员的灵活调配机制,确保运营服务适应客流空间分布不平衡的需求。     

降雨量对OD行程时间可靠性影响分析

为详细研究降雨量对OD行程时间可靠性的影响，基于Uber 出行共享的3 年美国波士顿10 对OD行程时间数据及WeatherUnderground 网站提供的小时历史天气，构建了OD行程时间高斯混合模型(GMM). 模型参数利用EM法进行求解，K 值根据K-S 检验后的P 值 (大于0.500 0)进行确定，模型分位数利用二分法进行求解. 提出一种基于缓冲指数(BI)的新指标--缓冲指数变化率(BIVR)作为定量评估指标. 结果表明：降雨会降低总体OD行程时间可靠性，降低效果随降雨量提高而增强，但增强效果并不明显；尽管可能性较低，但当降雨处于次要影响因素时可能提高可靠性；小雨天气可视为正常天气；雨天可靠性显著低于正常天气，居民在雨天(除小雨外)出行应预留更多时间.     

降雨量对OD 行程时间可靠性影响分析

为详细研究降雨量对OD行程时间可靠性的影响，基于Uber 出行共享的3 年美国波士顿10 对OD行程时间数据及WeatherUnderground 网站提供的小时历史天气，构建了OD行程时间高斯混合模型(GMM). 模型参数利用EM法进行求解，K 值根据K-S 检验后的P 值 (大于0.500 0)进行确定，模型分位数利用二分法进行求解. 提出一种基于缓冲指数(BI)的新指标——缓冲指数变化率(BIVR)作为定量评估指标. 结果表明：降雨会降低总体OD行程时间可靠性，降低效果随降雨量提高而增强，但增强效果并不明显；尽管可能性较低，但当降雨处于次要影响因素时可能提高可靠性；小雨天气可视为正常天气；雨天可靠性显著低于正常天气，居民在雨天(除小雨外)出行应预留更多时间.     

基于多源数据融合的城市出租车载客出行特征研究——以岳阳市为例

为探究城市出租车载客出行特征,在出租车GPS轨迹大数据基础上,融合居民出行调查数据、城市土地利用数据及天气数据,构建出租车载客出行量回归模型,得出出租车载客出行量与片区岗位数、天气状况、时段、片区面积有较强的相关性,而基于RBF神经网络构建的回归模型在上述4个因素的基础上增加了片区常住人口数和是否工作日2个因素.通过10折交叉验证表明,RBF神经网络回归模型的拟合效果比多元线性回归模型更好.