基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发，提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想，以真实数据构造10万条随机路径验证该方法的可行性，并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照，利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量，结合基础属性建立二项Logit模型，从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类，其结果对关键路段识别模型的性能有提升效用；行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性，虽然其个数与路段关键性无明显关系，但其与常见波动程度指标相关性小，可保留用于描述行程时间波动常发性和聚集性.     

基于k-NN和SCATS交通数据的路段行程时间估计方法

为了改善利用SCATS交通数据估计路段行程时间的效果,通过分析SCATS实际交通数据获取时间间隔不一致的特征,构建了SCATS交通数据虚拟时间序列,将利用因子分析法提取的累计贡献率在85%以上的主因子作为交通模式特征向量的构成要素,用欧氏距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标,以路段行程时间估计误差最小为目标选取当前交通模式的近邻数,对交通模式之间距离的倒数进行归一化处理,确定了相似交通模式的行程时间权重,设计了基于SCATS交通数据的路段行程时间估计方法.实例结果表明:与多元线性回归方法相比,本文方法估计的路段行程时间平均绝对误差、平均绝对百分比误差和均方根误差分别平均减少了9.68 s、8.07%和4.5 s.      

城市交通线控系统相位差优化方法

根据路段行程车速的随机分布特征,分析了已有线控系统相位差优化方法的局限性。以路段行程时间、车辆延误和排队长度为评价指标,利用信息熵理论和多属性综合决策方法设计了线控系统相位差优化算法,并进行了仿真计算。仿真结果表明:当路段行程车速的方差从5 km.h-1增大到10 km.h-1后,由西向东车流的行程时间、车辆延误和排队长度分别从98.4 s、13.5 s.pcu-1和9.1 pcu增大到115.5 s、15.9 s.pcu-1和12.3 pcu,由东向西车流的行程时间、车辆延误和排队长度分别从99.4 s、13.5 s.pcu-1和9.2 pcu增大到108.7 s、14.3 s.pcu-1和10.8 pcu。可见,路段行程车速的随机分布特性对相位差的设置有显著影响,利用本文建立的模型可得到最优相位差。     

城市道路分类别路段行程时间函数研究

分析与城市路段行程时间函数分类相关的路段属性,根据其中关键属性的组合对城市路网的所有路段进行分类;以市域内车辆自动检测仪器提供的速度和流量数据为基础,通过对速度-流量关系的分析拟合,标定各类路段的通行能力、自由流速度、流量达到通行能力时的临界速度这三个关键参数从而确定函数模型,并通过杭州市实例进行了验证。     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

弹性需求下路段行程时间波动的收敛性

分析了弹性需求下路段行程时间的波动随道路长度延伸的收敛性.采用 MITSIM仿真路段上车辆的行驶过程,根据仿真数据计算车辆通过该路段的预期行程时 间,路段入口处的交通需求由需求函数及预期行程时间确定.通过记录所有车辆驶入、驶 出该路段的时刻获取车辆的实际行程时间.用行程时间标准差系数来衡量行程时间波动 性.数值算例对不同潜在交通需求的情况进行分析.结果表明,对任意确定的潜在需求,在 弹性需求的作用下,路段行程时间的波动性都将随着路段长度的延长而趋向收敛,随着 潜在交通需求的增加收敛速度减小,弹性系数的增加则促进行程时间波动的收敛.     

城市信号控制路网中的路段行程时间估计方法

为了精确检测城市信号控制路网中的路段动态行程时间,分析了路段流量受交通信号控制策略影响的波动规律,提出了基于交通量图偏移的路段行程时间计算方法。研究了不同断面交通量图的相似性,根据最大相似度时交通量图的偏移,计算了断面间路段动态行程时间,并与调查结果进行了比较。比较结果表明:在城市路网封闭路段,平峰、高峰的不同时间长度内(5、10、20 min),平均行程时间最大平均相对误差为7.1%,因此,计算方法可行。     

基于换道轨迹规划模型的车道级行程时间估计方法研究

在车联网环境下,为满足精细化的车辆诱导需求,提出基于换道轨迹规划模型的车道级行程时间估计方法。建立路网基础道路拓扑模型,对所构建的路网模型进行Link划分,并利用改进的5次多项式模型对车辆行驶轨迹进行描述,构建车辆在不同路段Link间行驶的换道轨迹规划模型;整合车辆在路段各个Link单元的行车轨迹与行程时间,实现车道级行程时间估计;选取单向4车道的城市道路为仿真算例,建立VISSIM仿真模型,验证本文模型性能。仿真结果表明,在不同的车辆行驶速度条件下,相比于传统行程时间估计方法,本文提出的改进5次多项式换道轨迹规划模型能够精确地得到车辆最短行程时间下的行车轨迹,实现车道级行程时间的准确估计。     

���ڳ���ʶ�����ݵij��е�·����ʱ��ֲ����ɼ����Ʒ����о�

利用北京市道路交叉口的车牌识别数据,应用假设检验的方法研究城市快速路及主干道的旅行时间及其可靠性的分布与估计方法.首先使用四分位数据筛选法对原始数据进行了筛选,获得分析所用数据集.其次对旅行时间的分布进行了研究,提出了与旅行时间有关的分布假设并进行了相应的检验分析,随后研究了旅行时间分布与路段道路运行状况的关系.基于对北京市的数据分析可以看出,道路拥堵时旅行时间分布多接近Weibull分布,通畅时接近对数正态分布.最后,本文进一步探讨直接利用正态分布进行数据拟合以及参数估计的可行性.案例分析显示,使用正态分布估计旅行时间平均值误差较小,但对旅行时间可靠性的估计则误差较大.     

������Ϣ�Ե�·�������ʱ��ɿ��Ե�Ӱ��

为考察出行信息对道路网络出行时间可靠性的改善效果,将出行者划分为“有ATIS接收装置”和“无ATIS接收装置”两类,且均以随机方式选择路径,运用混合网络随机用户均衡建模理论构建了信息诱导下的出行路径选择模型.从路段容量的实际变化规律出发,假定其服从截尾正态分布,基于Monte Carlo仿真技术和网络均衡流求解算法,建立了信息影响下的道路网络出行时间可靠性评估方法.数值分析结果表明：道路网络出行时间可靠性随出行信息质量和信息系统的市场渗透率增加而递增,但其边际影响递减;对于交通需求水平高的道路网路,信息的提供对网络出行时间可靠性的改进更加明显.     

考虑自行车步行影响的交通平衡综合分析模型

步行和自行车等外界因素对机动车流的影响也具有随机性,但是这种影响更多地表现为可预见性和可控制性(尤其从交通管理的角度来看),可以说这种影响将导致可预见性的路段实际通过能力降级,并且可预见性特征使得这种影响不同于随机用户平衡中路段旅行时间的感知误差.笔者通过区分路段通过能力降级因素为内因(路段上车流量增加导致道路服务水平降级)和外因(由与路段上与车流量无关的外部因素,如随意过街人流、自行车流等外部因素,引起的道路通过能力降级),并且区分路段旅行时间为通行能力降级路段上行程时间和排解交通拥堵花费的滞留时间两个构成部分的基础上,建立了考虑自行车步行影响的交通平衡综合分析模型;通过对路段参数敏感性分析和实例对照,既展示了该综合分析模型-路径期望旅行时间平衡分析模型与确定性网络用户平衡分析模型的差异性,又展示了路径期望旅行时间平衡分析模型能较好地再现人们对道路路段通行能力降级情形下的车流路径选择行为.     

基于出行时间预算的SUE交通分配

基于均匀分布的路段容量,分析了降级路网中路段和路径出行时间的随机变动,假定出行者根据以往的出行经验获取路径出行时间的可变性,并以出行时间预算的形式将这种可变性纳入到其路径选择过程中,进而定义路径出行时间预算为路径出行时间均值与出行时间安全边际之和.在此基础上,采用变分不等式技术构建了基于出行时间预算的多用户类型弹性需求随机用户均衡交通分配模型,并证明了模型解的等价性.     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

多用户类型弹性需求随机期望-超额用户平衡模型

为准确描述随机路网环境下出行者规避行程时间不确定风险的择路行为,推导了通勤者需求量服从对数正态分布和路段通行能力服从贝塔分布条件下计算期望-超额行程时间的计算公式,并在考虑出行者对行程时间的估计误差和路网服务水平对交通需求影响的基础上,建立了用等价变分不等式表示的多用户弹性随机期望-超额用户平衡模型.算例结果表明:随着需求水平波动程度和路段通行能力退化程度的加剧,当需求方差-均值比从0.5增至2.0、贝塔分布参数(l和m)从90和10变为10和10时,通勤者和非通勤者期望最小理解期望-超额行程时间分别增加了48.5%和99.2%.