公交站点停靠时间预测模型研究

基于对北京市六环内各方向23条公交线路不同站点的现状数据采集,提出了一种公交站点停靠时间预测模型.分析了上下车人数、车内拥挤度、车门数及公交车台阶数等影响因素对公交停靠时间影响程度.根据分析结果,排除台阶数对停靠时间的影响.由于北京市3门铰接车与2门车的停靠时间存在一定的差异,考虑公交车门数对上下车时间的影响,得到3门车公交下车客流分配关系;然后选择上下车人数及车内拥挤度2个因素作为自变量,建立了乘客上下车时间预测模型;进而通过回归分析开门时间最长的车门乘客上下车时间与站点停靠时间的关系,选取二次函数作为公交站点停靠时间预测模型.最后,对2条不同公交线路的公交预测停车时间及实地调查停车时间进行比较,其标准化均方差分别为0.151 0,0.178 2,表明该模型具有较高可靠性,可应用于公交行程时间的研究.      

城市外围非高峰时段多线路柔性公交协调调度研究

利用柔性公交灵活度高和成本低的优点,考虑公交线路交互对乘客出行选择的影响,提出了城市外围非高峰时段多线路柔性公交的协调调度。首先阐述了柔性公交的运营模式和适用条件以及柔性公交与定制公交的区别。其次分析了城市外围非高峰时段多线路柔性公交的协调调度问题,并给出了柔性公交协调调度的具体流程。接着以乘客的候车时间、乘客减少的步行时间、乘客增加的乘车时间、公交车的运营成本为指标,考虑常规乘客的候车时间约束和公交车响应预约请求时的综合效益约束,建立了多线路柔性公交协调调度的双层规划模型,其中上层模型以乘客的出行时间最少为目标,下层模型以公交的运营成本最低为目标。然后设计了遗传算法,对公交车响应预约站点时的车上乘客数量进行编码来求解该模型。最后以重庆市180路和396路公交为例设置了预约站点,并在4种预约比例下对多线路柔性公交的协调调度和单线调度进行了对比分析。结果表明:有多条柔性公交线路可响应预约站点时,进行协调调度可减少实时预约乘客的候车时间;有共同目的站点的乘客数量越多,进行多线路柔性公交协调调度时乘客整体减少的出行时间越多;预约站点所有乘客有共同目的站点时,进行多线路柔性公交协调调度能降低公交的运营成本。     

基于LSTM的城市公交车站短时客流量预测研究

智慧交通是智慧城市的重要组成部分,公共汽车(以下简称公交车)作为城市公共交通工具中最重要出行方式之一,不但方便了城市居民的工作和生活,而且为城市节能和环境保护提供了有效的解决方案。提高公交车站点客流量预测的准确度是智慧公交的研究内容之一。为了弥补传统时间序列模型(如ARMA和SVR)所具有的仅限单站点预测、短时间记忆等局限性,提高城市公交车站点客流量的短时预测精度,文中提出采用基于LSTM的神经网络模型对多个站点上下车客流量的长时间序列数据进行学习,从而对同一时段多个站点的客流量进行预测。试验结果表明,同时进行多站点客流量的学习能够提高预测结果的准确度,并且对抑制MSE和MAE有较好的表现,其中测试集MSE和MAE分别为3. 18人和1. 43人。基于LSTM的神经网络模型不仅能够很好发挥模型固有的长期记忆的能力,并且可以学习站点之间的潜在相关性,不仅对短时客流量预测具有明显的优势,而且拥有一定的泛化能力。使用LSTM进行多站点的公交车站客流量预测是可行的,并且较单一站点的客流量预测效果有明显提高;从客流量监测数据方面分析得出,多个公交车站点的客流量数据间存在相关性。论文成果对城市公交运营部门的快速决策和综合管理提供及时准确的数据参考具有现实意义。     

考虑出行时间窗的定制公交线路车辆调度方法

为提高定制公交系统的运行效率,研究了带乘客出行时间窗约束的多条定制公交线路车辆调度方法。给出了乘客出行站点合并方法,将公交车早到、晚到站点所造成的乘客损失转变为当量运营里程,以多辆公交车总运营里程最小为目标,考虑乘客的站点约束、公交车容量约束以及乘客的出行时间窗,建立了定制公交车辆调度优化模型。其次分析了乘客出行起点、终点对模型求解的影响,通过提出虚拟源站点,将多辆定制公交车的调度问题转换为多旅行商问题;基于后向推导原则设计贪心算法求得模型的可行解;之后基于遗传算法,采用自然数编码机制,将每个站点作为基因位,按照访问次序排列成染色体对应问题的解;最后给出了贪心算法和遗传算法的流程。在理论研究的基础上以定制公交线路为例对建模过程和模型的求解过程进行了阐述。研究结果表明：所建立的优化模型能够输出合理的多条定制公交线路车辆调度方案,不仅可以给出每辆定制公交的途经站点、运营里程,还可以给出每个站点的准点程度以及由于公交早到、晚到折算得到的当量运营里程;在求解算法质量方面,与可行解相比,相对最优解输出的方案能够使综合运营里程降低10.4%;模型求解时间为30.3 s,可以满足定制公交企业的实时性需求。     

基于乘客感知的公交服务质量影响因素分析

应用改进的SERVQUAL模型,结合二项Logistic模型,对宜昌市公交乘客感知服务质量的影响因素进行了研究.结果表明在运用Logistic模型进行回归分析时,采用不同的临界值作为划分感知服务质量等级的标准会对回归分析结果产生一定的影响,但影响宜昌市公交乘客感知服务质量的主要因素在不同临界值下是一样的,它们分别是乘坐公交车的安全性、公交车的票价、步行到站点的便利程度.而司乘人员的服务态度、公交系统信息化设施的完备性对宜昌市公交乘客感知服务质量的影响较小.并基于研究结果提出了公交服务改善策略.      

基于交通流理论的公交站点间行程时间预测

分析了公交站点间车辆运行过程,将行程预测时间划分为交叉口排队等待时间、路段行驶时间和停站时间3个部分,利用交通波理论和延误三角形,分别建立了无公交专用车道和有公交专用车道2种情况下排队等待时间的动态预测模型;根据乘客到站规律和上下车规律,提出了公交车进站停靠时间模型;针对无公交专用车道条件下的时间预测方法进行了实例演算.实验数据表明,基于交通波行程时间预测方法具有较高的精度,可以满足站点间行程时间预报要求.     

基于聚类分析算法的公交车到站时间预测研究

在现代城市中,准确获取公交车到站时间可以吸引更多人选择公交出行。但在目前城市交通日益拥堵的情况下,公交车在实际行驶过程中受多种因素的影响,导致行驶时间不稳定,这严重影响人们乘车体验感。本文结合了聚类分析和支持向量机,提出了一种基于聚类分析的公交到站时间预测模型。该模型使用了公交线路的站点数据,对所采集的数据进行标准化的预处理,并考虑了公交车在运行过程中受到的多种干扰因素,对鹰潭市27路公交上行线路进行了分析。结果表明,基于聚类分析和支持向量机的公交车到站时间预测模型的平均绝对误差在四十秒以内,预测精度也优于直接支持向量机的模型,能很好地预测公交车的到站时间。     

青岛推守时公交

<正>【事件回放】5月13日起,青岛交运温馨巴士将在3条公交线路上推出岛城的首批"守时公交",这些线路的每个站点都张贴了公交车到达该站点的具体时间,并且向乘客承诺,如果公交车到站时间误差在3分钟以上,乘客可以在该站点免费乘车。@交运温馨巴士总经理曲国庆:推出守时公交、准点运行,这不仅增加了管理难度,也增加了驾驶员和调度员的运行压力,但是为了市民的出行便利,这些都     

基于站点吸引的公交客流 OD 分布概率模型

在分析公交出行距离和下车站点的用地性质等因素对公交乘客下车概率影响的基础上,全面考虑站点对周边区域换乘的辐射影响,引入了1个新的影响因子---下车站点换乘能力,该因子利用以站点为中心,300 m到500 m为半径,可利用换乘的公交线路条数来表示;综合考虑上述3个影响因子,构建了基于站点吸引的公交客流O D分布概率模型。基于济南市公交IC卡数据,采用C++语言编程实现该模型,得出了公交客流出行的空间分布规律,并采用核查线法验证该模型的可行性和有效性。验证结果表明,该模型OD反推误差可以控制在10%之内,反推精度较高,较好的贴合实际,具有一定的工程应用价值。      

公交实时信息对乘客出行的影响

以近几年迅速普及的实时公交APP为研究对象,研究公交实时信息对乘客出行产生的影响。通过站点调查(步行调查和候车调查)和跟车调查的数据收集方式,主要调查其对乘客的步行速度、感知候车/乘车时间、实际候车/乘车时间及乘客在候车/乘车时的情绪水平的影响,然后用平均差检验分析调查数据。结果表明:使用实时公交APP和不使用的乘客在步行速度、感知候车和乘车时间及候车和乘车情绪水平等方面存在显著差异;公交实时信息不仅可以降低乘客的感知候车/乘车时间,同时还可以降低乘客的实际候车时间。     

Bus travel time modelling using GPS probe and smart card data: A probabilistic approach considering link travel time and station dwell time

Abstract

Path travel time estimation for buses is critical to public transit operation and passenger information system. State-of-the-art methods for estimating path travel time are usually focused on single vehicle with a limited number of road segments, thereby neglecting the interaction among multiple buses, boarding behavior, and traffic flow. This study models path travel time for buses considering link travel time and station dwell time. First, we fit link travel time to shifted lognormal distributions as in previous studies. Then, we propose a probabilistic model to capture interactions among buses in the bus bay as a first-in-first-out queue, with every bus sharing the same set of behaviors: queuing to enter the bus bay, loading/unloading passengers, and merging into traffic flow on the main road. Finally, path travel time distribution is estimated by statistically summarizing link travel time distributions and station dwell time distributions. The path travel time of a bus line in Hangzhou is analyzed to validate the effectiveness of the proposed model. Results show that the model-based estimated path travel time distribution resembles the observed distribution well. Based on the calculation of path travel time, link travel time reliability is identified as the main factor affecting path travel time reliability.     

A hybrid model based method for bus travel time estimation

Providing accurate information about bus arrival time to passengers can make the public transport system more attractive. Such information helps the passengers by reducing the uncertainty on waiting time and the associated frustrations. However, accurate estimation of bus travel time is still a challenging problem, especially under heterogeneous and lane-less traffic conditions. The accuracy of such information provided to passengers depends mainly on the estimation method used, which in turns depends on the input data used. Hence, developing suitable estimation methods and identifying the most significant/appropriate input data are important. The present study focused on these aspects of development of estimation methods that can accurately estimate travel time by using significant inputs. In order to identify significant inputs, a data mining technique, namely the k-NN classifying algorithm, was used. It is based on the similarity in pattern between the input and historic data. These identified inputs were then used in a hybrid model that combined exponential smoothing technique with recursive estimation scheme based on the Kalman Filtering (KF) technique. The optimal values of the smoothing parameter were dynamically estimated and were updated using the latest measurements available from the field. The performance of the proposed algorithm showed a clear improvement in estimation accuracy when compared with existing methods.     

Bayesian network for red-light-running prediction at signalized intersections

Abstract

Red-light-running (RLR) is an important reason for the large number of intersection-related fatalities, injuries, and other losses. The accurate RLR prediction can effectively reduce crashes caused by RLR behavior. The RLR prediction is usually composed of two parts: the vehicle’s stop-or-go behavior and the arrival time when the vehicle reaches the stop line. Previous stop-or-go prediction models are usually based on embedded traffic sensors using machine learning algorithms. While based on the continuous trajectories collected by radar sensors, RLR prediction can be conducted more effectively. In this paper, a probabilistic stop-or-go prediction model based on the Bayesian network (BN) is proposed for RLR prediction. We extend the deterministic output into the probabilistic output, which provides decision-makers with greater autonomy. The causality of BN improves the interpretability of the prediction model. The BN model is calibrated and tested by the continuous trajectories data measured by radar sensors installed at a signalized intersection. We not only consider the movement measurements of individual vehicles (e.g., speed and acceleration), but also take into account the car-following behavior. As a comparison, different machine learning models and the model based on the inductive loop detection (ILD) are adopted. The results show that the proposed BN model has a high prediction accuracy and performs better in the feature interpretation. This paper provides a new way for probabilistic RLR prediction based on continuous trajectories, which will significantly improve traffic safety of signalized intersections.     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30．7463％,分类回归树的误差平均值为29．5197％,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

基于优化高斯过程回归算法的锂离子电池可用容量估算

为了解决应用数据驱动算法估算锂离子电池可用容量时存在的电池老化特征提取不准确、可用容量衰退趋势跟踪精度低及模型要求训练数据量大等问题,提出一种基于优化高斯过程回归算法的锂离子电池可用容量估算方法,实现锂离子电池强非线性全衰退过程可用容量精确估算。首先,提取电池表面平均温度、容量增量曲线峰值及峰值对应电压作为表征电池老化状态的健康因子,通过灰色关联度分析法和熵权值法对所选健康因子进行合理性评估;然后,用2个单一核函数构造高斯过程回归算法复合核函数,并利用鲸鱼优化算法完成复合核函数的参数寻优,基于优化后的高斯过程回归模型实现锂离子电池可用容量估算;最后,通过对比不同核参数寻优算法,证明鲸鱼优化算法在参数寻优方面的先进性,并通过与传统的高斯过程回归、支持向量机、径向基神经网络等机器学习算法进行可用容量估算对比,证明模型的有效性。研究结果表明:基于复合核函数和鲸鱼优化算法参数寻优可以有效改善高斯过程回归模型性能,所建立的优化高斯过程回归模型能够基于较少训练数据实现电池容量的精确估算,并能够有效追踪锂离子电池非线性长周期衰退趋势;对不同电池数据也具备较好的自适应能力,可用容量估算最大误差低于1.56%。     

换道操作对智能车辆乘客舒适性的影响研究

乘坐舒适性是决定乘客对智能车辆接受度的重要因素之一。为了提升智能车辆的舒适性,服务智能驾驶控制算法的设计和优化,开展了基于乘客主观感知的实车乘坐舒适性试验,试验中驾驶人驾驶传统车辆执行多次换道操作,获取了60名被试乘客对换道操作的舒适性评价数据,并采集了车辆的运动数据。选取换道时横向最大加速度、回正时横向最大加速度、横向最大加加速度、横向加速度转换幅值以及横向加速度转换频率这5个车辆运动参数作为研究对象。采用二元Logistic回归单因素分析法分析了这5个车辆运动参数对乘坐舒适性的影响,采用接收者操作特征(ROC)曲线分析法为不同晕车易感性的乘客分别确立了这5个车辆运动参数的舒适性阈值,并根据岭回归分析法确定了不同参数对乘坐舒适性的影响权重。结果表明：所选取的5个车辆运动参数对乘坐舒适性具有显著影响,易晕乘客的舒适性阈值小于不易晕乘客的舒适性阈值,在换道过程中,换道时横向最大加速度、回正时横向最大加速度和横向加速度转换幅值是影响乘坐舒适性的主要因素。最后根据车辆运动参数和乘客生理特征参数建立了基于动态时间归整(DTW)和K最近邻(KNN)算法的乘坐舒适性预测模型,该模型对乘坐舒适性的预测准确率为84%,可用于智能车辆控制算法的舒适性判断。     

基于巢式Logit模型的航空港集疏运方式选择研究

为研究航空旅客出行方式选择行为,在航空港集疏运系统需求描述的基础上,介绍并运用巢式Logit模型原理,以广州白云国际机场为实例,建立适用于白云机场集疏运系统的方式选择模型(NL模型),分析确定各相关影响因素项的影响机理,运用最大似然估计法对虚拟选择枝的共性和相异部分的参数进行修正和标定,从而获取各种集疏运方式的选择概率.结合调查选取的20份样本数据,运用模型编程计算得出私人小汽车、出租车、机场巴士、城际巴士和城市轨道共5种集疏运方式的方式选择概率分布结果,结果显示私人小汽车和出租车二者占比大于45%,机场巴士和城际巴士占比约40%,城市轨道仅占比15%.因此,为大力发展城市的公共交通,需要对白云机场提出具有参考性集疏运系统改进方案,为今后航空港集疏运系统的发展和航空旅客交通方式选择行为研究提供一定的借鉴.      

社会车辆速度及靠站时间对城市客车排放能耗的影响

为定量探究不同运行区域下社会车辆速度和靠站时间对城市客车排放耗电水平的影响，以燃气和纯电动公交车为研究对象，收集了5条公交线路共75万多条GPS数据和大量的浮动车辆数据，建立不同运行区域下城市公交车运行工况预测模型及排放能耗预测模型，并进行定量影响分析。结果显示:在道路区域下，社会车辆速度相较靠站时间对公交车排放能耗的影响更大，社会车辆平均速度每增加5 km/h，公交车相对速度的增幅可达0.17，相对排放因子和相对耗电因子的降幅可达0.11和0.06。在站点区域下，靠站时间对公交车排放能耗的影响稍高于社会车辆速度的影响，靠站时间每减少15 s，公交车平均速度的增幅可达0.11，相对排放因子和相对耗电因子的降幅均为0.06。研究发现，不同情境下提升社会车辆速度并非总能明显降低公交车排放能耗，因此，在复杂的现实运行环境中应当对交通运行效率与排放能耗进行综合评价和协同控制。      

基于步行到站者出行时间的独立BRT走廊站距优化模型

BRT站距影响乘客到达BRT 站点所花费的平均时间,这种影响对步行到站者的出行显得尤为明显。首先,对BRT走廊辐射区域进行了细致的解析,以到站时间受站距影响较大的步行到站者为研究对象,分析步行到站者的平均到站时间,得到了步行到站平均时间同站距的函数关系。在此基础上,以增加站点数量造成的平均步行到站时间减少同BRT车辆运行时间的增加两者之间的平衡为目标,建立了BRT走廊站距优化模型,给出了模型参数的标定方法。该模型对BRT 影响区进行细化,更加符合实际情况,能为BRT实际设站提供一定的参考。