站点驻留时间估计和预测方法研究

针对公交车站点驻留时间存在较大变异性的特点,为了准确地预测公交车在站点的驻留时间,提高公交信号优先控制的效果,首先尝试采用概率模型来对公交车站点驻留时间进行估计和预测,但通过对多个站点的大量数据相关系数的计算和分析发现,下车乘客数和车上的乘客人数之间并不存在一定的线性关系,不完全满足概率模型的假设条件,以此为基础,采用多重线性回归并排除不显著因素,最后采用加权最小二乘回归模型来产生精确的参数估计。文中利用大量的实际调查数据,采用各种统计分析方法验证提出的站点驻留时间估计和预测模型的正确性。     

基于站点上下客人数的公交客流OD反推方法研究

通过公交出行行为特征调查分析,研究了公交乘客出行站数的概率分布.基于公交乘客下车概率,以公交站点上下客人数和路段客流量为约束条件,提出了单条公交线路客流OD矩阵的推算方法,通过实例分析,验证了该方法的可行性和有效性.     

基于社会力模型的地铁站乘客上下车行为影响因素分析

在上下班高峰期,缩短乘客的上下车时间,更多乘客将会被送达目的地,从而可以提高现有地铁系统的载客能力.现有的国内外研究乘客上下车行为的文献,大多以全部乘客下车为前提进行研究,这与现实生活中只有部分乘客下车的现象不符.因此在社会力模型的基础上加入规定未下车乘客行为的等待模型,在等待模型中,未下车乘客倾向于停留在初始位置.模拟了部分乘客下车行为,并研究了乘客初始位置分布、上下车乘客比例、门的宽度等因素对部分上下车乘客所需上下车时间的影响.结果表明,车门宽度增加23.08%,最多可节约39.7%的上车时间和39.62%的下车时间;随着上下车人数比例不断上升,平均上车时间不断下降,平均下车时间不断上升;通过改变下车乘客初始分布位置,可以将乘客下车时间缩短至原来的72.16%.      

基于站点群体聚集性客流的公交串车调度优化

为提升城市公交准点率、减少延误，解决车辆串车问题，研究基于站点群体聚集性客流的公交调度优化方法。以乘客出行意愿、乘车属性、到站规律等标识公交客流变化特征，以车辆载客限制、站点延误、到达率、下车率等描述串车形成场景。考虑准时性、客流需求、调控策略等约束，采用实时混合控制策略，实现车头时距偏差与乘客总行程时间最小的多目标优化。提出的公交串车调度方法，考虑到乘客到达率的不确定性，并通过调控公交车辆站点驻站时间以及路段平均行驶速度，可满足站点时段性群体聚集公交客流出行需求，防范潜在的公交串车。在模型求解上，考虑到双目标优化视角的差异性，运用超车规则对串车场景下的出站车辆重新排序，设计基于NSGA-II的求解算法，以拥挤距离标定序度关系，以精英策略获取新种群，改进交叉算子，并基于TOPSIS法对获取的Pareto解集择优。最后，以实际公交线路为例进行案例分析，结果表明：基于站点群体聚集性客流的公交串车优化调度模型，系统考虑了乘客乘车属性与车辆载客限制，能够输出最优的车辆滞站与车速调整方案，并且能运算得出车辆离站时间、车头时距偏差、准点率、乘客等待时间以及乘客行程时间等多项运营指标。优化前后对比表...     

"低入口"与"低地板"客车的区别?

编辑你好,什么叫“低入口城市客车”?它与低地板客车有何区别? 低入口(low entry)城市公交客车即前乘客门至中乘客门区域形成一个没有台阶的单一平面,到达此区域的乘客门只有一级踏步的城市公交客车。低地板(low floor)城市公交客车是指车厢     

基于公交IC卡和AVL数据的客流OD推导方法

公交IC卡收费系统和车辆定位系统的广泛应用,为获取公交客流OD提供了新的途径。针对现有公交客流OD推导算法的不足,从上车站点识别和下车站点推导两方面入手,对公交客流OD推导算法进行了改进。为了修正公交IC卡数据时间偏差,提高上车站点识别的准确性,在分析公交乘客上车刷卡行为的基础上,提出了基于AVL数据的公交IC卡数据时间修正方法。根据公交出行链的特性差异,将公交出行链划分为连续链和非连续链两大类,在此基础上,建立了不同公交出行链的下车站点推导模型,优化了下车站点推导流程。以苏州市的公交IC卡和AVL数据为例进行实例研究,通过对推导结果合理性的讨论分析,论证了改进算法的可行性和有效性。实践表明,改进后的公交客流OD推导算法流程清晰,易于程序实现,可以用于公交客流的自动分析。     

公交线路发车频率优化模型

公交运营调度是整个公交企业管理业务的核心。提高我国城市公交的运营调度水平,是改善城市公交服务质量、提高公交吸引力的重要途径。本文分别从公交乘客利益和公交企业利益角度分析了公交线路调度问题,建立了以企业效益满意程度最高、乘客等待抱怨程度最低、乘客拥挤抱怨程度最低为目标的公交车辆发车频率的多目标优化模型,兼顾了乘客和企业经营者双方利益。进一步结合南京市公交调查数据进行了优化计算,证明模型具有较强的实用性。     

基于IC信息和概率理论的公交OD反推方法

针对现有公交OD调查成本高昂、数据可靠性不高、影响因素考虑不全等问题,通过对公交IC卡信息的处理获得公交站点上下乘客人数及对公交乘客出行特征的分析,结合站点吸引率,提出了单条公交线路站点间OD反推结构化算法,并通过实例分析进行了有效性验证。结果表明该方法经济节约,数据可靠,易于实现。     

城市公交GPS数据与IC卡数据时空特性融合算法

针对部分城市公交GPS数据和IC卡数据无直接联系，且2个系统存在不规律时间偏差，很难关联获取乘客上车数据的问题，进行了时空特性快速匹配数据融合分析。根据公交GPS数据和线路站点位置匹配获得公交运行时刻表，利用运行时刻表与时间修正后的IC卡数据进行遍历计算，采用时间相似度曲线寻找二者对应关系，利用时间平均偏差曲线进行关系验证，并获得2个系统之间的时间修正值。对西安市5条线路总计195辆车3d的相关数据进行试算，其中，191辆车具有明显的识别特征; 通过南宁16条线路已知对应关的344辆车进行算法验证，获得了336辆车的确切对应关系，平均时间修正误差为16.5 s。结果表明:该算法匹配率达97.67%，对于广泛存在的公交GPS数据和IC数据属于不同系统，难以判断刷卡上下车站点的情况，提供了快速高效的方法，扩大了原本不完善公交数据的应用范围，为公共交通出行中个体微观出行行为分析奠定了基础。      

基于公交IC卡的公交换乘数据获取方法研究

城市公共交通系统能否正常和高效地运营不仅取决于道路和车辆等设施条件,更有赖于运营管理手段和技术手段的先进性。传统的人工调查方法耗费巨大的人力物力,而调查结果却很难达到理想效果,所得数据不能动态反映城市公交出行的长期变化趋势。文中以公交Ic卡为切人点,通过对乘客2次刷卡间的时间分析以及利用公交GPS时间点的数据进一步分析乘客换乘所用的时间,判断出乘客2次乘车是换乘行为还是2次出行。     

基于IC卡数据挖掘获取公交OD矩阵的方法

以广州市羊城通IC卡以及广州市公交系统信息为例子,探讨了实现基于IC卡信息获取公交客流出行特征的方法。在IC卡数据挖掘和统计基础上,对线路站点OD矩阵、区域OD矩阵进行了推算。相比传统的人工统计法。该方法易于实现,能运用到实际中且运算效率高,适用于海量数据的客流出行特征统计分析。     

公交枢纽内多线路车辆实时调度优化方法研究

公交枢纽内多线路车辆的实时调度能够提高换乘效率,特别对于已经进行了发车优化的公交线路而某些车辆到达出现延误的情况。根据线路的延迟到达时间和换乘客流量等因素建立了公交枢纽内多线路车辆的实时调度优化问题模型,提出了基于整个系统费用最小的优化目标函数,并运用随机扰动梯度近似算法对问题进行求解。最后结合算例分析了本文方法的应用。     

基于Vissim的公交停靠站有效泊位数分析

在公交车辆相同的延误情况下,以多个泊位公交停靠站能服务的公交车辆到达率与单个泊位的公交车辆到达率比值作为确定有效泊位数的方法,通过Vissim建立港湾式公交停靠站的仿真模型,结合相关数据,对不同泊位下公交停靠站的有效泊位进行了分析计算。     

基于成本最优的城乡公交站点布设模型研究

城乡公交站点的优化布设作为城乡公交一体化规划的重要内容,它决定了运营企业的运营成本和公交乘客的出行时间成本。在分析城市公交站点布设模型的基础上,提出了城乡公交经营者的费用成本和公交乘客的时间价值成本的概念,并以两者之和最小化为目标,建立起城乡公交站点的布设模型,并进行了优化。     

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。      

基于模糊-神经网络的公交出行不确定性研究

为了合理规划公交线路,优化公交路网,提高乘客的舒适性,在交通工程学、模糊理论的指导下,通过对影响公交出行的主要因素定性分析,确定了影响出行生成量的模糊因素;结合对某地公交出行实地调研,分析出影响因素与出行量之间的相互关系规律;并采用空间静态模糊预测方法对调研数据进行处理,从而得到公交出行中快捷、舒适、方便、安全的隶属度,最后结合BP人工神经网络预测出该地区的公交出行生成量,为交通设施的建设提供了理论依据.     

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.     

基于LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响，其实际车头时距与发车间隔相比显著缩短，导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题（即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象）。辨识线路的串车状态（串车运行和非串车运行）是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型，并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素，并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子，构建LightGBM模型用以识别线路串车状态，并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证，对比2种参数寻优方法（贝叶斯优化与随机搜索优化）的效率，并将提出的LightGBM模型与XGBoost、随机森林（RF）、决策树模型（DT）和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离（即车辆在近距离范围内在主道路上行驶过的距离）和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态（包括串车运行和非串车运行）的比率为82.89%，识别性能优于对比模型。