基于多源数据的网络约租车与出租车运营特征分析

提出了以出租车计价器数据、出租车GPS数据与网络约租车订单数据为基础的运营强度、时空分布等运营特征指标分析模型,构建了基于分区均衡系数的出租车需求空间分布评价指标.结果表明:网络约租车的日均载客次数、载客里程以及载客时间明显低于出租车,运营强度仅为传统出租车的40%,两者次均载客里程、载客时间无明显差异;网络约租车订单主要集中在早晚高峰以及夜间时段,约占总订单量的50%以上,其服务热点载客区域与出租车服务对应的热点区域大部分吻合,对城市外围区域出租车供给紧张区域补充作用显著,高峰时段均衡系数最高可提升9%.本文可对出租车行业的科学管理和服务提升提供有效支撑.     

基于GPS数据的出租车通勤识别及时空特征分析

为研究城市居民出行活动中使用出租车完成的通勤行为及其时空分布特征,基于出租车GPS设备所生成车辆活动轨迹数据,利用地理信息数据库处理及GIS技术,对出租车出行起讫点信息进行甄别,在交通小区划分的基础上,构建了出租车载客出行行为OD矩阵,提出了基于出租车出行的通勤客流识别模型,并据此建立了通勤距离和时长的计算模型,用于通勤行为的时空特征分析。最后,以西安市为实证对象,对建立的模型进行实证分析。研究结果表明:各交通小区间出租车出行交通流波动系数在0.2时较为稳定;工作日的早高峰通勤交通流为20 000~27 000车次,晚高峰通勤交通流为15 000~27 000车次,其中,周一和周二相对稳定,周三至周五略有增加;工作日出租车早、晚高峰平均载客车次数基本一致,周二出租车通勤人数最多,周四相对较少;整月内所有工作日早高峰出行中依靠出租车的通勤出行量约占单日高峰交通流均值的27%;出租车通勤出行平均距离为3.7km,通勤距离主要分布在2.5~7km,通勤出行的平均时长为17min,通勤时间主要分布在10~20min;就业地和居住地的识别结果与实际土地利用性质所代表的地块属性基本一致,该方法可对城市居民使用出租车方式的通勤行为以及就业地和居住地进行有效识别,并为城市通勤服务交通系统优化及空间活动的异质性分析提供依据。     

多场景模式下网约车与巡游车运营特征差异及调度策略研究

基于厦门市出租车的GPS数据、订单数据以及路网、行政区和蜂窝网格空间矢量数据等,提出了多源数据预处理规则,构建了出租车运营特征指标体系,探究了常态化和疫情条件下出租车的运营特征和需求时空分布情况.研究表明:厦门市80%网约车与巡游车的订单运距分布在10 km以内,而在长距离出行时居民更倾向于选择网约车;出租车需求热点区域主要集中在重要交通枢纽、居住区、商业区、景区和高校等地;网约车的日均载客次数、平均运距和运行时长均高于巡游车,空驶率低于巡游车;城市中心区域网约车和巡游车订单量相对均衡,由内向外均衡性逐渐变差,以网约车为主;网约车订单量在工作日呈双峰特征,在非工作日和节假日期间呈单峰模式,而巡游车订单量在08:00达到较高水平后保持相对稳定状态;2020年后疫情时期巡游车的空驶率显著增加,而网约车的空驶率保持相对较低且稳定的状态.研究有助于精准提升多场景模式下城市出租车行业供需动态平衡、运营服务水平和乘客出行满意度.     

基于泊松分布的出租车合乘概率及等待时间建模

为了反映城市出租车合乘的成功率,准确描述合乘的效果,利用出租车合乘概率和等待时间对合乘问题进行分析。依据泊松分布原理,讨论出租车合乘中出租车载客车辆的泊松分布,建立基于泊松分布的出租车合乘概率模型,并通过概率模型结合n重伯努利试验原理,构建出租车合乘等待时间模型,探讨出租车数量、空载率、平均行驶速率和行驶目的地分布对合乘概率和合乘等待时间的影响。以南京市雨花南路路段出租车行驶的GPS数据为研究对象,对模型进行验证。研究结果表明:出租车载客车辆数据通过显著水平为0.05的K-S检验,其分布服从泊松分布;出行的高峰时段,路段内出租车数量增大,空载率降低,对于行驶目的地分布相对集中的区域,出租车合乘的概率为60%~80%,合乘的等待时间为5~15min;出行的低峰时段,路段内出租车的数量减少,空载率增加,对于行驶目的地分布相对集中的区域,出租车合乘的概率为20%~60%,合乘等待时间在15min以上;在该路段内的出租车平均行驶速度相对稳定,对出租车合乘概率和等待时间影响较小;出租车合乘适宜在日常出行的高峰时段采用,可通过1次载客多次合乘的方式提高合乘效率;该模型具有一定的有效性和实用性,能够为交通管理部门和合乘者选择合乘提供参考。     

网约车服务对城市传统出租车使用的冲击效应

网约车服务的迅速发展对包括传统出租车在内的城市出行方式产生了重大冲击。针对传统出租车使用的冲击问题，收集中国33个地级及以上行政级别城市2010—2016年的平衡面板数据，采用双重差分法（DID）进行量化，并进行动态效应分析、稳健性检验、城市规模等级异质性和城市区位异质性分析。研究结果表明，网约车服务对传统出租车的使用产生显著的负向冲击，使传统出租车使用平均减少了25.46%；随着时间的推移，网约车服务对传统出租车使用的负向冲击呈现先加强后变弱的规律；城市规模异质性分析发现网约车服务致使超大城市中传统出租车使用减少了28.68%，致使大城市中传统出租车使用减少了22.12%；城市区位异质性分析发现网约车服务使东部城市传统出租车使用减少了27.96%，使西部城市传统出租车使用减少了21.2%。      

校车周末高峰时段交通量预测与特殊日期调整

准确的校区间高峰时段交通量预测,不仅可以帮助校车运营部门在高峰时段确定合理的发车间隔提高运营效率节约运营成本;还可以减少师生的候车时间,改善校车服务水平减少拥挤保证运行安全都有重要意义。采用BP神经网络模型对校区间周末高峰时段交通量进行了预测,选择了温度和下雨量2个因素作为输入变量,在训练数据的选取上采用了移动窗口的方法。另外模型提供了对特殊日期运量预测的调整。通过对实测数据进行验证,结果表明该模型简单、快捷和实用。     

网约车和传统出租车的博弈分析

传统出租车一直是城市交通的重要组成部分,满足了相当一部分市民出行需求,但是随着移动互联网的普及,网约车横空出世,近年来,滴滴打车等网约车平台层出不穷,成为了人们出行的一种新型交通方式,为人们的出行提供了极大的便利。文章应用博弈论中的合作博弈和非合作博弈模型,分别对网约车和出租车进行博弈分析。研究结果表明,网约车和出租车双方进行合作博弈所获得的利润大于非合作博弈时的利润,从而得出结论双方应该进行合作,从而达到共赢。最后根据研究结果,提出还需要一系列更完整的规章制度去减少网约车存在的一些风险,以合作思维,创立出租车生态圈。     

基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点。为提高轨道交通短时客流预测结果的准确度，研究了基于改进的灰狼优化算法（IGWO）与BP神经网络的短时客流预测算法（IGWO-BP）。计算轨道交通客流不同时间序列的相关系数，确定了BP神经网络的输入和输出方式；用余弦思想和动态权重策略对原始灰狼优化算法改进，提高算法的全局搜索能力和寻优效率；用IGWO算法优化BP神经网络的初始权值和阈值，提高短时客流预测结果的准确性。预测了西安轨道交通2号线龙首原站周三早高峰15 min时间粒度的短时客流量，并将IGWO-BP算法的预测结果与其他5种模型（KF，GM，SVM，BPNN，GWO-BP）比较。结果表明，IGWO-BP算法的均方根误差为89.65，平均绝对百分比误差为1.16%，预测结果的精度和稳定性均为最优。      

基于深度学习的网约车需求预测研究

网约车需求预测是一个典型的时间序列预测任务,准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径,从而降低网约车的空驶率,具有重要的研究意义。文章利用长短时记忆模型（LSTM）及门控循环单元（GRU）进行网约车需求预测,对比了同一地区休息日和工作日,一周和一个月内的网约车需求及其变化,构建基于LSTM和GRU的需求预测模型,使用历史数据对未来需求进行预测,使用Geohash代码对西安市进行区域划分,对数据和划分的网格进行匹配得到汇总数据,采用线性模型进行对照试验,结果表明,LSTM和GRU在网约车需求预测中的表现优于线性模型,二者相比LSTM预测精度更高。     

城市出租车交通分布预测模型

现有交通需求预测方法以居民出行分析为基础,预测得出的出租车交通分布量实质上是载客出租车的交通分布量,因此其预测值比实际值偏小.基于出租车的运行规律,提出了出租车出行概念,将系统中出租车总出行量分解为载客出租车出行量和空驶出租车出行量,并运用Logit概率选择模型,建立了载客出租车出行量与空驶出租车出行量之间的关系,从而得出了总体出租车的交通分布预测方法.该方法既可以模拟城市现状的出租车交通分布状况,也可以对规划年出租车的交通分布进行预测,避免了传统分析方法对空驶出租车交通量的疏漏.     

基于DAG-SVM的居民出行方式选择模型

提高居民出行方式的预测精度对于评价交通规划方案、交通策略的效果具有重要意义.应用心理学、行为科学的方法分析了出行决策的思维过程,将出行决策过程结构化,建立出行情景库,并采用主成份法分析了影响方式选择的主要因素,作为支持向量机模型的输入.利用统计学习理论分析了支持向量机与神经网络在建模原理上的区别,建立了基于有向无环图-支持向量机(DAG-SVM)的方式选择模型,阐述了模型的具体步骤.通过实验对不同核函数的预测效果进行了评价,并采用网格法和遗传算法进行参数寻优.结果表明,核函数选择径向基函数效果较理想,参数寻优方法上遗传算法比网格法效果更好.通过优化后,DAG-SVM模型的整体预测精度达到了82.3%,比神经网络提高了近9%.但对出租车出行的预测准确率略低于其他方式,这主要由于出租车常被作为特殊情况下的备选方式,其出行规律性相对较差.      

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

Modeling travel time of car with varying demand on an urban midblock section

The present study analyzes the stochastic nature of travel time distribution under the uncertainty of traffic volume and the proportion of cars in the traffic stream. Stochastic response surface method (SRSM) is adopted for modeling the travel time variation under the influence of traffic composition and traffic volume. This model is applied to an uninterrupted urban arterial corridor of 1.7 km length in New Delhi. Video graphic data were collected for 2 days during morning hours between 8 AM and 12 noon and evening hours of 3–7 PM. License plate matching technique was used for measuring the travel time in the study area. This study focused on travel time variation of cars with varying traffic volume and proportion of car in the traffic stream. Linear regression analysis was carried out initially to know the functional relation and significance relation between the input and output variables, and then SRSM analysis was performed. Artificial neural network (ANN) is also considered to map the relation among travel time, traffic volume and composition of traffic stream. A comparative evaluation is made among ANN, SRSM and regression analysis. Results indicate that apart from traffic volume, the influence of car population is more on travel time variation than motorized two-wheelers. It is attributed to the smaller size and comparability better operating condition of motorized two-wheelers. Also, the ANN and SRSM models are more efficient for analyzing the stochastic relation between the response and uncertain explanatory variable than the regression model.     

水上交通流冲突严重度BP神经网络评价方法

目前的水上交通流评价方法在评价指标关系模糊、来源不清等情况下难以运用,且主观性较强,存在评价结果严重偏离实际的情况,忽视了客观性不足的问题.为降低专家主观性对水上交通流冲突严重度评价的影响,基于BP神经网络建立评价模型,并通过网络训练进行函数比较,确定最符合模型设定要求的Trainlm函数,以及精度与迭代次数.由于数据的差异性会对BP神经网络的训练效率和评价精度造成影响,基于聚类分析与BP神经网络建立新的评价模型,将训练数据按照欧几里得度量进行归类开展神经网络训练,分别对水上交通流冲突严重度进行评价.运用9个水道数据为例对模型进行验证,通过比较聚类分析数据与未处理的原始数据在BP神经网络中的评价结果,发现评价结果平均误差从42.05%降低到23.74%,进一步验证了BP神经网络在该领域的可行性.评价模型利用聚类分析与BP神经网络相结合的方法,不仅客观性较强,而且与单一使用BP神经网络的模型相比提升了评价精度.      

基于径向基函数神经网络的城市道路路段行程时间实时预测模型

提出利用径向基函数（RBF）神经网络方法对城市道路路段行程时间进行建模NN,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性。并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高。     

基于BP神经网络的居民出行方式选择模型

以城市居民出行方式选择行为作为研究对象,分析了影响出行方式选择行为的主要因素,利用BP神经网络可以自动获取研究对象的输入、输出间关系和较强的学习训练特性,建立了基于BP神经网络的居民出行方式选择模型,并通过2009年济南市居民出行调查数据对模型进行了实例分析。结果表明：BP神经网络模型能够较好地描述居民出行交通方式选择行为。     

上海典型停车换乘选择行为研究

针对上海6处停车换乘(P+R )点位使用率有高有低的情况,展开P+R用户选择行为调查。初步调查发现出行时间是最重要的影响因素,其次是出行费用。为研究结论普适性,采用网络观测辅以实际行程时间调查的方法,对高峰时段6个换乘点位的典型通勤路径的自驾、P+ R方式的出行成本进行了调查。分析发现,上海P+R设施应分为城区内和城郊设施2种类型;P+ R用户并非全部由自驾出行人员转换而来,也转自于公交+地铁或出租+地铁等其他出行方式人员;其中,自驾出行人员对时间节省最关注,道路通畅时其时间价值要低于交通拥堵时;公共交通出行人员由于出行时间节省而选择P+R;出租+地铁及普通停车换乘用户更关注出行费用;P+R有助于促进多模式交通出行,公交配套不完善地区P+R需求更大。      

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。