排序方式： 共有5条查询结果，搜索用时 140 毫秒
1
1.
针对交通需求特征识别和需求预测问题，构建改进的LDA(Latent Dirichlet Allocation)城市区域内出行需求识别与预测组合模型，快速识别城市区域内出行需求特征并对需求做出预测. 构建城市交通小区尺度内的空间和时间维度下的主要出行需求特征分布挖掘辨识方法，以及数据集在不同时间尺度下时间维度出行特征构建及预测方法. 利用北京市三环内网约车出行订单数据，验证模型的有效性和准确性. 结果表明，模型能够对不同时间窗口下的区域出行需求特征进行辨识和预测，取得较好的结果. 相似文献
2.
分析进口道设置左转专用车道但未进行左拓宽的信号交叉口车辆运行特性以及出口道车辆分布特性,并探讨影响出口道最内侧车道分担率的5种相关因素.利用多元回归分析建立出口道最内侧车道分担率模型,并通过实例验证模型的预测精度.结果显示预测值与实测值的平均绝对误差为0. 135,表明预测模型具有一定的精确性. 相似文献
3.
驾驶员反应时间是研究驾驶行为的1项重要参数,影响驾驶员反应时间的因素较多,各个因素之间存在差异性,正确判断各个影响因素的重要程度有助于完善辅助驾驶系统的预警距离模型。通过分析,选取了13个影响因素进行研究,这些影响因素主要通过驾驶员自身状况、道路状况以及环境状况3个方面影响驾驶员反应时间。通过问卷调查,利用AHP对影响因素的3个准则13个指标进行重要度排序。在准则层中,驾驶员自身状况的影响最大,其权重值为0.637;在指标层中,天气状况因素影响最大,其权重值为0.252;驾驶经验影响因素次之,其权重值为0.203。并通过驾驶模拟舱平台对影响因素重要度排序进行验证,结果与AHP法得出的结论相吻合。 相似文献
4.
提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布. 相似文献
5.
提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布. 相似文献
1