考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型

为探索驾驶员驾驶行为与电动公交车能耗之间的关系，采用随机森林算法建立电动公交车能耗预测模型。为克服驾驶行为特征参数和样本数据的随机性对电动公交车能耗预测模型的负面影响，运用灰色关联投影法计算各驾驶行为特征参数的灰色关联度以及各样本数据的投影值，筛选出与能耗具有高关联性的驾驶行为特征参数作为模型的输入变量，以及相似度较高的样本数据作为训练集和测试集。同时，引入了与能耗具有显著相关性的驾驶风格变量以进一步提升模型的预测能力，运用K-means聚类方法将驾驶风格分类并得到驾驶风格标签。将驾驶风格标签和筛选后驾驶行为特征参数作为输入变量，单位里程能耗作为输出变量，基于筛选后的数据集建立了考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林（GRP-RF）预测模型。基于广州市某线路电动公交车运营数据对模型进行检验，并运用该模型分析加速、制动和运行3种典型场景下相应驾驶行为特征参数对电动公交车能耗的影响。结果表明:该模型预测能耗的均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.001 8 kW·h/km和3.42%。相比于不考虑驾驶风格的GRP-RF模型和随机森林模型，该模型的RMSE分别降低了35.71%和48.57%，MAPE分别降低了38.82%和46.81%。研究结果表明:加速、制动和运行阶段的平均能耗分别为1.066，0.903 7，0.955 2 kW·h/km；为使各阶段能耗在相应均值以下，加速阶段应控制加速踏板开度在55%以内；制动阶段应控制制动踏板开度在25%以内；运行阶段应控制车速在40 km/h以内。      

基于事故综合强度的公交事故严重程度分析

为更加精确地对公交事故严重程度进行分类以探究其影响因素，本文提出一种基于事故综合强度+K-means的公交事故严重程度分类方法，并基于此分类方法建立公交事故严重程度影响因素分析模型。首先，针对传统事故严重程度分类中的定性分类方法，引入事故综合强度法定量计算公交事故严重程度，并运用K-means聚类算法对事故严重程度进行聚类。其次，选取环境、驾驶员、道路车辆和事故特征这 4 方面的 17 个因素作为自变量，分别将事故综合强度+K-means分类法和传统分类法的结果作为因变量，运用有序Logit模型分析公交车事故严重程度，同时利用平均边际效应量化各显著因素的影响程度，以佛山市2021年156起公交车事故数据为例进行分析。结果表明，基于事故综合强度+K-means分类法的有序Logit模型具有更好的拟合优度。高峰期、换道、超速、加速度过大、注意力分散和进出站会增大发生极严重公交车事故的概率，增大的概率分别为11.57%、29.06%、23.98%、17.13%、30.97%和12.27%；白天和晴天会减小发生极严重公交车事故的概率，减少的概率分别为22.31%和12.34%。     

基于Bootstrap-DEA-Gini模型的公交线路运行效率评价方法

科学评价城市常规公交线路运行效率是优化公交线网、提升服务水平的前提。构建以线路配车数、线路长度、平均站距、非直线系数、发车间隔、运行速度和票价收入比为投入指标，客流服务居民数量比和每公里收益为产出指标的评价指标体系，采用数据包络分析（data envelopment analysis，DEA）模型对公交线路运行效率进行评价。为了修正小样本情况下随机因素带来的偏差，采用Bootstrap抽样法扩大样本数量使之接近总体分布；为了降低效率受指标维数影响的风险性，引入基尼不纯度（Gini impurity）系数赋予各指标子集权重并求出综合效率值，以此联合提升传统DEA模型的区分能力。同时，针对DEA模型难以确定评价指标的影响程度的问题，采用偏最小二乘回归方法量化各评价指标对公交线路运行效率的影响程度。基于构建的Bootstrap-DEA-Gini模型来联合改进DEA模型，并以广东省佛山市457条公交线路为例对其运行效率进行评价。结果表明:平均站距、线路长度和非直线系数对公交线路的运行效率具有显著影响，其中平均站距影响最大，影响程度高达0.98。平均发车间隔偏长、非直线系数偏大和线路配客座总数偏少是造成佛山市部分线路运行效率低的主要原因。提出的Bootstrap-DEA-Gini模型得到的效率值比传统DEA模型低，且能有效区分运行效率相近的公交线路，与实际运营情况更相符。