基于多项logit模型的城市公共自行车租借需求预测模型

将城市公共自行车作为一种出行方式,建立了不同交通方式的效用函数,基于多项logit模型,测算得到公共自行车的分担率.以未来年居民出行OD为基础,结合公共自行车分担率,测算得出公共自行车的租借需求,并结合公共自行车和停车桩的周转率最终得到公共自行车以及停车桩的总规模.以西安某新城为案例,采用所提出的方法对公共自行车以及停车桩的总规模进行预测,结果表明方法简单高效,便于应用.     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

基于累积前景理论的出行风险分析

将出行者基于累积前景理论的出行成本——累积感知价值（CPV）看作是由路径出行时间成本和到达目的地后的到达时间感知价值共同组成,对累积前景理论（CPT）进行了介绍,同时引入到达时间感知价值（ATPV）概念建立到达时间与出行感知价值之间的联系,以一个中间节点设置可变信息情报板（VMS）的简单平行网络为例,对累积前景理论在出行决策中的运用进行了分析.结果表明,基于累积前景理论的累积感知价值建模方式较好的刻画了不同出行环境下出行选择风险,VMS的设置有利于降低出行风险.