基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

经济属性驱动下的高速公路复杂加权网络的演化及仿真

讨论经济因素驱动下高速公路网络拓扑结构、演化过程和特征问题。在BBV模型的基础上,提出了一种以节点强度驱动和以经济流量为权重度量标准的复杂加权网络演化模型,并使用matlab软件进行数值仿真和分析,分别探讨了拓扑网络中经济流量增量和现实网络中城市经济属性对高速公路网络演化的影响。仿真结果表明,高速公路网络是一个典型的复杂加权网络,其点权分布服从幂律分布,并有重尾特征;经济流量增量成为拓扑网络演化的驱动力,而城市经济属性对现实网络发展起决定性作用。研究结果可为我国高速公路的建设和优化,以及促进区域经济一体化建设提供理论依据和参考。     

基于云物元模型的城市道路交通安全评价

结合《公路项目安全性评价指南》,从已发事故与潜在隐患2个维度构建城市道路交通安全等级评价指标体系。物元模型具有能够精确化识别、定量化反映事物质量综合水平的特点;云模型则具有将事物的随机性、模糊性有机结合的属性,可有效研究双重不确定性客观现象的普遍规律。鉴于此,构建两者相结合的云物元综合评价模型,并采用专家打分法确定其权重,用于城市道路交通安全的评价。以山东省17个城市为例,对其道路安全等级进行评价检验,结果表明:云物元模型可以实现定性分析和定量分析的相互转化;山东省约76%的城市处于"良"水平以上,个别城市处于"中"等级、1个城市处于"差"等级,基本符合山东省的实际情况,验证了该模型的有效性。最后,根据测算结果,针对各市区城市的道路安全等级差异给出具体改善其交通安全的措施与建议。     

城市道路交通网络脆弱性的云物元综合评价

基于云理论与物元方法相结合的云物元综合评价模型,构建了包括道路网络基础设施、政府监管以及路网服务水平3个方面的城市道路交通网络脆弱性等级评价指标体系,采取主观赋权(专家打分法)与客观赋权(熵权法)相结合融合的方法确定综合权重,结果更具有效性。通过青岛市的统计数据,对其路网脆弱性进行评价,结果表明:2016年青岛市道路交通网络脆弱性评价等级为IV级,脆弱性等级相对偏高,与现实情况相符,验证了评价模型的合理性和可操作性。     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

城市道路交通网络的双维度脆弱性分析

针对交通运输网络脆弱性问题,拓展以往单一脆弱性指标的构建,将路网脆弱性划分为拓扑脆弱性和运行脆弱性两个维度,分别确立涵盖多种因素的综合性指标。为验证指标的合理性,算例网络中的路段以正常状态、部分失效和完全失效三种情形模拟现实路网中的突发事故及交通管制等行为对路网的影响。算例结果表明:部分失效和完全失效两种情况下,拓扑脆弱性和运行脆弱性会发生变化,从而证明本文提出的脆弱性指标可以系统反映交通路网脆弱性,弥补了仅依据物理拓扑结构属性或运行特征识别路网脆弱性存在的局限性。此外,通过双维度脆弱性指标寻找路网中的关键路段,对提高交通效率和优化路网配置的作用尤其显著。