共查询到20条相似文献,搜索用时 15 毫秒
1.
城市停车需求预测是城市停车场规划的一项重要内容。针对国内传统的停车需求预测模型的不足,提出了一种简便、实用的停车需求预测非集聚模型,该模型可以为我国城市停车需求预测提供借鉴。 相似文献
2.
城市中心商业区停车时长选择模型 总被引:3,自引:0,他引:3
城市中心商业区停车供给不足是许多城市面临的共同问题。利用停车政策,调节停车者的停车时间选择行为,提高停车位周转率是增加停车供给的一项重要方法。本文以停车时间长度选择行为为对象,利用在北京市商业区———西单地区的停车行为调查数据和Logistic模型,建立了停车时间长度的选择模型。利用这些模型,分析了各种政策因素对停车时间长度选择的影响。文中提出的模型将有助于旨在提高停车位周转率的停车政策的制定。 相似文献
3.
城市停车场规划调查方法探讨 总被引:1,自引:0,他引:1
为城市停车场规划进行的停车场调查是一项庞大复杂的系统性工作。该文分别从现状停车泊位数、现状停车场内的停车特征和与停车有关的社会经济指标三个方面探讨停车场的调查方法。 相似文献
4.
5.
6.
起步停车,这是驾车上路的一个必经过程,不过并非每个人都是停车高手,有时候停车不当不仅损人不利己,严重的还会惹来罚单之祸。以前我们讲过关于如何停车的技术性话题,这次我们继续延伸,挖掘出一些特殊情况使大家警醒。起步停车,你可得小心了! 相似文献
7.
起步停车,这是驾车上路的一个必经过程,不过并非每个人都是停车高手,有时候停车不当不仅损人不利己,严重的还会惹来罚单之祸。以前我们讲过关于如何停车的技术性话题,这次我们继续延伸,挖掘出一些特殊情况使大家警醒。起步停车,你可得小心了! 相似文献
8.
9.
10.
11.
路内停车收费价格的调整将对路内停车位使用者的出行行为带来一定的影响.针对南宁市路内停车费调整政策的实施,通过对路内停车使用者的问卷调查,主要研究了停车价格对停车者的出行选择的影响.分析了调查对象的多种停车特征,包括停车费用调整后的停车时长预期、停车费用预期、步行到达目的地时间预期等方面,并基于调查数据引入前景理论研究了以停车时长和停车费用为基准的价值函数,建立了价值函数曲线并进行相应参数的估计.并该价值函数整合进多项Logit模型,以对公交出行的影响为例研究了路内停车收费价格调整对路内停车使用者出行行为的影响.结果显示,路内停车收费价格的调整对路内停车位使用者的公交出行行为有明显的影响.研究表明,前景理论可以较好地反映停车价格变化对路内停车使用者的行为影响. 相似文献
12.
13.
同学们好,上课时间到了。在上一节课我们介绍了路边停车的一些技巧,不知道同学们是否已经掌握,这节课我们讲讲停车场停车,重点是地库停车。 相似文献
14.
15.
16.
城市停车问题对策研究 总被引:6,自引:0,他引:6
针对我国各大城市“停车难、乱停车”的现状,本文详细阐述了城市停车现状及产生停车问题的原因,总结了其他国家的停车经验,在此基础上,对停车设施的规划、建设、管理、投资等方面提出具体解决对策。 相似文献
17.
18.
德国PRS2100停车管理系统 总被引:1,自引:0,他引:1
文中介绍德国博施集团所属胡贝尔信号设备公司交通工程部新近研究开发的PRS2100型停车管理系统。该系统是整个交通管理系统的一个重要组成部分。它可为驾车者提供停车空位及继续旅行的有关信号,使其迅速找到当时当地最合适的停车位置,帮助作出停车或继续旅行或更换交通方式的正确决策,减少驾车者因寻找停车车位而耗费的时间、其他消耗及寻找停车车位而形成的不必要交通流,从而改善交通系统的效能。 相似文献
19.
20.
“互联网+”模式下区域停车“用户-资源”优化匹配是解决找车位难问题的有效途径,传统研究主要关注动态匹配机制设计,缺乏对用户匹配时机的考虑。在随机动态环境下,用户到达目的地附近后进行适当的延时等待,往往可以获得更优质的泊位资源,但取决于当前的停车供需模式。据此首次提出智能延时匹配策略,将每个停车用户抽象为智能体,构建多智能体深度Q学习模型(M-DQN)。结合系统的停车供需状态学习,用户自主决策延时等待时间,进入分配池后,系统利用匈牙利算法进行泊位匹配。在智能体总数量可变的环境下,利用集中式训练与分布式执行的框架,实现多智能体协同优化。为对比智能延时策略的效果,设计等待零时长策略(Greedy)和等待最大时长策略(Max Delay)。在算例中,结合同济大学四平路校区实测停车数据,设计3种不同的停车供需模式场景。在工作日早高峰时段,Greedy是最优的匹配策略,M-DQN和Max Delay的平均停车过程总用时会增加,匹配成功率下降;在工作日非高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少23.8%和22.4%,效果提升明显;在工作日晚高峰时段,M-DQN的平均停车过程总用时相较于Greedy和Max Delay分别减少了12.8%和14.5%,M-DQN可以结合供需状态学习到最优的匹配策略。研究结果表明:在停车供需相对平衡的环境下,所提出的延时匹配策略和多智能体深度强化学习方法可以有效减少用户停车的平均行驶时间和步行距离,且停车周转率越高效果越好;但延时策略在应用方面仍有一定的局限性,不适用于停车供给紧张,停车周转率较低的场景。 相似文献