基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

基于时空相关性的城市交通路网关键路段识别

关键路段通行能力的大小是决定城市道路交通是否畅通的重要因素之一.关键路段的识别为交通规划、居民出行等提供了重要的决策支撑,对缓解交通拥堵具有重要的意义.本文对城市路网关键路段的识别进行了研究.首先建立了适用于交通路网的空间邻接矩阵;其次以时空相关函数表达不同时间延迟下路段与周边相邻路段交通状态之间的影响程度,并将其作为路段重要性的衡量指标,构建了逼近于理想点的路段重要性度量模型,通过排序实现了对关键路段的识别;最后将模型应用于北京市区域路网,结果证明,该方法能够有效地识别路网的关键路段,具有实用性和可行性.     

动态宏观路段行程时间模型研究

在分析和对比了静态交通分配和动态交通分配条件下的路阻函数的不同之处和静态交通分配下路阻函数局限性的基础上，根据交通流理论和集散波分析，提出考虑信号交叉口排队长度的有度动态路段行程时间模型(SQ)，该模型以在动态交通分配条件下的车流密度和交叉口信号参数为变量的动态路段阻抗函数模型，文中实例证明SO模型能适用于大型动态交通网络复杂的动态交通分配(DTA)计算．     

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动 车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同 时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段 行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省 丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响 参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明：道路周边的建成环境 会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中 在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了 将建成环境变量作为路段行程时间影响因素的可靠性。     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

基于谱分析的路段行程时间多步预测方法

路段多步行程时间预测数据是动态交通诱导系统的重要参数,但已有研究成果,大多集中于一步预测,且存在适应性不强、计算量大、基础数据需求多等不足.应用谱分析及Karhunen-Loeve（K-L）变换对历史及当前检测行程时间序列进行分解与重构,重构时以历史序列与当前检测序列的欧式距离作为相似性度量指标,优化重构时的特征向量系数,使与当前检测序列相似度高的历史序列信息在重构中占据主要地位,通过重构,实现对后续若干时段的行程时间的预测,实测数据检验显示该方法可实现多步预测,预测精度良好,较以往方法有所提高,且历史数据需求量小,计算量小.     

弹性需求下路段行程时间波动的收敛性

分析了弹性需求下路段行程时间的波动随道路长度延伸的收敛性.采用 MITSIM仿真路段上车辆的行驶过程,根据仿真数据计算车辆通过该路段的预期行程时 间,路段入口处的交通需求由需求函数及预期行程时间确定.通过记录所有车辆驶入、驶 出该路段的时刻获取车辆的实际行程时间.用行程时间标准差系数来衡量行程时间波动 性.数值算例对不同潜在交通需求的情况进行分析.结果表明,对任意确定的潜在需求,在 弹性需求的作用下,路段行程时间的波动性都将随着路段长度的延长而趋向收敛,随着 潜在交通需求的增加收敛速度减小,弹性系数的增加则促进行程时间波动的收敛.     

路段容量随机下降路网的行程时间可靠性

基于均匀分布的路段容量,分析了退化路网中路段行程时间的随机变动,构建了概率用户均衡交通分配模型,证明了等价数学规划模型解的等价性,设计了模型求解算法.在此基础上,建立了路段、路径及OD对行程时间可靠性计算模型.最后,在一简单网络上进行了计算分析.     

基于行程时间的车辆通行连续性分析

定点检测器采集的路段行程时间样本中通常包含连续通行和非连续通行两部分,针对连续通行样本的识别,传统的固定阈值方法无法提供合理的结论.将行程时间样本时间序列化后,利用其差值的平稳随机性质,采用基于统计学的离群点检测的参数方法分离样本比传统方法更加科学有效.通过实证分析,非连续通行样本的占比是一种能够分离样本的指标.关联性分析的结论表明,该指标在4 分钟车程长度以内的路段中取值平稳,在4 分钟车程长度以上的路段中取值则受到道路等级、路段长度、交通运行状态、区位用地性质等多种因素的综合影响.     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.     

����SVM�ij��п���·�г�ʱ��Ԥ���о�

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求. 本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测. 最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析. 结果表明：与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.     

确定动态交通分配中路段行驶时间方法的研究

在分析和评述现有路段行驶时间函数优缺点的基础上,提出了路段行驶时间由在非拥挤部分的走行时间和排队部分的走行时间2部分构成的思想,最后给出了计算非拥挤部分走行时间的关键因素,即交叉口车辆排队长度的计算方法.     

���ڳ���ʱ��ģ�͵��ճ���ʱ�����

交通需求管理和控制与时间因素密切相关,对出行时耗的研究是出行行为分析的重要内容. 本文提出了用于出行时间分析的持续时间模型,讨论了通勤者日出行时间投入随出行者及其家庭社会经济属性、活动和出行特征变化的连续分布规律. 模型用已投入出行时间约束下出行结束的条件概率更准确地描述了出行的动态过程,从对活动与出行之间派生和竞争关系的分析,部分地反映了通勤者的时间分配行为. 分析表明,出行时间最小化的行为假设对大多数通勤者成立. 本研究为出行时耗的定量研究提供了更准确有效的分析工具,对于准确把握通勤者时间分配行为有重要意义.     

�����ܺ������ʱ���ֵ�ӽǵ��������˱߽����

为了评估汽车共乘方式在中国推进的可行性,从能耗和出行时间价值视角建立汽车共乘边界模型,探索影响共乘方式推进因素,以西安小汽车出行为例,验证汽车共乘边界模型的科学性和准确性.结果显示,共乘方式油耗与增载旅客数呈强反相关关系,与旅客体重呈弱正相关关系,与旅客周转量增加率呈强正相关关系;西安市汽车共乘边界条件要满足增载旅客数大于1.37倍周转量增加率,旅客单位出行时间价值小于92.7元;按照10辆车增载1.37个乘客计,西安市一年可以节省燃油500万升,汽车共乘方式在西安具有很好的推进潜力.