基于号牌识别数据的车辆出行链分离方法研究

掌握车辆出行起讫点分布情况、精细刻画车辆出行特征可以为交通管理部门制定和优化交通缓堵政策提供参考依据。该研究以成都市为例,基于高清视频综合检测设备自动识别的车辆号牌数据,提出个体车出行链提取及分离方法,深入分析了车辆驻留点及起讫点分布特征,并对车辆号牌识别数据在公安交管工作中的应用进行了展望。     

观测路径出行时间下随机网络交通需求估计

道路网络起讫点(OD)需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件.综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型.上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间...     

基于手机信令数据的交通OD提取方法改进

手机信令数据作为一种大数据,在交通OD调查中应用日益广泛。从手机信令数据中提取交通OD量化指标需要经过出行端点识别和出行端点匹配2个步骤。为了克服现有研究中基站覆盖范围假设与实际出入较大的情况,笔者改进了出行端点匹配方法。首先分析了传统交通小区和基于蜂窝小区聚类交通小区2种交通小区划分方法各自的特点和适用条件;对于使用传统方式划分的交通小区,提出了缩小基站可能覆盖范围的方法,使用用户最大可能活动范围,排除用户不可能达到的区域,结果表明该方法可提高部分出行端点匹配精度。对使用蜂窝小区聚类划分的交通小区,将聚类流程进行了简化,去掉了部分不能显著提高精度的流程,结果表明简化后未明显降低匹配精度。     

手机APP出行调查系统开发及其模型应用研究

出行调查是出行需求预测模型的重要的数据来源,而国内外近几年使用的调查方法费时费力、数据量不大且很多处于理论阶段无法应用到实际中.为了解决当前调查方法中存在的问题,设计了一套基于手机APP的出行调查系统,同时还探讨了将收集到的出行数据运用到交通规划模型中的问题.该系统在注册填写个人信息以及收集轨迹数据的基础上,利用当前定位技术无法准确获知居民室内位置的特点,以达到收集居民出行数据的目的.具体方法是计算一定时间内轨迹数据的定位精度和速度来判断该段时间居民是否停留,然后将识别出的停留点根据距离进行合并,居民出行结束后在合并后的停留点位置填写相应的出行信息.从在上海青浦区的居民调查中可知,此系统使用的停留点识别方法其识别精度达到96%,因此利用该方法能够客观地收集居民出行过程中活动的空间位置和时间信息,对提升出行预测模型的精度具有重要意义.      

基于时空消耗的共享汽车拥堵治理效用研究

通过建立出行时空消耗模型来探究共享汽车对交通拥堵治理的效用。在模型中,首先基于时空消耗理论计算路网容量,然后通过出行时空消耗模型分析共享汽车带来的出行时空消耗的变化,最终获得共享汽车对交通拥堵治理的效用。利用上海市共享电动汽车出行数据对模型进行实例分析,结果表明,共享汽车出行能够减少城市总出行时空消耗,对交通拥堵治理具有积极的效用。     

基于AFC数据的轨道站点分类研究

为探究城市轨道交通各站点乘客出行特征,提出一种基于数据挖掘的站点分类研究方法.使用城市轨道进出站刷卡数据,讨论不同输入变量下的聚类结果,建立一种基于K-means聚类算法的不同类型站点识别方法,并运用于重庆市主城区轨道站点分类研究.结果表明,进出站客流数据能较好反映不同类型轨道站点的时空特性.最后分析了不同类型站点乘客出行特征,针对不同类型站点的识别研究为今后精细化研究轨道站点客流奠定基础,为轨道站点的规划设计提供参考.     

基于Two-step Cluste的出行选择行为研究

为研究广佛城际交通出行者选择公共交通出行的意愿,根据2016年广佛城际交通发展调研数据,基于两步聚类方法,将总出行群体聚为两类,并运用熵权法选取9类指标分别对聚类前后的群体进行满意度评价,结果显示聚类后群体的满意度较低,表明聚类后的群体的出行需求更为集中。基于此,分别对聚类前后群体构建是否选择公共交通出行方式选择BNL (binart-nomial logit)模型,预测管理策略的效果,进一步验证将群体进行聚类的必要性,并为城际出行乘客提供更精准的服务。     

基于GPS数据的出租车通勤识别及时空特征分析

为研究城市居民出行活动中使用出租车完成的通勤行为及其时空分布特征,基于出租车GPS设备所生成车辆活动轨迹数据,利用地理信息数据库处理及GIS技术,对出租车出行起讫点信息进行甄别,在交通小区划分的基础上,构建了出租车载客出行行为OD矩阵,提出了基于出租车出行的通勤客流识别模型,并据此建立了通勤距离和时长的计算模型,用于通勤行为的时空特征分析。最后,以西安市为实证对象,对建立的模型进行实证分析。研究结果表明:各交通小区间出租车出行交通流波动系数在0.2时较为稳定;工作日的早高峰通勤交通流为20 000~27 000车次,晚高峰通勤交通流为15 000~27 000车次,其中,周一和周二相对稳定,周三至周五略有增加;工作日出租车早、晚高峰平均载客车次数基本一致,周二出租车通勤人数最多,周四相对较少;整月内所有工作日早高峰出行中依靠出租车的通勤出行量约占单日高峰交通流均值的27%;出租车通勤出行平均距离为3.7km,通勤距离主要分布在2.5~7km,通勤出行的平均时长为17min,通勤时间主要分布在10~20min;就业地和居住地的识别结果与实际土地利用性质所代表的地块属性基本一致,该方法可对城市居民使用出租车方式的通勤行为以及就业地和居住地进行有效识别,并为城市通勤服务交通系统优化及空间活动的异质性分析提供依据。     

拥挤道路收费与停车收费组合优化模型研究

道路拥挤收费和停车收费是交通需求管理中的两大有效手段,合理地实施收费可以达到缓解交通拥挤的目的.文中针对交通网络中私家车用户可以在任意公交站点处发生换乘这一广泛情形,讨论了弹性需求下的路段拥挤收费和停车收费组合优化策略,并给出基于混沌优化方法的启发式算法求解所建立的双层规划模型.结果表明,所建模型有助于个体出行方式和出行路径的决策,且组合收费在使得公众易于接受实施拥挤收费政策的同时,也可以吸引更多出行者选择换乘公共交通方式,这将有利于减轻交通拥挤程度和环境压力.     

基于多级网络的多模式交通配流研究

为解决多模式复合网络的交通配流问题,将复合网络转化为多级网络形式,并提出多级网络客流分配模型、约束条件,以及其求解算法.将多模式复合网络转化为多级网络结构.以三级网络结构为例,网络第一级为带有组合出行的方式选择网络;网络第二级为基于出行逻辑的平面拓展网络;网络第三级为小汽车出行的道路网络.分析多级网络中的路径阻抗,包括线段阻抗与换乘点阻抗,提出以N-L模型解决多级网络流量的分配问题.根据复合网络构建的实际情况,在模型中加入有效路径筛选、有效换乘筛选与典型组合方式筛选等约束条件,以提高模型求解效率.采用连续平均法对多级网络配流模型进行求解.以三模式叠加的复合网络配流为算例,模型迭代7次即达到收敛条件.结果显示,在算例网络中,轨道换乘出行方式具有一定的竞争力,约占总出行量的40%.通过SP调查验证了该结果的可靠性.该方法在考虑了路径选择、换乘点选择、组合交通方式选择的情况下,将客流分配到多模式复合网络中去,弥补了传统四阶段法在多模式交通配流应用中的不足.      

交通大数据平台效益评价方法

为反映交通大数据平台受益对象的多元化,与传统ITS效益评价基于车辆所有者经济效益不同,给出了基于居民出行方式分担比的经济效益计算方法.该效益包括小客车、出租车、公交车等不同交通工具车辆运输成本、乘客出行时间成本、CO2排放环境等成本节约效益,采用加权平均法得到总效益.在乘客出行时间成本计算中,考虑收入对交通方式选择的影响,给出了不同出行方式不同目的人工时间成本计算方法及参数取值.为反映交通大数据平台信息发布对出行行为选择的影响,采用有无对比法,提出了因交通方式转移而产生的车俩运输成本、CO2排放环境成本效益计算方法.以武汉交通大数据平台建设为例,给出了影响范围与主要参数取用方法,进行了成本效益预测分析实证研究.解决了交通大数据平台效益分析定量化的问题,为交通平台类项目经济效益评价提供了理论方法.      

考虑关键路径序列的干道绿波协调控制方法

传统的干道协调控制通常以协调流向的通行效率最大为优化目标, 然而在实际交通流量波动环境中, 某些非协调流向的流量在局部时段可能与协调流向相当甚至高于协调流向, 从而影响干道运行的总体效率。为了解决该问题, 研究了1种考虑关键路径序列的干道绿波协调控制方法。利用路径流量分担率和行程时间指数计算各车辆行驶路径的重要度, 并采用系统聚类算法识别干道上车辆行驶的关键路径。在此基础上构建了考虑关键路径序列的干道绿波协调控制模型: 考虑了各关键路径信号相位之间的协调关系, 设置了含0-1变量的信号相位矩阵, 并构建模型的基础约束条件; 设置了无效带宽存在性判断变量和最小重要度判断变量, 构建了考虑路径重要度的绿波带宽分配策略, 确保绿波带宽优先分配给重要度大的关键路径; 以关键路径序列加权绿波带宽总和最大为优化目标, 构建了模型的目标函数。利用VISSIM仿真软件搭建仿真环境, 以武汉市中山路4处交叉口组成的干道路段为例进行仿真验证。实验结果表明: 相比于传统的干道绿波协调控制方法和干道多路径绿波协调控制方法, 考虑关键路径序列的干道绿波协调控制方法使得干道平均延误分别减少了12.1%和4.8%, 平均排队长度分别减少了13.6%和7.6%, 平均停车次数分别下降了16.5%和9.7%;各关键路径的车辆平均行程时间与自身重要度大小严格成反比, 避免了绿波带宽的浪费。      

Multimode trip information detection using personal trajectory data

Handheld global positioning system (GPS) devices can serve as a new tool to collect an individual's trip information with advantages of low cost, accurate data, and intensive spatial coverage. Various machine learning algorithms have been explored to detected trip train information in previous studies; however, few of them focused on the evaluation and comparison of the performance and applicability of different models. Meanwhile, according to previous studies, car and bus mode detection is a thorny issue due to their similar travel characteristics, and algorithms still need to be well explored and improved to solve this problem. In this article, an innovative method is proposed to detect trip information, including trip modes, mode-changing time and location, and other attributes, from personal trajectory data. The method is a two-step process. A machine learning algorith-based module (including artificial neural network, support vector machine, random forests, and Bayesian network) is firstly used to identify walk, bicycle, and motorized trip modes (bus or car); we thoroughly compared the performance of these four algorithms. Then a second module, using critical points on the GPS trajectories, is further developed to distinguish car and bus mode, incorporated with GIS map information. Field test results show that the proposed machine learning models can all be applied for walk, bicycle, and motorized mode detection with high detection rates exceeding 90%; however, the algorithms work relatively poorly for bus and car mode detection, with results mostly below 75%. The proposed two-step method can greatly improve bus and car mode detection accuracy by 14–30%. As a result, the average mode detection rates for all the four modes are above 90%. Compared with mode detection results by using only the machine learning algorithm, the proposed two-step method has much better performance in both accuracy and consistency.     

基于大规模定位数据的出行方式模糊判别研究

交通需求信息对于从战略上解决交通拥堵问题是非常重要的。从无线通信网络和GPS系统中可以获得大规模的定位数据。从定位数据中可以挖掘出完整的出行轨迹信息和有价值的出行需求特征信息。文中提出了以各种出行方式的先验知识为依据的出行方式模糊判别方法。该方法以从出行轨迹信息中提取的出行属性数据为输入,采用模糊推理机制实现机动车、自行车、步行等3种出行方式的良好区分。该方法可为交通规划工作提供出行方式划分方面的数据,并具有比传统交通调查方法更低的成本和更短的数据更新周期。     

基于 FCD 的城市路网常发性拥堵路段识别方法研究

常发性拥堵严重影响了城市路网运行效率,准确识别常发性拥堵是交通部门解决交通拥堵问题的重要任务。研究选取浮动车数据作为基础,确定了数据分析的时间粒度,从常发性拥堵的时空特性角度出发,建立拥堵阈值、时段拥堵时长比和常发频度3级判别指标,并运用 GIS 技术,结合指标体系设计了常发性拥堵时空分布的筛选平台。以北京为例,针对早高峰常发性拥堵路段进行识别。通过对识别结果的分析和相关数据对比,成果可反映常发拥堵的特征,以及北京近年来的缓堵工作效果。      

基于关键本征模态函数的道路交通信号控制时段划分方法

交通信号控制是缓解城市交通拥堵的重要手段,时段划分是信号灯控交叉口多时段控制的基础,合理的划分方法有助于提高信号控制效率。对于固定配时的信号灯控交叉口,传统时段划分方法主要借助于路口历史交通流量数据,依据人工经验或者简单聚类算法,直接进行时段划分,未能充分考虑交通流的时序性和随机性问题,不利于交通控制整体效益。综合考虑交通流中随机因素和时序性对时段划分的影响,本文研究了基于经验集合模态分解和有序聚类的时段划分方法。利用集合经验模态分解处理交叉口流量数据,提取了若干个本征模态函数及1个余项。借助皮尔逊相关系数分析原始流量数据、本征模态函数、余项这三者之间的关系,优选与原始流量相关性最高的本征模态函数或余项作为交通流的关键成分,使用关键成分代替流量数据进行有序聚类,完成时段划分。通过寻找不同分割个数下最小损失值突变点,获取最佳分割数,并得到最佳方案。以广东省中山市一个路口为案例对本文提出的时段划分方法进行算例分析,VISSIM仿真结果表明：(1)相比于现状,提出的方法在工作日和非工作日分别能提高路口通过车辆数11.32%和2.62%,缩短排队长度18.67%和12.02%;(2)非工作日车...     

道路交通无序拥挤控制模型的研究

为了解决道路交通无序拥挤控制问题,定义交通序参数、路段交通的有序和无序,建立涨落后无序拥挤控制过程数学规划模型,采用动态分流决策方法求解模型得出无序拥挤控制的最佳方案,并给出相应的算法,最后用一个例子说明算法的实用性。     

基于轨迹数据的道路客运班车停留站点位置提取方法

识别并提取道路客运班车停留站点的位置, 可为道路客运的客运站站址优化、定制出行乘降站点设置、出行信息服务等提供依据和支持, 然而当前获取班车停留站点位置的方法存在成本高、周期长的问题。通过分析道路客运班车停留轨迹数据的典型特征, 以班车轨迹数据为数据源, 基于DBSCAN算法检测位于停留站点的点簇进而提取停留站点位置。同时, 针对DBSCAN算法具有高时间复杂度的问题, 通过建立格网索引对算法进行了改进。基于京津冀区域的136条道路客运班线的班车轨迹数据进行了实证分析, 结果表明: 改进DBSCAN算法提高了算法执行效率, 平均执行时间减少了59.72%, 且所生成的班车停留站点数量与传统算法基本一致; 在提取得到的282个班车停留站点中, 256个为真实的班车停留站点, 班车停留站点提取的正确率为90.78%。