城市综合客运枢纽交通需求预测关键问题

交通需求预测是城市综合客运枢纽规划和设计的重要基础,是综合客运枢纽研究的关键问题之一.选择交通需求预测中的预测年限和枢纽客流总量预测作为研究对象.首先,通过分析既有的民航、铁路、公路以及轨道交通的相关规范规定,结合综合客运交通枢纽的特点,提出了其合理的预测年限;其次,针对目前枢纽客流总量定义不明晰、使用不统一的问题,分析了既有规范关于枢纽客流总量的规定;最后,明确了综合客运枢纽客流总量定义、预测内容,并对枢纽客流预测在枢纽设计阶段的适用性进行了分析.     

城市道路网容量估计的双层规划模型

为了描述了城市道路网络对交通量的承载能力,以实现路网运行状态与服务水平的判断,对城市道路网容量估计的方法进行了研究。考虑城市道路网容量的影响因素,提出了基于路段通行能力的城市道路网容量定义,建立了双层规划模型,并提出迭代优化算法(IOA)实现模型求解。上层模型以路网容量最大为目标,下层是随机路径选择模型。以局域网为算例,验证了模型的有效性和可靠性,并将模型推广至任意区域网络计算。     

苏州太湖园博会外围交通管控与交通组织方案

苏州太湖园博会是城市品牌推广的重要机遇,同时其产生的高客流对城市道路交通也提出了较大挑战。根据园博园交通需求及周边路网情况,提出了园博园总体交通组织方案,对集约化交通工具的出行流线及行人交通组织进行深入分析与规划。同时,以预测的平峰、一般高峰、极端高峰时路网交通量为依据,提出分时段的交通管控方案,保障参展期间道路交通顺畅。     

虹桥枢纽交通量预测分析及评价

对虹桥枢纽的交通量预测进行分析评价.通过问卷调查、咨询,以及网络等途径获取数据,采用数理统计方法进行数据处理,并与设计阶段预测结果进行对比分析,最终获取虹桥枢纽交通量变化趋势、交通换乘及客流空间分布的特点.其成果可为虹桥枢纽管理部门及其他城市综合枢纽的新建和改扩建规划设计提供参考.     

猎德大道系统对广州中心城区交通流量的影响分析

随着我国城市化、机动化、市场化的高速发展,城市道路资源短缺,机动车保有量激增,大城市人口密度加大,城市化带来的城市用地规模迅速扩大,使得城市交通面临严峻的挑战。从整体上来研究城市道路网络的结构,从道路网络结构来分析城市道路的交通功能,是对城市路网进行改善的一种有效方法。首先,对广州市骨架道路的构成和特性作简要的介绍;在此基础上,以广州市猎德大道系统为实例,对项目影响区广州核心城区路网结构的特征进行了分析,依据各种预测模型对项目建成后对路网的交通流量进行了预测;最后,根据研究结果对猎德大道系统建成后对广州市中心城区的交通影响程度进行分析,并提出了政策性建议。     

大型主题公园客流规模预测方法研究——以西安童世界项目为例

为了研究大型主题公园客流规模预测方法，以西安童世界乐园客流规模预测为例，提出大型主题公园客流规模预测基本分析方法。从区域旅游市场总体规模预测着手，基于人口、经济、交通三大因素分析客源空间分布特征，引入与产品特性密切相关的市场渗透率指标，预测了主题公园年客流总规模。     

城市轨道交通节假日客流预测研究

城市轨道交通短期客流预测是列车运力配置和网络化运营决策的基础,预测结果的准确性、精细度及科学合理性决定了运营过程的安全性、运营组织的高效性和资源配置的均衡性.节假日(包括节前一日)客流与平日有明显差异,不同节假日、不同车站的客流规律各异,预测过程同时面临路网结构改变、历史可用样本少等问题,本文综合考虑大型活动、恶劣天气、车站周边土地利用性质等影响因素,采用模糊C均值聚类法和一元线性回归模型,构建了适用于路网结构发生改变的车站进、出站量预测模型,并结合北京市轨道交通历史客流数据,对2015年清明节前一日车站进、出站量进行了预测,与神经网络模型、多元回归模型预测结果对比表明,本模型预测结果更好,全路网客运量误差率为0.27%,车站平均预测误差率为3.92%.     

基于多源大数据的北京铁路枢纽客流特征研究

为提升我国铁路综合客运枢纽规划设计中的定量化分析水平、切实掌握枢纽内各类客流特征科学确定枢纽内各种交通设施规模并实现高效一体化布局组织,本文借助多源大数据分析手段,实现对北京站、北京西站、北京南站等3大铁路枢纽各类客流需求的定量化分析,并从枢纽客流构成、换乘客流构成、换乘时耗等多维度逐一挖掘,总结出我国现阶段枢纽运行的规律性特征与趋势,并针对性提出了相关改善措施和建议,以期对今后高铁枢纽的规划、建设、运营提供参考和借鉴.     

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%.      

基于马尔科夫模型的交通枢纽客流分担率预测研究

为提升综合交通枢纽运营效率,加强对大客流状况及客流结构波动的预警,对枢纽内部不同交通方式分担率进行科学预测,运用马尔科夫模型,通过调研获取综合交通枢纽客流集散方式结构在不同状态下的转移矩阵,对私家车、出租车、公共汽车及轨道交通这4种交通方式的客流分担率变化情况进行分析,建立枢纽客流分担率预测模型。以虹桥枢纽为例进行实例验证,为综合交通枢纽调度管理策略的建立提供基础。