共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
5.
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。 相似文献
6.
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。 相似文献
7.
《道路交通与安全》2017,(3)
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%. 相似文献
8.
9.
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%. 相似文献