共查询到18条相似文献,搜索用时 71 毫秒
1.
传统公路建设项目交通量预测方法往往从公路交通系统自身的角度出发,割裂了公路交通与其他运输方式之间的复杂关系,因而影响了预测结果的可靠性。本文从综合运输的角度出发,提出了基于综合运输网络的公路建设项目交通量预测方法,并对预测方法涉及的具体模型进行了讨论。应用该方法可以客观反映公路与其他运输方式之间的作用关系、准确描述交通量的转移规律、充分把握建设项目在综合运输网络中的作用和地位,使预测结果更加合理、有效。 相似文献
2.
3.
4.
5.
基于季节ARIMA模型的公路交通量预测 总被引:1,自引:0,他引:1
为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型:分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。 相似文献
6.
7.
根据县乡公路的实际情况,提出交通量由自然增长的趋势型交通量,大型企业产生的机械增长交通量和道路行车条件改善引起的诱增交通量三部分组成。结合对白小线改造工程可行性研究中的交通量预测,验证该预测方法的合理性。 相似文献
8.
9.
10.
11.
三峡翻坝运输江南公路交通量预测思路探讨 总被引:1,自引:0,他引:1
三峡翻坝运输江南公路是三峡坝区水陆联运的主要公路通道,服务于三峡坝区各种长期、应急或临时性翻坝运输需求,同时也是项目沿线地区内部及对外出行的重要交通线路。因其在区域运输网中的独特地位,其未来服务功能具备典型的多样性特点,交通需求特征迥异于一般公路项目,采用传统的交通量预测方法很难把握其未来交通需求的增长规律和分布特点。在江南公路交通量预测过程中,引入了分类预测法,并创造性地构建了基于出行意向的交通量分担模型、基于土地开发利用的新增交通量预测模型等,在诸多方面都进行了有价值的探索。 相似文献
12.
基于交通环境承载力的公路网交通量预测 总被引:3,自引:0,他引:3
提出将交通环境承载力相关理论应用到公路网交通量预测中,提出基于交通环境承载力的公路网交通量预测模型。从环境系统污染物的输入输出模型出发,构建基于大气污染承载力的公路网交通量预测数学模型,实现基于大气环境的交通量控制目标,为交通规划部门制定可持续的交通发展规模提供科学决策依据。 相似文献
13.
14.
针对总量控制法中路段重要度交通分配法存在的缺陷,将节点的交通发生强度及交通吸引强度应用于路段重要度分配模型,从而更加真实地反映了节点的社会经济、土地使用特性对交通分配的影响,使交通分配的精度提高,进一步完善了总量控制法理论。 相似文献
15.
该文介绍了厦门杏林大桥工程的总体设计思路。提出:综合立体交通的发展,公路成为联系航空、港口、铁路物流中心的枢纽和纽带;交通资源的紧缺也使得公路与其他交通方式的关系越来越紧密。公路设计应该站在综合立体交通的高度,充分了解各种交通发展的要求,处理好各种交通间的相互关系,促进各种交通方式协调发展。 相似文献
16.
17.
针对区域路网交通分流技术中的分流路网优化与选择问题,分析了分流路网与基础路网的关系,确定了分流成本的构成与量化方法,在此基础上提出了以分流成本最小化为上层目标、以用户均衡为下层目标的区域交通分流路网设计的双层优化模型,进而给出了考虑路网拓扑结构完整性和反Braess假定的模型启发式求解方法,并对算法的效率进行了分析.最... 相似文献
18.
实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络(long short-term memory,LSTM)自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明:所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于卡尔曼滤波和LSTM自编码器组合模型的7.4%;模型训练时间为85 s,低于标准LSTM模型的101 s。 相似文献