信息对出行者出行行为的影响研究

研究了出行者在交通网络发生交通事故条件下的出行行为，出行者根据用户最优原则决定是否改变出行路径，建立一种简单网络上的排队模型，分析了ATIS对出行者在交通事故期间路径选择行为的影响，得出了ATIS有益于缓解交通网络拥挤状况的结论。     

交通信息服务条件下的出行选择分析

首先 ,探讨了出行者的出行心理、行为以及信息之间的相互关系 ,在此基础上 ,简要分析了出行者的出行选择。其次 ,考虑在交通信息服务条件下 ,由于出行者本身以及信息方面的原因 ,出行选择可能出现过激反应、集聚反应等问题。最后 ,针对上述问题 ,提出应该加以重视的或有待进一步研究的几个问题。     

高速公路可变收费货车出行者出行时间选择模型研究

以效用理论为基础,通过意向调查研究了高速公路货车出行者出行选择模型。针对许多高速公路在高峰时段交通量较大,而其他时段交通量较小的现状,在不同时段采用不同的收费标准,分析可变收费实施后不同属性货车出行者出行选择行为,确定影响出行者出行时间选择的模型变量,得到货车出行者在各水平收费标准时的出行时间选择模型。以京沪高速为实例,设计调查问卷,进行意向调查,通过对调查结果进行分析,选择货车所载货物类型、车货重量作为属性变量,建立了该高速公路货车出行者在两种不同方案下的出行时间选择模型并进行了标定。利用模型标定结果可对可变收费方案进行评价,从而优化可变收费方案,提高高速公路的运行效率。     

拥堵收费对弹性出行的小汽车使用者出行方式选择影响研究

所有出行群体中,受拥堵收费政策影响最大的是弹性出行的小汽车使用者。引入相对拥堵费作为政策变量,表征拥堵收费政策对该群体出行方式选择的影响,并基于Nested Logit模型,建立了拥堵收费影响下的出行者出行方式选择模型。利用对南京新街口商圈区域弹性出行的小汽车使用者进行的RP和SP调查所获得的数据,对模型参数进行了估计,结果显示:女性、低收入者、IC卡持有者、短途和高频出行者在面对拥堵收费政策时,更容易放弃小汽车而转向公共交通出行。利用弹性理论,分析了不同拥堵费水平下出行者对出行时间和拥堵收费政策的弹性,结果发现:①出行时间的弹性反映了出行方式的总体服务水平;②出行者在出行方式选择时对拥堵收费变得“显著”敏感的临界值为13.25元/次。      

城市交通出行中的热舒适问题探讨

探讨了城市出行中的热舒适问题,以中国城市为例,分析了都市的热环境现状,总结归纳了热舒适的测度方法,分析了出行者的热舒适适应行为,就出行环境热舒适对出行方式选择行为的影响机理进行了探索和研究；提出了最佳热舒适状态时间当量的概念,用以客观量化出行方式决策过程中出行者对环境热舒适影响的决策过程,通过实验就这一影响的程度进行了...     

动态路阻下的出行时间预测和路径选择模型

通过分析原有路径选择模型的不足之处,在考虑路网中路段路阻的动态性和出行者出行路径选择的随机性的基础上,提出了一种出行期望时间预测和动态路径选择模型,并引用一个具体算例来证明该模型的正确性和适用性;同时分别运用最短路径模型和文中所提出的动态路径选择模型进行求解,得到每条路径被选择的概率和最短期望出行时间,结果证明文中模型能计算出出行者期望时间和可能出行路径,比传统模型更加符合现实状况,更能模拟现实生活中出行者的出行行为和路网路阻随时间变化的状态,对出行者的出行决策更具指导价值。     

引入忠诚度变量的城际出行方式动态选择行为研究

针对中国城市群的快速形成与发展,结合城市群城际出行特点,研究城市群城际出行方式选择行为.基于非集计理论,对效用函数引入刻画动态选择行为的忠诚度变量,抓住了出行者出行方式选择的关联性.利用了平滑指数计算忠诚度变量,既反映了忠诚度的持续性也考虑了突变性.将忠诚度变量作为影响因素引入模型的可观测效用部分,建立出行者城际出行方式选择Mixed Logit模型.在大量调查问卷基础上,通过对引入前后的模型对比分析计算得出,忠诚度变量加入后,模型中其他的出行影响因素效用强度明显削弱,其产生的正效用证明了城际出行选择是一种带有倾向性的行为反应,具有某种出行方式选择的持续性、依赖性和突变性,说明出行者过往的出行体验对选择心理具有显著的影响,也说明构建的模型很好地还原了出行方式选择的动态特性.     

基于OBD数据的驾驶人出行模式挖掘

传统的出行模式研究通常依靠问卷调查分析驾驶人出行特征,所得结果易受调查数据主观性影响,针对此问题基于北京市域范围内2个月共计3570辆私家车的车载诊断数据,对驾驶人的不同出行模式进行分析并建模.通过长期采集的车辆各项参数,采用基于密度峰值的聚类算法进行聚类,将不同的驾驶人分为高频出行者、通勤出行者、长距偶发出行者以及危...     

长株潭城市群城际与城内客运出行特征

为研究城市群区域客运出行规律,对长株潭城市群客运交通出行进行了抽样调查。根据调查结果对城市群区域城内与城际出行者在社会经济特性、出行目的、出行方式选择以及出行时间分布等方面做了对比分析,并对其规律进行了总结,发现城内与城际出行除在方式选择考虑因素方面有共性外,其他方面个性特征明显,另外对城市群内出行特征及其发展趋势作了预估。     

信息对出行时间的影响研究

在一个不确定性交通网络上,考虑不同风险厌恶程度出行者的出行时间受交通信息的影响,采用出行时间及对出行时间不确定性的偏爱程度建立期望效用函数,研究信息环境下与非信息环境下的期望出行时间,得到如下结论:(1)信息的提供将减少所有出行者的期望出行时间;(2)在信息环境下,风险厌恶程度高的出行者期望出行时间的减少比风险厌恶程度低的出行者期望出行时间减少更显著。并用算例对模型结论加以验证。     

迁安市居民出行调查与交通特性分析

为指导中心城区交通规划的展开,迁安市展开中心城区范围内居民出行调查,对迁安市居民交通出行特征进行全面分析.通过居民出行调查数据分析,从性别、年龄、职业、交通工具拥有量、出行率、出行方式、出行分布等方面,梳理迁安市居民样本特征及出行特性,在相应的调查分析基础上,对迁安市交通特性的发展方向进行预测,为交通需求模型的搭建提供参数,为新城交通政策的制定提供依据,也为类似城市的发展提供借鉴.     

居民出行分布预测的改进模型研究

出行分布量与小区间现状出行有关,也与连接两小区间的道路网络及起终点的用地性质有关,传统出行分布预测模型都只考虑了这些因素的某一方面,因而在预测中经常会出现与实际明显不符的预测结果。按照出行个体在选择出行目的地时的行为,将影响出行目的地选择的几个重要因素：现状OD、小区用地性质、出行成本综合考虑,并按照影响方式不同,建立出行分布预测模型。计算实例表明,该模型的预测结果优于传统模型。     

基于居民出行特性分析的大连市客运需求特性研究

在分析大连市居民出行与空间分布特性的基础上,探讨了大连市居民出行及城市空间布局的变化趋势。同时结合对大连市客运交通系统供给特性的研究,分析了大连市客运系统发展面临的课题与挑战。在此基础上,从城市可持续发展的角度,探讨了解决大连市客运交通系统面临问题的总体思路及发展对策。为大连市城市交通规划、交通运输政策的制订以及政策的敏感性分析等提供决策依据。     

杭州市居民出行特征分析及交通发展对策探讨

该文根据杭州市2005年居民出行调查的相关数据,结合杭州市城市交通现状,对杭州市居民出行次数、出行时段、出行方式等一系列的指标进行了分析研究,总结归纳杭州市居民出行特征的规律、变化特征及其原因,并在此基础上对杭州市的交通发展提出相关的建议。     

城市居民出行特征分析和交通改善对策探讨——以番禺中心城区为例

通过对2005年广州市番禺中心城区居民出行调查的有关数据进行研究,分析了中心城区居民出行的基本特征及其原因.分析结果表明,番禺市是一个以私人交通方式为主的城市,公共交通对居民的吸引力不强.文中最后提出了改善番禺区城市交通发展的对策.     

公交乘客出行路径优化模型

分别以“换乘次数”最少和“出行时间”最短为优化目标，提出2个公交乘客出行路径优化模型，得到不同的最优线路，供公交乘客选择适合自身的出行路线，并以1个简单的公交网络对模型进行了验算。     

基于矩阵元素匹配性分析的公交运能均衡性评价方法研究

针对公交运能区域分布不均的问题,提出了一种基于公交线路运能与公交出行强度匹配度的公交线网及运能配置评价方法。该方法在网格化城市区域的基础上,分别将公交线网运能和公交出行强度抽象为覆盖在研究区域上的两个矩阵,其元素值分别代表相对应网格化城市区域的公交运能和公交出行强度。通过设计矩阵元素算法和建立两矩阵元素匹配性分析模型来评价公交运能与公交出行需求之间的匹配程度,据此评价公交线网的布设与运能配置是否均衡合理,并绘制出相应的评价图。在公交资源一定的情况下,该方法为公交运能的均衡分配提供了理论支持与解决方案,其科学性与实用性在广州老城区公交运能评价与优化研究中得到了验证。     

汽车滚翻事故的再现分析方法

汽车滚翻事故的再现分析是一个复杂的过程,需要仔细考察汽车滚翻过程的3个阶段,包括侧滑阶段、侧翻阶段和翻滚阶段.论述了各阶段再现分析常用的模型和方法,介绍了一般计算方法或再现步骤,以及二维和三维再现的目标和技术要点,使用计算机辅助事故再现.再现分析滚翻事故中汽车运动过程及其瞬时速度和空间姿态,能够为事故处理和责任认定提供科学依据,并有助于改进车身机构和车内被动安全装置的设计.     

城市出租车交通分布预测模型

现有交通需求预测方法以居民出行分析为基础,预测得出的出租车交通分布量实质上是载客出租车的交通分布量,因此其预测值比实际值偏小.基于出租车的运行规律,提出了出租车出行概念,将系统中出租车总出行量分解为载客出租车出行量和空驶出租车出行量,并运用Logit概率选择模型,建立了载客出租车出行量与空驶出租车出行量之间的关系,从而得出了总体出租车的交通分布预测方法.该方法既可以模拟城市现状的出租车交通分布状况,也可以对规划年出租车的交通分布进行预测,避免了传统分析方法对空驶出租车交通量的疏漏.     

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.