共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
轨道交通建设规划编制需开展客流预测工作,客流预测结果将作为轨道项目建设的必要性和运输方式、建设方案和运营组织模式选择的参考依据,同时通过对不同预选建设方案的客流测试结果作出财务和国民经济评价,配合城市规模和经济发展水平确定与之相适宜的建设方案和实施计划,并进一步对推荐方案进行详细客流测试,为线路的系统制式、车辆编组和运行组织等提供初步参考。 相似文献
5.
为合理分析城市常规公共交通适应性,在挖掘适应性含义的基础上,分析城市常规公共交通适应性的内涵和具体表现,提出城市常规公共交通适应性具体表现在公交线网结构及规模、公交旅客运输能力、公交服务水平以及与社会经济发展相适应四方面,基于此构建了城市常规公共交通适应性评价指标体系,采用层次分析法确定了各个指标的权重.通过引入TOPSIS模型,建立了基于TOP-SIS模型的城市常规公共交通适应性评价方法.以西安、咸阳和宝鸡3个城市公共交通发展为例,采用所提模型对3个城市常规公共交通适应性进行分析.结果表明,西安市公共交通适应度值为0.62,为基本适应. 相似文献
6.
7.
8.
城市轨道交通车站分向客流预测数据是各出入口通道设计的重要依据,目前适合我国城市轨道交通车站分向客流预测研究工作开展并不多.文中以车站所属的线路客流预测数据为基础,根据车站周边土地利用现状及规划情况,采用“逐层分解”法预测各个出入口通过客流量,并研究了全日小时及高峰小时内部的波动系数,通过广州市轨道交通13号线鱼珠站分向客流预测研究证明,预测方法是合理且可行的. 相似文献
9.
基于灰色马尔可夫模型的近期公交客流量预测 总被引:2,自引:0,他引:2
为了科学准确地预测近期公交客流量,提出了应用灰色马尔可夫模型进行预测的方法。利用历史数据建立灰色GM(1,1)模型,通过确定系数可获得公交客流量的时间响应序列及还原值的表达式,从而可获得未来年公交客流量的发展序列值,结合马尔可夫链过程将随机序列状态划分为3类,通过确定状态转移矩阵可获得序列处于各状态的概率值及与各状态对应的预测中值,最终求得各序列的修正值。通过铜陵市公交客流的历史数据,预测了近3年的公交客流。实例证明该预测模型具有较高的精度,能够指导公交经营管理者近期的决策行为。 相似文献
10.
11.
借助GIS平台,对公交线网进行编码,并利用ArcGis的缓冲和叠加分析工具,建立公交站点和地铁站点的空间对应关系。根据调查得到的公交线路站间OD矩阵,利用地铁意向调查标定的参数结果,得到公交客流转移到地铁的比例。基于GIS平台构建的地铁客流预测模型,可以有效地提高建模速度,并能对公交线路调整进行快速反应。 相似文献
12.
为提升城市公交准点率、减少延误,解决车辆串车问题,研究基于站点群体聚集性客流的公交调度优化方法。以乘客出行意愿、乘车属性、到站规律等标识公交客流变化特征,以车辆载客限制、站点延误、到达率、下车率等描述串车形成场景。考虑准时性、客流需求、调控策略等约束,采用实时混合控制策略,实现车头时距偏差与乘客总行程时间最小的多目标优化。提出的公交串车调度方法,考虑到乘客到达率的不确定性,并通过调控公交车辆站点驻站时间以及路段平均行驶速度,可满足站点时段性群体聚集公交客流出行需求,防范潜在的公交串车。在模型求解上,考虑到双目标优化视角的差异性,运用超车规则对串车场景下的出站车辆重新排序,设计基于NSGA-II的求解算法,以拥挤距离标定序度关系,以精英策略获取新种群,改进交叉算子,并基于TOPSIS法对获取的Pareto解集择优。最后,以实际公交线路为例进行案例分析,结果表明:基于站点群体聚集性客流的公交串车优化调度模型,系统考虑了乘客乘车属性与车辆载客限制,能够输出最优的车辆滞站与车速调整方案,并且能运算得出车辆离站时间、车头时距偏差、准点率、乘客等待时间以及乘客行程时间等多项运营指标。优化前后对比表... 相似文献
13.
为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%. 相似文献
14.
15.
16.
17.
18.
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