基于遗传算法的最大熵模型交通分布的求解

将遗传算法应用于求解最大熵模型的交通分布问题中,从而提供了一种求解简单的方法,降低了熵模型求解分布问题的复杂性.为利用最大熵模型进行交通分布开创了一条新的途径,同时显示出遗传算法在交通规划中的实用前景.     

基于遗传算法的最大熵模型交通分布的求解

将遗传算法应用于求解最大熵模型的交通分布问题中，从而提供了一种求解简单的方法，降低了熵模型求解分布问题的复杂性。为利用最大熵模型进行交通分布开创了一条新的途径，同时显示出遗传算法在交通规划中的实用前景。     

基于MNL模型的城市公共交通出行时间价值估计

在进行公共交通换乘行为变化敏感度分析以及公交票价的制定过程中,均需将出行时间和费用联系起来考虑,出行时间价值是联系出行时间和费用的纽带．本文首先分析了基于随机效用最大化理论的Multinomial Logit（MNL）方式选择模型的基本思想,用MNL方式选择模型的简化模型对出行时间价值进行了量化．接着以北京市为例,考虑出行者的出行时间、费用以及收入等因素,估算出了北京市各种收入群所对应的出行时间价值．然后通过对选择公共交通出行者属性的分析,加权平均各种收入群对应的出行时间价值,最终估计出了北京市城市公共交通的出行时间价值．估算结果符合北京市的实际情况.     

基于SP调查的出行时间价值估计及出行者属性影响分析

出行时间价值是宏观交通模型的重要参数,其取值准确与否直接影响交通模型的精度。以佛山市顺德区居民出行时间价值调查为例,采用正交实验设计方法设计了SP调查。建立了基于随机效用最大化理论的多项Logit模型,计算了不同拥车和目的的出行时间价值,并用收入法对计算结果进行了校核,验证了模型计算结果的合理性。分析了出行者属性对出行时间价值的影响,得出了拥车、高收入和高学历的出行者出行时间价值更高,对出行时间更加敏感,对费用敏感度降低的结论。研究成果可为中小城市出行时间价值计算和分析提供参考,同时可为出行行为分析、预测和交通需求管理策略评估提供数据支持。     

基于出行时间预算负效用的出行行为建模

为研究出行者出行行为,引入出行时间预算负效用的概念.分析通勤者出行机理为先确定出发时刻,在给定出发时刻下计算备选路径的出行时间预算负效用,选择效用最大的路径出行,利用此次出行信息来调整下次出行的出发时刻,经过多次出行达到稳定状态.建立了双层规划模型描述不确定环境下出发时刻和路径选择的出行行为.用改进的相继平均法（MSA）求解下层路径选择模型,用遗传算法来解整个双层规划.用一个实例对模型和算法进行了验证.     

出行距离分布模型及参数研究

为研究城市交通规划中出行距离的分布特征, 在一定假设条件下, 运用概率统计理论推导出行距离的概率分布函数形式, 用10座城市的居民出行资料对其进行拟合, 验证了该假设条件的合理性, 分析了函数参数的相关影响因素, 如城市规模、城市形状和交通结构等, 对其进行量化与非线性回归, 得到出行距离的概率分布函数的一般形式, 最后, 就不同规模城市分析了分布函数参数的取值范围。研究结果表明: 出行距离的分布符合瑞利分布, 特大城市和大中城市分布函数参数的取值范围分别为0.035~0.076和0.042~0.100。     

城市道路最大出行距离计算模型

为了合理体现交通事故延误对出行者路径选择的影响, 提出了随机状态下的交通事故时间延误模型。将交通事故的随机性、持续时间和道路通行能力等不确定性因素引入到交通分配模型中, 并对路径选择模型进行修正。分析了各等级道路最大适宜出行范围, 根据修正的路径选择模型, 采用逐次交通分配方法, 得到各等级道路的出行周转量和出行距离, 并与不考虑交通事故延误时的出行距离进行了对比分析。分析结果表明: 当考虑交通事故延误时, 支路、次干路、主干路、快速路的最大出行距离分别为2.000、2.946、4.054、5.963 km; 当不考虑交通事故延误时, 支路、次干路、主干路、快速路的最大出行距离分别为2.000、3.000、6.000、10.000 km; 交通事故延误是影响出行者路径选择的重要因素; 当考虑交通事故延误时, 高等级道路的最大出行距离变小。相比于传统的路径选择模型, 本文模型更优。     

基于非集计模型的出行时间价值影响因素分析

以非集计模型为基础,通过模型中的效用函数推导出时间价值的计算方法。依据乌鲁木齐居民出行调查数据进行效用函数的标定分析,找出影响出行时间价值的因素,同时也得出不同家庭收入、出行目的、出行时间的群体进行方式选择时出行时间价值的变化情况。     

最大熵原理在交通流统计分布模型中的应用

交通流统计分布函数的形式具有多样性, 选择把数据套到一个适合的分布上去常常是困难的。为此, 寻求一种简便的产生概率密度函数的统一方法是十分必要的。运用最大熵原理不仅导出了几个科学实践中常见的概率分布密度函数, 而且在分析物理学中已有的导出公式的基础上给出了交通工程实践中产生概率密度函数的统一方法及其实用的数值算法。理论例题仿真与实例计算验证表明该方法和程序是合理有效的     

基于最大熵原理的喷雾液滴尺寸和速度联合分布函数

应用最大熵原理和动量守恒定律, 从理论上建立了喷雾液滴尺寸和速度联合分布函数。应用该方程编制数值计算程序, 对纯柴油与质量掺混比为30%(L30)的柴油/液化石油气(LPG)混合燃料的喷雾液滴尺寸和速度联合分布进行了数值计算, 比较了两种燃料的雾化特性。比较结果表明: 由于L30闪急沸腾效应的影响, 其液滴尺寸分布曲线的峰值明显高于柴油的分布曲线峰值, 且峰值和曲线整体趋势都向小颗粒方向偏移, 说明喷射L30产生的液滴颗粒比柴油颗粒小; L30的速度分布曲线峰值较高, 且位于小速度范围, 说明小速度液滴所占的比例更大。液滴尺寸与速度(D-u)等高线图表明: 液滴颗粒越小, 其速度分布范围越广; 液滴速度越小, 其尺寸分布范围越大。L30液滴尺寸与速度联合分布的收敛速度较快, 说明L30喷雾所产生的小颗粒和小速度液滴更加密集, 雾化质量更佳。     

���ڳ���ʶ�����ݵij��е�·����ʱ��ֲ����ɼ����Ʒ����о�

利用北京市道路交叉口的车牌识别数据,应用假设检验的方法研究城市快速路及主干道的旅行时间及其可靠性的分布与估计方法.首先使用四分位数据筛选法对原始数据进行了筛选,获得分析所用数据集.其次对旅行时间的分布进行了研究,提出了与旅行时间有关的分布假设并进行了相应的检验分析,随后研究了旅行时间分布与路段道路运行状况的关系.基于对北京市的数据分析可以看出,道路拥堵时旅行时间分布多接近Weibull分布,通畅时接近对数正态分布.最后,本文进一步探讨直接利用正态分布进行数据拟合以及参数估计的可行性.案例分析显示,使用正态分布估计旅行时间平均值误差较小,但对旅行时间可靠性的估计则误差较大.     

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动 车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同 时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段 行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省 丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响 参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明：道路周边的建成环境 会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中 在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了 将建成环境变量作为路段行程时间影响因素的可靠性。     

城市轨道交通网络短时客流OD估计模型

基于状态空间方法构建适用于城市轨道交通网络的短时客流OD(origindestination) 估计模型.利用自动售检票数据分析得到OD间乘客行程时间分布特征,构建基于行程时间分布的客流到达系数,以此建立OD流与车站进出站客流间相互关系,并以车站客流分离率为状态变量构建结构化OD矩阵估计状态空间模型.以北京市轨道交通为对象进行案例分析,结果表明,当估计时段长度为15 min 时,估计平均相对误差为 35.5%;为30 min 时,估计平均相对误差为20.4%;为60 min 时,估计平均相对误差为 16.3%.所构建模型能能有效解决城市轨道交通短时客流估计问题,具有一定的实用性.     

雾化液滴尺寸和速度分布函数的推导

为了增强雾化液滴质量和热量的传递,有效预测与评价喷雾质量,应用最大熵原理和动量守恒定律推导出了新的雾化液滴尺寸和速度的概率密度分布函数,包括数目分布函数、数目微分分布函数、体积分布函数、体积微分分布函数与总体积公式。当不考虑速度分布时,推导的喷雾液滴尺寸分布与曹建明先前推导的尺寸分布具有完全相同的形式,其分布函数是Nukiyama-Tanasawa型雾化液滴尺寸分布函数的一种特定形式,推导结果具有普适意义。     

路段平均行程时间估计方法

为了有效利用线圈检测数据, 精确估计路段平均行程时间, 提出了一种路段平均行程时间估计方法。将路段平均行程时间分为平均行驶时间、平均排队时间和平均通过路口时间三部分。考虑线圈埋设的特点, 通过估计平均行驶速度得到平均行驶时间。用分段时齐Poisson过程描述车辆驶入路段过程和驶离过程, 用Markov排队模型描述车辆排队过程, 用生灭过程描述排队车辆数, 得到车辆排队模型, 计算了路段有、无初始排队的平均排队时间。基于选取与路口相关的饱和流率和平均车长, 计算了平均通过路口时间。计算结果表明: 平均行程时间估计值与实测值的误差小于12%, 说明路段平均行程时间估计方法可行。     

综合运输通道客运结构配置的随机饱和熵模型

为寻求系统、科学的综合运输通道最优客运分担, 提出用最大熵原理构建客运结构配置模型, 基于随机时间价值, 选择旅客广义出行时间最小的运输方式, 定义了通道内的基本路段饱和度和通道饱和熵, 设计了用于求解模型的粒子群算法。分析发现, 车外时间差、单位里程票价差、单位里程车内时间差以及旅行距离将直接影响各运输方式客运分担率的高低; 以通道饱和熵最大为目标得出的常规铁路最优定价高于现行铁路票价, 且通道饱和熵上升了15%, 说明铁路票价偏低会造成铁路客运量过于饱和; 由通道饱和熵模型得出的最优客运分担结果, 缩小了基本路段上各运输方式饱和度之间的差距, 实现了运力和运量的有效匹配。     

出行方式与出发时间联合选择的分层Logit模型

基于随机效用最大化理论, 选取出行者特征、行程特性与出行方式服务水平作为效用变量, 以出行方式与出发时间作为选择肢, 构建了出发时间位于下层与出行方式位于下层的2种居民出行NL模型。分析了北京市居民出行样本数据, 并模拟了在早高峰时段对小汽车出行收取费用时, 小汽车出行者出行行为的变化。计算结果表明: 与传统MNL模型相比, NL模型具有更好的统计学特征, 调整后的拟合优度由0.338增大至0.404;在2种NL模型中, 出发时间位于下层的结构对样本数据的适应性更强; 当早高峰时段小汽车出行收取费用为5元时, 72.6%的小汽车出行者坚持原有出行方式与出发时间, 22.4%的小汽车出行者坚持小汽车方式, 但会改变出发时间, 4.8%的小汽车出行者改用公共交通方式, 但出发时间不变, 仅0.2%的小汽车出行者同时改变出行方式与出发时间; 当收取费用为10元时, 51.7%的小汽车出行者坚持原有出行方式与出发时间, 40.4%的小汽车出行者坚持小汽车方式, 但会改变出发时间, 7.9%的小汽车出行者改用公共交通方式, 但出发时间不变; 当收取费用为20元时, 27.5%的小汽车出行者坚持原有出行方式与出发时间, 60.6%的小汽车出行者坚持小汽车方式, 但会改变出发时间, 11.9%的小汽车出行者改用公共交通方式, 但出发时间不变。     

Estimation of Travel Time Values for Urban Public Transport Passengers Based on SP Survey

Quantitative study on the travel costs of urban transit passengers has great significance for scientifically evaluating social benefits of public transportation system. Analysis of travel time values is one of the most important parts of traveler's travel cost estimation. According to the stated preference (SP) survey data for Beijing residents, factors that influence public transport values of travel time are analyzed and a Logit-based model is used. An improved SP survey based model is proposed, in which traveler's income is introduced as a variable. The parameters estimating the travel time values under the trip purposes of work/business and leisure are calibrated. Then the values of travel time under different conditions in Beijing are obtained (i.e. different trip purposes and with/without transferring). The results indicate that the travel time values for work are generally higher than those for leisure. The waiting time values are higher than transferring time values and in-vehicle time values under any circumstances, and the waiting time values are higher with transferring than those without transferring.