浮动车数据在车辆路径问题中的应用

利用浮动车信息采集系统预测路段行程时间,实现对带时间窗的混合车辆配送路径选择的优化.提出了带时间窗的混合车辆路径选择优化问题的求解模型;设计了浮动车地图匹配和路段行程时间预测算法,以实现对路段行程时间的预测,并通过给出的成都市浮动车数据证明了所提出的算法比同类算法更有效——地图匹配率提高6%,路段行程时间预测值与实测值的拟合度更高,运输总费用节约24%.     

基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。     

基于改进遗传卡尔曼算法的短时路段行程时间估计

为进一步提高城市道路行程时间短时预测的准确性,利用城市浮动车全球定位系统(global positioning system,GPS)数据,提出基于遗传算法(genetic algorithm,GA)优化的卡尔曼滤波(kalman filtering,KF)模型估计短时道路行程时间的方法。利用高斯滤波器对异常数据进行有效剔除,基于城市道路地理信息系统(geographic information system,GIS)数据提出道路地图匹配算法,利用卡尔曼滤波器预测匹配道路的行程时间,并通过遗传算法优化卡尔曼滤波的误差参数。实际算例表明:预测路段的行程时间误差均小于0.5 min,基于GA优化的KF算法能有效提高路段行程时间估计的精度。根据预测行程时间对上海市外环路各个路段不同时间的拥堵情况进行预测识别,预测结果有助于交通管理部门及时掌握城市道路运行状态信息。     

谱分析法在路段行程时间预测中的应用

路段行程时间超前预报是动态交通诱导方案制定的基础,应用短时交通预测的方法可以获得将来某个时刻的路段行程时间数据,但已有研究成果,还存在适应性不强,计算量大,基础数据需求多等不足。应用谱分析及Karhunen-Loeve变换对随机序列的分解与重构功能,通过挖掘路段历史行程时间序列与当前检测行程时间序列的相似性特征进行序列重构,实现对后一时段路段行程时间的预测,结果显示,该方法具有良好的预测精度。     

基于Monte Carlo的行程时间可靠性研究

从分析行程时间可靠性的概念及其重要性入手,提出了路段、路径、OD对以及系统行程时间可靠性的定量计算方法.在路段通行能力随机变化的条件下,基于Monte Carlo仿真建立了行程时间可靠性的求解算法.考虑到行程时间可靠性与出行者路径选择的相互作用,该方法将基于行程时间可靠性的交通分配纳入到行程时间可靠性的评价之中.用一个简单算例进行测试,结果表明该方法能够对行程时间可靠性进行合理评定.     

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

路段容量随机下降路网的行程时间可靠性

基于均匀分布的路段容量,分析了退化路网中路段行程时间的随机变动,构建了概率用户均衡交通分配模型,证明了等价数学规划模型解的等价性,设计了模型求解算法.在此基础上,建立了路段、路径及OD对行程时间可靠性计算模型.最后,在一简单网络上进行了计算分析.     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

基于路段行程时间可靠性的交通分配方法研究

行程时间可靠性已经成为道路网性能的主要指标之一,首先在总结已有路段行程时间可靠性的有关算法之后,计算了路段的行程时间可靠性。然后,将路段行程时间可靠性作为路阻函数,从用户均衡分配模型(UE)加以引申,建立了行程时间可靠性分配模型,并给出了相应的算法,最后,应用于实际的路网中进行了检验。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

基于卡尔曼滤波算法的公交车辆行程时间预测

通过分析公交车辆的行驶特性,利用卡尔曼滤波算法建立行程时间预测模型,并用该模型预测未来时段的公交车辆路段行程时间.预测结果表明,该方法预测精度较高,可有效地改善公交车辆动态调度效果,提高交通资源利用率,因此该方法具有推广意义.     

欠饱和状态下基于流量的动态交通路段行程时间算法

通过深入分析欠饱和状态下的路段中间地点速度,提出Webster与基于流量的动态交通路段行程时间算法,利用Webster模型得出路段直行红灯延误时间,引入流量作为通畅状态下行驶时间和红灯延误时间比重参数,且路段直行通畅状态下行驶时间比重参数与流量负相关,红灯延误时间比重参数与流量正相关,比重参数通过路段直行真实行程时间与模拟行程时间回归分析得出。以2016年浙江省海宁市微波及线圈数据为研究对象,结合交叉口红绿灯配时,首先清洗微波和线圈数据,然后利用Webster与基于流量的动态交通路段行程时间算法,结合回归分析训练集得出的路段行程时间关系式,最后利用测试集,得出路段行程时间与真实路段行程时间显著性水平为0.684,并且与固定参数的路段行程时间相比,显著性水平高出0.143,可见该组合算法具有较好的准确率和实用性。     

随机时变特征下基于行程时间的路径选择算法

基于南京市实测数据分析了道路交通流实际随机、时变特征,证实现有行程时间最短路径算法相关研究中对道路交通流的随机、时变特征的假设与实际不符.以反例论证道路交通流实际随机、时变特征下,自适应算法(Adaptive Routing Policy)在求解行程时间最短路径方面的无效性.针对交通模式时段内道路交通流随机、时间无关的特征,以及路段行程过程中行程时间的确切概率分布难以知晓的实际情况,提出基于历史概率分布的历史期望行程时间最短k路径基础上的考虑风险衡量及当前道路实际交通流状况的路径选择算法.     

基于波动理论的城市快速路行程时间研究

首先对预测路段进行分段,然后计算各小段的行程时间并将其累加.结合道路拥挤时的集结波和消散波模型,提出基于随机排队理论的城市快速路行程时间模型.该模型简单易行且参数通过检测器即可直接获得,可以用于评价快速路的服务水平.     

基于波动理论的城市快速路行程时间研究

首先对预测路段进行分段,然后计算各小段的行程时间并将其累加。结合道路拥挤时的集结波和消散波模型,提出基于随机排队理论的城市快速路行程时间模型。该模型简单易行且参数通过检测器即可直接获得,可以用于评价快速路的服务水平。