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.     

����Գ��е�·�г��ٶȵ�Ӱ��

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.     

轨道交通枢纽换乘乘客到站时间均值特征研究

换乘乘客到站时间分布是决定换乘乘客平均候车时间,优化并制定公交协调调度策略和方案的关键性因素。首先,选取世界之窗地铁换乘枢纽为调查地点,分高峰和平峰时段分别调查换乘乘客到站时间、送客车辆发车间隔等。然后,根据均值间差异的显著性分析和方差分析确定影响换乘乘客到站时间均值的因素。基于此,应用回归分析建立换乘乘客到站时间均值的模型。研究结果表明：高峰时段和平峰时段换乘乘客到站时间均值有很大的差异,且高峰时段换乘乘客到站时间均值是换乘客流量的二次函数,而平峰时段换乘乘客到站时间均值不受换乘乘客客流量大小的影响。     

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%.     

城市公交运营参数时变特征的推断性统计研究——以保定市为例

以保定市公交跟车调查数据为研究对象,基于方差分析模型对早晨、上午、下午、傍晚4个时段的公交客流量、行程时间、满载率进行了分析,得到了工作日与周末不同的时变特征。工作日呈现“高峰-平峰”特征,存在早晚两个高峰,与一般描述性经验相一致,而周末则呈现“午前-午后”特征,与一般经验存在较大差异。     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

出行策略与行程时间不确定下的公交客流分配方法

利用杭州市公交线路站点GIS数据和车辆运行GPS数据进行分析,将公交车到站时间分为站点停靠时间和站间行程时间,得到公交车站点之间运行可能总时间的分布概率.通过实际的公交路网结构,定义扩展的公交网络有效路径.在考虑公交线路联合发车频率和根据乘客路径选择的广义成本下,建立出行策略与行程时间不确定下的公交客流分配模型,并将公交线路发车时刻表引入用户均衡模型中,设计了基于扩展网络最短路的Method of Successive Average(MSA)算法求解,通过对两个交通小区间高峰小时的客流分配结果验证模型和算法的有效性.     

公交出行时空模式的影响因素和效应研究

为揭示公交出行时空模式的影响因素和作用效应,利用智能公交数据获取公交出行时空特征,应用DBSCAN聚类算法挖掘公交出行的时空规律性。以起点建成环境、终点建成环境、出行路径性能、公交运营性能和公交出行强度5个方面的18个指标为自变量,以公交出行时空特征和公交出行时空规律性2个方面的4个指标为因变量构建变量指标体系,融合智能公交、POI等多源数据对指标进行量化计算,建立结构方程模型对公交出行时空模式的影响效应进行分析。研究结果表明：公交出行模式具有时空异质性,平峰时段公交出行距离和出行时长均长于早、晚高峰时段;时间规律性强的公交出行主要发生在高峰时段,空间规律性强的公交出行集中分布在城市中心区;出行路径性能、公交运营性能、起点建成环境、终点建成环境对公交出行的时空特征有显著影响（早高峰影响效应分别为-0.749,-0.413,-0.244,-0.228）;公交出行强度、出行路径性能、起点建成环境和终点建成环境对公交出行的时空规律性有显著影响（早高峰影响效应分别为0.688,0.069,0.022,0.021）;各因素对公交出行时空模式的影响具有时间异质性,平峰时段的影响均大于早、晚高峰时段...     

两种算法结合的公交到站时间预测

随着临港地区经济高速发展,人口规模与机动车拥有量急剧增加,公交优先战略对于缓解城市交通压力起着举足轻重的作用。在临港智能公交体系大背景下,尝试对公交到站时间进行算法分析研究,具体提供了一种结合非参数回归与卡尔曼滤波的公交车到站时间预测算法。通过非参数回归方法得到基于历史数据的公交车到站时间预测值,进而根据预测值和当前公交车实时运行结果的误差,通过不断更新最优到站时间估计和卡尔曼增益,实现对预测运行时间的修正。研究结果表明,基于非参数回归和卡尔曼滤波混合后的模型预测误差减小,预测效果良好。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

贝叶斯框架下快速公交的站间运行状态推断

站间行程车速是度量快速公交运营服务和乘客体验的重要指标.由于红绿灯、行人过街等影响,快速公交车速分布往往呈现多峰现象,很难利用单一分布描述.本文建立了贝叶斯框架下基于多相站间车速的高斯混合模型,利用可逆回跳马尔科夫链蒙特卡洛方法推断快速公交站间运行状态,包括状态个数和各状态权重、速度均值和方差.以广州市快速公交为例,展示了该模型可很好地拟合多相车速数据,合理划分快速公交运行状态.发现广州市快速公交在早晚高峰容易衍生出新的运行状态,对于车速低于25 km/h的走廊,其运行状态个数较多,且更容易随时段发生变化,符合实际调查结果.可见本文提出的模型能有效地分析快速公交的速度分布特征和演变规律,验证了该模型的有效性.     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

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%.     

����BRT���ź���ʱ�ĸɵ�ͨ����������

由于城市道路交通行为的复杂性以及高质量交通数据的缺乏,实时估计城市主干道的旅行时间具有一定的难度.基于实时的快速公交（BRT）以及信号配时数据,作了一系列研究,用以估计主干道旅行时间以及交通服务水平（LOS）.本文通过将公交车的排队延误时间、平均信号灯等待时间和自由流旅行时间综合在一起来实现旅行时间的估计.并以Valley Transportation Authority（VTA） BRT和智能驾驶系统作为数据源进行实验.实验结果表明,本文提出的估计主干道性能的方法非常有效.其中根均方误差（RMSE）和根均方百分比误差（RMSPE）分别为49s和9%,LOS估计的精度高达73%.     

基于贝叶斯网络组合模型的公交驻站时间预测

公交驻站时间是公交行程时间的主要组成部分,其预测精度直接影响智能公交系统中公交信息发布的准确性.为了提高公交驻站时间的预测精度,提出一种基于贝叶斯网络的组合预测模型,它由反向传播神经网络和径向基函数神经网络模型组成.首先利用两种神经网络模型预测公交驻站时间;然后利用改进后的等宽数据离散方法,将两种神经网络的预测结果和观测的驻站时间数据离散后用于贝叶斯网络学习;最后通过贝叶斯网络推理得到驻站时间组合预测结果.实例分析表明,贝叶斯网络组合模型驻站时间预测结果的误差指标均优于单一模型,证明其可有效提高单一模型的预测精度.     

降雨对城市道路行程速度的影响

以北京市实时天气数据和基于浮动车的城市道路行程速度、交通运行指数数据为基础,对比分析降雨天气和正常天气的行程速度、指数、降雨量等数据指标.然后从降雨强度、时间段、拥堵等级等角度展开对城市道路运行参数的分析,建立降雨天气速度预测修正模型,并进行模型验证.研究得出,在夜间降雨强度达到中雨及以上时,快速路、主干路、次支路的速度下降百分比分别为：8.8%、4.8%、5.9%,分别得出高峰和平峰时降雨强度与行程速度下降之间的关系;得出在全路网不同拥堵等级下降雨强度与行程速度下降之间的关系.最后对速度预测模型进行实测验证.结果表明,该模型可以对降雨天气条件下的行程速度进行有效预测,预测的平均误差在5%以内.