基于旅客出行选择行为的通道客运分担率预测研究

客运分担率也称客运市场份额,是通道内旅客对各种运输方式进行选择的结果．合理预测客运分担率是制定各种运输方式运营策略的重要依据．考虑到西（安）兰（州）通道尚未完全形成,选择基于非集计模型的方法,通过调查分析旅客出行行为来预测通道内各种运输方式的分担率．     

预测通道客运分担率的MNL模型特性变量选取

基于非集计离散选择模型理论,结合通道内各种运输方式特性,给出了在运用MNL模型预测通道客运分担率时特性变量的选取原则。分析了影响旅客出行方式选择的出行时间、安全性、舒适性、方便性、费用等因素间的关系以及各因素作为特性变量的适应性,认为在运用MNL模型预测通道客运分担率时应选取出行时间、费用收入比和发车频率作为特性变量,并给出了各特性变量的取值标定方法。结合旅客出行特征调查数据,进行了实证分析和各个特性变量灵敏度分析,得出制定客运专线运营策略时应主要考虑出行时间、费用和出行者收入变化影响的结论。     

基于NL模型的昌九客运交通方式选择分析

针对客运通道内的交通方式合理规划问题,对南昌至九江运输通道内的客运交通方式分担率进行研究。首先,根据德尔菲法确定影响出行方式的主要因素并依此建立效用函数和巢式logit模型;其次,运用TransCAD对模型的参数进行标定,并用SPSS软件对调查问卷的内容和统计结果进行分析;最后,结合调查结果和分担率模型,计算昌九客运通道内4种交通方式的分担率。计算结果与调查结果基本一致,证明模型的适用性,并通过分析未来客运通道内旅客出行选择的偏好,给交通行业发展提出参考意见。     

京沪线高铁与民航旅客出行选择行为研究

随着高速铁路的快速建设,其已与民航构成了我国高速客运的主体,使交通运 输方式的供给结构发生了巨大变化.本文通过对京沪线高铁与民航旅客进行SP 和RP调 查,分析京沪线客流的构成和旅客出行方式选择行为特征,并基于非集计理论,构建京沪 线旅客出行选择的Binary Logit 模型,量化各因素对旅客选择的影响程度,该模型准确率 为88%.本文根据调查结果和模型标定参数,对旅客的性别、年龄、月收入、票价、同行人 数、程前时间和出发时间对旅客出行选择行为的影响进行深入分析,结论对了解京沪线 旅客实际出行需求状况,合理设计高铁与民航综合客运产品具有重要意义.     

�ҹ����п��������˽�ͨ����Ԥ�ⷽ���о�

客运交通需求预测是道路交通规划的基础.根据开发区道路交通规划一般为宏观控制性规划，及开发区客运交通需求发展不同于一般城市的交通发展的特点，以土地利用规划为基础，按照“宏观控制，局部调整”的预测思路，对常规的“四阶段”模型预测法进行了改进，提出了在没有现状交通出行调查的情况下进行开发区客运交通需求预测的方法.     

综合运输通道客流量分担模型研究

分析了京沪运输通道内出行者的交通选择行为,表明出行者在交通方式选择决策时呈现明显的多用户特征.基于多用户多准则随机用户均衡理论构造了综合运输条件下的交通方式分离模型.以京沪运输通道的客运市场为例,分析了各种因素变化时,不同交通方式的客流变化情况.     

基于改进MD模型的区域交通方式划分预测方法

分析了MD模型的基本原理;综合考虑出行时间、费用、安全、方便和舒适等5个因素对出行方式选择的影响,完善了出行牺牲量的量化方法,加入了安全性、舒适性、方便性的量化指标及其量化方法;建立了基于改进的MD模型的区域交通方式分担率预测方法,并提出了预测流程及预测模型中关键变量的求解算法;以沪宁通道内客运方式分担率的预测为实例,对比分析了改进前后MD模型及Logit模型的预测结果。验证了改进后MD模型能较好地模拟区域交通方式选择过程,预测有效可行。     

旅客出行广义费用及客运产品分担率研究

研究我国客运专线建成后,城际间旅客出行广义费用及各客运产品的分担率.选择经济性、快速性、方便性、舒适性和安全性为衡量指标,建立各运输产品广义费用函数,根据旅客出行意愿调查结果,对广义费用进行模糊评价,从而预测得到各运输产品分担率.最后对北京至石家庄客运通道各种客运产品的分担率进行计算.     

基于SEM的运输通道出行方式选择决策机理研究

为了描述和解释运输通道内客运出行方式的选择行为,从出行产生的内在机理入手,探讨出行者潜在心理因素对出行活动的影响。通过分析出行者出行的全过程,构建了出行决策的过程模型,概括出影响出行方式选择的因素,并运用结构方程模型(SEM)分析各项潜在影响因素对出行结果的作用大小。最后,以成渝运输通道内三种出行方式为例,验证了各影响因素对出行选择行为的作用机理。     

基于Nested Logit 模型的铁路旅客客运产品选择研究

通过成都-武汉既有线出行旅客的问卷调查,以及样本数据的归纳分析,对旅客客运产品选择行为特征进行描述.基于随机效用最大化理论,以乘车方式与客运产品作为选择肢,旅客主体、出行特性及列车服务特性的各项指标作为效用变量,构建了乘车方式位于上层、客运产品位于下层的Nested Logit 模型.模型的上下层参数标定结果表明,旅客的收入状况、出行目的、出行距离、列车票价及运行时间对其乘车方案选择具有显著影响,旅客的年龄、出行费用来源、收入状况、出行距离,以及列车票价、运行时间对其客运产品选择具有显著影响.模型能较为准确地反映铁路客运产品的实际需求,从而为其合理设计与调整提供理论依据.     

通道交通量预测方法研究

通过对通道交通量预测方法的完善和系统化,从整体预测思路的角度出发,提出远景交通量的组成,并分析各组成部分的产生机理,给出简便可行的计算方法,有助于正确预测通道交通量。     

空间关联挖掘在交通领域的应用研究

空间关联挖掘,可用来发现、解释或预测空间现象或事件,从而为众多领域解决一些复杂问题提供了有效手段。通过对目前的空间关联规则挖掘理论和实例的研究,得到了实用挖掘的一般方法,通过一个小的交通事故挖掘实例进行了试验,获取了一些有价值、可信的交通事故发生的隐含规律,显示了空间关联挖掘对交通规划管理及决策工作具有重要的意义。     

基于宏微观耦合模型的城市道路交通流在线估计

实时可靠的交通流估计是城市交通管理与控制的基础.宏观的MCTM模型不 能获取引道路段的微观信息,微观的Paramics 仿真则需路网OD的准确估计, 为避开单一 模型使用的缺陷,本文提出建立宏微观耦合模型.在模型估计的单位间隔内,先利用 MCTM估计基本元胞有效密度和引道元胞初步密度,并在接口处计算仿真发车数量;再 转用Paramics 进行引道微观仿真,利用仿真检测数据计算交叉口排队长度和引道元胞有 效密度,取代初步密度,作为下一个间隔计算的初始输入,实现交通流的在线估计.仿真中, 为符合转向需求实时变化特性,建立基于约束卡尔曼滤波的转向需求估计模型,实时更 新单位间隔的转向需求.实例分析结果表明,宏微观耦合模型满足城市道路交通流在线估 计要求.     

道路交通事故次数组合预测模型

道路交通事故次数预测对于掌握未来交通安全状况,合理评价交通安全措施的可行性和实施效果具有十分重要的意义。利用我国道路交通事故次数的统计数据,分别采用灰色预测模型和历史序列拟合分析的方法建立事故次数的预测模型,针对两种模型的优缺点,采用相对误差倒数分配权重的方法建立组合预测模型,计算结果表明,组合预测模型在预测事故次数方面具有较高的稳定性和较好的预测精度,完全能够满足事故次数预测的要求。     

基于诱导有序信息集结算子的最优组合预测模型在交通事故预测中的运用

基于诱导有序信息集结算子的最优组合预测模型在交通事故预测中的应用实例表明：基于10WHA算子的组合预测模型能够充分利用各个单项预测的有用信息,提高预测的精度,从而成为交通事故组合预测模型的一种新方法。     

K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

基于道路流量和服务水平的停车需求预测分析

为使停车需求预测更准确,提出基于道路流量和服务水平停车需求预测模型。分析停车需求预测方法的现状,同时引入道路流量和服务水平这两个重要的影响因素,在多元回归模型的基础上,引入停车泊位增加系数,建立改进的停车预测模型。通过大量的调查数据对该模型进行检验,验证模型的准确性,该方法对解决城市中心区的动态交通拥堵具有一定的指导意义。     

基于灰色控制系统的交叉口交通冲突预测

基于灰色控制系统对交叉口的交通;中突数进行预测,并结合工程实例,引入Matlab软件进行分析运算,所得结果表明灰色模型可较好地用于交通冲突数的预测。     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.