城市快速路行程时间预测模型研究

根据快速路行程时间数据序列规律分析,选择移动平均参数预测模型、指数平滑参数预测模型与卡尔曼滤波预测模型进行比对.通过上海市快速路车牌识别设备采集的行程时间实测数据,对各种模型的效果进行评估,结果表明:卡尔曼滤波预测模型在不同数据特征案例情况下均取得比较理想的效果.     

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。     

RBF神经网络在公交行程时间预测中的应用

为提高公交行程时间预测结果准确度、减少预测过程花费时间,提出基于RBF神经网络公交行程时间预测模型。综合分析公交车辆行程时间动静态影响因素后,将网络变量输入模型对行程时间进行预测,以重庆市462公交线路为例,对模型进行验证,对比BP网络预测结果,表明RBF模型在速度和精确度上优于BP网络,具有一定实际应用价值。     

城市快速路行程时间的统计分析与预测

实时交通预测分析一直是ITS领域一个重要的研究课题,它的研究进展也直接影响着ITS子系统ATMS（Advanced Traffic Management System）的实施。文章以北京二环快速路为研究对象,先使用浮动车数据计算出路段在不同时段的行程时间,再采用统计分析方法得出目标路段在相同时段下的行程时间的分布规律;在此基础上,对相同时段不同路段、相同路段不同时段的行程时间分布测度进行对比分析,并将其和道路服务水平进行对照,得出了若干有意义的结论和建议;最后,对行程时间计算结果进行了检验和评价,证明了计算结果的准确性。     

紧急救援车辆实时行程时间研究

以分析紧急救援车辆行驶特性、行程时间影响因素为基础，运用波动理论建立紧急救援车辆实时路段行程时间预测模型，给出模型的标定方法，结合实际数据标定模型参数、检验模型精度。     

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。     

城市信号控制路网中的路段行程时间估计方法

为了精确检测城市信号控制路网中的路段动态行程时间, 分析了路段流量受交通信号控制策略影响的波动规律, 提出了基于交通量图偏移的路段行程时间计算方法。研究了不同断面交通量图的相似性, 根据最大相似度时交通量图的偏移, 计算了断面间路段动态行程时间, 并与调查结果进行了比较。比较结果表明: 在城市路网封闭路段, 平峰、高峰的不同时间长度内(5、10、20 min), 平均行程时间最大平均相对误差为7.1%, 因此, 计算方法可行。     

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。     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息,提高出行效率,需提升高速公路行程时间的预测精度。鉴于此,将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中,构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化,截取其中有效字段,获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型,利用Matlab进行实验。实验结果显示,PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高,而且能较准确地预测出行程时间的走向及波动情况,在收敛速度方面也呈现出一定的优势,具有较好的适应能力。     

基于实时数据的路网行程时间可靠度模型研究

道路行程时间可靠度是衡量城市道路交通服务质量的指标之一。本文分析和处理道路实时交通数据．统计其行程时间的分布,并拟合行程时间的分布曲线。以此为基础,构建行程时间可靠度模型,并进行案例分析。本文研究得出：路段的行程时间服从正态分布;出行者要求可靠度越高,需要预估的行程时间就越大;即使出行者期望的可靠度相等,对应不同的出发时刻预估行程时间也不同。     

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.     

紧急救援车辆实时行程时间研究

以分析紧急救援车辆行驶特性、行程时间影响因素为基础,运用波动理论建立紧急救援车辆实时路段行程时间预测模型,给出模型的标定方法,结合实际数据标定模型参数、检验模型精度。     

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.     

基于模糊理论的智能指数平滑行程时间预测算法

在指数平滑算法的基础上,结合模糊理论提出了一种基于模糊理论的智能指数平滑行程时间预测算法。该算法依据指数平滑法的预测误差构造模糊控制器来自适应控制平滑系数,从而自适应修正下一时期的预测值,提高行程时间的预测精度和智能化水平。最后通过实验验证了该算法的可行性、有效性。     

基于模糊综合评判的智能行程时间预测算法

提出一种智能行程时间预测算法。算法基于交通流量和占有率等实时交通信息,用模糊综合评判的方法实现对行程时间的预测。其核心是由交通流量和占有率构成因素集,把行程时间看成由因素集组成的评判集,通过因素集的隶属度函数确定模糊评判矩阵,从而求出行程时间的定量值。算例验证了算法的预测精度高,拟合程度好,具有一定的可行性。     

城市快速路网行程时间计算与最优路径选择算法

为提高城市快速路网的整体功能和运行效益,利用实时动态交通数据,根据动态交通因素对路段通行时间的影响,将城市快速路网划分为非拥塞和拥塞两种情况,基于安全停车距离和剩余通行能力,分别计算了两种情况的路段通行时间,提出了以行程时间最短为目标的城市快速路网行程时间计算与最优路径选择算法.将该算法应用于西安城市快速路网进行案例分析,结果表明:该算法的最优路径计算结果与实际相符,误差在15%以内;最优路径的距离约为最短路径的1.84倍.      

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

城市交通流路段行程时间预测模型

建立较为精确的城市交通流路段行程时间预测模型是建立诱导系统的关键,本文所建的预测模型充分考虑了交通延误变化的灵敏性,将汽车在路段上的运行时间分为两部分,分别预测,经过实测数据检验,该模型具有很好的效果。     

基于谱分析的路段行程时间多步预测方法

路段多步行程时间预测数据是动态交通诱导系统的重要参数,但已有研究成果,大多集中于一步预测,且存在适应性不强、计算量大、基础数据需求多等不足.应用谱分析及Karhunen-Loeve（K-L）变换对历史及当前检测行程时间序列进行分解与重构,重构时以历史序列与当前检测序列的欧式距离作为相似性度量指标,优化重构时的特征向量系数,使与当前检测序列相似度高的历史序列信息在重构中占据主要地位,通过重构,实现对后续若干时段的行程时间的预测,实测数据检验显示该方法可实现多步预测,预测精度良好,较以往方法有所提高,且历史数据需求量小,计算量小.