客流异常下的公交动态调度研究

通过分析公交系统的运营特点,对公交调度中的客流异常事件进行分析。在计算客流异常系数的基础上,建立客流异常条件下的公交动态调度流程图,并通过实例进行验证,说明此方法能够快速有效地解决客流异常问题。     

基于多核最小二乘支持向量机的短期公交客流预测

公交客流是公交规划和运营调度的基础。针对短期公交客流的非线性、随机性和复杂性及支持向量机单核核函数自适应能力较弱的特点,提出一种基于多核最小二乘支持向量机的公交客流预测方法。该方法既考虑到了公交客流的历史数据规律,又顾及到短期公交客流的时变特性,充分利用了相关参数的知识信息。为了保证模型的自适应能力和提高模型的泛化能力,作者提出了综合评价指标,并采用改进遗传算法实现向量机参数优化。最后,结合LS．SVM工具箱,在MATLAB平台上实现长春市短期公交客流的预测。预测结果表明,提出的多核预测方法具有较高的准确性、较强的鲁棒性和自适应能力,在公交客流预测中有具有较好的应用价值。     

基于Matlab的BP神经网络在公交车辆调度中的应用

根据公交站点客流集散量,选用合适的BP神经网络构建公交车辆调度形式的神经网络预报模型.运用BP神经网络Matlab工具箱设计的基本方法与过程,将BP网络模型引入公交车辆的调度方案研究,计算结果表明,BP模型应用于公交车辆调度形式预测中具有较高的预测精度和良好的泛化能力.     

基于站点实时关联度的短时公交客流预测方法

为探究公交站点之间的关联度并对公交客流进行更精准的实时预测，本文提出基于 Attention的交通预测核心算法(Traffic Forecast Model Based Attention，TFMA)，结合数据预处理和 站点信息编码完成基于站点实时关联度的短时公交客流预测方法。该方法首先创新性地提出了 站点实时关联度，可实现对目标站点客流量更精准的预测；其次，在公交站点的编码信息中融入 线路站点信息、客流变化率、天气、日期等关联因素；接着，该方法依靠Attention机制计算站点实 时关联度；核心算法中使用multi-headed机制、增加通道和残差连接进一步提升预测能力；最后， 以苏州市公交数据进行验证。结果显示：在准确率上，对比多元线性回归的53.8%、GRU(Gated Recurrent Unit)的66.9%和LightGBM(Light Gradient Boosting Machine)的81.2%，本文提出的基于 站点实时关联度的短时公交客流预测方法的准确率在90%以上，表明该方法具备优秀的短时公 交客流预测能力。     

公交线路客流统计方法及其应用

利用公共交通客流的调查数据,运用数理统计的方法.分析了公交客流的时间和空间分布特征.运用该客流统计方法对公交线路的调度进行了应用,为公交调度形式的优化提供了决策依据.     

基于IC卡和RBF神经网络的短时公交客流量预测

在公交客流量特性分析基础上,通过IC卡获取了实时公交客流量数据;结合GPS数据,利用OD反推法分析了实时客流分布;进而建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。对重庆市841公交线路进行了实例分析,得到上下车客流真实值与预测值的平均绝对相对误差均小于1.5%,实例计算结果表明该模型能获取实时客流数据,预测精度高,具有一定的实际应用价值。     

基于AVL数据的公交到站时间实时预测模型

公交车辆到站时间预测是公交信息服务、公交动态调度的关键参数。基于实时和历史的公交车辆自动定位数据(AVL)需求分析,将公交车辆到站时间划分为站点停靠时间、区段全程运行时间和区段部分运行时间,分别采用点估计法、BP神经网络法和自适应指数平滑法对其进行动态预测。最后结合实验线路公交车辆的AVL运行数据,对预测模型进行了验证和评价分析。研究结果表明:本预测模型由于将历史数据规律和实时交通状况进行了有效融合,从而提高了公交到站时间预测的鲁棒性和预测精度。     

城市公交枢纽换乘客流OD动态预测方法

换乘枢纽衔接公交线路的换乘客流OD是APTS下实施公交多线路动态协调调度的基础数据。以公交线路上下车乘客数的自动获取为前提,建立换乘OD推算优化模型,并设计了BP神经网络求解算法,应用数值试验对神经网络中的核心参数进行了标定。算例表明:BP神经网络为动态更新公交枢纽换乘客流OD提供了一种经济、有效的方法。     

基于乘客需求的公交客流OD采集技术研究

为了提高公交服务水平和优化公交调度,在分析现有公交客流采集技术基础上,运用单片机技术、通信技术等,提出了基于乘客需求的公交客流OD采集技术,设计了由请求单元、公交车单元、数据中心组成的采集系统,实现了公交乘客的上下车请求、站点客流数据、公交OD数据的采集,可以为公交优化调度提供基础数据。     

短时公交客流小波预测方法研究

短期客流表现出不同于中长期客流的特性,本文在研究短期客流序列特性的基础上建立预测方法．采用离散傅里叶变换研究短时公交客流序列的频域特性;基于混沌理论,通过计算Lyapunov指数判断短时客流序列的混沌特性;最终建立短期客流序列的小渡预测方法．研究结果表明短时公交客流序列信号包含高频成份与低频成份,低频成份构成信号主体,高频成份导致信号波动,且短时公交客流序列具有混沌特性,这些特性导致单一方法短时客流预测精度较低;小渡预测方法通过信号分解重构在保留全部客流信息的基础上有效降低了客流信号的波动性,实例分析证明该方法可以有效提高客流预测精度．     

���ڿ������˲��Ĺ���վ���ʱ����Ԥ��

公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持. 在对短时客流特性进行分析的基础上,提出了以卡尔曼滤波作为公交站点短时客流的预测模型,并给出了模型的求解过程. 选用了一条实际公交线路中客流量较大、客流变化明显具有代表性的站点进行了采集数据和实例分析,数据结果的平均绝对误差为5.1771,均方误差为0.7961,表明提出的模型与算法可以有效地对短时公交客流进行预测. 与人工神经网络预测结果比较,在相同的实例数据下,其平均绝对误差为10.4770,均方误差为1.6724,结果表明使用卡尔曼滤波建立的模型比较准确,说明本文所提出的方法预测误差小,具有现实的应用意义.     

城市公交大站快车与全程车联合调度方法

大站快车以其运营效率高、准时性好、速度快等优点受到交通学者的广泛关注. 本文在考虑客流时空分布特性和公交车额定载客能力的基础上,提出基于断面最大客流量的发车频率计算方法;运用逆差函数理论,考虑多时段、场站平衡等因素,以总体车队规模最小为目标,通过小幅度调整发车时刻,提出大站快车与全程车之间车次相互借调的联合调度方法;最后将该方法应用于某开行大站快车的公交线路,与均匀发车和发车时刻调整的两种独立调度模式进行了对比. 结果表明,联合调度方法能够进一步缩减总体车队规模,为公交企业节约了运营成本.     

城市公交大站快车与全程车联合调度方法

大站快车以其运营效率高、准时性好、速度快等优点受到交通学者的广泛关注. 本文在考虑客流时空分布特性和公交车额定载客能力的基础上,提出基于断面最大客流量的发车频率计算方法;运用逆差函数理论,考虑多时段、场站平衡等因素,以总体车队规模最小为目标,通过小幅度调整发车时刻,提出大站快车与全程车之间车次相互借调的联合调度方法;最后将该方法应用于某开行大站快车的公交线路,与均匀发车和发车时刻调整的两种独立调度模式进行了对比. 结果表明,联合调度方法能够进一步缩减总体车队规模,为公交企业节约了运营成本.     

基于均衡载客量的公交时刻表优化方法研究

本文首先介绍发车频率及发车间隔的确定方法,然后结合各公交站点在各时间段的平均观测客流量数据．以均衡载客量为原则．讨论了两种基于均衡载客量的公交时刻表编制方法：均衡最大载客断面载客量的时刻表编制方法与均衡单个车辆最大载客量的时刻表编制方法,并阐述了两种时刻表的编制流程。     

一种基于车载GPS的短信公交预报系统

新建市区及郊区的公交班车间隔时间较长,导致市民出行不得不选择其他交通工具.本文提出了一种基于车载GPS的短信公交预报系统.本系统将班车间隔时间较长的公交站点全程编号,乘客发送欲乘车站点编号给公交系统服务器,当车载GPS发回至公交系统服务器的公交车位置信息恰好达到预报站时,公交系统服务器将发送短信提醒乘客出行.系统结合车载GPS和短信平台设计了新建市区及郊区的公交预报系统,使长间隔公交预报问题得到解决,实现了乘客到达车站的较短时间后公交车就能进站,从而大大减少了乘客的等待时间.本系统方便市民快速出行,同时节约社会资源.     

基于数据预处理的铁路客运量灰色预测模型

铁路是国家的基础设施,对铁路的客运量进行准确地预测具有重要的理论意义和实际应用价值。首先对传统预测方法进行了分析,指出它们在运量预测中的不足,进而提出应用灰预测进行运量预测的优势。结合滑动平均法对灰预测方法进行了改进,同时考虑初始条件的改变。在预测2006-2010年全社会客运总量的基础上,根据铁路客运在各种运输方式中所占的份额预测2006-2010年的铁路客运总量。     

基于融合模型动态权值的短期客流预测方法

针对传统交通系统中短期客流预测精度低的问题,考虑城市交通站点客流数据在横纵向时间序列的规律性,基于卡尔曼滤波算法和K近邻（K-Nearest Neighbor, ANN）算法,分别根据当日数据和历史数据对客流量进行预测,然后利用权重系数方程对两个预测值加以融合,从而构建基于融合模型动态权值的短期客流预测方法。以某城市的某公交站点客流数据为研究对象,对所建融合模型短期客流预测的准确性和适用性加以验证。结果表明,新建模型、单一的卡尔曼滤波模型和KNN模型的平均相对误差分别为3.6%, 9.0%和7.7%,可见新建模型能更好地拟合客流变化趋势且评价效率更高。