基于改进行程时间估计模型的最优路径选择

为解决交通网络最优路径问题,提出改进的行程时间估计模型,并设计基于该模型的最优路径算法。行程时间估计模型在分段截断二次速度轨迹模型的基础上进行改进,用路段节点的到达速度代替同一出发时刻下测得的速度,通过构造在时间和空间上连续的速度轨迹来估计行程时间。首先,基于Yen′s KSP算法以路段距离为阻抗求解K条最短路径;其次,分别用改进的行程时间估计模型估计K条最短路径的行程时间;最后,以行程时间为成本选择最优的路径。通过Sioux Falls网络的数值试验验证模型和算法的有效性和优越性。试验结果表明：改进的分段截断二次速度轨迹模型相比于原始模型精度平均提高了65%;算法的最优路径结果能减少路径经过的交叉口数和缩短最优路径的总长度,而且最优路径的行程时间估计结果 与真实值的MAPE保持在3%内。     

考虑路段随机行程时间异质性的交通网络可靠路径规划模型和算法

为应对交通网络路段随机行程时间异质性分布情况下,出行者路径选择决策对行程时间可靠性和不可靠性方面的关注,以均值-超量行程时间为优化准则,构建了一种新的可靠路径规划模型;为刻画交通网络中不同路段随机行程时间的异质性分布,以行程时间前四阶矩为输入,解析估计了均值-超量行程时间,以免于现有研究均一化的分布假设;利用均值-超量行程时间的理论特性,提出了以Dijkstra最短路算法和K-最短路算法为基础的精确和近似两阶段算法;以Monte Carlo模拟方法为基准,验证了基于前四阶矩的均值-超量行程时间解析估计方法的精确性;通过求解算例网络中所有OD对的最短均值-超量路径,分析了近似两阶段算法的精确性和计算效率。研究结果表明：现有研究中常用的路段随机行程时间正态分布假设会忽略偏度和峰度系数对可靠路径选择结果的影响,而均值-超量行程时间解析估计方法所得近似值与真值的相对误差不超过0.13%;当K-最短路算法中K为10时,近似两阶段算法求解的全网络OD对最短均值-超量路径中,有0.11%的OD对的最小均值-超量与精确两阶段算法求解结果不同,最大相对误差为3.35%;针对由随机选择的5个节点与其他节点组成的OD对,近似两阶段算法平均计算时间与精确两阶段算法平均计算时间的比值范围为0.87%~22.96%,表明近似两阶段算法不仅保证了其求解准确性,还可有效提高计算效率;提出的模型和算法能够接纳网络中不同路段随机行程时间分布具有异质性的现实特征,其路径规划结果能够更好地体现出行者对按时到达可靠性和迟到风险的关注诉求。     

随机时变路网环境下稳健路径选择及实证研究

交通拥挤、天气、突发事故等不确定性因素影响着城市区域之间的路网提供的 连通服务水平.本文对城市片区间道路连通路径选择进行研究.根据随机时变网络描述和 稳健路径选取原则,建立了最优化模型,并采用改进的Dijkstra 算法.通过深圳实例计算, 分析了出发时刻与最短路径行程时间和路段构成之间关系,并与确定性时变路网环境下 进行计算结果对比.结果表明,随机时变路网环境下鲁棒性最优算法选择稳健路径具有合 理性和可行性,可以很好地应用到区域动态连通情况的研究.     

交通事件影响下的路径行程时间变化分析

为了对交通管理系统中的事件管理提供可靠的决策依据,针对持续期为数天的交通事件,考虑事件发生后出行者日常路径选择的随机性,基于路径流量联合概率分布的动态调整过程,建立了描述路网系统路径行程时间变化的随机动态交通分配模型.并用算例网络验证了本文建立模型的可行性.算例研究结果表明:交通事件持续期每增加10 d,持续期内路径的平均行程时间增加0.24%;与普通路段相比,事件发生在关键路段导致平均行程时间增加3.07%; 路段通行能力每下降10%,平均行程时间增加2.53%;不同事发路段对路网系统在事件结束后恢复到均衡状态所需时间的差别显著,关键路段通行时间的恢复约为普通路段的4倍.      

基于混沌蚁群算法的最短路径选择研究

如何解决最短路径选择问题一直是城市交通流诱导系统的关键之一.基于群体仿生理论的蚁群算法是解决此问题的一种方法,针对采用蚁群算法进行最短路径选择时易出现的陷入局部最优解问题,引入混沌理论,采用混沌蚁群算法利用混沌初始化进行改善个体质量和利用混沌扰动避免在蚁群算法搜索过程中陷入局部极值,同时降低了蚁群算法的时间复杂度,从而更好的解决了最短路径选择问题.     

基于混沌蚁群算法的最短路径选择研究

如何解决最短路径选择问题一直是城市交通流诱导系统的关键之一.基于群体仿生理论的蚁群算法是解决此问题的一种方法,针对采用蚁群算法进行最短路径选择时易出现的陷入局部最优解问题,引入混沌理论,采用混沌蚁群算法利用混沌初始化进行改善个体质量和利用混沌扰动避免在蚁群算法搜索过程中陷入局部极值,同时降低了蚁群算法的时间复杂度,从而更好的解决了最短路径选择问题.     

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。     

基于时间剩余的随机后悔最小化路径选择

出行者路径选择行为的正确性直接影响到交通规划“四阶段”模型最后一步交通分配的可靠性,对交通规划领域具有重要意义.近年来,为了克服出行者路径选择主要理论（随机效用最大化模型）存在的问题,Chorus 提出了随机后悔最小化模型.本文借用经济学领域中的无差异曲线概念,建立基于时间剩余的出行时间和出行费用双重约束下的随机后悔最小化模型,并对模型中存在的路径重叠和路径感知方差问题进行改进.最后运用示例性路网进行数值检验.结果显示,改进模型更加合理,具有更好的可靠性.     

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.      

随机需求条件下道路网行程质量评估--行程时间可靠性

考虑日常OD需求变化,提出了随机需求条件下获取道路网路径行程时间概率分布的新方法,用行程时间可靠性描述道路网运行的质量的指标,针对其偏态分布特点,利用Johnson、Gauss曲线拟合行程时间的分布,通过小样本来估计分布的数字特征,并通过与蒙特卡罗法计算结果对比,验证结果的一致性,利用拟合的分布控制行程时间的中心线、上下限,从而对行程时间的可接受极限值进行界定,对道路网行程质量进行控制。     

��������ʱ��³���ɿ��Ե������ͨ��������

在基于走行时间可靠性的交通均衡问题中,普遍存在假设是引起走行时间变异的O D (Origin Destination)需求或路段通行能力的概率分布是精确已知的。然而,现实中这些概率分布很难精确获得.本文放松这个假设而仅要求知道O D需求的前m阶矩(这里m是和路段费用函数的形式相关的正整数),通过运用最坏风险价值和最坏条件风险价值指标定义鲁棒分位走行时间和鲁棒超过期望走行时间,并证明在一般分布下两种出行时间是等价的.基于此定义,通过整合出行者的感知误差,提出了鲁棒分位随机用户均衡(鲁棒超过期望随机交通均衡)模型,模型被表示为一个变分不等式,并证明了解的存在性,然后运用一种启发式算法求解该模型.数值算例显现了模型在应用上的特性及算法上的有效性.     

基于行程时间的车辆通行连续性分析

定点检测器采集的路段行程时间样本中通常包含连续通行和非连续通行两部分,针对连续通行样本的识别,传统的固定阈值方法无法提供合理的结论.将行程时间样本时间序列化后,利用其差值的平稳随机性质,采用基于统计学的离群点检测的参数方法分离样本比传统方法更加科学有效.通过实证分析,非连续通行样本的占比是一种能够分离样本的指标.关联性分析的结论表明,该指标在4 分钟车程长度以内的路段中取值平稳,在4 分钟车程长度以上的路段中取值则受到道路等级、路段长度、交通运行状态、区位用地性质等多种因素的综合影响.     

随机行驶时间车辆路径问题的模型与算法

车辆路径问题是现有物流管理系统中非常重要的一个方面,许多专家学者对此进行了深入研究.到目前为止,所有这些研究都是针对确定环境下的车辆路径问题或不确定车辆路径问题中具有模糊或随机需求的问题,尚未发现有对随机行驶时间的多类型车辆路径问题进行研究.针对随机信息条件下的多类型车辆路径问题进行了分析,运用不确定规划理论建立了该问题的优化模型,并利用遗传算法对问题进行求解.通过实验证明,该模型及算法对于多类型车辆路径问题具有一定的实用价值.     

基于网格交通状态分类的行程时间规律挖掘与计算

在出租车轨迹数据挖掘的基础上,本文提出基于网格交通状态的行程时间计算方法。在区域网格化的基础上,利用出租车全球定位系统(Global Positioning System, GPS)数据构建区域网格宏观基本图,并对宏观基本图的流量-密度关系进行拟合;进而使用高斯混合聚类法,将区域交通状态分类为畅通、轻度拥堵和重度拥堵。对不同交通状态网格的行程时间进行挖掘分析,发现3类交通状态下网格行程时间表现出不同的分布特征,畅通、轻度拥堵和重度拥堵的最佳行程时间分布分别为Gamma分布、Weibull分布和对数正态分布;通过不同状态网格行驶时间联合概率密度分布的近似拟合推导出路径网格行程时间概率密度模型。本文提出的方法可以快速计算一定可靠度条件下的行程时间,对不同线路和时间内的案例分析结果表明,该方法对路径行程时间估计的平均绝对误差在1%~16%,可以为交通诱导与未来导航提供技术方法支撑。     

基于四阶矩的路网总行程时间可靠性评价

为了评价供需服从任意分布时的路网总行程时间可靠性,提出一种基于四阶矩的计算方法.通过计算机模拟计算出路网出行总时间的四阶矩,然后推导总行程时间预算与四阶矩之间的关系,继而定义了路网总行程时间可靠性,并采用逆向求解方程得到该值.通过在大型算例路网上进行测试,得到该网络的不同预算下的总行程时间可靠性.分析结果表明,路网总行程时间可靠性随着总行程时间预算的增加而增加,当增加到一定程度时,可靠性趋于稳定值1.0,完全符合实际情况,从而说明计算机模拟加上逆向求解的基于四阶矩的可靠性算法是一个有效的算法,可以很好地应用在供需随机分布路网的行程时间可靠性研究中.     

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.     

随机交通网络约束最可靠路径问题

为了模拟仿真交通网络中,约束条件下考虑风险性车辆路径选择行为,建立随机交通网络环境下约束最可靠路径问题数学规划模型,并讨论了其对偶问题.采用梯度下降算法求解对偶问题,获得原问题最优值的上界和下界,通过迭代获得原问题的近似解.针对Sioux Falls network展开数值试验并对数值结果进行了对比分析.计算结果表明：在随机交通网络环境下,无约束和有约束条件下求解的最可靠路径是不同的;不同的资源约束条件下求解的最可靠路径也是不同的,资源约束条件对交通网络中最可靠路径的选择有很大的影响.     

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.