基于区位信息的城际公路货运分布量预测—— 以云南为例

为预测无精确现状货运OD矩阵的城际公路货运分布量,引入区位理论,根据城市的用地属性和社会经济属性指标,从城市聚集规模质因子和可达性2个方面量化城市区位信息,从而获取城市的产生区位影响因子、吸引区位影响因子和相对可达性;考虑区位影响因子,将其与改进重力模型相结合求得货运量分布概率矩阵,将计算所得的未来年货运产生量预测值通过货运量分布概率矩阵分配至相关城市,得到初始货运量分布矩阵;再根据Fratar模型预测城际公路货运分布量,最后以云南省为例进行验证.结果表明,通过建立公路货运分布量预测模型,并经过Fratar模型迭代计算能够获得云南省未来年的城际货运量分布OD矩阵.所提出的城际公路货运分布量预测方法可大幅简化基础数据收集与货车调查工作量,具有很好的移植性.      

基于船舶AIS及签证数据的长江内河货运阻抗及分布模型研究

为了研究长江内河各航段复杂多变的航道环境对水路货物运输的影响,根据船舶AIS数据及三峡船闸过闸数据建立一种考虑不同月份、不同航段的船舶逆水而上、顺流而下2种情况的货运阻抗函数,并基于Matlab求解得到长江内河重要港口节点之间不同月份的时间阻抗矩阵.以2010年10月船舶签证数据为例,结合距离阻抗矩阵和时间阻抗矩阵,标定阻抗函数为幂函数和指数函数下的重力模型的参数,建立相应的货运分布模型.并在不同模型下分别预测了2012年10月货运量分布情况.对货运实际观测值和模型预测值结果进行货运距离分布(trip length distribution,TLD)方法检验.结果显示,以时间为阻抗指标的幂函数和指数函数重力模型预测结果的重合率(coincidence ratios,CR)值分别为0.83和0.86,比对应的以距离为阻抗指标的预测结果的CR值0.81和0.82要高,所建立的以时间阻抗模型更能反映长江内河货运实际情况.      

基于运力均衡与价格弹性的公路货运量预测方法研究

针对传统公路货运量预测中不考虑货运供给特征和货运需求量结构性变化的不足,提出了通过分轮轴类型的交通量调查和轴载谱调查,获取基年车辆装载量概率密度分布函数,使用主流车型的短期平均运输成本拟合得到车辆长期平均运输成本函数,根据运力均衡的思想和货运需求价格弹性模型对计划年分批量的公路货运需求量进行修正,在此基础上建立外部环境变化时计划年公路货运量的预测模型.     

基于货运强度变化规律的货运量预测方法

目前我国部分地区货运量统计数据存在收集不全、统计口径不一致及社会经济环境变化大等问题,导致常规的时间序列预测法和回归预测法难以在这些地区应用.鉴于此,分析了国内外货运强度变化的规律,指出人均GDP和第三产业所占比例是影响货运强度的主要因子.提出了通过模糊聚类方法对地区货运发展阶段进行定位,找出其发展阶段所对应的货运强度...     

疫情带来的挑战和机遇

2020新冠肺炎疫情来势凶猛,国内采取了"封城"、停工、停学的严管措施。基于工业企业年后复工延期、供应链短期偏紧,用户购车观望,客运量与货运量短期下滑等因素的影响,我国宏观经济将短期下行,并对商用车市场的发展产生了较大影响(详见本期焦点栏目)。笔者分析认为,这场新冠肺炎疫情的出现将加速或者改变目前我国商用车行业的格局,对于我国专用车行业来说或将呈现以下新变化和新机遇。     

基于广义回归神经网络的公路货运量预测方法研究

公路货运量受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述.采用广义回归神经网络(GRNN)对货运量进行分析及预测.通过对1995～2003年南京市公路运量的历史数据进行分析和处理,对网络进行训练和拟合,用2004～2005年的实际数据进行模型检验,结果证明了GRNN用于货运量预测的有效性.     

公路货运量灰色模型—马尔可夫链预测方法研究

将灰色系统理论与马尔可夫链相结合,首次提出了灰色模型—马尔可夫链预测公路货运量的方法;并结合"十五"期间中国公路货运量和公路货运市场的发展趋势的预测分析详细阐述了该方法的具体应用。首先建立GM(1,1)灰色动态拟合模型,并以此作为公路货运量发展变化的动态基准线模型;在此基础上应用马尔可夫链确定系统状态转移概率矩阵,通过系统状态的划分、样本值与模型拟合值之间的残差及其标准化离差等指标的分析计算,最终以概率形式分析和预测公路货运量的发展变化区间。理论分析和实践都表明,该法不但预测结果更可靠,而且能够对公路货运市场的发展趋势进行宏观的把握,有利于决策者的决策行为。     

向莆铁路引入福州枢纽后货运布局研究

通过对福州枢纽货运量现状调查预测及对枢纽货运系统的分析,结合福州市的发展规划、枢纽内主要站段的技术装备和运营特征以及向莆铁路的引入,提出了福州枢纽新的货运布局规划方案.     

基于SAS的铁路货运量预测

铁路运输是国民经济的大动脉、国家重要基础设施和大众化交通工具,在综合交通运输体系中发挥着骨干作用。货物运输是铁路运输的一项重要职能,提前对货运量进行准确的预测有助于管理部门合理的安排运力。本文主要利用求和自回归移动平均(ARIMA)模型的基本思想,基本理论以及一般模型,对1985年至2012年我国铁路货运量进行时间序列分析,用SAS软件对模型的可行性进行检验,建立了模型,并用2013年的数据进行了验证,结果显示,铁路货运量的模拟值和真实值比较吻合,这说明本文建立的模型是有效的,最后对未来三年的货运量做了简单的预测分析。     

公路货运量灰色模型-马尔可夫链预测方法研究

将灰色系统理论与马尔可夫链相结合，首次提出了灰色模型-马尔可夫链预测公路货运量的方法；并结合“十五”期间中国公路货运量和公路货运市场的发展趋势的预测分析详细阐述了该方法的具体应用。首先建立GM(1，1)灰色动态拟合模型，并以此作为公路货运量发展变化的动态基准线模型；在此基础上应用马尔可夫链确定系统状态转移概率矩阵，通过系统状态的划分、样本值与模型拟合值之间的残差及其标准化离差等指标的分析计算，最终以概率形式分析和预测公路货运量的发展变化区问。理论分析和实践都表明，该法不但预测结果更可靠，而且能够对公路货运市场的发展趋势进行宏观的把握，有利于决策者的决策行为。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于灰色-马尔科夫模型的高速公路货物运输量预测方法

为准确预测我国高速公路货物运输趋势,文章提出灰色GM(1,1)模型、马尔科夫模型和新陈代谢思想的组合模型,以2009—2016年我国高速公路货物周转量为原始数据序列,预测2017—2019年高速公路货物周转量。结果表明:组合模型比传统的灰色GM(1,1)模型预测精度更高,加入新陈代谢思想,删除旧数据,引入新数据,降低了长期预测的误差,对新序列采用灰色-马尔科夫模型,2018年和2019年的相对误差由原来的7.81%和6.45%分别下降到3.85%和0.62%。     

Modeling the accuracy of traffic crash prediction models

Crash forecasting enables safety planners to take appropriate actions before casualty or loss occurs. Identifying and analyzing the attributes influencing forecasting accuracy is of great importance in road crash forecasting. This study aims to model the forecasting accuracy of 31 provinces using their macroeconomic variables and road traffic indicators. Iran's road crashes throughout 2011–2018 are calibrated and cross-validated using the Holt-Winters (HW) forecasting method. The sensitivity of crash forecast reliability is studied by a regression model. The results suggested that the root mean square error (RMSE) of crash prediction increased among the provinces with higher and more variant average monthly crashes. On the contrary, the accuracy of crash prediction improved in provinces with higher per capita GDP, and higher traffic exposure. A 1% increase in crash variability, average historical crash count, GDP per capita, and traffic exposure, respectively, resulted in a 0.65%, 0.52%, −0.38%, and −0.13% change in the RMSE of forecasting. The addition of traffic exposure and macroeconomic factors significantly enhanced the model fit and improved the adjusted R-squared by 14% compared to the reduced model that only used the historical average and variability of crash count as the independent variables. The findings of this research suggest planners and policymakers should consider the notable influence of macroeconomic factors and traffic indicators on the crash forecasting accuracy.     

常态化疫情防控阶段旅客中长距离城际出行联合选择行为建模

新冠肺炎疫情对旅客中长距离的城际交通出行影响巨大,现有研究侧重疫情暴发初期疫情对城际交通出行的影响,针对常态化疫情防控阶段旅客城际出行选择行为的研究相对较少,因此,本文旨在研究常态化疫情防控阶段旅客中长距离城际出行选择行为。针对民航、高铁、普铁和自驾等方式分别建立包含4种城际出行方式的多指标多因果出行选择模型（MIMIC）,模型中引入感知防疫安全程度、防疫策略、乘车体验与出行习惯4个潜变量,探究潜变量与观测变量的因子载荷并辨识模型参数,求取各潜变量的拟合值;在此基础上建立考虑出行方式特性、旅客社会经济属性与潜变量的多出行方式联合选择行为模型（MIMIC-Logit）,探究常态化疫情防控阶段旅客出行心理对其出行决策的影响;假设出行费用、时间与距离等变量的随机系数服从正态分布,采用抽样1000次的Halton序列对随机系数进行仿真求解,得到随机系数的回归分析结果。以2021年4月—6月到达西安旅客的调查数据为例进行实证研究,结果发现：所提MIMIC-Logit模型的拟合优度与命中率分别为43.621%与83.312%,均高于多项Logit模型与随机系数Logit模型;旅客对不同方式的出行费...     

新冠肺炎疫情下城市公共交通非常规防疫策略——以宁波市为例

在国家重大突发疫情面前，城市公共交通具有保障出行与阻断疫情的双重责任。面对新型冠状病毒感染的肺炎（简称新冠肺炎，COVID-19）疫情，城市公共交通既要保证有效运输，又要降低疫情扩散的风险。地铁和常规公交是城市公共交通系统不可缺少的一部分，在城市公共交通中占据重要地位。针对宁波市城市公共交通系统中存在的防疫问题，提出了基于问题驱动的城市公共交通非常规防疫策略。研究结果表明：新冠肺炎疫情形势下，城市公共交通系统防疫需要启动应急响应机制，遵循分区分类防控的基本原则，在保障人们刚性出行需求的同时，必须阻断疫情传播，减少通过公共交通运输造成的交叉感染，实现疫情可防可控。除体温检测、佩戴口罩与洗手消毒等防疫措施之外，还应结合地方实际和风险评估等级采取非常规的组合防疫策略，即：①面向城市常规公交，建议采取网格化运营策略、需求响应式运营策略以及应急公交接驳策略；②面向城市轨道交通，建议采取3级组合防疫策略，即暂停运营策略、车厢隔离防疫策略以及需求响应式防疫策略。以上常规公交与轨道交通的多种组合防疫策略需根据疫情的发展情况动态调整，及时启动相应级别的公共交通应急预案，被动防御与主动防控相结合，积极发挥城市公共交通在疫情时期的交通骨干作用和应急保障作用。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

交通暴露与土地利用模式对社区COVID-19传播风险的影响

为揭示交通暴露和土地利用层面各因素对新型冠状病毒肺炎（COVID-19）疫情在社区尺度传播风险的影响，以A市315个小区的1 947例COVID-19确诊数据为研究样本，利用ArcGIS平台的地理编码、核密度分析、空间统计和网络分析等方法，基于道路网络、公交网络、城市POI和中国GDP/人口空间分布的公里网格数据，获取有病例小区500 m缓冲区范围内表征交通暴露和土地利用的14项具体指标。在此基础上，采用小区的COVID-19确诊人数作为解释变量，同时考虑交通暴露层面变量（路网密度、设施邻近度）和土地利用层面变量（混合度、使用强度），运用经典全局泊松回归和变系数地理加权泊松回归（GWPR）2种方法建立模型并进行实证对比分析。研究结果表明：考虑空间异质性的GWPR模型具有更高拟合优度和解释度；道路密度、公交线网密度、CBD邻近度、建筑密度、人口密度和土地价值与小区COVID-19传播风险呈显著正相关；出入口邻近度、绿地公园邻近度和土地利用混合度变量则在GWR模型中表现出随空间位置的改变呈现显著正负2种影响效果；人口密度、土地价值、绿地公园邻近度和土地利用混合度对小区COVID-19传播风险的影响程度要高于其他变量。因此，城市空间要素不仅会影响非传染性的病发风险，同时也与传染性疾病的传播风险显著相关，所得结果可为通过土地利用、城市交通规划等手段降低流行病发生的潜在风险提供参考。     

基于粗糙集理论的短时交通流组合预测研究

为满足交通流诱导系统的理论需要,建立了一种基于粗糙集理论的实时交通流量组合预测模型。通过粗糙集理论来确定组合预测中的权系数,对路段的交通流做出短时预测。结合某路段的实际交通流数据,对预测模型进行仿真训练,经过比较分析,验证了该组合预测模型的有效性和实用性。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。