基于IGWO-BP算法的轨道交通短时客流预测

轨道交通短时客流具有随机性和非线性的特点.为提高轨道交通短时客流预测结果的准确度,研究了基于改进的灰狼优化算法(IGWO)与BP神经网络的短时客流预测算法(IGWO-BP).计算轨道交通客流不同时间序列的相关系数,确定了BP神经网络的输入和输出方式;用余弦思想和动态权重策略对原始灰狼优化算法改进,提高算法的全局搜索能力...     

基于拉格朗日松弛算法的自动驾驶公交调度优化研究

为了解决公交实际运营出现的调度方式单一、车辆配合度较差、串车等问题，降低公交运行中人为因素的影响，提高公交系统的运营效率，提出一种考虑乘客动态需求的调度模型，采用自动驾驶环境下的公交运营方式，结合站点实际乘客需求调配车辆，实现了公交车辆利用程度最大和乘客总体等待时间最小的多目标优化。提出的自动驾驶公交调度方法，获取了乘客个体的实时出行需求，同时实现了对车头时距的调控。在模型求解方面，选取拉格朗日松弛算法，最终获得了多目标优化问题的精确解。以北京公交300路快车作为实际案例进行分析，从公交实际运营数据中提取多项参数作为模型的输入，通过拉格朗日松弛算法的求解，得到自动驾驶条件下公交运行时刻表、乘客等待时间、公交承载量、站点上车乘客人数等多项运营指标。通过与公交实际运营状态的对比，论证了采用自动驾驶公交对于改善公交运营现状的可行性。最后将优化结果与公交实际数据进行了对比分析。结果表明：自动驾驶车辆投入公交运营，能够缓解串车问题，同一线路上公交车的载客量分布更为均衡，在同一断面的客流与车头时距的不均衡程度均有所降低；同时高峰时段发车数量减少了20%，公交车的平均承载量提高了21.7%，车辆平均间隔缩短了29.9%。     

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.      

不完备信息下公交断面客流的推算模型

为解决不完备交通数据信息下城市公交线路的断面客流量的计算问题,以断面客流的预测为研究对象,探讨了公交车站下车客流的预测模型。运用区段覆盖的思想,将公交沿线以客流集散点为中心划分成不同的客流分布区段。结合各站点的区位条件、客流条件建立不同区段内的公交分担率模型。以此为基础结合公交IC卡上车客流数据构建各车站的下车客流预测模型,结合上车客流、下车客流与断面客流三者的关系模型,计算得到公交断面客流量。最后以西安市某条公交线路某个时段的上车刷卡数据为例进行了模型的适用性分析,统计该条线路沿线各个站点周边300 m吸引范围内的土地利用性质以及人口密度,采用改进的遗传算法对模型中的未知参数进行标定。结果显示,待确定参数α和β分别取0.419 1和0.482 3时目标函数取得最优解,利用标定的结果计算该线路各车站的下车客流,进而求得断面客流量。通过与实际跟车调查结果对比,运用构建的模型预测得到的断面客流量与实际值存在一定的差异,平均相对误差在23%以内,平均绝对误差约为5人/断面,从整体结果来看预测的断面客流的变化趋势与实际调查断面客流情况基本一致,表明构建的模型具有一定的可靠性。     

基于多源公交数据和车时成本优化的公交运营时段划分方法

现有公交运营时段划分方法均基于单一参数（乘客需求或行程时间）的相似性,忽略了乘客需求与行程时间对时段划分方案的协同作用。针对传统方法的缺陷,利用多源公交数据,提出一种新的基于最小化车队运营时间成本的时段划分方法。首先,利用逆差函数模型计算时间窗内完成班次任务所需要的最小车队规模,进而利用滑动时间窗模型,计算全天各时间窗所需的理论最小车队规模。然后,以时段划分方案的时间分割点为决策变量,以最小化全天累计车队运营时间成本为目标建立优化模型,采用遗传算法对运营时段划分方案进行寻优。最后,以广州市87路公交线路实际数据为例进行验证,并对模型参数进行敏感性分析。研究结果表明：与传统方法相比,所提方法能更好地实现运力与运量相匹配,并有效降低车时成本;与以往基于断面客流和基于行程时间的划分方案相比,所提方案的车时成本分别降低25 veh·h和45.33 veh·h。     

基于鲁棒优化的公交实时到站信息优化

公交实时到站信息是公交实时信息中的一项重要指标,不可靠的到站信息容易误导乘客。考虑突发客流等需求不确定条件,基于鲁棒优化的方法,提出了一种新的公交实时到站信息优化方法。不同于已往研究通过建立模型寻找更精确的到站时间预测方法,在已有的公交实时到站信息中,考虑客流情况的不确定性,以及乘客对公交实时信息的不同态度,同时考虑驾驶员在行驶过程中的恢复行为,建立数学模型,增加对公交实时到站时间预测的运行延误估计,给乘客提供一定的辅助信息来调整其出行计划及行为。通过案例验证了模型的有效性。结果表明:(1)对同一条公交线路而言,不同的等待时间成本系数导致结果发生明显的变化;(2)公交实时信息的普及可以节省乘客的出行时间成本;(3)对于服务水平较差的公交线路而言,模型应用产生的风险成本更大,模型在服务水平较好的公交线路上应用效果会更好。通过该公交实时到站信息优化方法,可以使现有的公交实时信息内容更为完善、精确,降低不准确的实时信息带给乘客的负面影响,从而帮助乘客更好的利用公交实时信息规划出行方案。     

公交时刻表设计与车辆运用综合优化模型

针对需求随机变动条件下公交运营设计的综合优化问题,首先将公交运行情况抽象到三维网络中,给出公交车辆运营服务的时空网络图,由此构造基于随机期望值规划的公交时刻表设计与车辆运用综合优化模型,该模型综合考虑了公交企业的经济效益和公交乘客所得到的公交服务水平的优化,并给出公交服务频次和车辆分配协调的启发式算法。通过北京市某线路实际运营数据的计算,对公交车队规模、线路类型的安排与公交企业效益及服务的灵敏度关系进行量化分析,证明模型和算法是有效的。     

基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例

提出了一个全新的动态公交客流预测模型,使用智能卡数据和网络爬取的常州市兴趣点(POI)数据、天气记录数据,建立一种特征融合的长短期记忆递归神经网络(Feature-fusion LSTM RNN)模型,并应用于常州市地面公交客流集散点的智慧卡(Smart Card)刷卡客流预测.将以上模型用于刷卡客流预测实验,结果表明经过良好数据训练后的特征融合的长短期记忆递归神经网络可以在刷卡客流预测中保持较高的稳定性、准确性和泛化能力.     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明：不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。     

针对站点人流爆发的公交运营策略优化研究（双语出版）

为应对公交大力发展情形下涌现的公交供需不平衡问题，重点关注公交站点爆发性人流问题的解决，考虑供需严重失衡下的公交运营策略改进，以扩充线路公交运力，减轻站点爆发性人流对公交系统的冲击。所提人流爆发站点主要包括大型集会场所、商场及景区周边等具有预知性人流爆发可能的站点。运营策略改进方法主要是通过在原有公交线路基础上，布设区间小线路的方式，与大线路形成协调运营关系，共同完成线路站点的爆发性人流疏散，具体包括公交大线路运营优化、区间小线路规划及前二者的结合3种。为获得研究区域内全面、有效的线路运营策略，以社会福利最大化为目标建立非线性整数规划模型，求解大、小线路最优发车间隔及增配车辆数，并引进系统弹复性指数作为模型求解结果良莠的评价指标。为证明该运营策略优化方法的有效性，以哈尔滨市中心城区为研究区域，解决该区域站点人流爆发问题。通过模型构建、求解及结果评价，发现经策略改进后，区域爆发线路弹复性指数较优化之前提高35%，运营策略改进后的社会福利值较不优化情况提高2倍，所提运营策略优化方法在不同乘客规模及不同限制条件下均能够起到一定的系统维稳作用，运营策略改进方法能够缓解站点爆发性人流。     

考虑时间窗的定制公交线路时空分层优化模型

研究定制公交线网布局及调度优化对增强公交系统吸引力, 提高乘客出行效率具有重要意义。针对定制公交乘客需求点在时间和空间上分布离散的特点, 构建了考虑时间窗的定制公交时空分层优化模型, 并设计遗传算法对模型进行求解。通过渔网与核密度分析对需求点在时间和空间上进行了热点识别, 并实现热点区域聚类分析以及合乘站点分类。基于合乘站点集合, 综合考虑公交容量、线路长度、乘客出行距离构建了线路空间优化模型, 以乘客的时间花费最小作为优化目标构建了线路时间优化模型。以济南市城区定制公交为例对模型的性能进行评估, 案例结果表明: 模型优化后的线路方案, 乘客平均服务覆盖率可达96%, 服务区域内每个时段的单个乘客的平均节省时间为15 min, 公交的平均满载率为90%。      

车路协同环境下重叠线路公交车速诱导策略

为了防止公交车辆在线路重叠运行区间产生公交串车，在站点附近形成交通瓶颈，提出一种采用车速诱导策略来调整公交运行状态的动态调度模型。采用车路协同环境下的公交运营调度方式，结合各线路独自运行时的乘客需求和车辆车头时距规律，在避免重叠区站点公交串车的前提下，实现了各线路车辆最大程度地维持各自独立运行时车头时距的优化目标。提出的车路协同环境下的车速诱导调度策略，在引导各线路公交车辆间隔均匀地进入重叠区间后，根据乘客实时交通需求和道路交通状况，实现对车辆的实时调控。开发了一种启发式算法对车辆进入重叠区间的时刻进行求解，采用基于遗传算法的仿真过程求解了重叠区站点之间车辆的最佳运行速度，实现了重叠区间车辆动态调度过程。以哈尔滨市运行区间重叠的3条公交线路为实际案例进行仿真分析，对3条线路共计47辆公交车在重叠区12个站点之间的运行状况进行了优化调度。结果表明：采用提出的启发式算法进行调度后，车辆可以完全均匀地进入重叠区。通过对比采用动态调度优化前后的车辆运行状态发现，车辆串车现象由优化前的单站最多发生6次下降为0次，最大程度地实现了避免公交串车的目标。此外，车速诱导策略不仅避免了不同线路车辆在重叠区站点的串车现象，而且可以调整各线路上相邻两车之间的车头时距偏差，线路1的车头时距最大偏差从55%下降到了30%，线路2的车头时距最大偏差从25%下降到了13%，线路3的车头时距最大偏差从23%下降到了18%。     

BP神经网络在公交智能化调度中的应用研究

应用BP神经网络自动生成公交线网的调度方式,研究了公交线路上各站点的客流量统计和预测方法,将BP神经网络与城市公交系统紧密结合,确定了输入变量的构成、变量数据的获取,输入量和输出量的对应关系及实现从输入到输出的对应关系.应用BP神经网络算法确定智能化调度中变量转化,最终自动生成正班车、快车、区间车、准点控制和放车调度等5种调度方式,结果表明采用BP神经网络的结构和方法能够更好地反映城市公交调度层次与模式,是一种研究城市公共交通智能化调度的最有效方法.     

基于站点群体聚集性客流的公交串车调度优化

为提升城市公交准点率、减少延误，解决车辆串车问题，研究基于站点群体聚集性客流的公交调度优化方法。以乘客出行意愿、乘车属性、到站规律等标识公交客流变化特征，以车辆载客限制、站点延误、到达率、下车率等描述串车形成场景。考虑准时性、客流需求、调控策略等约束，采用实时混合控制策略，实现车头时距偏差与乘客总行程时间最小的多目标优化。提出的公交串车调度方法，考虑到乘客到达率的不确定性，并通过调控公交车辆站点驻站时间以及路段平均行驶速度，可满足站点时段性群体聚集公交客流出行需求，防范潜在的公交串车。在模型求解上，考虑到双目标优化视角的差异性，运用超车规则对串车场景下的出站车辆重新排序，设计基于NSGA-II的求解算法，以拥挤距离标定序度关系，以精英策略获取新种群，改进交叉算子，并基于TOPSIS法对获取的Pareto解集择优。最后，以实际公交线路为例进行案例分析，结果表明：基于站点群体聚集性客流的公交串车优化调度模型，系统考虑了乘客乘车属性与车辆载客限制，能够输出最优的车辆滞站与车速调整方案，并且能运算得出车辆离站时间、车头时距偏差、准点率、乘客等待时间以及乘客行程时间等多项运营指标。优化前后对比表...     

基于扰动观测的客车ESC自适应神经网络滑模控制

为了提高客车电子稳定性控制系统(ESC)的控制精度,针对实际车辆系统建模中存在各种非线性扰动项以及传统滑模控制(Sliding Mode Control,SMC)中抖振较大的问题,提出一种自适应神经网络滑模控制算法.基于2自由度车辆模型,首先设计一个二阶滑模(Second-order Sliding Mode,SOSM...     

城市交通枢纽短期客流量的组合预测模型

客流量的预测对交通枢纽内部组织方案和应急预案的调整起着重要作用,为了更为精确地对交通枢纽短期的客流量进行预测分析,通过分析交通枢纽客流量的变化特点,对比各种预测方法的优缺点,建立了综合BP神经网络和最小二乘支持向量机的组合预测模型,通过BP神经网络初步预测,再利用最小二乘支持向量机的修正,完成对交通枢纽客流量的预测。实际数据验证表明,相比单一的预测模型,文内提出的模型能够将交通枢纽的客流量的预测精度提高约1%,表明论文中方法能够克服单一模型带来的不确定性。      

BP和RBF神经网络在边坡稳定性评估中的比较研究

通过实例分析,对BP神经网络和RBF神经网络在边坡稳定性评估中的应用进行了比较研究,结果表明,BP神经网络和RBF神经网络均能很好地对边坡稳定性进行评估,但RBF神经网络比BP神经网络的训练速度更快,效率更高,并且对于同样的精度要求,RBF神经网络对边坡稳定性的评估结果更加准确和适用。