降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

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.      

基于交通流理论的公交站点间行程时间预测

分析了公交站点间车辆运行过程,将行程预测时间划分为交叉口排队等待时间、路段行驶时间和停站时间3个部分,利用交通波理论和延误三角形,分别建立了无公交专用车道和有公交专用车道2种情况下排队等待时间的动态预测模型;根据乘客到站规律和上下车规律,提出了公交车进站停靠时间模型;针对无公交专用车道条件下的时间预测方法进行了实例演算.实验数据表明,基于交通波行程时间预测方法具有较高的精度,可以满足站点间行程时间预报要求.     

基于小波神经网络的出租车保有量预测模型

为了提高出租车保有量的预测精度,利用小波神经网络逼近出租车保有量与其影响因素之间的非线性特性,并建立影响因素的预测模型,然后,将影响因素的预测值输入出租车保有量预测模型便实现了出租车保有量的预测.利用某市2000-2009年的出租车保有量及影响因素数据进行仿真预测,结果表明,相对于传统的BP神经网络,基于小波神经网络的出租车保有量预测模型具有更高的预测精度,该市2010-2012年的出租车保有量应分别达到9020、9 350、9 560 veh,才能保证平均候车时间在4 min左右.     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于非参数回归-粒子滤波模型的公交到站时间预测

为进一步提高公交到站时间的预测精度,提出了一种基于非参数回归-粒子滤波模型的组合预测方法。首先利用非参数回归预测方法,对公交站间速度顺序进行了预测。考虑到速度自身的时变特性,采用了扩展欧式距离作为度量相似度大小的准则来预测下一个站间速度,保证了速度曲线的相似性和模型的鲁棒性。然后利用采样-重要性重采样思想,构建了基于粒子滤波的公交车辆到站时间预测模型。最后以北京市区内3条典型公交线路为例,利用其工作日早高峰时段的历史运行数据检验模型的准确性。结果表明:(1)基于非参数回归方法预测得出的公交站间速度与实际值更为接近,预测精度显著优于加权平均法的预测结果;(2)基于非参数回归-粒子滤波算法得出的公交到站时间预测结果,线路平均绝对误差在1.5 min内,标准误差在3 min内,平均绝对百分误差均小于4%,预测精度也显著高于加权平均法-粒子滤波、非参数回归-卡尔曼滤波和加权平均法-卡尔曼滤波3种组合算法。模型的敏感度分析结果也进一步显示,预测误差会随着粒子数目的增加而逐渐趋于稳定状态,进而证明提出的方法能有效预测公交到站时间。     

公交到站时间预测研究现状与发展趋势

实时的公交到站时间预测是智能公交的重要组成部分,准确的预测有利于帮助居民进行出行规划和减少等待时间.通过研究公交到站时间预测的原理和方法,系统总结了基于GPS、APC等数据的统计学方法和分析模型.对历史平均法、神经网络、卡尔曼滤波、支持向量机和基于概率的预测模型等几种典型方法的预测原理进行了介绍,从预测精度、实时性、计算复杂性等几个方面对模型的优缺点进行了比较.分析了公交到站时间预测发展趋势,提出了该领域需要进一步研究的问题.      

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。     

交通流预测方法综述

实时交通流预测是智能运输系统研究的一个重要问题。为此,建立了许多预测模型,有历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型和组合模型等。总结评述现存的各类模型,提出交通流预测研究领域今后可能的发展趋势。     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。     

基于小波和粒子群算法的HEV行驶状况辨识方法研究

针对混合动力汽车(HEV)行驶状况(道路坡度和整车载荷)变化难以有效识别,导致驱动系统控制策略不能有效满足驾驶员意图问题,以混联式HEV为研究对象,提出了基于小波滤波和粒子群算法的HEV行驶状况辨识方法。首先建立了汽车行驶状况辨识模型,采用最小二乘法确立了优化目标函数,其次研究了基于小波滤波和粒子群算法的HEV行驶状况辨识原理,最后进行了行驶状况粒子群智能算法辨识试验。在采集实车数据的基础上,对实车数据进行小波滤波,并运用行驶状况辨识方法对道路坡度和整车载荷进行了辨识,并对辨识结果进行小波滤波,结果表明,试验工况下整车载荷辨识的相对误差绝对平均值为2.71%,道路坡度辨识的相对误差绝对平均值为3.85%,验证了所提出方法的有效性。     

Real-Time Bus Arrival Information System: An Empirical Evaluation

The provision of real-time information concerning bus arrival times could potentially reduce the uncertainty associated with public transport trips and improve the overall level of service. In addition, real-time predictions might enable operators to apply proactive control strategies. Even though considerable research efforts were devoted to the development of bus arrival prediction schemes, there is a lack of knowledge on the performance of real-world operational systems. This article aims to investigate the performance of a commonly deployed real-time information generation scheme. A conventionally used scheme is implemented and evaluated based on an empirical analysis. Performance metrics concerning the prediction error accuracy and reliability and their impact on expected waiting time were formulated from both passengers’ and operators’ perspectives. The real-time information generator was applied on the trunk line network in Stockholm, Sweden. The accuracy and reliability of the prediction scheme was analyzed by comparing the generated predictions against vehicle positioning data. This scheme was found to systematically underestimate the remaining waiting time by 6.2% on average. The provision of real-time information yields a waiting time estimate that is more than twice as close to the actual waiting times than the timetable. This difference in waiting time expectations is equivalent to 30% of the average waiting time.     

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...     

A hybrid model based method for bus travel time estimation

Providing accurate information about bus arrival time to passengers can make the public transport system more attractive. Such information helps the passengers by reducing the uncertainty on waiting time and the associated frustrations. However, accurate estimation of bus travel time is still a challenging problem, especially under heterogeneous and lane-less traffic conditions. The accuracy of such information provided to passengers depends mainly on the estimation method used, which in turns depends on the input data used. Hence, developing suitable estimation methods and identifying the most significant/appropriate input data are important. The present study focused on these aspects of development of estimation methods that can accurately estimate travel time by using significant inputs. In order to identify significant inputs, a data mining technique, namely the k-NN classifying algorithm, was used. It is based on the similarity in pattern between the input and historic data. These identified inputs were then used in a hybrid model that combined exponential smoothing technique with recursive estimation scheme based on the Kalman Filtering (KF) technique. The optimal values of the smoothing parameter were dynamically estimated and were updated using the latest measurements available from the field. The performance of the proposed algorithm showed a clear improvement in estimation accuracy when compared with existing methods.     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

基于红外测距的道路前方车辆探测预警系统研究

进行道路前方车辆探测预警系统设计时,通常采用红外测距仪来获取道路前方车距信息,并以此作为前车探测的基础数据。为了消除系统状态误差和测量误差对车距信息数据精度的影响,可根据车距信息和相对车速不会突变的特性建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值。试验证明该探测及预警方法可大大提高车辆探测的准确性和鲁棒性。