交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

风景区居民出行交通方式选择研究

为改善景区交通拥堵问题,研究景区居民出行行为,在石花洞景区展开居民出行特征问卷调查,分析景区居民出行需求和居民出行交通方式选择影响因素,并利用非集计模型构建景区居民出行交通方式选择预测模型。结果表明,景区居民出行交通方式选择受出行时长影响较大,家中有车居民在日常活动中更愿意驾车出行,男性居民出行更偏向于使用私家车,中青年尤其喜欢自驾出行,且以景区居民出行者的性别、年龄、出行目的、出行时间、私家车拥有量为影响因素的交通方式选择非集计模型预测精度较高,其中步行方式的预测准确率高达95.5%。     

�����˹����������ҵ���㽻ͨ��ʽ�о�

针对商业网点的交通方式构成特性,首先分析了影响交通方式选择的因素,在北京市商业网点的调查数据基础上,利用人工神经网络强大的非线性映射能力和泛化功能,建立了公交出行比例预测的神经网络模型,并定量的分析了影响因素值的改变对公交比例的影响,预测了在不同策略下商业网点公交出行比例的变化情况。     

北京市共享单车停车需求预测

为给共享单车停放点布设规划提供依据,通过对北京市居民出行方式选择进行调研,分析北京市居民出行方式影响因素,确定影响居民出行交通方式选择的特性变量。分析比较现有交通需求预测方法的优缺点,应用随机效用理论,建立基于交通方式选择的共享单车需求预测模型(Logit模型),利用TransCAD交通规划软件对模型参数进行标定,确定分担方式效用函数。根据未来年交通出行量进行停车需求预测,实验结果表明符合规划区域实际情况。     

北京市共享单车出行的时空规律与需求预测研究

基于北京市摩拜单车的工作日骑行数据,利用非负矩阵分解算法(NMF)从时间和空间两个维度深入探究共享单车的出行规律,并构建逆序群体稳定性指标(RPSI)改善k值选择过程。利用得到的出行规律,运用MATLAB构建基于非负矩阵分解算法的BP神经网络预测模型,对共享单车的出行需求进行预测,并分别与BP神经网络预测模型和长短期记忆(LSTM)神经网络预测模型的结果进行对比。研究结果表明,共享单车可分为5种基本的出行模式,每个区域的出行都可以由这5种出行模式的线性组合来表达,其中的系数代表了每一种出行模式的强度和随时间变动情况。依据这5种出行模式的时间特征和空间特征,分别确定其出行含义：通勤出行中居住地到地铁站的出行;通勤出行中地铁站到工作地点的最后一公里连接;居民其他的非通勤出行行为,如休闲娱乐活动等;回程通勤出行中从工作地点到地铁站;回程通勤出行中从地铁站到居住区的最后一公里连接。最后,模型预测结果的对比分析显示,本文构建的基于非负矩阵分解算法的BP神经网络预测模型不管是在预测精度还是实际操作便捷性上都优于其他两种预测模型。     

基于土地利用的出租车停靠规模预测模型研究

从出租车客流的出行特征出发,指出当前出租车停靠规模预测方法的不足之处.根据交通出行需求与土地利用之间的关系,并考虑位势因子、居民出行和出租车运行特征等因素,建立基于土地利用的出租车停靠规模预测模型,并以深圳市宝安区为例,提出了预测模型的算法.实践结果表明,预测模型能较好地体现用地与出租车停靠需求的关系,客观反映出租车停靠站的的实际发展要求.     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

���ڷǼ���ѡ��ģ�͵ij����о���������ݷ���

传统的四步骤模型中的出行生成模型是预测研究范围内每个交通小区的出行发生次数和出行吸引次数，直接将居民的出行次数简单的按交通小区进行集计处理，并没有充分考虑每个人的出行次数，难以反映个人和家庭的社会经济等因素对居民个人出行次数的影响。本文根据2003年吉林省长春市居民出行调查数据，利用非集计模型建立居民个人的出行次数选择模型，并应用相关统计软件对模型进行标定，进而分析居民个人的出行次数，从而求得居民个人出行次数的期望值，初步尝试探索非集计模型和四步骤模型的综合应用问题。     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于GA-BP神经网络算法和粗糙集理论的交通事故黑点模型

道路交通事故黑点的预测鉴别是改善道路交通安全状况最重要、最关键的一步,采用基于GA-BP神经网络算法与粗糙集理论相结合的方法建立交通事故黑点预测模型.分析天津市津围公路的交通事故统计数据,通过GA-BP神经网络算法建立静态单元,考虑静态道路状况,分析得出道路的事故黑点样本.考虑实时动态道路交通环境条件的影响,并利用粗糙集理论建立有效的交通道路事故黑点预测模型,2种理论的有机结合,减少糙杂繁冗的数据量,降低伪报警率,提高事故黑点的预报精度,并通过实例进行实证分析.     

基于非集计模型的居民出行方式选择行为研究

基于ML模型的基本理论与建模方法,利用2009年济南市居民出行调查数据,对影响城市居民出行方式选择的因素进行了分析,确定了影响居民出行方式选择的特性变量,建立了居民出行方式选择ML模型.研究结果表明:居民出行方式选择与个人属性、家庭属性和出行属性之间有较稳定的关系,通过对影响居民出行方式选择的可控影响因素进行引导和调整,可以达到优化和调整交通方式结构的目的.     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

城市居民出行特性分析及其交通方式选择行为研究

在问卷调查及对宁波市居民出行特性分析的基础上,建立交通方式选择的MNL模型,得出不同交通方式选择的影响因素,利用SPSS软件对模型参数进行标定。研究结果表明,出行距离、出行时间等因素对居民出行交通方式的选择有重要的影响。最后,通过案例分析验证了交通方式选择模型的有效性,结果表明该交通方式选择模型适用于研究个体的出行决策,可以用于交通方式结构的调整与优化。     

“空巴联运”需求预测模型与实证分析:以湖北地区为例

以非集计离散选择模型理论为依据,建立基于Logit的城际旅客交通方式选择行为模型.根据武汉周边4个城市(孝感、随州、襄阳和十堰)经武汉到上海的旅客出行方式意向选择(Stated Preference,SP)调查数据,研究了影响旅客选择"空巴联运"(即航空与巴士接驳)方式的重要因素,并对影响因素进行灵敏度分析,估计3种交通方式("空巴联运"、动车—高铁、大巴—高铁)的客流分担率.基于调查数据,对模型参数进行了标定.结果表明,城市内出行时间(程前程后出行时间)和总出行货币费用对旅客出行方式选择影响显著.     

随机边界模型在出行时间分析中的应用研究

以居民出行调查数据为来源,对通勤者和非通勤者分别建立出行时间模型,分析两类出行者出行时间的分布规律,比较其出行时间对各类影响因素的不同响应程度.研究表明,随机成本边界模型的组合误差结构为研究个体出行时间差异提供了很好的分析手段,能为交通规划和管理工作提供依据.     

���ڸ�����з�ʽѡ������г���ͨӰ�������о�

自行车交通是当今我国城市客运交通的重要组成部分。居民是否选择自行车直接受到各种因素影响。本文分析了影响自行车交通方式选择的微观影响因素，并定义其为“基于个体出行方式选择的自行车交通影响因素”。本文将其分为个体特征、出行信息和交通方式服务水平主观感知等三类影响因素。文章期望找出基于出行个体的自行车交通影响因素，研究各影响因素的相关性和内部联系，并分析这些因素对出行选择的影响权重和作用机理。因此建立了包含因子分析的二项logit模型，并以南京市的调查数据为例阐述了模型的应用。本文的结论为交通政策制定者和交通规划师建立可持续交通系统以及发展和谐交通提供了一些有价值的信息。     

基于BP神经网络的交通信息量预测方法

交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求。为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输人数据规模,缩短了神经网络预测时间。最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性。仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考。     

大型建设项目交通影响度预测的BP网络法

对大型规划项目进行交通影响分析越来越受到交通工程专家和城市规划管理部门的重视,如何科学预测项目建成后对周围路网的交通影响是交通影响分析的核心。根据人工神经网络原理建立了三层BP神经网络预测模型,并以重庆南岸体育中心为例,说明了方法的实用性。     

基于FWD的沥青路面弯沉预测模型对比分析

为了有效利用FWD检测仪器,提高弯沉检测效率和精度,分别利用回归分析技术和BP神经网络智能方法,建立了基于FWD动态弯沉预测静态弯沉的预测模型,分析了模型影响因素,并对比了2种模型的预测效果.研究表明:弯沉检测层位、FWD系统误差、弯沉测试范围均对弯沉预测模型有较大影响;与回归模型相比,BP神经网络模型的均方根误差降低...     

大型建设项目交通影响度预测的BP网络法

对大型规划项目进行交通影响分析越来越受到交通工程专家和城市规划管理部门的重视,如何科学预测项目建成后对周围路网的交通影响是交通影响分析的核心。根据人工神经网络原理建立了三层BP神经网络预测模型,并以重庆南岸体育中心为例,说明了方法的实用性。