定时、定线路上下班拼车方案实现与评价——以淮安为试点

因信息不畅、费用不统一、违法犯罪时有发生和法律界定不明确等问题,导致私家车拼车市场发展缓慢.设计了以淮安为试点的定时、定线路上下班拼车方案,搭建了拼车信息平台,实现了拼车的信息检索、信息配对、双方互选、双方互评等功能,并利用时间费用阻抗评价模型和Vissim仿真对该实施后的方案进行评价,结果表明该方案可使时间费用阻抗减少65%~86%,拼车路网中平均车速提高17.83%、总停车延误时间减少34.84%、总行驶时间减少28.29%、总延误时间减少40.89%、平均延误时间减少29.23%.方案在淮安试点表明,该方案能较大地减少拼车过程中的出行时间和出行费用,改善拼车区域路网交通拥堵状况,提高拼车过程的安全性和经济性.      

基于马尔科夫链的公交站间行程时间预测算法

公交站间行程时间具有明显的时段分布特征,且公交车辆是典型的时空过程对象,其运行具有状态转移性。为了准确预测公交站间行程时间,在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交GPS数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵,并对站间行程时间进行状态推导,采用移动误差补偿法对马尔科夫预测值进行动态修正,改进原有的马尔科夫预测算法。以广州市BRT线路B1的实际运行数据对算法进行了验证,结果表明,移动误差补偿改进算法优于基本马尔科夫算法及 BP模型,同时该改进算法还具有实现过程较简单。      

铁路客运站始发列车检票时间算法研究

铁路客运站始发列车检票时间通常采用写实查定的方法来确定,工作量大且 不能及时反映客流不均衡性和检票设备更新后的变化,因此有必要对始发列车检票时间 进行定量化研究.本文首先采用K-S 检验方法,对旅客检票时间随机分布进行建模研究; 其次,针对旅客检票过程中的排队、拥挤和换队行为,构建基于实时人群密度的路径规划 算法,建立始发列车旅客检票过程仿真模型,并对模型的正确性进行验证;最后,以发送 旅客人数和自动检票闸机数量为自变量设计正交试验,根据仿真实验数据分析结果,提 出铁路客运站始发列车检票时间算法,并对算法的正确性进行验证.     

基于时空隔离原则的列车控制软件集成方法的研究

针对CTCS-3设备硬件资源浪费、通信复杂和容易出故障的问题,参考ARINC 653标准中时空隔离的思想,目的是实现一台设备集成多台设备的功能,提高设备效率和可靠性.文中运用两级调度结构,根据VXWORKS操作系统的特性计算程序运行时间,确定隔离时间和周期;运用开发平台工具测量单个任务所需内存,确定隔离内存大小.用实例验证本方法的正确性.     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

电动公交更换式充电站的优化设计

更换式充电站具有提高车辆利用率、电池充电温度可控和电池维护便利等优点,成为国内纯电动公交车最主要的能源补给模式,同时更换式充电站也具有使用电池数量大、占地面积大、投资规模大等缺点.本文建立了基于高峰发车间隔、平峰发车间隔、高峰持续时间、平峰持续时间、电池回站SOC等参数的更换式充电站的车辆数量、电池数量和更换工位数量计算方法,建立了基于锂离子电池充电曲线的充电站总充电功率的计算方法,通过实际充电站的运行数据测试,验证了本文提出的相关方法的可行性和准确性.     

行程时间异常值处理方法研究

基于车牌识别数据可以得到较为准确的行程时间数据,但是由于识别系统自身原因、驾驶员路径选择行为、停车行为等因素的影响,行程时间数据中存在不少的异常值,剔除异常值才能将所得数据应用于实际研究和服务.在详细分析了行程时间异常值产生原因的基础上,提出了基于异常值数据表现以及行程时间分布特征的异常值剔除方法,最后以北京市的车牌识别系统数据为例,验证了方法的适用性.     

震后区域路网运输优化调度模型

震后区域路网由于受众多随机事件影响,路段通行能力下降,从而导致行程时间波动性增加.建立了以运量方差积最小为优化目标,从交通流合理分配的角度出发的无差别和考虑运输任务差别的交通流运输网络优化调度模型,用二次加权平均算法求解模型.通过对模拟仿真网络的计算结果表明,该模型能较好解决震后运输网络交通流分配问题.     

基于ARIMA模型的全球跨国快递业务量预测

快递是交通运输行业中的新兴子行业,其发展具有长趋势性和短周期性。对全球跨国快递业务量进行分析和预测。数据来源是四大快递公司的季度跨国快递包裹量,跨度为2001年1季度至2010年4季度,考虑到原始数据为非平稳时间序列,运用时间序列分析方法中的ARIMA模型,对原始序列进行差分处理,根据自相关和偏相关函数的特性,确定模型中的各项参数,最终可以选择ARIMA(1,1,1)(1,1,1)4作为模型,该模型可以得到较为理想的结果。