日本ITS开发和运用的实例--名古屋基于浮动车信息的P-DRGS简介

简要介绍了日本最近开发的一个先进的车辆导航系统——名古屋基于浮动车信息的动态路径引导系统(P-DRGS)。分别从系统的开发历程和计划,系统的构成、特点以及实用化四个方面介绍了P-DRGS的概况,从而在一定程度上折射出日本ITS发展的历程和值得我国借鉴的经验。     

Trip Chain's Activity Type Recognition Based on Support Vector Machine

This paper focuses on support vector machine (SVM) based trip chain's activity type recognition. First, the time-series location information of person trip is processed to obtain the trip chain elements including moving processes and activities, and the activity options are extracted from the geographic information system (GIS) around the activity sites. Second, the activity features are drawn from spatio-temporal factors of trip chain to serve as the input feature vector of classifier. A SVM based one-to-one classifier is established and the method of one-to-one classifier voting is adopted to decide the most likely activity type from the activity options. Finally, the classifiers are trained with simulation data based on the Gaussian radial basis (RBF) kernel function and the multilayer perception (MLP) kernel function respectively, and then examined by cross validation. The result shows that in the one-to-one classifying scheme, the highest and lowest right recognition rate with RBF are 99% and 62%, and the corresponding results with MLP are 97% and 54%, respectively.     

城轨新线客流成长期进出站量短时预测研究

为准确掌握城轨新线开通初期客流演化态势、提高运输组织合理性,针对新线客流变化不稳定、缺乏历史客流数据等问题,提出城轨新线客流成长期进出站量短时预测方法。通过对新线站点进出站量变化规律的分析,基于改进模糊C均值聚类算法,对考虑客流趋势相似性的城轨站点类型划分方法进行研究,并提出城轨新线站点历史数据库构建方法;基于趋势距离对近邻匹配机制进行优化,并根据多元统计回归对K近邻算法进行改进,提出新线站点客流成长期进出站量短时预测方法;结合广州地铁客流数据,对预测方法的有效性进行验证。研究结果显示:新线站点客流成长期内短时进、出站量平均预测效率较既有方法增加了35.68%、32.23%,预测精度较既有方法增加了38.32%、25.80%。     

基于非参数回归的城轨实时进出站客流预测

为准确预测城轨实时进出站客流,构建基于非参数回归的实时进出站客流预测模型。首先,对不同特征日分时进出站客流量进行对比分析,据此构建历史数据库;其次,通过计算历史分时数据的相关系数,并设置阈值对分时客流数据间的相关性进行判断,从而确定合适的非参数模型状态向量;再次,根据K近邻样本与预测目标的客流量差异性,设计基于权重加权的预测算法;最后利用广州市城轨客流数据对预测模型进行精度分析,对全网站点多天的预测结果显示:全天平均绝对百分比误差均在2%以下,分时平均绝对百分比误差均在14%以下,表明模型具有较高的预测精度和良好的适用性。     

Understanding the effects of travel demand management on metro commuters’ behavioural loyalty: a hybrid choice modelling approach

Transportation - As part of efforts to promote sustainable mobility, many cities are currently experiencing the rapid expansion of their metro network. The consequent growth in ridership motivates...     

基于乘积ARIMA模型的城市轨道交通进出站客流量预测

基于城市轨道交通自动售检票（Automatic Fare Collection,AFC）系统采集的进出站客流的历史数据,构建乘积差分自回归移动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型,实现对进出站客流量的精确预测.通过自相关和偏自相关函数进行数据的平稳性和周期性分析,消除趋势性和周期性特征影响;考虑到处理后数据的周期性和短期相关性之间的乘积关系,构建乘积ARIMA进出站客流预测模型,并以广州地铁各车站进出站客流量数据为例进行了模型的参数标定.模型预测值与实际值的对比分析显示该模型的平均绝对百分误差保持在5％以内,表明该模型具有很高的预测精度和良好的适用性.     

城市轨道交通网络新线接入后的客流预测

城市轨道交通网络新线接入后,网络拓扑结构和客流时空规律都将发生较大变化。提出通过可达性指标将进出站量预测、OD分布量预测、基于路径选择模型的随机客流分配等阶段关联,构建客流预测模型。进出站量预测时,构建土地利用替代指标,避免对新车站周边土地利用、社会经济属性等进行调查;同时由目的地选择效用计算得到车站可达性指标,描述车站位置对进出站量的影响。OD分布量预测时,构建目的地选择模型,可适应拓扑变化后的场景,模型中OD可达性指标由路径选择效用计算得到。构建的路径选择模型,综合考虑了影响乘客路径选择的各因素。最后,对广州市地铁6号线接入后的客流进行建模预测,各模型参数均符合统计检验要求且客流预测精度较高。     

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

浮动车系统地图的匹配精度

从地图匹配精度指标出发,针对浮动车系统的配置计划中的浮动车系统信息采集周期这一重要参数进行研究。分析浮动车系统数据特点,说明浮动车系统采集周期对浮动车服务质量的重要性;分析城市路网条件下精度随不同采集周期的变化情况,建立基于城市路网特征描述变量和采集周期等特征向量的地图匹配精度模型。模型由于包含城市路网特征描述向量,具有较高的移植性,应用此模型可以得到期望精度下采集周期的预测值,为浮动车系统的配置计划提供参考依据。