基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

城市中心区停车设施供应研究

随着城市化进程的加快，我国机动车拥有量及道路交通量急剧增加，停车问题已成为诸多城市的难题。本文在分析了城市中心区停车设施供应的影响因素的基础上，建立了停车设施供应与停车需求关系模型以及停车设施供应与路网容量平衡关系模型，对如何合理确定城市中心区停车泊位供应量进行了探讨，并在浙江省台州市滨海工业城启动区块的停车设施供应规划中得到应用，可为我国城市中心区静态交通设施规划提供借鉴。     

北京:明天到哪里停车

相信有车一族都曾有过开着车在繁华地段转悠个把小时却找不到停车位的无奈；或者是下班驾车回家却发现小区里已经塞满了汽车，不得不把爱车停在路边，让它独自过夜；更有为了停车泊位的一纸证明而引出的无尽烦恼……尤其是像北京这样的大城市，“停车难”等问题不仅困扰着有车人，也让政府有关部门头疼。在城市机动车保有量不断攀升的情况下，人们或许会生出这样的疑问：明天在哪里停车？带着这个问题，记者来到北京市市政管理委员会，对停车设施管理处的庄建华副处长进行了专访，以期了解停车场的行业主管部门对北京市停车供求关系、解决方…     

编组站综合集成自动化系统实施过程中几个问题的探讨

本文介绍了成都北站综合自动化实施过程中遇到的道岔过电流保护设计、微机监测传输、尾部停车器逻辑设计和站场维修电话解决方案的实施经验和建议。     

我国城市机动车停车需求预测方法及其应用

本文天空并提出了我国城市机动车停车需求预测模型以及停车需求地区特征函数ｆ（ｘｉ）和交通影响函数ｆ（γＱ）的计算方法。作为应用实例，文中预测了苏州古城区停车需求，并给出了具体预测结果。     

台湾停车设备行业发展概况

台湾机械停车设备的产品概念与技术主要来自日本，台湾主要的停车设备厂商都和日商技术合作。德国的品牌间或在台湾出现，但都因为价位太高、互动较差而难以推展。