Investigating micro-simulation error in activity-based travel demand forecasting: a case study of the FEATHERS framework

Activity-based models of travel demand have received considerable attention in transportation planning and forecasting in recent years. However, in most cases they use a micro-simulation approach, thereby inevitably including a stochastic error that is caused by the statistical distributions of random components. As a consequence, running a transport micro-simulation model several times with the same input will generate different outputs, which baffles practitioners in applying such a model and in interpreting the results. A common approach is therefore to run the model multiple times and to use the average value of the results. The question then becomes: what is the minimum number of model runs required to reach a stable result? In this paper, systematic experiments are carried out using Forecasting Evolutionary Activity-Travel of Households and their Environmental RepercussionS (FEATHERS), an activity-based micro-simulation modelling framework currently implemented for the Flanders region of Belgium. Six levels of geographic detail are taken into account. Three travel indices – average daily activities per person, average daily trips per person and average daily distance travelled per person, as well as their corresponding segmentations – are calculated by running the model 100 times. The results show that the more disaggregated the level, the larger the number of model runs is needed to ensure confidence. Furthermore, based on the time-dependent origin-destination table derived from the model output, traffic assignment is performed by loading it onto the Flemish road network, and the total vehicle kilometres travelled in the whole Flanders are subsequently computed. The stable results at the Flanders level provides model users with confidence that application of FEATHERS at an aggregated level requires only limited model runs.     

CIM模型在高速公路投资风险评估中的应用

在分析、识别高速公路投资风险的基础上,建立了高速公路投资风险评估指标体系.针对风险因素具有结构多层次、因素多方面、评估模糊性、出现随机性、直接量化困难等特点,基于模糊理论,结合层次分析法,建立了控制区间和记忆(CIM)模型对高速公路投资风险进行评估.通过控制区间和记忆模型在工程实践中的应用,验证了CIM综合评估法在风险评估中的有效性和可操作性.     

一种基于县域城乡客运公交化改造的公交时刻表编制方法

为进一步协调县域城乡客运公交化改造与公交高效化运营之间的关系,合理确定城乡客运公交化改造后的公交时刻表至关重要。以县域城乡客运公交化改造为研究对象,提出了一种适合城乡客运公交化改造的公交时刻表编制方法。通过人工调查法获取客流信息,建立客流处理模型,获得最大断面客流量等信息。在此基础上,运用客流需求法建立数学模型,求得发车时间间隔并优化。最后,通过比较验证获得最终的公交时刻表。以池河至石泉客运班线公交化改造为例,改造后的公交时刻表极大地方便了沿线居民的出行,从而证明该时刻表具有较好的可行性。     

软件可靠性估计模型的研究

通过对JM模型的研究,给出了一种新的软件可靠性模型,并给出了模型参数的点估计和置信区间.     

汽车最优维护周期的确定与优化研究

笔者以计划预防为方针 ,根据预定的置信度 ,通过建立和求解数学模型 ,确定汽车维护周期及置信区间 ,并将优化概念应用于维护周期的确定及分析研究 .通过技术经济法、回归 -概率法和经济 -概率法 ,根据不同目标的要求进行修正 ,以适应不同情况的需要 ,从而达到汽车维护周期最优化的目的     

不同气象数据精度对驼峰峰高设计的影响

气象数据是驼峰峰高设计的重要资料,驼峰设计规范使用月均数据作为驼峰设计计算温度、风速的依据.本文采用日均数据对全路49 个主要编组站驼峰设计计算温度、风速分析发现,日均数据下南、北方地区驼峰设计计算温度分别较月均数据低 1.34 ℃、0.94 ℃,计算风速分别较月均数据高1.29 m/s、1.15 m/s,增幅达30%以上.本文从理论上分析了差异产生的原因,并以三间房编组站为例进行了实证.进一步从置信概率的角度分析了全路主要编组站不同数据精度下驼峰设计计算温度、风速,基于日均数据的驼峰设计温度、风速与预期差值最大仅1.83%,基于月均数据的风速与预期差值最小达 18.74%.在此基础上,研究了不同数据精度对峰高设计的影响,揭示出采用月均数据存在峰高设计偏低的问题,并提出至少采用日均数据的驼峰设计气象资料选用及设计规范修改建议.     

路面平整度评价指标IRI的影响因素

研究了路面平整度标准评价指标——国际平整度指数(IRI)的计算模型和求解方法,找出了影响IRI精度的主要因素;利用数值模拟定量分析了位移传感器精度、数据采样间隔、评价距离、检测方向和检测车速等对IRI的影响。得出结论:提高位移传感器精度、减少数据采样间隔,可以较大提高IRI的测量精度;检测车速越接近理想车速,IRI测量精度越高;检测方向对IRI测量精度产生影响,但其影响较小。     

基于大规模浮动车数据的城市道路网复杂度分析

针对现有浮动车技术应用研究中缺乏道路网络复杂度的定量分析,引入置信点的概念,提出了一种基于大规模浮动车数据的城市路网复杂度分析方法.利用该方法统计了路网中各路段的置信点分布情况和置信点的平均匹配距离,建立了城市路网复杂度模型.结合浮动车数据的预处理,提出了城市路网复杂度的分析流程.以广州市为例,分析了广州市全局路网和4类典型城市道路代表路段的复杂度.对于地图匹配算法实证研究中的指定路径,具体分析了其各组成路段的复杂度及其主要影响因素.     

基于大规模浮动车数据的交叉口转向规则自动提取算法

针对传统电子地图在生成时只包含路网拓扑关系,不具备路口转向规则的自动生成及更新能力,提出了利用大规模浮动车数据自动生成交叉口转向规则的算法.该方法建立转向规则数学表达和存储模型,并依托大规模浮动车数据分析和处理,引入置信点概念,提出基于首尾置信点控制的转向规则自动提取算法;以广州市为例,选取1d的浮动车GPS数据,对提出的算法进行效用评价,实验结果表明提出的算法准确率达90.4％,可准确实现多数交叉口转向规则的自动提取.     

机器学习置信度机制研究综述

置信的机器学习一直是机器学习领域研究不可或缺的部分与目标.根据置信度形成的机制与方法,将机器学习的置信度机制分为3类.本文分别阐述了3类机制的基本原理、实现方法和最新的研究进展,并在此基础上对3类置信度机制进行了比较分析.最后,讨论了存在的问题,指出了研究的方向.