考虑交通信号和交通密度的城市路段个体行程时间建模

为探究城市路段中交通密度与交通信号对个体车辆行程时间的影响规律,提高城市道路行程时间的预测精度,基于车牌识别数据与信号机配时数据等多种融合数据,提出了由自由流行程时间、密度延误与随机误差项组成的行程时间关系函数,并在该函数基础上构建了考虑个体驾驶习惯的行程时间预测模型。首先,基于道路限速条件、车辆进入路段时的下游交叉口信号状态构建自由流行程时间函数;其次,提出了一种通过密度阈值判断车辆能否在当前信号周期通过下游交叉口的方法,并基于个体车辆进入路段时的路段密度计算出车辆所需等待信号周期个数及等待前方排队疏散所需时间,从而构建密度延误函数;然后,将个体实际行程时间与自由流行程时间、密度延误的差值作为随机误差项,通过高斯混合模型拟合随机误差项的概率分布;最后,选用安徽省宣城市多个路段作为案例,分析各路段行程时间函数各部分的具体表现,对该行程时间预测模型进行验证。结果表明:行程时间预测模型的MAPE,MAE,RMSE分别为6%~12%,5~15,13~35,在准确率方面优于其他算法,是一种有效的城市路段个体行程时间预测方法。

考虑机会充电与行程时间可靠性的区域多车型电动公交调度优化

为提高电动公交系统运营效率,降低运营成本,本文提出一种考虑机会充电和行程时间可靠性的电动公交调度优化方法。首先,基于区域调度场景,提出在线路始末站配备快速充电桩,利用车次接续时间进行机会充电的策略;然后,考虑行程时间的随机波动,以表征特定可靠性的预留行程时间作为模型输入生成调度方案,同时,将发车延误成本纳入目标函数中,综合考虑公交企业从规划到运营阶段的整体效益,构建以总成本最小为目标的区域多车型电动公交调度优化模型,针对模型特点,设计自适应大邻域搜索算法进行求解;最后,以北京市大兴区4条公交线路为例,验证模型和算法的有效性。结果表明:基于本文方法得到的最优调度方案相较于传统单线路单车型调度方案,能使企业日均总成本下降37.93%,平均每辆车的发车延误时长减少5.63 min,说明本文所提方法能有效降低企业成本,提升公交系统可靠性。相较于不考虑机会充电和行程时间可靠性的区域多车型运营模式,本文最优方案能使总成本下降28.67%。此外,通过灵敏度分析,建议公交企业以240 kW的充电功率进行快速充电资源的配置,以90%的行程时间可靠性进行电动公交调度方案的编制。

基于改进时空图卷积网络的道路行程时间预测模型

为提高道路网行程时间预测精度,综合考虑行程时间的空间依赖性、时间依赖性和天气因素影响,提出了基于属性增强和注意力机制的时空图卷积网络模型.首先,构建属性增强单元,将行程时间和天气信息融合;然后,利用图卷积网络捕获空间依赖性,利用门控递归单元捕获时间依赖性,并利用注意力机制增强模型对特征的学习;最后,利用该模型在真实数据集上对未来15、30、45和60 min的行程时间进行预测.结果表明:预测结果的均方根误差(RMSE)分别为0.0453、0.0456、0.0457和0.0468,与其他模型相比表现更优;考虑了时间、空间和天气因素后,相较于不考虑天气的情况,预测误差降低了约10.3%;相较于不考虑空间依赖性的情况,降低了约24.2%,表明所提模型能更好表达时空依赖性和外部条件影响.

基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。

基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明:所提出模型的预测误差均低于其他模型,相关系数可达0.9819。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。

城市内密集交通流行程时间预测数学建模仿真

城市交通网络包含大量的道路交叉口和车辆,且受工作日和休息日多因素的影响,使得交通流量具有不确定性,增加了预测的难度。为此,提出城市密集交通流行程时间预测数学建模研究。取样城市车辆历史数据,明确数据插值点,插值处理车辆运行数据。利用深度学习数据归一化,计算平均行程时间、行程时间方差以及可靠度指标,提取城市密集交通流特征。基于卡尔曼滤波将预测问题转化成空间状态计算问题,实现密集交通流行程时间预测。通过实验证明,所建模型能够准确预测城市密集交通流行程时间,平均绝对百分误差均在2.3%以下,能帮助驾驶人合理规划出行。

考虑交通事件影响的高速公路短时行程时间预测

本研究目的是基于历史行程数据并考虑交通事件,构建可提高高速公路短时行程时间预测精度的方法。基于深层机器学习理论,设计加权均方根相似(Weighted-RMSS)模型,利用经纬度将行程分段,考虑高速公路车辆时空流动性的时间传递,计算当前行程时间和历史案例行程时间的相似性,提高了行程时间预测精确度。在此基础上,结合交通事件数据建立交通事件影响矩阵,建立LGBM模型(Light Gradient Boosting Machine)用于短时行程时间预测,并利用广州高速公路平沙至机场南路段实测数据进行验证。研究结果表明,开发2个模型效果均优于传统KNN模型,且考虑了交通事件影响的LGBM模型的预测精度高于Weighted-RMSS模型,达到95.68%,比较不同未来预测时间得出预测5 min效果最佳,精度可达96.18%。本研究在短时行程时间预测上有显著的优越性,有助于为驾驶人提供准确的出行时间,有利于高速公路的交通管理。

考虑行程时间相关性的可靠最短路径算法

可靠最短路径(RSP)问题反映了出行时间的可变性,比只考虑平均出行时间的标准最短路径问题更加实际可行。本文提出了一种考虑路段行程时间相关性的均值-标准偏差RSP问题的求解思路。该算法采用拉格朗日代入和协方差矩阵分解技术,解决了混合整数非线性规划(MINLP)的非线性和不可加性带来的困难。将该问题分解为标准最短路径问题和凸优化问题,证明了凸优化问题的最优解,并将拉格朗日乘子范围与协方差矩阵的特征值联系起来,提出采用次梯度法进行拉格朗日乘子更新。该算法能降低了原问题的复杂性,可扩展到大型网络。

一种基于行程时间预测算法的高速公路预警系统研究

为了提高高速公路通行效率,本文提出一种基于行程时间预测算法的预警方法与系统来诱导司乘用户行车路线的解决方案。该系统通过时空注意力网络预测高速公路路网中的点到点的速度,基于高速公路路网中的收费站和门架计算点到点的数据进行深度学习,并以路网中的情报板为载体向司乘用户发布来诱导司乘用户选择行车线路,该系统解决了司乘用户依靠行驶经验和导航在高速公路上行驶时不能及时应对高速公路上实时路况的问题,因此该系统能够有效的提高道路通行效率。

考虑行程时间的高速公路网脆弱性研究

为避免突发事件造成路网中的部分节点或路段失去其通行能力,进而影响整个路网的运行效率,保障高速公路网络安全运营,运用复杂网络理论对高速公路网络脆弱性进行研究。首先,在Space-L方法的基础上,构建行程时间加权的高速公路网络拓扑结构,并提出了此加权网络中节点重要度的衡量指标;其次,基于节点与边的相关指标,采用删除法模拟高速公路网络在不同攻击策略下的脆弱性变化;最后,结合山东省区域高速公路网交调数据与高速公路收费数据,研究行程时间加权下的高速公路网脆弱性。实例结果表明:行程时间加权的节点重要度指标能够综合考虑高速公路网的多项指标,更好地体现节点的重要度;在高速公路网络的脆弱性方面,不管是节点攻击还是边攻击,高速公路网络对不同攻击策略都表现出一定的脆弱性;从攻击效果来看,蓄意攻击节点策略中,贪心攻击策略要优于初始攻击策略,并且不论是节点还是边攻击策略下,贪心加权介数的攻击策略都要优于其它攻击策略,使网络表现出更强的脆弱性。

考虑行程时间波动的干线信号协调控制鲁棒优化模型

为提升城市干线交通运行效率,针对以往协调控制模型中未考虑路段行程时间波动性的不足进行改进,建立考虑行程时间波动的干线信号协调鲁棒优化控制模型。首先利用车牌识别数据,根据不同流向,提取不受信号延误影响的车辆路段行程时间分布。在此基础上,以路段行程时间构建情景集,以绿波带宽作为条件风险值指标,建立基于情景的鲁棒优化模型。该模型将行程时间分布通过情景发生概率融合在模型中,以绿波带宽条件风险值最小为目标函数,并考虑绿波带宽计算、周期时长、信号相位差、配时参数相互关联和参数非负性等约束条件。在模型求解中,通过增加辅助变量,对模型进行线性化处理,将模型转变为混合整数线性模型,从而可采用分支定界法进行求解。在情景数量为100条件下,优化求解时间不高于3 min。最后通过苏州市工业园区星湖街案例分析,验证模型的可用性和有效性。研究结果表明:所提出的鲁棒优化模型在平均绿波带宽、最小绿波带宽、90%位绿波带宽上均优于传统MAXBAND方案。90%位绿波带宽和最小绿波带宽分别提高了17.4%和19.0%,条件风险值降低了8.9%。

基于路径拼接模型的路径行程时间估计方法

依托卡口检测数据,提出路径拼接模型以利用大量短路径行程时间对城市道路中的长路径行程时间进行估计。该模型提出子路径进行拼接时要满足的两个条件:存在公共结点及交通状态相近;在此基础上将目标路径按照整体方差最小的原则拆分为由多个子路径组成的拼接方案。基于提出的路径交通流基本图划分子路径的交通状态,使用Burr分布拟合不同交通状态下的子路径行程时间得到行程时间分布函数;将给定的目标行程时间分配至拼接方案中的子路径使得子路径行程时间之和等于目标行程时间,累加所有时间分配方案对应的概率得到目标路径的行程时间概率,计算多个目标行程时间对应的概率得到目标路径的行程时间概率分布。实验结果显示:本文提出的路径行程时间估计方法得到的路径行程时间均值与真实轨迹均值的误差为3.04%;得到的行程时间分布与真实行程时间分布的JS散度为0.05。路径行程时间估计值真实可靠,可为后续研究提供数据基础。

考虑注意力和时空特征深度学习的网约车行程时间预测

提出一种基于注意力机制的时空特征深度学习模型.通过卷积神经网络去学习行程过程中所花费的时间和距离,以及交通拥堵状态信息;然后,通过注意力机制从通道和空间两个角度去捕获影响行程中路段通行时间的异常信息.最后采用双层的长短时记忆网络去学习行程中的路段序列信息,并通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间.研究结果表明:提出的方法与DEEPTRAVEL模型相比,预测精度的平均绝对误差和平均绝对百分比误差分别提升了8.23%和20.79%.

基于改进行程时间估计模型的最优路径选择

为解决交通网络最优路径问题,提出改进的行程时间估计模型,并设计基于该模型的最优路径算法。行程时间估计模型在分段截断二次速度轨迹模型的基础上进行改进,用路段节点的到达速度代替同一出发时刻下测得的速度,通过构造在时间和空间上连续的速度轨迹来估计行程时间。首先,基于Yen′s KSP算法以路段距离为阻抗求解K条最短路径;其次,分别用改进的行程时间估计模型估计K条最短路径的行程时间;最后,以行程时间为成本选择最优的路径。通过Sioux Falls网络的数值试验验证模型和算法的有效性和优越性。试验结果表明:改进的分段截断二次速度轨迹模型相比于原始模型精度平均提高了65%;算法的最优路径结果能减少路径经过的交叉口数和缩短最优路径的总长度,而且最优路径的行程时间估计结果与真实值的MAPE保持在3%内。

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared error,RMSE)下降3.99~4.37,平均绝对误差(mean absolute error,MAE)下降3.02~3.35;在组合预测模型中,GRU预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。

城市快速路路段行程时间估计方法

为有效提高城市快速路路段行程时间估计精度,本文提出一种基于自适应滤波和网格虚拟车的行程时间估计方法。首先,利用自适应平滑滤波插值获得固定检测器之间的速度数据,实现固定检测器之间的时空速度场重构。然后将重构的速度场细分为若干网格单元,通过计算虚拟车在重构时空速度场的虚拟轨迹估计路段行程时间。最后,选取城市快速路感应线圈实测数据进行实例验证。实验结果表明,本文方法在自由流、平稳流和拥堵流3个运行时段下,均方根误差分别为0.15、0.35和1.06,平均相对误差均低于10%,具有较高的估计精度。

常规公交路径行程时间比例特性

文中从理论角度证明了公交班次之间路径行程时间存在显著的比例关系,结合实证分析,利用江阴市K19线路与上海市210线路的公交车辆自动定位数据,以前一班次、基于小时样本计划班次及基于全样本计划班次为参照班次,验证了理论模型的正确性,并发现比例系数具有以下特征:(1)选择不同参照班次时,路径行程时间比例系数均呈现出临近始发站点时不稳定,沿着公交线路迅速收敛到某一稳定值的变化趋势;(2)行程时间波动小的线路,其路径行程时间比例系数的稳定性更强,收敛速度更快;(3)选择基于小时样本或全样本的计划班次作为参照班次时,其路径行程时间比例系数的稳定性最好,收敛速度最快.文中验证了路径行程时间比例特性用于行程时间预测的可行性,选择基于小时样本计划班次作为参照班次时,K19线路沿线各站点的均值绝对误差均小于4 min,并呈现出递减的趋势,在第24个站点时达到6 s,沿线均值绝对误差百分比普遍低于10%,预测效果良好.

行程时间分布模型参数估计方法适应场景研究

针对目前行程时间分布模型的研究领域存在不同参数估计方法适应场景的研究空缺,本文基于某高速公路路段收费数据进行提取、处理及分析,采用多种不同的分布方式对行程时间曲线进行拟合,从而得到最优的行程时间分布模型。在该分布模型下,分别采用最大似然估计和最小二乘估计对某高速公路路段节假日场景和非节假日场景行程时间数据进行拟合分析。分析结果表明:非节假日的行程时间分布规律更加符合最大似然估计的对数正态分布,节假日行程时间分布规律更加符合最小二乘估计的对数正态分布。

基于行程时间预测的城市车辆出行路径推荐方法

路径推荐在提高出行者出行效率、减少出行成本和平衡路网运行状态、减少时间和空间上的拥堵方面具有重要意义。通过构建动态图卷积神经网络(DGCN)对路网各路段进行多步行程时间预测,根据出行需求并考虑避让拥堵区和均衡路网因素进行车辆出行路径推荐。其中,通过GN算法对结合路网结构和流量特征构建加权网络模型进行路网分区,并结合平均行程速度和预测所得行程时间,识别拥堵区域交通状态。实验结果表明:在实例数据集上使用残差拉普拉斯矩阵DGCN Res模型进行行程时间预测,比基于注意力的时空图卷积网络模型(ASTGCN)的MAPE提高4%、RMSE提高9.2%。在此基础上进行拥堵区避让的路径选择推荐,可有效降低路网拥堵均衡指数,因此从路网全局层面考虑拥堵避让机制可减缓路网整体拥堵程度。

城市常规公交车行程时间预测方法

为有效解决城市常规公交车行程时间预测精度不足而导致的公交吸引力下降问题,本文构建了基于PSO优化BP神经网络的城市常规公交车行程时间预测模型。首先,通过文献综述及实测数据分析城市常规公交车辆的运行特征,筛选站点距离、路段所在区域、站点停靠时间、行驶车速、站点间信号灯数量、站点间红灯停留时间作为预测模型的输入变量;其次,在构建基于BP神经网络的城市常规公交车行程时间预测模型的基础上,借助PSO算法的全局搜索能力对BP神经网络预测模型的初始权值和阈值进行优化,并据此设计了基于PSO算法优化BP神经网络的城市常规公交车行程时间预测步骤;最后,以成都市147路常规公交车行程时间为例进行验证。案例研究表明:基于PSO-BP神经网络和基于BP神经网络预测模型均可实现较为理想的预测效果,且基于PSO-BP神经网络预测模型的均方误差和平均绝对百分比误差比BP神经网络预测模型降低了13.2和4.4%,具有更好的预测精度。