基于stacking组合模型的轨道交通换乘站短期客流预测

轨道交通换乘站的进出站客流相对于一般的中间站影响因素更加复杂,具有更加显著的随机性和波动性。本文针对5min小区间进出站客流,在有效提取客流时间特征基础上,提出了一种基于stacking组合模型的轨道交通短期客流预测方法(GGRK-MLR)。该方法基于stacking算法,将梯度提升回归(GBR)、K近邻回归(KNN)、随机森林回归(RFR)作为初级训练模型,将多响应线性回归神经网络(MLR)作为次级训练模型。实验结果表明,组合模型相对单个模型预测精度更高,在客流曲线波动上有更好的拟合效果。

基于回归模型的慢行交通混合过街冲突分析

由于慢行交通混合过街时会受到诸多因素的干扰,在现有研究交叉口大多为全混合交叉口的情况下,分析半混合(有单独自行车道无单独相位)交叉口内慢行交通混合过街的平均交通密度和对向交通冲突,之后使用SPSS软件进行统计分析并建立两种冲突回归模型,与现有研究数据进行对比分析,验证两种回归模型的有效性,得出三种慢行交通的交通密度与交通冲突数呈正相关,三种慢行交通密度增加时,交叉口内的冲突数也会随之增加。

考虑道路交通状态的公交运行时间预测

公交运行时间对乘客出行决策及排班调度具有重要的意义。为提高公交运行预测的精度,本文提出将前车的速度均值和方差作为道路交通状态指标,构建了基于随机森林的公交运行时间预测模型,随后采用天津市公交35路的天塔南至东风里路段的公交数据进行验证。实验结果表明,前车的速度均值和方差能够作为目标车辆的道路交通状态指标,并且对公交运行时间有较大的影响;相比于人工神经网络,随机森林模型对于公交运行时间预测效果更优。