轨道交通远郊区段计划性停运对常乘客的转移影响

轨道交通网络中乘客的出行受网络结构和运营状况变化的影响,个体出行偏好对这些变化的响应也各异。为分析轨道交通远郊区段计划性停运对常乘客的出行转移影响,本文提出考虑转移类型和转移比例的乘客出行特征刻画方法,结合时段属性生成乘客特征—时序(FeatureTemporal,F-T)矩阵;通过改进的欧氏距离计算F-T矩阵间的相似性,实现F-T矩阵的相似性度量;提出一种基于相似度矩阵的K-Means聚类和层次聚类相结合的两步聚类方法(Two-step Clustering of K-Means Clustering and Hierarchical Clustering,KMHC)划分乘客影响群体,分析影响乘客出行转移的因素;以新冠肺炎疫情期间上海轨道交通11号线昆山段停运作为实例,对本文方法进行验证。研究结果表明:昆山段停运后,常乘客呈现出5种主要的出行转移影响群体,占常乘客总数的94.4%;各影响群体的转移距离、通勤时间和出行频率差异明显,是影响区段停运后常乘客出行选择的重要因素。本文方法可为其他计划性停运场景提供借鉴和参考,也可为区段停运后的网络客流变化预测,行车和客运组织方案优化提供支撑。

重载货车驾驶人驾驶风格识别与量化研究

重载货车驾驶人的激进驾驶风格具有强烈的习惯性特征和风险性特征,一旦养成很难矫正,且极易诱发交通事故。针对现有研究极少关注重载货车驾驶人驾驶风格的不足,本文基于某全国货运监管平台提供的云南省重载货车低频轨迹数据,从风格聚类、风格识别和风格评估这3个方面,提出综合考虑疲劳驾驶特征和超速驾驶特征的重载货车驾驶人驾驶风格分析方法。首先,基于轨迹数据蕴含驾驶人驾驶行为模式的特点,构建表征重载货车驾驶人驾驶风格的疲劳驾驶和超速驾驶特征集;其次,利用因子分析进行特征约简,并采用K-均值聚类方法划分重载货车驾驶人的驾驶风格;然后,构建基于支持向量机的驾驶风格识别模型,并与梯度提升决策树的识别结果进行对比;最后,基于疲劳驾驶特征和超速驾驶特征的累积分布,建立基于CRITIC(Criteria Importance Though Intercriteria Correlation)赋权法的重载货车驾驶人驾驶风格量化评估模型。研究结果表明:经过特征约简,提取的疲劳因子和超速因子能综合反映上述两类特征集80.838%的信息;根据疲劳因子和超速因子可将驾驶风格划分为4种类别,即稳健型、超速型、疲劳型和危险型,相应重载货车驾驶人比例依次为62.60%、25.02%、7.40%和4.98%;基于支持向量机的重载货车驾驶人驾驶风格识别模型对不同风格的识别准确率均大于97%,整体表现优于梯度提升决策树;基于CRITIC赋权法的驾驶风格评估模型能有效量化重载货车驾驶人的驾驶风格,其中稳健型驾驶人表现最好,75%以上的驾驶人风格评估总分高于60分;危险型驾驶人表现最差,75%以上的驾驶人风格评估总分低于20分。研究结果可为重载货车驾驶人不良驾驶行为的监测、干预和管理提供理论依据和技术支撑。

货车驾驶人驾驶行为与行车安全研究进展

驾驶行为是影响交通安全最活跃的因素,在“人-车-路”复杂环境中扮演着关键角色。为了深入理解货车驾驶人驾驶行为规律和行为风险性,本文聚焦货车驾驶人驾驶行为对行车安全的影响,对货车驾驶人的驾驶行为风格、行为风险性及其与行车安全的关系等相关研究成果进行系统地梳理和分析。首先,利用构建的文献检索策略,筛选出38篇相关文献,并结合LDA(Latent Dirichlet Allocation)模型,对生成的4个研究主题,即货车驾驶人驾驶行为辨识,危险驾驶行为与行车安全,货车碰撞事故致因分析及驾驶安全风险评估进行总结;其次,针对数据源、特征工程及建模方法等分析要素,构建了适用于任意研究主题的通用研究路径,并重点归纳了目前研究主题在数据源、变量选择方法、研究地点及建模方法等关键要素的研究进展;最后,分析和探讨了货车驾驶人驾驶行为与行车安全领域面临的主要问题,从描述、解释、关联及应用的角度提炼该领域研究的未来发展趋势。研究认为:有必要将驾驶状态特性、车辆运行状态及道路交通状况等多维特征变量进行多源信息融合,开展基于大数据和人工智能双驱动的驾驶行为研究;需加强研究山区公路环境下货车与其他类型车辆之间的交互作用机制,从“人-车-路”视角分析货车碰撞事故致因;需进一步完善智能网联和自动驾驶等高新智能自动化环境下的货车驾驶人驾驶行为与行车安全关系研究;拓展面向驾驶安全的货车驾驶人驾驶风险评估的理论方法和应用框架。研究成果将为货车事故治理、公路货运平台监控及道路线形设计等应用场景提供重要依据,并有助于相对全面地理解货车驾驶人驾驶行为与道路行车安全的交互作用机理。

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化。根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量。兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程。计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%。基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%。定量验证了动态优化方法的可行性和有效性。

基于层次聚类分析的城乡公交线路诊断——以安宁市为例

合理设置城乡公交为城乡居民出行提供优质的公交服务,是打破城乡二元分割的重要手段之一。分析城乡居民出行特征和城乡公交服务特性,从公交乘客及公交企业2个角度,构建表征城乡公交线路物理、运营和公交客流特性的诊断指标体系。以安宁市15条城乡公交线路为例,对选取样本的8类指标数据进行主成分分析,经定量分析各成分贡献率后,确定出3个主成分(贡献率累计为92%)。将主成分作为城乡公交线路层次聚类分析的变量,作出线路的聚类关系图,构建判别函数定量诊断四类线路。结合实际验证了指标体系的合理性及诊断方法的有效性。提供了1种较准确高效的城乡公交线路诊断方法,并为城乡公交线路的优化与运营调整提供决策依据。

地铁智慧车站的内涵和实践途径

从地铁智慧车站的需求出发,剖析了智慧车站的内涵和特征;从智慧设计和建造、设备智能检测和控制、客流智能监测与预警预测、智能决策和智能服务等方面,探讨了智慧车站的实践途径。提出智慧车站的目标是实现车站管理与服务的数字化、网络化、智能化、绿色化、个性化、人性化、自助化和协作化,达到可测、可控、可阅读的目的,进而提升地铁智慧化管理效率和服务水平,促进运营服务方式、运营组织方式和运营管理决策方式的转型升级。

考虑到站时间差的多层级常规公交时刻表

为了充分发挥多层级常规公交线网中换乘站点的衔接效能,提高线网系统运力利用率,针对多层级常规公交线网规划对其运营调度的影响,依据多层级常规公交线网布局模式及服务特性,分别考虑了各层级内和层级间公交车辆到达换乘站的时间差问题。从始发车时刻和发车间隔两方面,以乘客换乘候车成本和公交企业运营成本和最小为目标,构建了时刻表编制模型。采用遗传算法进行求解,得到了多层级常规公交线网运行时刻表模型。通过算例对该模型进行了验证,结果表明:时刻表优化后降低了公交乘客23.5%的换乘候车成本,增加了8.5%的运营车辆成本,但总体费用得到了改善。实际运营调度中,应综合权衡乘客与公交企业的利益,根据实际需求考虑时刻表方案。

基于公交线网布局的区域时刻表编制

为了提高公交车辆在换乘站点处的衔接效率,需要统筹考虑线网布局与时刻表编制。根据公交线网运营模式特征,研究了线网协调控制对发车间隔和出行时间优化的影响。以企业盈利最大和乘客出行时间成本最小为目标,构建了多目标区域公交时刻表模型。采用遗传算法、粒子群优化算法和遗传粒子群优化算法求解了模型。结合公交实例调查数据对该模型进行了检验。结果表明:模型目标均能有效收敛,且遗传粒子群优化算法在求解此类问题时比遗传算法及粒子群优化算法具有更高的精度和效率。实际中需要根据给定的企业运营效益和乘客出行时间成本权重值选定时刻表优化方案。