多因素协同的大型活动场馆周边路段速度预测

大型活动会引起举办场馆周边区域路网出现交通流短时骤增与消散,导致周边区域路网交通运行呈现偶发性与不确定性波动,而现有预测方法通常难以捕捉特殊事件下交通流受多维因素复杂影响及其演变机理。为充分挖掘路段速度的时间序列和影响因素特征,揭示速度预测中不同影响特征间的耦合作用机理,提出了一种结合可解释机器学习与长短时记忆网络的速度预测模型(MC-LSTM)。结合大型活动的特点构建影响因素集,采用XGBoost算法评价活动规模、性质等因素特征对场馆周边路段速度的影响相对重要度,量化多元因素对场馆周边路网运行状态的协同效用,融合LSTM网络,考虑交通状态的时间依赖关系,捕获不同历史时期的时间相关性,实现对活动期间场馆周边路段速度的精确预测。以北京市连续6个月的大型活动期间周边路网为例进行模型验证,结果表明:所构建的MC-LSTM模型的预测精度可达94.5%以上,优于考虑多因素协同的XGBoost模型、只考虑单因素特征的LSTM模型及未考虑外部特征的LSTM模型,证明该研究所提出的模型有效性与稳定性更优,可为大型活动场馆周边路网交通组织优化和制定针对性交通管控与保障措施提供定量化的决策依据。

基于可解释机器学习的大型活动场馆周边路网运行状态影响研究

举办大型活动会导致周边受影响区域在短时间内集中大量人群和车辆,场馆周边路网与常态交通具有差异化特征.为探究大型活动对场馆周边路网运行状态的影响机理,解析活动规模、路段与活动场馆的空间距离等因素的影响特征,构建融合XGBoost算法与部分依赖图的可解释机器学习模型,以捕捉不同因素的非线性效应与协同影响.以北京市为例开展了实证研究,单因素的异质性影响表明:路段与活动场馆的空间距离及活动规模对场馆周边路网运行状态的影响较大,其相对重要度分别达到27.1%和25.4%,距离活动开始/结束的时间对场馆周边路网运行状态存在明显非线性特征,在活动开始前30~60 min,以及活动结束后30 min内,场馆周边3 km以内的路段将受到显著影响.二维因素的协同影响表明:当活动规模大于3万人时,节假日和不利天气对场馆周边路网运行状态呈负面影响,而在降雨和雾霾天气下,场馆周边路网运行状态受时空影响较大,影响范围为活动开始前60 min与结束后40 min内距离活动场馆2.5 km内的路段.相关研究结论可为大型活动期间道路拥堵致因辨别及制定科学有效的路网管控策略提供定量化的决策依据.

基于关联路链组的城市路网短时交通流预测模型

为更准确预测城市路网交通流状态,通过测算各路段重要度及最短距离路径长度表征路段的空间特征属性,提出了基于密度峰值聚类算法识别交通流时空相关性较强的关联路链集合。以同一路链内所有路段时空二维矩阵作为模型输入,构建基于路链组划分的长短时记忆神经网络(RCGD-LSTMNN)的交通流预测模型。以北京市路网为例,将四环路内骨干路网分为8个关联路链组,模型精度可达95%以上,且皆优于传统的LSTM和BP模型的预测结果,表明本文模型有良好适用性和精度稳定性,适用于不同时空模式的路链组交通状态预测。

基于出行者感知的地面公交线路运行诊断与优化需求鉴别

合理的公共交通线网有助于提升公共交通服务质量,节约出行时间,而城市公交线网运行状态的诊断和待优化线路鉴别是公交线网优化的基础。为了更系统全面地评价公交线网的运行质量,准确高效地筛选待优化线路,论文以出行者视角从公交线网结构的便利性、快捷性、可靠性和客流负荷度等角度提出了8个针对结构失效线路、低效运行线路、低可靠性线路和客流异常线路等问题线路的多维评价指标和计算模型;利用个体出行特征数据,结合海量公共交通应用数据中的公交运行信息和客流状态信息,采用k-means聚类方法和统计概率分布百分位法确定评价指标的鉴别阈值,直接而有效地对公交线路进行多维评价与诊断分析,以实现利用海量公共交通大数据自动筛选待优化线路集。