基于公交GPS数据的交叉口信号配时参数估计

为了利用公交GPS数据估计交叉口信号配时参数,提出一种改进插值法来估计交叉口单车行程时间;通过先聚类再分类划分信号周期,给出采用停车线附近的GPS数据序列估计周期边界及周期时长的方法;结合周期边界估计结果,提出一种新的红灯时长估计方法.在不同交通流量下对估计方法进行模拟及现场测试,结果表明,基于公交GPS数据的信号配时参数估计方法适用于不同交通流量,且估计效果明显优于现有方法.

基于GPS与公交卡数据的城市公交营运研究现状及趋势

城市公交在我们国家发展当中起着越来越大的作用.它对于城市政治经济,文化教育,科学技术等方面影响极大.发展城市公交不仅可以有效缓解交通拥堵而且可以改善城市人居环境,提高资源利用率,实现可持续发展.GPS与公交卡数据是目前我们进行公交营运评价的有利工具,文中综述了GPS发展的现状以及公交卡数据对于公交营运评价的优势以及劣势.通过对以上2点的分析来更好的评价公交营运.其中,将GPS与公交卡数据相结合从而进行公交营运的研究是我们着重研究的方向。

基于公交车GPS数据的短时交通流预测研究

随着智慧化城市的提出,智能交通系统已经成为城市建设中至关重要的部分,而短时交通流预测是实现智能交通系统的核心研究内容之一[1]。本文对获取的公交车GPS数据进行了挖掘分析,提取公交车速度数据进行短时交通流预测算法研究。考虑到时序数据的时间相关性和交通流数据的准周期特性,本文设计长短期记忆人工神经网络(Long-Short Term Memory,LSTM)对交通流速度数据进行预测。结果表明,LSTM能够通过对历史速度数据的学习,找出时间序列之间的关系,利用LSTM的选择性记忆功能,能够对短时交通流速度进行更准确的预测。

基于IC卡与GPS数据融合的公交线路运力配置

为了解决公交的运力供给与客流需求在时空上存在不匹配的问题,避免公交线路运力资源的短缺或者浪费,系统研究了基于公交IC卡与GPS等数据的公交线路运力配置方法。首先,研究了智能交通背景下公交IC卡与GPS等数据产生的模式及数据结构,并分析了这两种数据的预处理步骤与方法。其次,利用公交IC卡与GPS数据融合的方式,获取公交线路各站点上客情况,利用两站点模型推断乘客下车站点,从而求解断面客流在各时段上的分布规律,为运力配置提供数据支撑。再次,定义成本目标函数,构建基于需求特征分析的运力配置多目标决策模型。最后,以宁波6路公交为例,验证了该方法的可行性。

公交GPS大数据预处理方法研究——以呼和浩特公交数据为例

基于机器学习及Python软件平台,创建了一种Hanning+Symlet4小波的去噪平滑算法,在去噪的基础上实现了数据规约及清洗的一体化,节省了数据清理所用的时间.经过仿真实验,处理后的数据在均方误差、信噪比、平滑度上的表现得到提升,为进一步的研究提供有力的数据支撑.

适用于一票制公交大数据的系统化处理方法及应用——以银川市为例

为分析公交乘客出行特征,利用公交IC卡数据、公交GPS数据、车载机数据和单程站点关系表,通过各类数据关联融合,提出适用于一票制公交大数据的系统化处理方法。基于Oracle搭建分析数据库,采用Python语言编写代码,构建了乘客上车站点推断算法、基于出行链的乘客下车站点推断算法、基于概率的乘客下车站点推断算法和乘客换乘站点识别算法4种站点推断算法。基于此,运用银川公交大数据进行客流集散点识别、客流走廊识别,得到公交站点上下客流量分布情况、公交线路客流量分布情况、公交站点的换乘客流量分布情况。研究结果表明,一票制公交大数据系统化处理方法在分析公交乘客出行特征方面具有一定的应用价值。

公交GPS历史轨迹数据挖掘方法研究与应用

通过分析公交数据更新的基本要素和挖掘类型,利用大数据挖掘原理,结合公交GPS历史数据的特点,提出了适用于公交GPS历史数据挖掘和更新的专用方法和算法,并引入机器学习模型提升挖掘算法能力,在此基础上设计了挖掘作业流程,通过结果对比,可得出在数据优化周期内,可作业率由15%提升至50%,线上数据更新频率由周级更新变为天级更新。以上数据挖掘方法和算法有效提高了更新效率,改进了更新准确率,在公交数据更新作业中发挥了重要作用,方便了公交用户出行,并助力绿色出行。

基于Attention⁃LSTM神经网络的公交行程时间预测

传统的公交行程时间预测模型由于忽略了历史时刻中的信息,导致预测精度不理想。针对公交行程时间的时序性,提出一种基于LSTM神经网络的预测模型,并引入注意力(Attention)机制对其进行优化。首先,综合考虑多种影响因素,设计了多变量LSTM模块,将当前时刻的行程时间与历史时刻数据相关联,对其中的多维度特征进行信息提取;随后针对单一LSTM网络无法自动识别不同信息重要性的局限性,引入Attention机制,使模型聚焦重点信息、忽略冗杂信息;最后,采用实际公交GPS数据验证了该方法的有效性。实验结果表明,与五种常见方法相比,该模型具有更高的精度。

多分类支持向量机在公交换乘识别中的应用

为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.

基于GPS数据的公交线路校核:以厦门市为例

实际运营中,公交车辆服务的线路编号调整频率高,而在车辆信息表中存在更新不及时及只增加不删除的情况,极大地影响了结合GPS数据匹配上车站点方法的准确性。本文提出了一种基于公交GPS到离站数据的线路校核方法,首先根据距离最近原则为每条公交GPS到离站数据匹配上车站点,并对途经该上车站点的线路号计数一次;然后按照车辆编号对GPS到离站数据进行分组,分别统计各组中,线路号计数值最大的线路号,以此作为该车辆编号的校核线路;最后根据GPS数据点、原始线路、校核线路进行抽样人工复核,验证校核的准确度。案例数据表明,校核有效率高达98%,并将人工检查的比例降至20%以下,在保证准确度的同时提高了处理效率。

基于公交运行规律的乘客下车点推算方法

基于公交GPS和AFC数据,提出了一种适应于多类型刷卡时间特征的上下车点推算框架。该框架在利用GPS数据提取公交车辆停靠站点的基础上,通过分析乘客AFC记录,提出了根据层次聚类推算乘客上车点时间与位置的方法;并针对不同类型的刷卡时间特征,分别采用基于出行链、历史数据和站点吸引的方法推算下车点。最后利用深圳市现有公交IC卡数据、GPS数据和线路站点数据对该框架进行了有效性验证。

基于油耗的公交车绿色车速引导策略

为减少公交车行驶油耗,提出了公交车绿色车速引导策略。根据公交线路信息、公交车行驶状态及公交车油耗特性,该策略优化控制了公交车的行驶速度。通过该策略,在控制公交车的行驶轨迹、提升行驶效率的同时,可避免多余的加、减速过程,有效减少公交车交叉口停靠时间和公交车行驶油耗。基于公交车GPS数据,分析了公交车实际运行特性,确定了公交车最佳绿色控制速度,建立了绿色引导模型。并通过仿真实验,验证了该模型的效果。

公交持卡乘客下车站点推导方法研究及验证

本文通过分析公交持卡乘客的出行数据,挖掘乘客的出行规律,改进基于出行链理论的下车站点推导方法,并建立、检索站点邻域集以提升下车站点的推导效率。借助攀枝花市特殊的自动收费系统,利用分段计费线路的下车数据验证了方法的有效性,结果表明下车站点的推导结果具有较高的精度。同时探究了最大步行距离阈值对推导结果的影响,给出不同场景下的应用建议。此外研究分析了不同线路、不同群体的推导效果,对其内在原因做出解释,提供了模型方法的改进方向。研究结果有助于分析乘客的公交出行行为,支撑辅助型公交的需求分析和布设,提升公交服务水平。

行车模式的公交站点识别方法

针对公交车全球定位系统(GPS)数据的公交站点识别问题,该文基于公交车辆运行状态,将公交车辆的运行划分为终点站待命模式、正常行驶模式、站点停车上/下客模式,提出了一种基于这3种行车模式的公交站点识别方法,通过行车模式判定、轨迹方向分割和DBSCAN密度聚类,提取各个方向的公交站点。该文使用深圳市公交车GPS数据展开验证,实验结果表明,该方法能有效地、准确地识别公交站点。