基于区间车速引导的公交运行控制方法

通过分析车辆自动定位数据,揭示在随机因素干扰下城市公交线路车头时距偏差呈现随运行过程放大的趋势,且存在非定向放大向定向放大转换的拐点.提出基于动态车头时距偏差阈值的区间车速引导控制方法,给出控制逻辑和引导车速优化模型.案例应用表明,该控制方法能够抑制车头时距偏差放大趋势,一定程度降低了乘客的出行时间成本,有利于维系车队运行秩序,提升线路服务可靠性.

基于无线探针数据的区间车速估计方法与分析

针对无线探针技术在交通数据检测中的应用问题,基于无线探针中Wi-Fi和蓝牙各自的技术特点与数据特征,制定基于集合Kalman滤波的区间车速估计方法.以卡口数据为基准,评估无线探针数据在区间车速估计中的精度,分析估计误差与实际速度的相关性及Wi-Fi与蓝牙数据在区间车速估计中的异同.研究发现低速时无线探针估计车速偏高,高速时则相反.定义误差为零的速度为临界速度,Wi-Fi和蓝牙的临界速度分别为38和51 km/h.采用本文提出的区间车速估计方法,可实现63.2%的时间窗误差下降,总下降幅度为18.1%.

基于Wi-Fi技术区间车速检测系统的设计与研究

针对GPS浮动车法、车牌法等传统区间车速检测方法中存在实时性差和人力物力需求量大等问题,以手机硬件设备为基础,开发基于Wi-Fi技术区间车速检测系统,实现Wi-Fi MAC地址自动采集与匹配、实时检测区间车速等功能。通过现场测试确定设备的检出时间、设备的检测距离、漏检率等基本的参数信息,利用平均绝对离差法对匹配Wi-Fi数据进行预处理,利用中值滤波法、缺失值修补法对检测区间车速进行处理,并实地测试验证设备的实用性和可靠性。

基于BP神经网络的区间车速估计方法研究

文中首先提出基于浮动车数据的路段车速判别方法,通过数据验证其精度不能满足实用需求;然后,基于BP神经网络提出一种将浮动车数据、定点数据与道路交通参数进行多源融合的方法,并利用动量梯度下降算法对数据融合后的BP神经网络进行训练;最后,实验结果表明,数据融合后路段区间平均车速的相对误差平均值为2.58%,实现了对路网交通运行状态的准确判别。

考虑节能目标的有轨电车时刻表优化

研究了半独立路权下有轨电车时刻表的优化问题,基于运行区间速度限制及区间首、末端节点构成,对有轨电车运行区间进行了分类;考虑有轨电车区间运行过程的复杂性,构建了以减小列车总旅行时间和总能耗为目标的有轨电车区间车速引导节能优化模型;为了使2个优化目标拥有相同的趋优满意程度,提出了采用模糊数学规划的方法将双目标优化问题转化为单目标优化问题;针对节能优化模型非线性特点,设计了基于仿真的遗传算法对优化模型进行求解;为了验证模型的有效性,以南京市麒麟有轨电车1号线实际数据为基础,选取某工作日早高峰7:00~8:00作为研究时段,采用设计优化方法对既有时刻表进行了优化;考虑企业管理者运营服务理念侧重性对优化结果的影响,分别以最小旅行时间、最小能耗为目标的方案与本文模型对比。优化结果表明:采用节能优化模型综合优化后的时刻表与既有运营时刻表相比,其上行方向总旅行时间节省了124.9 s,减少约7.7%,下行方向总旅行时间节省了394.9 s,减少约24.3%,有效提升了有轨电车运行效率;节能优化模型与最小旅行时间方案相比,有轨电车上、下行总能耗分别降低了56.7%和53.5%,与最小能耗方案相比,上、下行有轨电车总旅行时间分别降低了14.9%和14.1%,有效消解了旅行时间目标与能耗目标的冲突。