期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进K-prototypes与GBDT的城市干道车辆出行群体辨识模型
1
作者
梁灯
蔡晓禹
+1 位作者
彭博
邢茹茹
《华东交通大学学报》
2023年第5期49-58,共10页
为了掌握城市干道交通运行规律,向交通管理部门制定相关交通需求管理政策提供理论依据,提出了一种基于组合模型的城市干道车辆出行群体辨识模型。基于青岛市胶州湾隧道过车数据,从出行强度、出行时间与出行习惯3个维度构建了出行特征指...
为了掌握城市干道交通运行规律,向交通管理部门制定相关交通需求管理政策提供理论依据,提出了一种基于组合模型的城市干道车辆出行群体辨识模型。基于青岛市胶州湾隧道过车数据,从出行强度、出行时间与出行习惯3个维度构建了出行特征指标体系以全面刻画车辆个体的出行行为。基于相关性分析剔除了冗余指标以避免对辨识研究的影响。针对混合属性出行特征指标数据,使用改进K-prototypes算法以有效地实现车辆出行群体划分,将其与GBDT算法相结合,建立了一种基于改进K-prototypes与GBDT的辨识模型,随机选取10000个样本开展辨识研究。结果表明:研究道路存在5类车辆出行群体:高频通勤群体、低频通勤群体、营运群体、频次稳定群体与普通群体,对于这5类车辆出行群体,平均识别准确率为97.75%,最高识别准确率可达99.47%。
展开更多
关键词
城市道路交通
群体辨识
出行特征
改进K-prototypes&GBDT
下载PDF
职称材料
基于组合模型的车辆出行特征模式划分
被引量:
2
2
作者
蔡晓禹
吕亮
杜蕊
《公路交通科技》
CAS
CSCD
北大核心
2021年第6期129-140,共12页
精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结...
精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结车辆运行的分布特征规律。基于数理统计分析,建立了出行频次、在网时间、轨迹重复率、出行时段,活动偏好区域、干线影响区偏好等出行特征指标体系。通过对出行特征指标的定制选取,建立基于密度峰值(CFSFDP)算法与BP神经网络算法的出行特征群体辨识模型。研究了私家车、出租车存在的特征群体,辨识出不同的出行模式,即实现出行特征群体的辨识。选取重庆市主城区域内的RFID数据进行试验分析,分别基于私家车、出租车提取的出行特征指标,进行CFSFDP算法的聚类分析,找到聚类中心,归纳分类数据。再利用分类数据进行BP神经网络训练学习,评价模型试验结果。结果表明:私家车存在3种出行特征群体:商用私家车群体、通勤私家车群体、其他私家车群体,群体识别率为97.2%。出租车具有2种出行特征群体:其他区域偏好出租车群体、干线影响区偏好出租车群体;群体识别率高达99.18%。
展开更多
关键词
城市交通
RFID数据
出行特征指标
群体辨识
CFSFDP&BP组合模型
原文传递
题名
基于改进K-prototypes与GBDT的城市干道车辆出行群体辨识模型
1
作者
梁灯
蔡晓禹
彭博
邢茹茹
机构
重庆交通大学交通运输学院
重庆交通大学智慧城市学院
重庆交通大学山地城市交通系统与安全重庆市重点实验室
出处
《华东交通大学学报》
2023年第5期49-58,共10页
基金
重庆市技术创新与应用发展专项重点项目(CSTB2022TIAD-KPX0104)。
文摘
为了掌握城市干道交通运行规律,向交通管理部门制定相关交通需求管理政策提供理论依据,提出了一种基于组合模型的城市干道车辆出行群体辨识模型。基于青岛市胶州湾隧道过车数据,从出行强度、出行时间与出行习惯3个维度构建了出行特征指标体系以全面刻画车辆个体的出行行为。基于相关性分析剔除了冗余指标以避免对辨识研究的影响。针对混合属性出行特征指标数据,使用改进K-prototypes算法以有效地实现车辆出行群体划分,将其与GBDT算法相结合,建立了一种基于改进K-prototypes与GBDT的辨识模型,随机选取10000个样本开展辨识研究。结果表明:研究道路存在5类车辆出行群体:高频通勤群体、低频通勤群体、营运群体、频次稳定群体与普通群体,对于这5类车辆出行群体,平均识别准确率为97.75%,最高识别准确率可达99.47%。
关键词
城市道路交通
群体辨识
出行特征
改进K-prototypes&GBDT
Keywords
urban road traffic
group identification
travel characteristic
improved K-prototypes&GBDT
分类号
U491.4 [交通运输工程—交通运输规划与管理]
下载PDF
职称材料
题名
基于组合模型的车辆出行特征模式划分
被引量:
2
2
作者
蔡晓禹
吕亮
杜蕊
机构
重庆交通大学交通运输学院
山地城市交通系统与安全重庆市重点实验室
出处
《公路交通科技》
CAS
CSCD
北大核心
2021年第6期129-140,共12页
基金
国家自然科学基金项目(61703064)
重庆市高校优秀人才支持计划项目
重庆市技术创新与应用示范专项重点研发项目(cstc2018jscx-mszdX0085)。
文摘
精准掌握车辆的出行规律研究智能化城市交通管理及规划的基础工作,而掌握车辆出行规律的前提是探究车辆的出行特征。为研究城市道路交通车辆的出行特征模式,通过对历史RFID轨迹数据挖掘,对私家车、出租车样本轨迹数据进行定性分析,总结车辆运行的分布特征规律。基于数理统计分析,建立了出行频次、在网时间、轨迹重复率、出行时段,活动偏好区域、干线影响区偏好等出行特征指标体系。通过对出行特征指标的定制选取,建立基于密度峰值(CFSFDP)算法与BP神经网络算法的出行特征群体辨识模型。研究了私家车、出租车存在的特征群体,辨识出不同的出行模式,即实现出行特征群体的辨识。选取重庆市主城区域内的RFID数据进行试验分析,分别基于私家车、出租车提取的出行特征指标,进行CFSFDP算法的聚类分析,找到聚类中心,归纳分类数据。再利用分类数据进行BP神经网络训练学习,评价模型试验结果。结果表明:私家车存在3种出行特征群体:商用私家车群体、通勤私家车群体、其他私家车群体,群体识别率为97.2%。出租车具有2种出行特征群体:其他区域偏好出租车群体、干线影响区偏好出租车群体;群体识别率高达99.18%。
关键词
城市交通
RFID数据
出行特征指标
群体辨识
CFSFDP&BP组合模型
Keywords
urban traffic
RFID data
travel characteristic indicator
group recognition
CFSFDP&BP combined model
分类号
U491.4 [交通运输工程—交通运输规划与管理]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于改进K-prototypes与GBDT的城市干道车辆出行群体辨识模型
梁灯
蔡晓禹
彭博
邢茹茹
《华东交通大学学报》
2023
0
下载PDF
职称材料
2
基于组合模型的车辆出行特征模式划分
蔡晓禹
吕亮
杜蕊
《公路交通科技》
CAS
CSCD
北大核心
2021
2
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部