基于聚类分析算法的公交车到站时间预测研究

在现代城市中,准确获取公交车到站时间可以吸引更多人选择公交出行。但在目前城市交通日益拥堵的情况下,公交车在实际行驶过程中受多种因素的影响,导致行驶时间不稳定,这严重影响人们乘车体验感。本文结合了聚类分析和支持向量机,提出了一种基于聚类分析的公交到站时间预测模型。该模型使用了公交线路的站点数据,对所采集的数据进行标准化的预处理,并考虑了公交车在运行过程中受到的多种干扰因素,对鹰潭市27路公交上行线路进行了分析。结果表明,基于聚类分析和支持向量机的公交车到站时间预测模型的平均绝对误差在四十秒以内,预测精度也优于直接支持向量机的模型,能很好地预测公交车的到站时间。

基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明:不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.

碳资产评估:从化石燃料网约车到纯电动网约车

网约车是汽车市场的重要增长点,许多城市正在从化石燃料网约车向纯电动网约车过渡,但对网约车电动化是否具有可行性,能减少多少碳排放,带来的碳资产价值几何等问题仍没有具体的答案。本文从碳资产理论的角度研究网约车从化石燃料网约车向电池电动网约车过渡的经济价值,重点分析了直接碳排放。结果表明:碳资产价值的理论和方法可以应用于评估从化石燃料网约车向电池电动网约车过渡中碳减排的经济价值;化石燃料网约车向电池电动网约车的过渡具有碳资产价值;化石燃料网约车向电池电动网约车过渡的碳资产价值由化石燃料网约车的特定距离CO_(2)排放量、纯电动网约车的特定距离CO_(2)排放量、碳价格、网约车的年行驶距离以及网约车碳资产贴现率和化石燃料网约车或电池电动网约车的终止时间决定。

铁路车站(场)列车到发与调车作业过程仿真的研究

通过构造车站列车到发和调车作业的仿真模型 ,并辅以站场数据和联锁模型 ,在计算机上构造虚拟的车站及列车、机车、车辆 。

基于MapReduce聚类和神经网络的公交车到站时间预测模型

提出一种基于MapReduce的聚类和神经网络相结合的公交车到站时间预测模型。首先,结合公交车的运行特点,利用K-means聚类方法对公交车的运行时段进行划分,同一时段中的公交车运行数据具有较高的相似性;然后,分别对各个时段的公交车运行数据建立BP神经网络模型进行到站时间的预测;其次,在大数据平台上,针对聚类和神经网络相结合的分段预测模型,建立了基于MapReduce的并行化框架。最后,以公交车的实际运行数据为例进行仿真与验证。实验结果表明,该分段模型优于传统的BP神经网络预测模型,具有较高的预测精度和预测速度。

信号交叉口第一辆车到达分布及影响因素分析

信号交叉口延误是进行交叉口的设计及服务水平评价等的重要参数依据,而红灯期间第一辆车的到达影响因素有助于更好地分析信号交叉口延误.首先提取了红灯期间第一辆车的到达时间与红灯启亮时间的差值,分析了第一辆车的到达特征.综合各种可能影响车辆到达的因素,使用正交试验进行了组合方案设计优化;以标定后的重庆市学府大道某信号交叉口进口道的一条直行车道作为平台,使用VISSIM软件对各试验进行了仿真分析,得出了信号交叉口影响红灯期间第一辆车到达的因素程度依次为饱和度、车辆到达类型、交叉口间距、绿信比、饱和流量、大车率.最后考虑到饱和流量和饱和度存在交互影响,对饱和流量和饱和度使用交互分析,得到结果为:在饱和流量为1650 pcu·h^(-1),且饱和度小于0.25时,对车辆到达的影响程度最高.

基于时间分段的公交车到站时间预测模型研究

随着城市的高速发展,乘坐公交出行成为人们日常出行的主要选择。城市居民乘坐公交出行时进行公交线路选择需要准确及时的公交信息,而公交车到站时间预测是公交信息中的一个重要参数。但是,当前的公交车到站时间预测模型和应用都远无法满足要求。本文分析了公交车到站时间的组成部分,建立一个基于时间分段的实时动态模型,最后给出更为精准的公交车到站时间预测。

基于BP神经网络的公交车到站时间预测

公交车到站时间预测是城市公共交通智能化发展的首要需求.基于公交车的历史数据和实时数据,综合考虑公交车运行所处时段、天气状况和工作日时段等全局性因素和交通密度、交通流量、车辆排队长度等区域性因素的影响,增加了同路车的上下行到站信息参数,对公交车到站时间进行预测,提出了基于BP神经网络的预测模型.研究结果表明,BP神经网络能够较准确预测公交车到站时间.

基于智能手机的公交车到站时间预测

目前,公共交通系统在城市交通运输中有很大的发展,关于公交车到站时间的预测成为了研究的热点。精准及时的公交车到站时间预测可以减缓乘客的焦虑和缩短乘客在车站的乘车等待时间。本文对基于智能手机进行公交车到站时间预测进行研究,给出基于实时GPS信息的公交车到站时间预测算法,最后给出更为精准及时的公交车到站时间预测。

城市公交车到站规律及站台服务水平研究

城市公共交通是城市可持续发展的必由之路,对城市交通具有重大意义.本文从公交车的运行特点入手,用数学方法描述公交车从发车到到站的运行过程,建立公交车到站模型,并利用简化模型分析公交站台车辆到站规律,计算车辆到站频次.最后,利用排队理论建立公交站台服务水平的计算模型.运用排队论模型对北京市某公交站台进行评价,证明对站点设置位置和停靠模式以及站台的线路数和线路发车频率的合理设置,可以有效地控制站台内公交车的排队情况,提高公交站台的运行效率,缓解交通拥堵.

公交车到站时间暨复合路线旅行时间预估模式的研究

以不同的旅行者需求发展出适宜的公交车到站时间预估模式,并依预测时距分为长期与短期复合路线旅行时间预估模式。在长期公交车旅行时间预估模式的构建中,应用动态随机性旅行时间模式计算旅行时间的期望值与变异数,再利用快速傅里叶变换有效推估出函数型态,用于求取旅行时间的动态变化;而在短期公交车旅行时间预估模式中,则以前后站的车辆总延滞表现。最后,以实例依预测时距对预估准确度作图,找出长短期预估模式适用的分界点为:预估35min以内的公交车到站时间适用短期模式,而超过35min则采用长期模式。最后验证其在复合路线上的预估准确度。

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型。在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验。实例验证结果表明:该模型具有较高的预测精度。

基于公交车到达率的港湾式车站对路段通行能力的影响分析

随着城市公交的快速发展,公交车在运行过程中及在车站的停靠过程中都对路段的通行能力有着显著影响。文中从微观的角度,分析了公交车在车站的停靠过程,基于公交车运行的基本特性确定调查指标,通过实地调研得到公交车停靠的分布特征;通过数据拟合,发现公交车的到达频率符合泊松分布,停靠时间符合爱尔朗分布;基于道路通行能力基本模型,以公交车到达率为折减系数,考虑公交停靠延误时间,提出公交车在港湾式车站停靠有溢出和无溢出两种情况下对路段通行能力的折减模型,并对模型参数进行标定;最后通过改变公交车到达率和交通流量进行仿真,验证模型的有效性。

组合非参数回归和卡尔曼滤波的公交车到站时间预测

准确预测公交车到站时间并实时向公交乘客发布,是提高公交车服务水平的关键因素。在采集的公交车GPS数据的基础上,建立了组合非参数回归和卡尔曼滤波的公交车到站时间预测模型。以北京公交300路内为例,选取1 020组公交车行驶数据,取其中128组作为验证数据,选用平均绝对误差率作为评价指标,详细评价了不同时段及滤波前后模型的预测效果。预测结果表明,该模型具有较高的预测精度。

一种新型的公交车到站电子预报系统

开发了一种新型的公交车到站电子预报系统,它采用“接力棒”传输形式将公交车到站信息在各车站牌之间进行通信,并在车站LED显示屏上将公交车到站信息预报给侯车人.这一方法提高了公交车的服务水平,且能降低其装备成本.

基于LSTM和Kalman滤波的公交车到站时间预测

智能交通系统的建设已成为城市交通发展面临的主要问题,其中公交车到站时间预测是智能交通系统的重要组成部分。公交车到站时间数据是具有长期和短期特性的时间序列数据,而且公交车易受到外来因素的影响,因此公交车到站时间也是动态变化的。基于上述问题,提出基于LSTM和Kalman滤波的公交车到站时间预测模型,其中LSTM模型用来预测公交车到站的基础时间序列,Kalman滤波模型用于对基础时间数据序列进行动态调整,最终将调整后的预测值的正确率、均方差、平均绝对偏差分别与LSTM、SVM、SVM+Kalman模型预测结果进行对比,证明LSTM+Kalman模型预测值的正确率,均方差和平均绝对偏差均优于对比模型。

一种面向小站距的公交车到站时间预告方法

针对中心城区公交设站密集、站间距小、公交客流量大的特征,以提升公交服务水平和吸引力为目标,提出一种面向小站距公交车的到站时间预告方法。通过公交车载播报系统和站点预告系统的实时信息判别公交车的行驶状况,利用运营时间模型预测公交车到达指定站点的时间,并借助站点公告牌将公交到站时间告知给候车乘客。应用案例对该预告方法的适用性和有效性进行检验,分析结果表明该方法具有操作简单、实用性强的特性。

铁路重车到达预报与卸车预警系统研究与开发

铁路卸车业务管理缺乏准确的重车到达预报信息,难以及时发现卸车量与车站卸车能力不匹配,致使卸车组织工作常处于被动的局面。为此,充分利用现有的车流历史信息和车流实时追踪信息,研究开发了铁路重车到达预报与卸车预警系统。文章介绍该系统的架构和功能,详细描述重车到达预测算法和卸车分级预警机制。该系统能够动态预测未来3日内全国铁路货运站各品类重车到达时间,一旦发现预计卸车量超出车站卸车能力会立即预警,并自动推荐货运组织调整策略,辅助各级调度员及时协同采取针对性措施,以减少货车积压占用和缩短货车周转时间,有助于实现卸车业务精益化管理,促进全路货运调度指挥水平的提升。

基于BP神经网络的公交车到站时间预测

公交车到站时间预测是城市公共交通智能化发展的首要需求,对公交车到站时间进行准确预测对于市民出行与公交调研有着重要意义。但是公交车到站时间呈一种非线性变化,它受多方因素的影响,因此很难通过建立数学模型来解决。为此文中基于BP神经网络进行公交车到站时间预测,BP神经网络的自组织、自学习等特点使其可逼近任意非线性映射,以唐山市某线路公交车运行为例进行模拟仿真,试验结果表明,基于BP神经网络的公交车到站时间预测具有较高的准确性与可靠性。