基于手机信令数据的城市区域居民出行OD预测模型

为揭示城市区域居民出行规律和OD产生原理,基于手机信令数据探索城市区域居民出行目的地选择机制,考虑人口数量和POI数量两类数据建立一个地点机会选择(POS)模型。利用联通智慧足迹平台获取得到哈尔滨市居民手机信令出行数据,从交通小区和交通中区两个尺度,对哈尔滨市市二环、三环、四环不同范围展开实例研究。结果表明:地点机会选择模型预测结果在吸引能力和出行距离分布中基本符合实际数据规律,从交通小区和中区两个尺度上看,该模型预测精度分别能够达到67%~72%、75%~83%,较机会优先选择模型预测精度分别提高了13%~18%、9%~20%,较辐射模型预测精度分别提高了57%~60%、55%~60%。本文所提出模型的优越性在于模型简单且无待定参数,输入数据较容易获取,具有较高的预测精度,能够为城市交通规划提供理论参考。

快速路网实时OD预测的时间颗粒度选择

常见的基于实测数据的origin-destination（OD）预测方法分为两类：一类基于历史信息，即根据上一天或上一周同一日相同时段的数据进行预测，简称同比预测法；另一类则是根据同一天相邻时间段的数据预测本时段的OD，简称环比预测法．预测所用基础数据的时段长度称为时间颗粒度．时间颗粒度的大小对OD预测结果的稳定性、准确性具有重要影响．针对上海快速路网，采用ADF单位根检验和K—Means聚类分析方法，研究时间颗粒度对预测结果的影响，提出了时间颗粒度选择的建议，同比预测方法相比环比预测法更容易得出稳定、合理的预测结果，30-60min的时间颗粒度预测效果较好．

基于数据驱动的城市居民出行OD预测

【目的】利用“大数据”对城市居民出行量(OD)的预测方法进行改进,以期改善传统城市居民出行调查方法费时、费力且准确度不高的问题,同时也为城市公共交通规划与管理提供可靠的数据支持。【方法】结合手机信令数据、公交IC卡、公交GPS以及地铁闸机数据的特点和优势,利用聚类分析等方法获取城市居民公共交通出行的OD矩阵,并利用小波神经网络结合优化后的鲸鱼算法(improved whale optimization a lgorithm-wavelet neural network,IWOA-WNN)对未来时段的出行OD矩阵进行预测。以长沙市为例,选取60 d晚高峰期间的原始数据,利用IWOA-WNN进行预测,并结合时间序列方法进行分析。【结果】与优化前的小波神经网络相比,IWOA-WNN的预测结果更加贴近实际情况,精度达到了93.36%。【结论】本研究提出的数据处理及预测方法具有更高的准确度。

基于OD预测信息的高速公路优化控制系统设计与仿真

根据时变的OD预测信息,基于分层递阶的思想,建立了一个新颖的高速公路优化控制系统.控制结构分为三层:网络负荷分配层对长时期内总的交通需求进行预测,提前确定将来排队长度的上界;全局最优控制层预测未来的交通状态,为路网中的各个匝道建立协调约束;局部反馈控制层根据实测的交通条件及全局最优控制层的寻优结果决定匝道调节率.仿真结果表明,控制系统具有良好的动态性能,协调了各个匝道之间的利益,实现了高速路网整体性能的优化.

城市轨道交通短期客流OD预测模型研究与实现

轨道交通短期客流预测在保障运营安全、制定科学的客运计划和组织方案、提高效率等方面具有重要意义。目前我国对精细化短期客流预测,特别是OD级预测的研究不多,尚未见成熟的预测方法或大型信息系统报告。通过自下而上的研究方式,从路网客流构成单位OD入手,根据轨道交通AFC(自动售检票系统)历史数据,分析轨道交通路网客流OD时空分布规律与动态变化特征,并应用机器学习方法,建立基于OD分布规律与特征映射的路网客流OD精细化预测模型。从近3个月(2019年10月—2020年1月)的预测结果分析显示,该模型在精细化短期客流预测方面效果显著。

考虑稀疏特性的城市轨道交通短时OD时空预测方法

准确快速地获取城市轨道短时OD需求对城轨交通管理者及时获取乘客出行需求变化、做出科学决策具有重要意义。由于OD数据存在高维度稀疏特性,导致短时OD预测存在预测精度不高和计算效率低的问题。为进一步提升预测准确性和时效性,考虑OD需求的时空特性和矩阵可分解特性,提出一种基于时空分解和动态模式分解的短时OD预测模型(STDMD)。该方法首先采用融合时间序列分解和离散小波变换的时空分解模块,将原始数据分解为多个时空分量,提取时空特征;同时,利用动态模式分解预测模块通过奇异值分解截断数据矩阵的特征值,对数据进行降维去噪,并集成各分量预测结果,实现城市轨道OD的快速、精准预测。为验证模型的有效性,采用北京地铁数据进行案例验证。研究结果表明:STDMD模型具有较高的预测精度和较短的预测时间,在预测精度上,比向量自回归模型、卷积长短期记忆网络和时间正则化矩阵分解模型分别提高了5.0%,15.3%和17.9%;在预测时间上,比向量自回归模型和卷积长短期记忆网络分别缩短了95.7%和37.6%。STDMD模型各模块均可有效提升模型的预测精度。STDMD模型在不同数据集上表现出较强的鲁棒性。STDMD模型可为稀疏条件下的OD分析预测提供新的思路和方法,具有研究意义与现实意义。

基于出口流水数据的高速公路节假日日OD交通量分布预测

为解决已有传统OD交通量预测方法工作量繁重而精度不高的问题,以高速公路联网收费产生出口流水为数据支撑,综合考虑影响高速公路OD出行需求的多种因素,提出构建多维线性回归模型预测重大节假日总OD交通量,再根据往年各日占总量比例的均值将总量分配至各日的节假日OD交通量分布预测方法。将广东省西片区高速公路网收费出口流水数据用于对本模型的验证。结果表明,该模型在保证较高的预测精度的前提下简化了OD矩阵预测过程,具有较高的实用价值。

京广通道行包运输OD量预测研究

采用灰色预测法对京广通道主要城市的铁路行包运输发送量和到达量进行预测;在此基础上,采用双约束重力模型对各主要城市间铁路行包OD交流量进行预测。预测结果对于优化铁路运输产品、提高铁路服务水平具有重要意义。

城市轨道交通新线接入客流精细化预测模型

随着城市轨道交通的不断发展,每年都会有不同类型的新线或者延长线投入运营。新线接入不仅会改变原有轨道交通路网的拓扑结构,影响乘客出行路径选择,而且对客流时空分布有较大影响。以工程可行性研究报告中新线车站的开通年全日上下车人数为依据,采用改进的双约束重力模型实现新线车站相关OD客流量全日预测;建立路网及车站的分时进出站规律模型,实现新线相关OD客流量的精细化预测;采用加权平均法对既有车站OD客流量进行预测,并分析挖掘历史新线接入前后既有车站客流的变化规律,实现预测优化调整。提出的预测方法不仅可应用于新线接入前,为新线接入后的运营安全和科学高效的调度指挥提供有力支撑,而且可用于轨道交通线路规划阶段客流分布预测仿真。

共享单车出行OD的时空注意力残差网络预测模型

为探究共享单车出行的复杂时空规律与特性,揭示城市因素对共享单车出行OD的影响,提高OD预测精度,开展本研究。结合城市计算,考虑疫情、天气、温度、风速与节假日因素,构建共享单车出行OD的时空注意力残差网络预测模型(USTARN)。USTARN先将共享单车OD数据通过时空特征切分捕捉单车流的时空依赖性,再结合注意力机制进行深度残差学习,最后根据城市因素学习结果调整预测结果。利用从政府数据开放平台获取的深圳市共享单车订单大数据及城市因素数据集,分析共享单车出行时空分布规律及其影响因素。将OD数据集按7:1:2划分为训练集、验证集与测试集,分别进行训练预测、模型参数自适应调整及模型验证对比实验。研究表明,USTARN模型的共享单车出行OD预测平均误差为7.68%,与不含城市计算的STARN模型及传统的CNN,BiLSTM模型相比,误差分别降低了5.93%、7.55%、6.07%,预测精度显著提高。USTARN模型充分反映了时间、空间、疫情、天气、温度、风速等因素对共享单车出行OD的影响。研究成果对共享单车出行OD的精准预测具有理论指导意义,对该出行模式的推广并解决居民出行“最后一公里”问题具有实际应用价值。

以六盘水市为例谈中等城市组团间OD流量预测研究

以贵州省西部中心城市六盘水市为例,根据城市组团OD预测思路,研究了"一城七片,带状组团式"布局的城市组团间OD流量预测方法,并对城市内部交通生成及交通量分布进行了探讨,为六盘水市新一轮交通基础设施建筑提供了交通量依据。

我国驮背运输发展模式及市场需求分析

驮背运输整合了铁路与公路运输优势,是加强“公转铁”全程物流服务的重要形式,也是践行绿色低碳发展理念,实现我国“双碳”目标的重要抓手之一。借鉴国外发展经验,剖析我国驮背运输制约因素,展望驮背运输发展前景,提出运输组织模式和经营模式,研究驮背运输货源特征、空间分布和潜在市场需求,重点运用OD预测技术,预测主要货源地间驮背运输OD运量,提出主要通道驮背列车开行方案,助力我国驮背运输有序发展。

基于优化PSO-BP算法的轨道交通短期OD客流预测研究

城市交通系统要实现更好的管理,需对城市轨道交通进站客流进行准确预测,为达到提高轨道交通运输效率、改善运营服务质量的目的,构建了以反向传播(BP)神经网络对地铁客流进行预测;利用PSO,对BP神经网络进行进一步优化,形成对应的客流预测系统。以地铁数据为基础,对车站OD客流量时空相关性进行定性分析,利用回归分析法对影响客流的因素进行定量分析,筛选出天气、节假日、运营时刻3个时间特征。为提高预测精度,构建不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差,形成了基于PSO-BP神经网络的轨道交通短期OD客流量预测模型,加入时间特征的短期OD客流量预测模型,其换乘站优化后神经网络模型预测值M1平均下降了48.2%,M2下降了37.6%,M3下降了21.9%,该方法和模型为轨道交通运营部门制定列车运行计划提供更准确数据资料。

基于PCA-Kmeans算法的城市轨道交通短期OD客流预测

针对当前城市轨道交通短期起讫点(OD)客流预测存在模型构建工作量大、资源占用量大的特殊性,提出一种基于PCA-Kmeans算法的城市轨道交通短期OD客流预测方法。利用自动售检票(AFC)刷卡交易明细数据构造OD分布比矩阵,通过主成分分析(PCA)进行数据降维,再通过Kmeans算法处理降维后的数据,采用手肘法确定初始聚类数目,开展Kmeans聚类分析;依据聚类分析结果的各簇中心OD分布比及轮盘赌策略分布,以准确度较高的进站客流为OD客流,实现全线网规模的短期OD客流预测。以西南某城市轨道交通数据为研究对象开展实例研究,快速完成了全线网规模的短期OD客流预测,日粒度平均绝对百分比预测误差仅为13.7%,15 min粒度平均绝对误差仅为8.56,印证了该OD客流预测方法具有较高工程应用价值。

基于驾驶人路径选择偏好的OD行程时间预测方法

以广东省深圳市3 000余辆浮动车近300万组数据为基础,以地理信息系统技术为主要工具,以最具代表性的深圳市福田区与罗湖区为研究区域,确定了不同起讫(OD)点扩展半径。以浮动车唯一编号进行地图匹配,根据确定的研究区域与扩展半径,获取了浮动车OD路径与行程时间。确定了驾驶人在进行路径选择时的时间与空间偏好,建立了基于路径选择偏好的OD行程时间预测方法。以平均绝对百分比误差、均方根相对误差与最大相对误差为指标,对基于最短路径、最快路径与偏好路径的3种行程时间预测方法进行比较。比较结果表明:与基于最短路径的预测方法相比,采用提出方法的平均绝对百分比误差、均方根相对误差与最大相对误差分别降低了66.51%、61.24%、61.47%;与基于最快路径的预测方法相比,采用提出方法的平均绝对百分比误差、均方根相对误差与最大相对误差分别降低了63.64%、59.70%、58.99%,因此,采用基于驾驶人路径选择偏好的OD行程时间预测方法可以显著提高OD行程时间的预测精度。

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型(Deep Gravity)对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值(SHapley Additive exPlanations)揭示不同尺度下影响OD流预测建模的重要特征。结果表明:①相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高(CPC值高达0.83),且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;②在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;③同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。