考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Correlation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83%.

危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法.对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果.在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果.实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%.识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.

考虑车内拥挤度的公交出行选择行为建模分析

随着生活水平的提高,出行者乘坐公共交通出行时,对于舒适度的要求越来越高,车内拥挤度已成为乘客出行选择的重要影响因素。在传统的公交出行选择行为影响因素的基础上,引入车厢内拥挤度作为主观意愿影响因素,并针对出行者的个体特征及不同出行特征、出行环境下的乘客出行选择意愿设计调查问卷,获取乘客出行数据,基于多项Logit模型,建立考虑拥挤度的公交乘客出行选择行为模型,并量化各特性变量对效用函数的贡献度。结果表明:公交与地铁相对于自行车作为出行方式时,出行费用效用贡献度分别为59.70%和46.71%;出行距离效用贡献度分别为29.82%和23.50%;车内拥挤度效用贡献度分别为5.86%和15.25%;换乘次数效用贡献度分别为2.66%和5.54%。