城市公共交通站点间实时动态行程时间预测的模型

利用随机服务系统理论 ,给出了进入路段 (含信号交叉口 )车辆数服从Poisson分布的实时动态公共交通站点间行程时间预测的基本模型和公式     

冰雪条件下城市道路路段行程时间模型

为研究如何准确地预测冰雪条件下城市道路路段行程时间,建立冰雪条件下路段行程时间模型.在美国联邦公路局路段行程时间模型的基础上,分别引入冰雪条件下自由行程时间及路段通行能力修正函数,构建基于冰雪条件下的ISB-BPR函数.通过大量实地调查对修正函数及BPR参数进行标定.实例验证结果表明,该函数能够较为准确地预测冰雪条件下...     

基于极值分布的常态下高速公路行程时间可靠性模型

为了利用参考模型表征路段行程时间分布,运用海量高速公路收费数据,分析了路段行程时间概率分布特征,通过极值分布、对数正态分布、正态分布和威伯尔分布对路段行程时间的概率密度函数进行曲线拟合.建立了基于极值分布的路段行程时间可靠性模型和模型参数估计方法,考虑了车型速度差和出行者易于理解的因素,提出了一种高速公路可靠性指标阈值的计算方法.选取最大概率行程时间、平均延误时间和行程时间可靠性为评价指标,对陕西省高速公路网中某一路段24 h出发车辆的行程时间进行实例评价.结果表明:极值分布的误差平方和(SSE)最小,拟合优度(R2)最接近于1,利用极值分布表征路段行程时间分布效果最佳.     

基于改进LSSVM的节假日高速公路行程时间预测

节假日高速公路交通量突增,导致路段行程时间不确定增加,严重扰乱人们的出行安排,因此有效的行程时间预测至为关键。首先对历史数据集按照节假日行程时间的分布规律进行分类,使得子数据集和特征向量之间的关系,与预测时段行程时间和特征向量之间的关系更加相似。然后对LSSVM (Least Squares Support Vector Machines)模型进行改进,通过构造混合核函数,降低了模型计算复杂度;对PSO优化算法进行改进,解决了标准PSO算法搜索精度低,容易陷入局部极值的缺点。最后使用改进LSSVM模型对不同数据集进行训练,完成行程时间的预测。研究表明:(1)对历史数据集的分类,提高了模型预测的准确性;(2)与传统模型相比,改进后的模型训练速度更快,预测精度更高。     

基于速度矩阵和人工神经网络的行程时间组合离线预测模型

根据行程中车辆运行状态的时空相关性,结合矩阵的空间结构,构建了路段-时段平均速度矩阵,以表示车辆在行程中不同时空中的运行状态,并提出了一种基于该矩阵模拟车辆运行的行程时间离线预测模型。在此基础上,为了进一步提高该矩阵预测效果,结合相邻行程间的非线性规律,将路段-时间平均矩阵预测模型与BP神经网络模型相结合,构建出一种行程时间组合预测模型。以湖南中烟工业有限责任公司物流配送数据为数据集进行实验,结果表明:该组合模型的预测效果优于单一模型。     

基于固定型检测器和浮动车的路段行程时间获取技术

在深入分析交通流诱导系统信息需求的基础上,提出了一种新的路段行程时间获取技术。首先分别利用固定型检测器和浮动车计算路段平均行程时间,进而应用自适应指数平滑法进行短时预测,最后开发了不同可靠度下基于固定型检测器和浮动车的路段行程时间快速融合算法。试验结果表明,该技术能够准确、高效地获取路段行程时间,为交通流诱导系统提供高质量的输入数据,满足出行者的信息需求。     

交通拥堵下基于实时交通信息的路径选择模型

针对路段行程时间的估算在交通路径诱导系统中的应用,提出了一种在交通拥堵下基于实时交通信息的路径选择模型.根据目前城市交通的状况,以城市交通系统的基本设施为基础,分析了影响路段行程时间的各种因素和路段行程时间的组成.利用设置在路段上的车辆自动检测装置来搜集实时交通信息,通过行程时间的计算、动态算法的构造和路网模型的建立来对交通路径进行动态规划.实验结果表明,该模型解决了实际交通系统中的时间最短路径问题,具有一定的实用价值.     

公路行驶时间与交通流量预测的时间传递模型

以高速公路行车时间和交通流量预测为研究对象,建立了行车时间预测和路段交通流量估计的时间传递模型,得到了车辆从任意时刻进入高速公路的行驶时间。并分析了增加传感器处交通流量观测值情况下公路的通行特性,重点讨论了对局部阻塞路段的运行时间和交通流量的影响,利用交通流量时间传递模型,给出了该路段车辆运行时间和交通流量的精确预测。     

冰雪条件下城市路网容量可靠性

为研究冰雪条件下城市路网容量可靠性,采用路段行程时间可靠性及容量为约束条件进行研究.定义了冰雪条件下的路网容量可靠性概念,以BPR(Bureau of Public Roads)函数为基础,通过引入自由行程时间及通行能力修正函数,建立了适用于冰雪条件的ISB-BPR(Ice and Snowfall Based-Bureau of Public Roads)函数,并以路段容量和遵循ISB-BPR函数的行程时间可靠性作为约束条件构建了上层规划,以符合冰雪条件出行特征的弹性需求分配模型作为下层规划,提出了适用于冰雪条件的双层规划模型.根据模型反映的路径选择行为特点,设计了灵敏度分析法求解交通量分配模型,以Monte Carlo仿真算法求解路网容量可靠性.并给出1简单算例,计算结果表明:冰雪强度及交通供需对冰雪条件下路网容量可靠性有很大影响.该模型能够用于评估冰雪条件下的路网性能,并为路网规划、设计、维护提供依据.     

基于GPS采集车辆行程时间的路段划分模型

针对传统路段概念的模糊边界导致无法采集转向行程时间的问题,从提高GPS/GIS浮动车采集路段行程时间的性能出发,提出了方向路段与方向成员路段的概念,设计了一套半闭半开、具有方向的路段划分模型,并制定了相应的组织规则。     

A PSO-SVM Model for Short-Term Travel Time Prediction Based on Bluetooth Technology

The accurate prediction of travel time along roadway provides valuable traffic information for travelers and traffic managers. Aiming at short?term travel time forecasting on urban arterials, a predict...     

Support Vector Regression for Bus Travel Time Prediction Using Wavelet Transform

In order to accurately predict bus travel time, a hybrid model based on combining wavelet transform technique with support vector regression(WT-SVR) model is employed. In this model, wavelet decomposition is used to extract important information of data at different levels and enhances the forecasting ability of the model. After wavelet transform different components are forecasted by their corresponding SVR predictors. The final prediction result is obtained by the summation of the predicted results for each component. The proposed hybrid model is examined by the data of bus route No.550 in Nanjing, China. The performance of WT-SVR model is evaluated by mean absolute error(MAE), mean absolute percent error(MAPE) and relative mean square error(RMSE), and also compared to regular SVR and ANN models. The results show that the prediction method based on wavelet transform and SVR has better tracking ability and dynamic behavior than regular SVR and ANN models. The forecasting performance is remarkably improved to obtain within 6% MAPE for testing section Ⅰ and 8% MAPE for testing section Ⅱ, which proves that the suggested approach is feasible and applicable in bus travel time prediction.     

路内停车影响下非机动车流速度模型Symbol`@@

为解析设置于物理分隔非机动车道的路内停车对非机动车交通运行的影响,将行程时间比拟成生存分析中持续期,构建基于风险持续期模型的非机动车流行程时间和速度模型;提炼和筛选表征路内停车影响的因素,包括非机动车道有效宽度、驶入和驶出事件数、时间障碍率、电动自行车和自行车流量等作为协变量,纳入到模型当中,并利用实测数据标定模型参数. 结果表明：模型估计的速度分布特征量化表征了路内停车相关因素的影响效应,模型具有较好拟合优度和预测效果;驶入和驶出事件数、自行车所占比例和时间障碍率对速度具有负效应影响;而非机动车道有效宽度对速度具有正效应影响,随着有效宽度的增加,非机动车流速度降低的风险减小.     

重大灾害条件下应急交通疏散时间预测模型

针对重大灾害条件下应急疏散和救援工作难以获取真实数据的现状,以BPR(Bureau of public road)路阻函数为基础,分别建立了路段行程时间模型和路径行程时间模型,并给出了重大灾害条件下车辆应急疏散时间预测模型。以德州市路网为背景,采用TransModeler仿真软件搭建路网,模拟重大灾害事件,获取应急疏散时间数据,并对模型进行验证。试验结果表明:与现有仿真软件相比,该算法具有较高的保真度和精确度,为重大灾害条件下的应急疏散和救援工作提供了数据支持。     

Determination of Scheduled Travel Time for a Fixed Transit Route Based on Multistate Model

In order to provide the guideline for bus drivers to adjust speed to minimize scheduled deviation, the method for setting bus scheduled travel time is proposed. Firstly, multistate model is introduced to fit historical travel time data and identify different service states. Based on the calibrated travel time distribution parameters, an optimization model is proposed, followed by a Monte Carlo (MC) simulation based genetic algorithm (GA) procedure to obtain the optimal scheduled time. A case study from a fixed bus route from Shenzhen is used to demonstrate the model applicability. The sensitivity analysis is conducted to study the effects of parameters setting on optimal slack time for each segment. The results show that multistate model fits travel time under peak hours better than Lognormal distribution, and the length of scheduled travel time basically reflects travel time reliability.     

基于BP神经网络的高速公路旅行时间预测模型

针对目前高速公路检测器铺设密度较低导致预测路段旅行时间准确率不高的问题,利用联网收费数据建立旅行时间预测模型,用于预测路段旅行时间.首先根据收费数据计算出路段旅行时间,对其进行修正后建立真实旅行时间集,然后利用随机森林算法从构建的旅行时间备选变量中筛选出重要变量,以此作为输入建立基于BP神经网络的旅行时间预测模型,最后...     

基于数据采样方法的城市道路自由流行程时间估计

基于交通波模型,提出利用车牌识别数据估计城市道路自由流行程时间. 无需额外架设检测器或现场测算,所提方法具备准确性、科学性、实用性的特点. 基于车辆均匀到达的假设,将行程时间分为自由流行程时间和延误,建立信号影响下的路段行程时间分布函数. 针对现实环境中车流非均匀到达的特点,提出数据重采样方法生成符合均匀流假设的行程时间数据;拟合行程时间分布函数以获得路段自由流行程时间. 在杭州市多个路段的数据验证结果表明,重采样后的行程时间数据较好地拟合了行程时间分布模型,估得的自由流行程时间准确且具备理论支撑.     

考虑燃油经济性的出行者路径选择模型

为研究燃油经济性对出行者路径选择的影响,将燃油消耗、行程时间及其可靠性的线性加权和定义为广义出行费用,以饱和度为参数建立了路网单元燃油消耗模型并量化燃油消耗出行费用.分别以BPR函数及HCM2000延误公式量化路段行程时间及交叉口延误,以二者可靠性量化行程时间及延误波动的相应费用建立了基于广义出行费用的随机用户平衡分配模型.通过在小型测试路网上进行计算分析表明:基于广义出行费用的交通分配模型能够较好地反映考虑燃油经济性的出行者路径选择行为;出行费用权系数对出行者路径选择行为影响显著,考虑燃油经济性的路径选择行为可有效减少路网燃油消耗,可达9%左右.     

Route Temporal-Spatial Information Based Residual Neural Networks for Bus Arrival Time Prediction

基于线路时空信息的残差神经网络预测公交到达时间

#$TAB

杨超，茹小磊，胡斌*

（同济大学 交通工程学院 道路与交通工程教育部重点实验室，上海201804）

中文说明：

公交到站时间预测有助于提高公共交通的服务质量。如果能提前知道准确的公交到达时间，乘客就可以有效地安排出发时间。本文提出一种机器学习方法，RTSI-ResNet模型，来预测公交到达目标车站的时间。利用残差神经网络框架对公交线路时空信息进行建模。研究发现，两站点之间路段的公交行程时间不仅与同路段前一班次公交行程时间存在相关性，而且与临近的上下游路段的公交出行时间也存在共同的变化趋势。从包含目标路段的正反方向公交路线中提取公交出行时间和车头时距两个特征，构成公交路线时空信息，综合反映道路交通状况。对深圳公共交通系统10号公交线路的轨迹数据进行实验，结果表明本文提出的RTSI-ResNet模型优于其他著名的方法(如RNN/LSTM、SVM等)。特别地，当公交车与目标车站的距离越远时，预测精度的优势越明显。

关键词：公交到达时间预测; 线路时空信息; 残差神经网络; 递归神经网络; 公交轨迹数据