城郊公交线网hub站点和milk?run线路设计

为解决现有的常规公交线网设计方法没有考虑实际城郊客流需求的特殊性,造成乘客出行时间过长的问题.构建基于milk-run和hub-spoke的设计理念,且同时考虑载客能力的城郊公交线网优化模型,并提出相应的遗传算法实现模型的求解.在所提出的方法中,能够得到hub站点的数量及具体位置、milk-run线路的结构、和车辆分配方案.不同于常规公交线路运营方式,所提出的城郊公交线网通过milk-run线路将分散的客流聚集到各线路的hub站点,从而形成大客流的规模效应,到达hub站点的大客流可以通过直达线路从hub站点到达相应的目的地,以此减少乘客总的出行时间.最后,为验证所提出的方法的有效性,将其应用到位于香港天水围的实际城郊公交线网中,并对比了优化后的公交服务和现有的公交服务水平.对比结果表明:在现有的公交车辆配置数量不变的条件下,所提出的方法,可以减少16.26%总的乘客出行时间,说明所提出的方法能够有效提高现有公交服务水平,增加乘客出行满意度,吸引更多乘客采用公交出行,减少交通拥堵.     

判别多维标度特征学习

传统多维标度方法学习得到的低维嵌入保持了数据点的拓扑结构，但忽略了低维嵌入数据类别间的判别性。基于此，提出一种基于多维标度法的无监督判别性特征学习方法——判别多维标度模型（DMDS），该模型能在学习低维数据表示的同时发现簇结构，并通过使同簇的低维嵌入更接近，让学习到的数据表示更具有判别性。首先，设计了DMDS对应的目标公式，体现所学习特征在保留拓扑性的同时增强判别性；其次，对目标函数进行了推理和求解，并根据推理过程设计所对应的迭代优化算法；最后，在12个公开的数据集上对聚类平均准确率和平均纯度进行对比实验。实验结果表明，根据Friedman统计量综合评价DMDS在12个数据集上的性能优于原始数据表示和传统多维标度模型的数据表示，它的低维嵌入更具有判别性。