基于影响因素分类的路段行程时间融合研究
基于灰色关联分析的路段行程时间卡尔曼滤波预测算法
不 足之 处提 出一 种 综 合 预 测 方 法． 献 ［ ］ 报 道 文 ２中
了考虑 到交 通流 密度 不 同对 行程 时 间预测 带来 的影
１ 行 程 时 间影 响 因素灰 色关联 度 分 析
交 通 流 系统 是一 个 非线 性 的 大 系统 ， 辆在 行 车 驶 过程 中不仅 受操 作 特 性 和 车辆 性 能 的制 约 ， 且 而 受 区域 内路 况 、 车流 以及 其它 随机 因素 的影响 ． 就车 辆 在路 段上 的行程 时 间而 言 ， 仅 受本 路 段 上交 通 不 流状 态的影 响 ， 且 与 邻 近 区域 内的交 通 流 状 态密 而
维普资讯
华 南 理 工 大 学 学 报 （自 然 科 学 版 ）
第３ ４卷 第 ９期
２０ ０ ６年 ９月
Ｊ ｕ ａ ｆ Ｓ ｕ ｈ Ｃｈ ｎ ｏ ｒ ｌｏ ｏ ｔ ｉ ａ Ｕｎｉｅ ｓｔ ｆＴｅ ｈｎ ｌ ｇ ｎ ｖ ｒｉｙ ｏ ｃ ｏ ｏ ｙ
Ｖ０ ． ４ Ｎｏ． １３ ９ Ｓｅ ｔｍ ｂ ｒ ２ ０６ ｐｅ ｅ ０
（ ｔｒｌ ｃｅｃ ｄ ｉ ） Ｎａ ａ Ｓ ｉ ｅＥ ｉｏ ｕ ｎ ｔｎ
文章编 号：１０ —６ Ｘ（０ ６ ０ —Ｏ ６ ０ ０ ０５５ ２０ ）９０ ６ —４
基于灰色关联分析 的路段行程时 问 卡 尔 曼 滤 波预 测 算 法 术
温惠英 徐建 闽 傅 惠
（ 南 理 工 大 学 交 通 学 院 ， 东 广 州 ５０ ４ ） 华 广 １６０
摘
要 ：为 改善 卡 尔 曼滤波 用 于时 间序 列预 测 时 的 自适应 性 能 ， 出基 于灰 色关联 分析 提
的路 段行 程 时 间实时预 测算 法． 先 ， 用灰 色理论 对行 程 时间序 列的各 影响 因素进 行灰 首 利 色关联 分析 ， 据 灰 色关联度 的 大小 来选取路 段行 程 时间 的主要 影响 因素 ， 根 由此建 立相应
基于概率分布估计的私家车和出租车行程时间可变性度量
基于概率分布估计的私家车和出租车行程时间可变性度量王召月; 袁绍欣【期刊名称】《《计算机应用与软件》》【年(卷),期】2019(036)012【总页数】8页(P232-238,255)【关键词】行程时间可变性; 有限混合模型; 异常数据; 对数正态分布; 出行决策【作者】王召月; 袁绍欣【作者单位】长安大学信息工程学院陕西西安710064【正文语种】中文【中图分类】TP3910 引言随着城市交通拥堵的日益严重，出行者不仅关心出行时间，也关心行程时间可变性。
虽然二者都与出行成本有关，但对于前者，出行者关心如何节省，而对于后者，出行者则关注它的可预测性以降低可变性带来的风险[1-2]，这是因为不稳定的行程时间会迫使出行者预留出更多的时间以求准时到达目的地[2]。
私家车和出租车是两种重要的出行方式，对它们的行程时间可变性进行度量，可提升对这两种出行方式可靠程度的认识，最终有利于城市出行者进行出行方式选择决策和交通管理者制定相应的管理政策[3-5]。
对私家车和出租车的行程时间可变性进行度量，需要相同路段、相同时间段两类车的行程时间数据，这有助于通过对比研究从这两类共享相同车道的出行方式中发现它们在行程时间可变性方面的差异。
当前能满足这方面数据要求的主要是城市自动车牌识别(Automatic Number Plate Recognition，ANPR)数据。
自动车牌识别系统实现了对车辆闯红灯和超速等违规行为的检测[6]。
该系统在城市重要的道路卡口安装摄像头，识别车辆经过卡口时的车牌号码、通过时刻以及速度等信息。
通过上下游两个卡口的信息就可获得车辆通过两个卡口间路段的行程时间和平均速度等数据[7]。
与具有路网覆盖能力广但采集精度低的GPS数据[8]相比，ANPR数据具有采样精度高、数据量大且可通过车牌信息区分车型的优点，已是城市车辆道路行程时间估计的一个重要数据源。
值得注意的是，并不是所有的ANPR数据都适合于研究私家车和出租车的行程时间可变性，这是因为ANPR系统采集到的一些行程时间观测数据并不能反映特定时空下大概率出现的通常交通状况[9-10]。
面向行程时间预测准确度评价的数据融合方法
低等 优 点 的数 据 类 型 ， 所 以对 于路 段 行程 时 间 的估
计浮 动车数 据 目前 应 用 最 广… ， 因此 基 于 浮 动 车 数 据 的路段行 程 时间准确 度评 价 就成 为一 个 急需 解 决 的问题 ． 一些 国 内外学 者 对 路 段行 程 时 间 准确 度 与 浮动 车样本 量之 间 的关 系进 行研 究 ． 张存 保 等 ［ ］ 、 周 舒杰 等 ｌ ＿ ３ ］ 在 路 网的层 面上对 路段 行 程 时 间准 确度 与 最 小 浮动 车 样 本量 之 间 的关 系进 行 研究 ． 但 是他 们
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ａ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄ ｅ ｌ ｗａ ｓ ｂ ｒ ｏ ｕ ｇ ｈ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ，
ｗｈ ｉ ｃ ｈ ｗａ ｓ ｃ ｏ ｍｐ ｏ ｓ ｅ ｄ ｂ ｙ ｔ ｈ ｅ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｄ ａ ｔ ａ ｇ ｅ ｎ ｅ ｒ ａ ｔ ｅ ｄ ｍｏ ｄ ｕ ｌ ｅ，ｔ ｈ ｅ Ｂ Ｐ ｎ ｅ ｔ ｗｏ ｒ ｋ — ｂ ａ ｅｄ ｓ ｄ ａ ｔ ａ ｆ ｕ ｓ ｉ ｏ ｎ ｍｏ ｄ ｕ ｌ ｅ ａ ｎ ｄ ｈｅ ｔ ｒ ｅ ｓ ｕ ｌ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｍｏ ｄ ｕ ｌ ｅ ．Ｆ ｏ ｕ ｒ ｖ ａ ｒ ｉ ａ ｂ ｌ ｅ ｓ ｓ ｕ ｃ ｈ ａ ｓ ｌ ｉ ｎ ｋ ａ ｖ ｅ ｒ ａ ｇ ｅ ｄ ｅ ｎ ｓ ｉ ｔ ｙ，ｔ ｒ ａ ｆ ｆ ｉ ｃ ｖ ｏ ｌ ｕ ｍｅ。ｌ ｉ ｎ ｋ ａ ｖ ｅ ｒ ａ ｇ ｅ ｔ ｒ ａ ｖ ｅ ｌ ｔ ｉ ｍｅ ａｓ ｂ ｅｄ ｏ ｎ ｆ ｌ ｏ ａ ｔ ｉ ｎ ｇ ｃ ａ ｒ ｄ ａ ｔ ａ
基于波动理论的城市快速路行程时间研究
间预 测 受 到众 学 者 的 关注 。其 中 ，具 有 代 表 性 的有 ： 速 路是 满 足快 速 交通 安 全行 驶 、控 制 出入 、连 续通 行 的 吉林 大 学杨 兆升 教 授等 人 提 出的 基于 Ｆ ｚｙ回 归的快 速 汽车 专 用 道路 ，且 主 线较 为 封 闭 ，主 线 行驶 的 车辆 因不 ｕｚ 受交 通信 号 限 制使 得 交通 状 态的 变 化一 般较 为 连续 ，体
基于波动理论的城市快速路行程时 间研 究
口 章海玲 ，严 凌
２０９） ０ ０ ５ （ 海理 工 大 学 管理 学 院 ，上 海 上
摘
要 ：首先对预测路段进行分段，然后计算各小段的行程 时间并将其累加。结合道路拥挤 时的
集结波和消散波模型，提出基于随机排队理论 的城市快速路行程时间模型。该模型简单易行且参数通 过检测器即可直接获得，可以用于评价快速路的服务水平。
ｐ ｒｓ ｍｅ ｎ ｉ ｅ ｃ ｍ ｂｎｎ ｅｍｏ ｅ ｆ ｔ ｐ ｉｇ ａ ｄ Ｓ ａｔ ｇＷ ａ ｅｄ ｒ ｇｔｅｔａ ｃｃ ｎ ｅ ｔ ｎ ｆｏ ｗｈｃ ｅｉｅｔｅ ａｔ， ａ ｔ ， ｏ ｉ ｉｇｔ ｄ ｌ ｏ ｐ ｎ ｎ ｔｒｉ ｖ ｕ ｉ ｈ ｒｆ ｏ ｇ ｓｉ ， ｒ ｍ ｉｈ ｗｅｄ ｒｖ ｈ ｍ ｈ ｏＳ ｎ ｎ ｉ ｏ
路 行 程 时 间预 测 模 型研 究 … ；同 济大 学徐 天 东 等人 从 宏
０ 引言
观 动 态流 体 力学 模 型 出发 ，从 而 动态 预 测 出稳 定流 和非
行程 时 间的预测 是 智能 交通 系统 （ Ｓ Ｉ ）的核 心研 究 稳 定流 状况 下 的快速 路行 程时 间 。；林 瑜通过 上海 市快 Ｔ
ｂ ｓ ｄ ｏ ｐ ｒ ｉｉ ｇ ｕ ｂ ｘ ｒ ｓ ｗａ ｅ ｖ ｃ ｖ １ ｅ ｕ ｅ ｎ ａ ｐ ａｓｎ ｒ ａ ｅ ｐ ｅ ｓ ｙ ｓ ｒ ｉ ｅｌ ｅ ． ｎ ｅ
基于GPS数据的高速公路行程时间估计与可靠性分析
第38卷第3期2024年5月山东理工大学学报(自然科学版)Journal of Shandong University of Technology(Natural Science Edition)Vol.38No.3May 2024收稿日期:20230306基金项目:山东省自然科学基金项目(ZR2021MF109)第一作者:唐莺萍,女,tangyingping0810@;通信作者:商强,男,shangqiang@文章编号:1672-6197(2024)03-0014-06基于GPS 数据的高速公路行程时间估计与可靠性分析唐莺萍,商强(山东理工大学交通与车辆工程学院,山东淄博255049)摘要:准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义㊂针对目前行程时间估计准确性不高㊁可靠性分析不够全面的问题,提出基于BP 神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性㊂以广州机场高速公路GPS 浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性㊂关键词:GPS 浮动车数据;行程时间估计;行程时间可靠性;对数正态分布中图分类号:U491文献标志码:AExpressway travel time estimation based on GPS data and reliability analysisTANG Yingping,SHANG Qiang(School of Transportation and Vehicle Engineering,Shandong University of Technology,Zibo 255049,China)Abstract :Accurate highway travel time estimation and reliability analysis is of great significance fortraffic planning and traffic congestion alleviation.Aiming at the current problems of low accuracy of travel time estimation and insufficiently comprehensive reliability analysis,this paper proposes a highway travel time estimation model based on BP neural network,and uses the travel time calculated by this model to analyze the travel time reliability of vehicles traveling on highways.Taking the GPS floating car data ofGuangzhou Airport Expressway as an example for verification,the model proposed in this paper improves the accuracy of travel time estimation compared to the speed time integration method and the position time interpolation method,and can analyze the reliability of vehicle travel time in multiple aspects.Keywords :GPS floating vehicle data;travel time estimation;travel time reliability;lognormal distribution㊀㊀莜随着我国社会和科技的不断发展,居民的出行量和汽车的保有量逐年攀升,交通拥堵问题也日益严重㊂准确地进行行程时间估计与可靠性分析是解决交通拥堵的关键㊂行程时间估计与可靠性分析能帮助交通管理者及时发现交通拥堵问题,制定有效的解决方案,还能帮助出行者及时了解交通状况,做出合理的出行决策㊂目前,采集交通数据的交通检测器主要分为固定型交通检测器和移动型交通检测器㊂Horvath等[1]用单个线圈检测器数据推导行程时间,吴俏[2]以环形线圈检测器交通流数据为研究对象,提出数据预处理方法㊂固定检测器覆盖率低㊁不灵活㊁维修难度大㊁易受外界环境影响,因此移动型交通检测器开始广泛使用,其中移动检测器中的GPS 浮动车技术因具有覆盖率广㊁可靠性高㊁检测的连续性强等特点而被广泛应用㊂起初利用GPS 浮动车数据进行行程时间估计的方法有速度-时间积分法和位置-时间内插法㊂Byon [3]提出速度-时间积分法估计行㊀程时间,常安德[4]在位置-时间内插法的基础上,提出了假设车辆匀加速或者匀减速行驶来估计行程时间的方法㊂随着计算机技术的发展,研究者们开始采用更先进的方法来改进传统的行程时间估计与可靠性分析方法㊂宋承波等[5]采用加权融合的方法来融合速度-时间积分法和位置-时间内插法计算的行程时间,伊峰[6]针对位置-时间插值法和速度-时间积分法存在的不足,采用牛顿插值法和切比雪夫多项式拟合法设计了相应的改进方法㊂在行程时间可靠性方面,许必承[7]分析了路段行程时间分布特征,选择95%分位行程时间路段建立交通运行状态可靠性度量方法;陈伟[8]建立了VMS 信息下路径行程时间可靠性评价体系,路段行程时间可靠性评价指标选取为可容忍的行程时间边界,可靠性模型采用概率型指标㊂针对目前采用传统的行程时间估计方法准确度不高㊁先进的模型复杂㊁分析数据方法繁琐以及行程时间可靠性分析指标单一的问题,本文提出基于BP 神经网络的高速公路行程时间估计模型,采用传统与概率型指标相结合的方法对行程时间可靠性进行多角度评价,并利用广州机场高速公路GPS 浮动车数据进行实例验证㊂1㊀基于BP 神经网络的高速公路行程时间估计模型1.1㊀坐标-时间内插法坐标-时间内插法[9]假定起点与终点之间车辆是匀速行驶的,通过估算车辆到达起点与终点的时间,利用起终点的时间相减即可得到行程时间㊂如图1所示,GPS 浮动车行驶的路线上会有i 到j 的定位点,按照式(1)的方法计算车辆通过终点的时刻t N ,即t N =L '2(j -1)t (j )+L '2(j )t (j -1)L '2(j -1)+L '2(j ),(1)图1㊀坐标-时间内插法示意图式中:t N 为当前高速公路路段终点N 边界时刻,t (j )为第j 个定位点的定位时刻,t (j -1)为第j -1个定位点的定位时刻,L '2(j -1)为第j -1个定位点与当前路段终点边界的距离,L '2j ()为第j 个定位点与当前路段终点边界的距离㊂同理,可计算出车辆通过路段起点时刻t N -1,利用公式t =t N -t N -1可得到高速公路路段行程时间㊂1.2㊀速度-时间积分法速度-时间积分法[9]算法原理如图2所示,它用一系列连续的GPS 浮动车采集的瞬时速度来估计高速公路平均行程速度,并用高速公路路段长度除以行程速度得到行程时间的估计值㊂图2㊀速度-时间积分法示意图车辆在t i 到t j 时间段内行驶的距离为㊀㊀d '=ʏjiv d t ʈv i (t i +1-t i2)+ðj -1g =1v g (t g +1-t g -12)+㊀㊀㊀㊀v j (t j +t j -12)㊂(2)如果采用固定的GPS 采样间隔,式(2)可简化为d '=t c (vt 2+ðj -1g =1v g +v j2),(3)车辆在t i 到t j 时间段内行驶的平均速度为u =d 't j -t i ,(4)长为L 的高速公路路段,单车的行程时间为T =L u㊂(5)1.3㊀BP 神经网络BP 神经网络是一种按误差逆传播算法训练的多层前馈神经网络,在自主学习㊁非线性和容错性等多个方面有很大的优势,其组成如图3所示,包括指定数量的输入层㊁输出层以及隐含层㊂BP 神经网络51第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析的原理是在不断的训练过程中,通过学习正向反馈信息与反向反馈信息,不断减小误差来调整不同神经元的权重㊂不同层之间的神经元通过非线性计算寻找输入与输出之间的关系㊂图3㊀BP 神经网络拓扑结构每个输入输出层㊁隐含层与输入的函数关系为:x j =ðki =1w ij o i ,(6)o j =sigmod(x l )=11+e -xl,(7)式中:k 为隐藏层神经元个数,w ij 表示神经元i 与神经元j 之间连接的权重;o j 代表神经元j 的输出;sig-mod 是一个特殊函数,用于将任意实数映射到(0,1)之间㊂1.4㊀基于BP 神经网络的高速公路行程时间估计模型设计㊀㊀坐标-时间内插法和速度-时间积分法行程时间估计的原理和优势不同,可以利用BP 神经网络对2种行程时间估计方法的结果进行融合,提高行程时间估计的精确度㊂本文提出的基于BP 神经网络的高速公路行程时间估计模型框架如图4所示,用速度-时间积分法与位置-时间内插法的行程时间估计结果作为BP 神经网络的输入变量,当训练的均方误差达到要求即输出行程时间估计的结果㊂2㊀高速公路行程时间可靠性指标2.1㊀累积分布函数用累积分布函数表示的百分位数行程时间是一种常用的行程时间表示方法,可以用一些特殊的行程时间百分位数来计算行程时间的可靠性,例如15%㊁50%㊁90%等㊂累积分布函数为图4㊀行程时间估计方法框架F (t )=ʏt 0f (t )d t =1σ2πʏTexp -12(ln t -μσ)2éëêêùûúúd t =Φ(t -μσ)㊂(8)2.2㊀基于佛罗里达算法的行程时间可靠性㊀㊀佛罗里达算法[10]将行程时间可靠性定义为:出行者使用的行程时间小于该时间下路段的平均行程时间与可接受延误时间的和的概率㊂佛罗里达算法的行程时间可靠性公式为R φ(t )=P (t <t -+φt -),(9)式中:R φt ()为行程时间可靠性;t -为平均值;φt -为可接受的行程时间延误;φ为系数,一般取5%㊁10%㊁15%或20%;t -+φt -为可接受的行程时间阈值㊂2.3㊀变异系数CV变异系数[10]能较为清晰地反馈行程时间的离散程度与不确定性,可排除量纲的影响㊂变异系数一般不超过0.15,其计算公式为CV =σμ,(10)式中:σ为标准差,μ为均值㊂2.4㊀缓冲指数BTI缓冲指数[11]指一般条件下,出行者为了能在90%的分位行程时间内到达目的地要额外预留的缓冲时间,其计算公式为BTI =F (0.9)-t mt m,(11)61山东理工大学学报(自然科学版)2024年㊀式中:F (0.9)为90%分位行程时间,t m 为平均行程时间㊂2.5㊀单位距离平均行程时间行程时间反映了一定时间段内单位路段长度交通流的平均状况和运行效率㊂单位距离平均行程时间计算公式为t -=ðni =1t in ㊃l,(12)式中:t i 为第i 辆车行程时间,l 为车辆行驶的路段长度,n 为该路段上通过的车辆数㊂3㊀实例验证3.1㊀行程时间估计3.1.1㊀数据来源OpenData [12]开放的广州机场高速公路GPS 数据为地图配后的结果,可用来进行高速公路行程时间与可靠性分析研究㊂删除速度异常的GPS 浮动车数据,对数据进行排序分类,对浮动车的行驶方向㊁行驶地点和行驶时间㊁路段编号进行筛选,选出实验需要用的GPS 浮动车数据㊂高速公路行程时间估计实例验证的路段为新市-黄石㊂BP 神经网络融合方法的输入变量为速度-时间积分法与位置-时间内插法计算的行程时间,输出变量为行程时间估计值,共有125组数据,前96组数据作为训练集,97到101组数据为验证集,最后24组数据为测试集,输入层神经元设置为2个,隐藏层神经元设置为10个,输出层神经元设置为1个㊂3.1.2㊀评价指标本文采用相对误差(δRE )㊁平均相对误差(δARE )㊁最大相对误差(δMRE )来评估模型的有效性㊂评价指标越小,则模型的预测性能越好,各自的数学表达式如下:δRE=y (t )-y ɡ(t )y (t ),(13)δARE=1n ðn i =1y (t )-y ɡ(t )y (t ),(14)δMRE =max(y (t )-y ɡ(t )y (t )),(15)式中:y t ()为行程时间真实值,y ɡt ()为行程时间估计值㊂3.1.3㊀行程时间估计结果与分析3种方法估计的行程时间如图5所示㊂由图5可以看出,每辆GPS 浮动车分别采用速度-时间积分法㊁坐标-时间内插法㊁基于BP 神经网络模型的行程时间估计结果,为了检验本文提出模型的估计效果,采用真实值与3种方法估计结果的相对误差㊁平均相对误差与最大相对误差来分析㊂图5㊀3种方法估计的行程时间3种方法估计的行程时间与真实值的相对误差如图6所示,平均相对误差㊁最大相对误差如表1所示㊂由图6和表1可知,速度-时间积分法的5㊁6㊁15㊁19㊁21,24号车辆的估计误差较大,坐标-时间内插法的4㊁8㊁12㊁21㊁23号车辆的估计误差较大,基于BP 神经网络模型的3㊁11㊁12号车辆的估计误差较大,其他车辆的相对误差都较小㊂可以明显看出无论是相对误差还是平均相对误差与最大相对误,基于BP 神经网络的行程时间估计模型效果明显优于图6㊀3种行程时间估计方法的相对误差表1㊀3种行程时间估计方法的平均相对误差与最大相对误差方法名称δARE δMRE 速度-时间积分法0.08070.1681坐标-时间内插法0.08120.1717神经网络融合法0.05240.120971第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析速度-时间积分法㊁坐标-时间内插法的估计效果且其结果与真实值偏差更小㊁吻合度更高㊂3.2㊀行程时间可靠性分析根据本文提出的基于BP 神经网络的高速公路行程时间估计模型对三元里-黄石㊁黄石-平沙㊁平沙-蚌湖路段的387辆GPS 浮动车的行程时间进行估计,并利用估计的行程时间进行可靠性分析,以下以三元里-黄石路段为例进行分析㊂3.2.1㊀行程时间频数统计如图7所示,对三元里-黄石路段车辆的行程时间进行频数统计以进行行程时间分布拟合计算㊂3.2.2㊀行程时间分布拟合对行程时间的频数统计数据进行正态分布㊁威布尔分布㊁伽玛分布㊁对数正态分布模型拟合,分布拟合的结果如图8所示㊂利用三元里-黄石路段的4种模型的函数表达式进行误差平方和的计算,其计算公式为δSSE =ðni =1w i (y i -y -i )2,(16)式中:y i 为实际值;y -i 为拟合值;w i 为权重㊂图7㊀三元里至黄石南行程时间频数统计㊀㊀由表2拟合函数的误差平方和可知,对数正态分布的误差平方和最小,所以广州机场高速公路三元里-黄石路段的车辆行程时间分布由对数正态分布拟合效果最佳㊂㊀㊀对数正态分布的概率密度函数为f t ()=10.57073t 2πexp -12(ln t -2.64230.57073)2éëêêùûúú㊂(17)(a)正态分布㊀㊀(b)威布尔分布(c)伽玛分布㊀㊀(d)对数正态分布图8㊀拟合分布函数图81山东理工大学学报(自然科学版)2024年㊀表2㊀4种拟合函数的误差平方和路段正态分布威布尔分布伽玛分布对数正态分布三元里-黄石0.02280.02080.02050.02043.2.3㊀行程时间可靠性分析1)累积分布函数㊂三元里至黄石累积分布函数为F (t )=ʏtf (t )d t =10.57073t 2πexp -12ln t -2.64230.57073()2éëêêùûúú=φt -2.64230.57073()㊂(18)2)佛罗里达算法指标㊂由表3可以看出,在可接受的延误时间为概率统计拟合行程时间的20%的情况下,三元里-黄石与黄石-平沙两个路段的佛罗里达算法指标均未超过50%,说明两段路的行程时间可靠性较低,平沙-蚌湖路段的佛罗里达算法指标超过50%,说明该路段的行程时间可靠性较好㊂㊀表3㊀基于佛罗里达算法的行程时间可靠性㊀单位:%路段可接受延误时间的系数5%10%15%20%三元里-黄石31.1036.1241.1546.10黄石-平沙34.9438.8242.6446.36平沙-蚌湖39.3644.0148.5352.88㊀㊀3)其它行程时间可靠性指标㊂由表4变异系数CV 值可以看出,平沙-蚌湖的离散程度较低,说明车辆在该路段可用相对平稳的速度行驶,且对比全国高速公路单位距离的平均行程时间可知该路段的交通流运行速度较快,路段的行程时间可靠性高㊂三元里-黄石㊁黄石-平沙路段的离散程度较高,且交通流运行速度较慢,说明这两个路段的行程时间可靠性较差㊂表4㊀其他行程时间可靠性指标路段变异系数CV 缓冲指数BTI 单位距离平均行程时间/(min /km)三元里-黄石0.7594 1.2625 2.031黄石-平沙0.2955 1.5354 1.198平沙-蚌湖0.14581.73321.2844㊀结论针对目前行程时间估计准确性不高与可靠性分析不够全面的问题,提出了基于BP 神经网络的高速公路行程时间估计模型,并采用传统与概率型指标相结合的方法分析行程时间可靠性,在此基础上进行实例验证,得出以下结论:1)本文提出的模型能提高行程时间估计的准确性,与原有方法相比,相对误差㊁平均相对误差与最大相对误差均有大幅降低㊂2)采用传统与概率型指标相结合的方法分析行程时间的可靠性,可以改善行程时间可靠性分析指标单一的问题,多角度全面分析行程时间可靠性㊂3)对高速公路上车辆行驶的路段进行行程时间估计与可靠性分析,可以反映存在的交通问题,准确获得实时的交通信息,方便交通管理者发现并解决问题,帮助出行者及时采取正确的出行决策㊂参考文献:[1]HORVATH M T,TETTAMANTI T.Real-time queue length estimationapplying shockwave theory at urban signalized intersections[J].Pe-riodica Polytechnica Civil Engineering,2021,65(4):1153-1161.[2]吴俏.基于城市路网的行程时间估计及预测方法研究[D].杭州:浙江大学,2015.[3]BYON Y J.GISTT:GPS -GIS integrated system for travel time surveys [D].Toronto:University of Toronto,2005.[4]常安德.基于GPS 浮动车的路段行程时间采集方法研究[D].长春:吉林大学,2009.[5]宋承波,燕雪峰.一种浮动车技术的道路行程时间估计方法[J].小型微型计算机系统,2018,39(9):2098-2102.[6]伊峰.基于车载GPS 数据的交通流路段平均行程时间估计与预测方法研究[D].长春:吉林大学,2012.[7]许必承.城市路网交通运行状态可靠性度量[D].南京:东南大学,2021.[8]陈伟.VMS 信息下驾驶路径选择行为特性及行程时间可靠性分析[D].青岛:青岛理工大学,2021.[9]马超锋.基于低频采样GPS 数据的路段行程时间估计[D].北京:北方工业大学,2015.[10]蒲珂慧.高速公路行程时间可靠性计算方法研究[D].西安:长安大学,2015.[11]KAPARIAS I,BELL M G H,BELZNER H.A new measure of traveltime reliability for in-vehicle navigation systems[J].Journal of In-telligent Transportation Systems,2008,12(4):202-211.[12]OpenITS 联盟.OpenData V1.0-广州机场高速公路开放数据[EB /OL].[2023-02-16].https:// /openData1/626.jhtml.(编辑:郝秀清)91第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀唐莺萍,等:基于GPS 数据的高速公路行程时间估计与可靠性分析。
城市路段行程时间计算研究
１．３本研究所采取的研究方法、技术路线
确定研究目标，即研究城市道路基本路段的路段静态行程时间计算模型，建 立路段行程时间与路段交通量，交叉口信号配时的函数关系。 １．查阅国内外有关城市交通行程时间计算理论的资料，学习其成功的经验， 针对我国城市道路交通流特性，确定本文实践为主、数据分析和理论分析并重的
ＦｉＩｌａｌｌｙ，ａ ｃｏｎｃｌｕｓｉｏｎ
ｉｓ ｍａｄｅ，ｓｕｎｕｎａＩｉｚｉＩｌｇ ｔｌｌｅ
ｔｈｉｓ ｐ印ｅｒ＇舡ｌｄ ｓｕｇｇｅｓｔｉｎｇ ｓｏｍｅ ｄｉｒｅｃｔｉｏＩｌｓ
ｆｏｒ删ｌｅｒ ｒｅｓｅａｒｃｈ ｉｎ ｔｈｉｓ ｆｉｅｌｄ．
ａｄｖ觚ｔａｇｅｓ
ａｎｄ
ｄｉｓａｄｖ锄ｔａｇｅｓ
ｏｆ
Ｋｅｙ ｗｏｒｄ： ｑｕｅｕｅ ｌｅｎｇｔｌｌ
学位论文作者签名：嗜名葫鲁
日期：聊孑年多月铲日
学位论文使用授权声明
本人完全了解中山大学有关保留、使用学位论文的规定，
即：学校有权保留学位论文并向国家主管部门或其指定机构 送交论文的电子版和纸质版，有权将学位论文用于非赢利目 的的少量复制并允许论文进入学校图书馆、院系资料室被查 阅，有权将学位论文的内容编入有关数据库进行检索，可以 采用复印、缩印或其他方法保存学位论文。
配过程中的基础模型——路段行程时间作为研究对象。
本文在总结和吸收前人的研究成果的基础上，首先根据我国城市道路交通的 实际状况分析了行程时间的计算方法，将行程时间的计算过程分解成了速度计 算，排队计算以及交叉口延误计算三个部分。接着本文对这三个部分分别进行了 研究：改进了现有的车速一流量模型，解决了已有模型在高饱和流量下计算精度 不足的问题，新模型在通行能力等参数发生变化时有很好的适用性和稳定性；对 常用的信号交叉口延误模型进行对比研究；通过提出等效排队长度的方法简化了 排队长度的计算方法。然后本文建立了考虑信号交叉口排队长度的城市路段行程 时间计算模型，该模型解决了已有模型不考虑交叉口停车排队长度对车辆有效行 驶距离影响的问题，因此具有更好的计算精度。 为了验证模型的有效性，本文通过交通调查采集实测数据对模型做了检验以 及参数标定。结果表明这本文提出的车速一流量计算模型通行能力参数变化时仍 能有较高的精度；本文使用的延误计算模型也有很高的精度。此外，本文还结合 交通调查的实际数据，通过微观交通仿真获取行程时间，对本文的行程时间模型 进行了验证，结果表明本文的模型有很好的精度。 应用本文提出的行程时间计算模型，结合城市道路的实际情况，本文对城市 道路行程时间计算的影响因素做了详细分析，指出了在计算城市道路行程时间时 考虑交叉口延误，交叉口排队长度等因素的必要性，并对交叉口间隔，交叉口绿
基于行程-时间域的路段行程时间预测
基于行程-时间域的路段行程时间预测张安泰;柴干;丁闪闪【摘要】In order to improve the real-time and accuracy of the highway link travel time prediction, a travel time prediction algorithm based on travel-time field traversing was proposed. Based on the real-time traffic data detection and predicting every time unit space mean speed of link units by BP neural network, the algorithm constructed the travel-time field. The predicted travel time was obtained by traversing the travel-time field. Data detected by highway traffic detector was taken full advantage of by the travel-time field traversing. Through simulation research, the fact that travel-time field traversing is superior to traditional neural network prediction algorithm was revealed by comparison. Taking the link of Shanghai-Nanjing Freeway as background and based on Vissim simulation software, the accuracy and feasibility of the proposed algorithm was verified.%为了提高高速公路路段行程时间预测的实时性与准确性,提出了基于行程-时间域的路段行程时间预测算法.该算法依据实时检测的交通数据和BP神经网络预测路段单元在不同时间单元的空间平均车速,构建车辆出行的行程-时间域,通过车辆穿越行程-时间域获得路段的预测行程时间.通过比较行程-时间域算法与传统神经网络预测算法,揭示了行程-时间域算法在预测精度上优于传统神经网络算法.以沪宁高速公路路段作为示例背景,基于Vissim仿真软件,验证了所提算法的准确性与可行性.【期刊名称】《交通信息与安全》【年(卷),期】2013(031)002【总页数】5页(P59-63)【关键词】行程时间;行程-时间域;BP神经网络;高速公路【作者】张安泰;柴干;丁闪闪【作者单位】东南大学智能运输系统研究中心南京210096【正文语种】中文【中图分类】U491.1+40 引言随着现代信息技术在高速公路智能运输系统（intelligent transportation system，ITS）的广泛应用，动态路径诱导系统作为高速公路ITS的重要组成部分，目前正得到深入研究与开发。
路段容量随机下降路网的行程时间可靠性
路段容量随机下降路网的行程时间可靠性
况爱武;欧阳媛;李炳林
【期刊名称】《交通科学与工程》
【年(卷),期】2007(023)003
【摘要】基于均匀分布的路段容量,分析了退化路网中路段行程时间的随机变动,构建了概率用户均衡交通分配模型,证明了等价数学规划模型解的等价性,设计了模型求解算法.在此基础上,建立了路段、路径及OD对行程时间可靠性计算模型.最后,在一简单网络上进行了计算分析.
【总页数】5页(P15-19)
【作者】况爱武;欧阳媛;李炳林
【作者单位】长沙理工大学,交通运输学院,湖南,长沙,410076;湖南娄底路桥建设有限责任公司,湖南,娄底,417000;长沙理工大学,交通运输学院,湖南,长沙,410076【正文语种】中文
【中图分类】U491
【相关文献】
1.基于路段走行时间可靠性的路网容量可靠性 [J], 刘海旭;蒲云
2.ATIS环境下随机动态路网行程时间可靠性 [J], 郭洪洋;张玺;刘澜;马亚峰
3.随机需求条件下道路网行程质量评估--行程时间可靠性 [J], 熊志华;邵春福
4.考虑服务水平的路段随机动态行程时间可靠性 [J], 智路平;周溪召
5.基于路段相关的路网行程时间可靠性 [J], 熊志华;姚智胜;邵春福
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的城市路网行程时间预测方法研究
基于深度学习的城市路网行程时间预测方法研究基于深度学习的城市路网行程时间预测方法研究随着城市化进程的加速，交通拥堵问题日益凸显，给人们的出行带来了极大的困扰。
因此，准确地预测城市道路的行程时间，对于合理规划出行路线、减少交通拥堵具有重要意义。
基于深度学习的城市路网行程时间预测方法，因其可以自动学习并提取数据中的隐含特征，正受到越来越多研究者的关注。
深度学习作为一种机器学习的分支，通过构建具有多层非线性变换的神经网络，可以从原始数据中学习到更加抽象的特征表示。
在城市路网行程时间预测中，深度学习可以利用大量的历史行程时间数据，从而更好地捕捉不同时间段和路段之间的影响因素。
首先，对于城市路网数据的预处理，深度学习方法需要将原始的地理位置和行程时间数据转化为神经网络可以处理的格式。
一般来说，地理位置数据可以通过经纬度或者节点编号进行表示，同时，需要将行程时间离散化为合适的时间粒度，如5分钟或15分钟。
其次，建立合适的神经网络架构。
常见的神经网络结构包括前馈神经网络、循环神经网络和卷积神经网络等。
针对城市路网行程时间预测任务，可以根据具体的问题选择合适的网络结构。
例如，前馈神经网络可以使用全连接层和激活函数实现对时间序列数据的建模，循环神经网络可以更好地处理序列数据，卷积神经网络则适用于图像数据。
第三，利用训练数据对神经网络进行训练。
深度学习模型的训练需要大量的数据样本，可以采用监督学习的方式，通过最小化预测值与实际值之间的差异来调整神经网络的参数。
在城市路网行程时间预测中，可以将历史行程时间数据作为输入，将未来一段时间内的行程时间作为输出，通过反向传播算法进行优化。
最后，对训练好的神经网络模型进行测试和评估。
在测试阶段，可以利用现有的道路网络数据进行预测，并与实际的行程时间进行对比。
评估指标可以包括均方根误差（RMSE）、平均绝对误差（MAE）等，用于衡量预测结果与实际结果之间的差异。
如果预测结果与实际结果吻合较好，则说明基于深度学习的城市路网行程时间预测方法取得了较好的效果。
基于时空贝叶斯模型的行程时间可靠性预测
基于时空贝叶斯模型的行程时间可靠性预测杨庆芳;韦学武;林赐云;李志林;刘翔宇【期刊名称】《华南理工大学学报（自然科学版）》【年(卷),期】2016(044)004【摘要】为了全面、准确地分析路段行程时间的时空分布,将路段的时间序列和空间关联关系纳入两个邻近路段的行程时间可靠性预测过程.在时间维度上,通过广泛使用的卡尔曼滤波预测行程时间;在空间维度上,根据离散马尔科夫链构建上下游路段行程时间的关联模型.进而构建了时空贝叶斯模型(ST-BM),将时间维度和空间维度的行程时间分布进行融合,从而预测路段行程时间可靠性.实例分析结果表明,相比于先验分布数据,文中模型将两个实测邻近路段的可靠性预测误差分别降低了45.7％和29.2％,验证了ST-BM模型的有效性.【总页数】8页(P115-122)【作者】杨庆芳;韦学武;林赐云;李志林;刘翔宇【作者单位】吉林大学汽车仿真与控制国家重点实验室,吉林长春130022;吉林大学交通学院,吉林长春130022;吉林大学吉林省道路交通重点实验室,吉林长春30022;吉林大学交通学院,吉林长春130022;吉林大学汽车仿真与控制国家重点实验室,吉林长春130022;吉林大学交通学院,吉林长春130022;吉林大学吉林省道路交通重点实验室,吉林长春30022;吉林大学交通学院,吉林长春130022;吉林大学交通学院,吉林长春130022【正文语种】中文【中图分类】U491【相关文献】1.哪些文化因素影响了国家创新力?——基于时空层次贝叶斯模型的估计 [J], 杨修;宋超;朱晓暄2.基于时空贝叶斯模型的快速地图匹配算法 [J], 程元晖;温熙华;韦学武;刘彦斌3.基于均值和标准差的高速公路行程时间可靠性预测 [J], AREZOUMANDI Mahdi4.考虑行程时间不确定性的服务设施时空可达性度量 [J], 付晓;李梦瑶;陆欣;蔡先华5.引入时空特征的高速公路行程时间预测方法 [J], 林培群;夏雨;周楚昊因版权原因，仅展示原文概要，查看原文内容请购买。
基于交通数据融合技术的行程时间预测模型
优 化 小波神 经 网络 ， 解 决 了小波神 经 网络初 始 参数 选取 时盲 目与 随机 性 问题 ， 大大提 高 了 网 络搜 索效率 与训 练速 度． 预 测行 程 时间与视 频观 测数 据 吻合 良好 ， 表 明该模 型是 有效 的和 可
靠 的．
关键 词 ： 数据 融合 ； 行程时间； 预测模 型 ； 小波神 经 网络 ； 遗 传 算法 中 图分 类号 ： Ｕ１ ２ １ 文 献标 识码 ： Ａ
Ａ Ｔｒ ａ ｖ ｅ ｌ Ｔｉ ｍｅ Ｐｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ Ｍｏ ｄ ｅ ｌ Ｂａ ｓ ｅ ｄ
ｏ ｎ Ｔｒ ａ ｆ ｆ ｉ ｃ Ｄａ ｔ ａ Ｆｕｓ ｉ ｏ ｎ Ｔｅ ｃ ｈｎ ｏ ｌ ｏ ｇｙ
ＬＩ Ｊ ｉ ａ ”， ＬＩ Ｕ Ｃｈ ｕ ｎ — ｈ ｕ ａ ， ＨＵ Ｓ ａ ｉ — ｙ ａ ｎ ｇ 。 ， Ｗ ＡＮＧ Ｆ ａ ｎ ｇ
Ｊ ａ ｎ ．２ ０ １ ４
文章编号 ： １ ６ ７ ４ — ２ ９ ７ ４ （ ２ ０ １ ４ ） ０ １ — ０ ０ ３ ３ — ０ ６
基 于 交 通 数 据 融 合 技 术 的 行 程 时 间预 测 模 型
李 嘉”， 刘春华。 ， 胡赛 阳。 ， 王 芳
（ １ ． 湖南大学 土木工程学院 ， 湖南 长 沙 ４ １ ０ ０ ８ ２ ； ２ ． 中土 集 团福 州 勘 察 设 计 研 究 院 ，
５ １ １ ５ ０ ０ ） 福 建 福 州 ３ ５ ０ ０ ０ ０ ； ３ ． 清远职业技术学 院， 广东 清远
摘 要 ： 针 对 当前城 市道路 行程 时 间的预 测 多限 于单 源数据 且预 测精 度 不 高的 问题 ， 构
建 了基 于浮动 车 Ｇ Ｐ Ｓ数 据 、 微 波检 测器 交 通数 据 的 行 程 时 间预 测 融合 模 型． 利 用 遗传 算 法
交通信息技术复习题
交通信息技术复习题1.智能交通系统定义:是将先进的信息技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运⽤于整个交通运输管理体系，⽽建⽴起的⼀种在⼤范围内、全⽅位发挥作⽤的实时、准确、⾼效的综合的运输和管理系统。
2.数据预处理技术：交通检测设备及⼈⼯采集的原始数据，经常是不完整的或存在异常的，这给数据融合，数据挖掘知识发现等进⼀步的数据处理造成了困难，因此要对数据进⾏整理，称之为数据预处理3.McMaster算法：以基本的流量和占有率两个交通参数，将获得的交通流量和占有率表⽰在⼆维空间上，并将流量占有率⼆维图形划分为四个区域，美国区域代表⼀种交通状态4.信息(数据)融合定义:通过中⼼数据处理器把来⾃多个传感器的数据进⾏综合，多传感器信息融合系统把各种传⼊数据进⾏综合处理，使数据在⼀定准则下加以⾃动分析综合以完成所需的决策和评估，使它产⽣的输出信息⽐各个部分分别处理产⽣的信息总和要更有价值5.多路复⽤技术：就是将多路信号组合在⼀条物理信号道上进⾏传输，到接受端再⽤专门的设备将各路信号分离开来。
6.多址技术：在⽆线信息传输中通常地⾯固定的基站要覆盖多个移动终端的通信，这是⼀对多的通信接⼊⽅式称多址通信⽅式7.共⽤信息系统平台框架：智能交通共⽤信息平台上整个ATMS信息组织过程中的中央枢纽，承担着信息中转的功能，不同的⼦系统将其信息按照⼀定的编码规则和既定格式传输给共⽤信息平台，各系统再根据⾃⼰的需求从共⽤信息平台中获取所需的信息8.分布式数据库：集成了两个不同领域的技术，数据库和通信，⼀个分布式数据库是基于⼀个同构数据库系统模型并由他构造⽽来的，数据和软件管理都分布在各个计算点，位于分布式计算系统的最顶层9.空间分析：通过数字地形模型，以离散分布的点来模拟连续分布的地形，为道路设计创建⼆维地表模型10.通流机理法:通过交通流参数之间的关系，对两个甚⾄多个参数的⼀致性进⾏考察11.基带传输:数字信号不经过调制就在信道上直接进⾏传输12.线性参照系统：在⼀维空间中对象的位置度量形式和⽅法，是与其他参照系统类似的13.动态分段技术：是基于⽹络重叠概念发展⽽来的⼀种新的线性特征的动态分析，限时和绘图技术，提供了将属性数据与空间数据相关联的⽅法14.数字基带信号:数字信号往往含有丰富的低频分量，甚⾄是直流分量15.数据仓库：是从数据库技术发展⽽来的，为决策服务的数据组织和数据储存技术16.数据库：计算机中⽤于数据处理的⼀种数据管理技术17.加州算法原理：通过⽐较临近监测站对可能突发事件进⾏判断18.移动检测:基于浮动车的检测原理，基于⼿机的检测原理19.车载⾃组织⽹络：快速移动户外通信⽹络20.⽇本ITS应⽤:先进的导航系统、⾃动收费系统、辅助安全驾驶系统、交通管理优化系统、紧急救援系统、先进的公交运营系统、⾼效的货车管理系统、辅助⼈⾏交通措施21.美国ITS应⽤: 先进的导航系统、先进的旅⾏者信息系统、先进的公共运输系统、商⽤车辆运营系统、先进的车辆控制系统、先进的乡村公路系统⾃动公路系统22.智能交通系统的特点:技术的集成性、系统性、先进性、综合性、各种技术的相互关系23.交通信息源:道路信息、车辆信息、乘客信息、⾃然环境信息、社会环境信息24.主要交通信息采集技术:环形线圈感应式采集技术，视频采集检测技术，微波采集检测技术。
基于行程时间可靠性的车辆路径问题研究
的有机结合， ηｉｊ 的设计是蚁群算法的关键。有当群体规模较 大时， 短时间内难以求得最优解， 如果随机产生的某一路径
信 息 量 变 化 过 快 ， 很 容 易 出 现 搜 索 停 滞 现 象 ［１４］， 为 控 制 信 息
量的变化速度并考虑到路网流量导致线路通畅的可靠性， 采
用如下方法选择下一个被访问的客户：
（８）
ａｉ≤ｓｉｋ≤ｂｉ， $ｋ∈Ｖ， $ｉ∈Ｎ
（９）
ｘｉｊｋ∈｛０， １｝， $ｋ∈Ｖ， $ｉ∈Ｎ
（１０）
在 上 述 表 达 式 中 ， 约 束 条 件（１３）表 达 了 车 辆 在 某 个 时 间
窗内以指定概率完成某个顾客的服务要求； 约束条件（１４） 表
达了每个分店仅 能 被 访 问 一 次； （１５） 表 达 了 被 调 用 的 车 辆
对于每条弧（ｉ，ｊ） （ｉ≠ｊ，ｉ≠ｎ＋１，ｊ≠０）和车辆 ｋ 定义变量 ｘｉｊｋ：
"０， 如果车辆 ｋ 没从节点 ｉ 到达节点 ｊ
ｘｉｊｋ＝ １， 如果车辆 ｋ 从节点 ｉ 到达节点 ｊ 对于每个分 店 ｉ 和 车 辆 ｋ 定 义 变 量 ｓｉｋ， 它 表 示 车 辆 ｋ 在 ｓｉｋ 开始对分店 ｉ 进行访问， 如果车辆 ｋ 不访问分店 ｉ， 则 ｓｉｋ 不表示任何意义。假设 ａ０＝０， 这样对所有车辆 ｋ， ｓ０ｋ＝０， 对于每 辆车， 设计一条费用最小的路径， 此路径开始于顶点 ０， 终止 于顶点 ｎ＋１， 同时还要 保 证 每 个 分 店 被 精 确 地 访 问 一 次 ， 但 不能违背个时间窗口和车辆的能力约束。综上描述， 给出以
信息素更新策略是蚁群算法的关键步骤之一， 信息更新
过快将导致算法陷入局部最优甚至停滞， 信息更新过慢则收
敛速度缓慢， 无法搜索到最优路线。
一种基于历史数据与实时信息的公交路段行程时间预测
一种基于历史数据与实时信息的公交路段行程时间预测杨永平;陈红顺;汤健
【期刊名称】《计算机与数字工程》
【年(卷),期】2016(44)5
【摘要】在分析公交车的运行过程及影响因素基础上,根据公交车行驶的周期性特点,提出了根据行驶中公交车过站时刻的历史数据分类方式,为了反映当前的行驶状况,引入了最近邻车次在目标区段即时行驶信息对历史数据预测结果进行调节.实验结果表明,此种预测方法与典型的回归分析方法相比减少了需要的数据量和复杂度,与历史数据统计法相比对偶发性情况有更好的适应性.
【总页数】5页(P850-853,873)
【作者】杨永平;陈红顺;汤健
【作者单位】北京师范大学珠海分校信息技术学院珠海 519000;北京师范大学珠海分校信息技术学院珠海 519000;北京师范大学珠海分校信息技术学院珠海519000
【正文语种】中文
【中图分类】TP311
【相关文献】
1.基于时间序列法的公交车站间行程时间预测模型研究r——以苏州1路公交为例[J], 童小龙;卢冬生;张腾;黄晶晶
2.基于行程-时间域的路段行程时间预测 [J], 张安泰;柴干;丁闪闪
3.基于路段行程时间的公交到站时间预测 [J], 刘晓晓
4.基于在线序列极限学习机的路段行程时间预测算法 [J], 阳敏辉
5.实时动态路段行程时间预测的一种实用方法 [J], 杨兆升;孙喜梅
因版权原因，仅展示原文概要，查看原文内容请购买。
路径行程时间的组合预测方法研究
1)传统的以单一路段为基本研究对象的行程时间预测已经很难满足路径规划的需求,出行者更关注其路径的行程时间。
2)现有的组合模型算法的模型比较复杂,不适于应用,各模型之间的权重分配方法很难满足数据实时更新的需要。
3)由于交通信息采集系统的实施,历史数据和实时检测数据在行程时间预测中应发挥更大的作用。
【期刊名称】《交通信息与安全》
【年(卷),期】2010(028)004
【总页数】5页(P13-17)
【关键词】路径行程时间;组合预测模型;聚类分析;权重系数更新;自回归;滚动处理
【作 者】张硕;孙剑;李克平
【作者单位】同济大学交通运输工程学院,上海,201084;同济大学交通运输工程学院,上海,201084;同济大学交通运输工程学院,上海,201084
【正文语种】中 文
【中图分类】U491.13
随着先进的出行者信息系统(advanced travelers information systems,ATIS)的逐步实施,特别是车内导行系统的推广应用,路径规划对出行者有着重要的参考,而其核心之一是动态路径行程时间估计及预测。动态路径行程时间估计及预测保证了在不同的交通状态下,可以提供出行者从出行起点到终点的行程时间信息,出行者藉此可进行出行模式、出行时间、出行路径选择等出行计划,进而避开拥挤路段,提高出行效率。
实例检验和分析
3.1 数据来源
选择上海市快速路系统3条典型路径的行程时间进行实例分析,数据来源于上海市区视频检测器的车牌识别数据,数据为2009年2月16日～2009年3月1日早高峰。07:00～09:00的时间间隔为1 min的原始视频数据。3条典型路径为:路径A。南北高架快速路。起点为共和新路立交出口/入口(CP27),终点为卢浦大桥浦西往浦东(CP68),将该路径分为5个独立的路段。路径B。延安高架快速路。起点为延安高架南侧虹井路/虹许路(CP25),终点为延安高架南侧西藏路出口/福建路出口(CP17),将该路径分为4个独立的路段。路径C。内环高架快速路。起点为逸仙高架西侧中环大柏树立交/中山北二路入口(CP37),终点为内环高架外圈漕溪路立交/吴中路(CP7),将该路径分为5个独立的路段。
基于元胞自动机的动态路段走行时间计算模型
基于元胞自动机的动态路段走行时间计算模型王红霖;焦朋朋;孙文博【摘要】为建立合理的动态交通网络中路段走行时间模型，分析了动态路段走行时间函数的一般形式，对比国内外常用的几种离散型动态路段走行时间函数，基于元胞自动机交通流模型，建立了动态路段走行时间模型。
模型可以根据实际路段驶入率、驶出率，推算出任意时刻进入路段车辆的走行时间，并利用M atlab对模型进行求解和数值分析。
结果表明，车辆进入路段后的交通状态是动态路段走行时间的主要影响因素；根据累积驶入驶出车辆数曲线可以直接求出动态路段走行时间，能够为动态交通网络中路径走行时间求解奠定基础。
%This study analyzed function of travel times on dynamic links ,investigated several frequently used dis‐crete functions of travel time on dynamic links ,and proposed a model of travel time estimation on dynamic links using cel‐lular automation traffic flow model .The proposed model is capable of obtaining the travel times of vehicles entering the corresponding dynamic link at any time ,based on the actual entering and exiting trafficvolumes .The results show that the traffic status on correspondinglink ,which could be obtained from the functions of cumulative arrival and departure traffic volumes ,is the main factor affecting travel times on dynamic links .The proposed model provides a new method to estimate travel times on a dynamic road network .【期刊名称】《交通信息与安全》【年(卷),期】2015(000)002【总页数】6页(P69-73,79)【关键词】智能交通;动态路段;走行时间;元胞自动机;动态交通网络;交通仿真【作者】王红霖;焦朋朋;孙文博【作者单位】北京建筑大学北京市城市交通基础设施建设工程技术研究中心北京100044;北京建筑大学北京市城市交通基础设施建设工程技术研究中心北京100044;航天长征化学工程股份有限公司北京 101111【正文语种】中文【中图分类】U1210 引言作为系统解决城市交通问题的重要手段之一，智能交通系统（intelligent transportation system，ITS）是建立在正确分析交通流实时以及未来分布形态的基础之上，这一分析需要建立城市动态交通网络分析模型，而动态路段走行时间函数是其重要组成部分。
《交通运输系统工程与信息》2020年总目次
第20卷第6期2020年12月交通运输系统工程与信息Journal of Transportation Systems Engineering and Information TechnologyV ol.20No.6December2020 2020年总目次决策论坛(Decisionmaking Forum)未来城市交通及其对未来城市发展影响……………………………………………………………彭宏勤,张国伍(1–2)基于Epsilon约束法的高速铁路客票多目标定价研究………………………………………………李雪梅,曹慧卓(1–6)弹性工作制和动态停车收费组合策略研究………………………………………李浩,宁煦棋,俞璐,陈浩(2–1)缓解城市交通拥堵的CO2减排效益评估方法研究………………………………李振宇,廖凯,崔占伟,刘洋(2–8)城市轨道交通峰前折扣定价方案编制模型………………………………………………邹庆茹,姚向明,赵鹏(2–13)运输需求与成本不确定下的枢纽港选择…………………………………………………赵旭,许航,刘娇(3–1)共享自动驾驶汽车经营策略优化分析………………………………………………………田丽君,刘会楠,许岩(3–6)轨道交通与城市协同发展的空间差异性分析：以北京市为例……………………白同舟,蔡乐,朱家正,林旭(3–14)弹性停车激励机制下驾车者竞价行为演化机理研究……………………………高良鹏,季彦婕,汤斗南,张水潮(4–1)市场竞争下考虑发车间隔的中欧班列定价与补贴决策研究……………………谢雨蓉,高咏玲,陈永东,王庆云(4–7)基于韧性评估的地铁网络修复时序决策方法……………………………张洁斐,任刚,马景峰,高瑾瑶,朱形(4–14)考虑收益管理的高铁平行车次动态差别定价………………………………………………………蔡鉴明,欧阳姗(5–1)停车许可证的动态最优供给策略…………………………………………王鹏飞,王安格,关宏志,赵磊,赵鹏飞(5–9)变革中的交通运输(Transportation in Evolution)科技进步对交通运输系统发展的影响………………………………………………………………王庆云,毛保华(6–1)交通运输网络系统工程……………………………………………………………………关伟,吴建军,高自友(6–9)城市区域物流无人机路径规划…………………………………………张洪海,李翰,刘皞,许卫卫,邹依原(6–22)错峰通勤对疾病传播的影响——以上海为例…………………………朱玮,王嘉欣,陈薪,张岩,张楠(6–30)运输速度技术对未来客运业发展的影响研究…………………黄俊生,周琪,肖中圣,杜鹏,冯佳,陈海波(6–37)制造业离岸和回流对我国港口发展的影响………………………………邵丽花,李宁海,唐清,宋丽英,王新昌(6–47)突发公共卫生事件持续期居民中长距离出行方式选择行为研究……骆晨,董青,姚擎,张海荣,王倩茹(6–57)基于出行行为模型的出行感染风险评估……曹奇,任刚,李大韦,朱茂莹,马景峰,宋建华,朱玉霖,何煜洪(6–63)新冠疫情对老年人公交出行行为的影响…………………………………………………刘建荣,郝小妮,石文瀚(6-71)时间社会学视角下老年人对家庭出行行为的影响研究…………………………………何保红,李静,王雨佳(6-77)新冠疫情对城市核心区交通安全的干预效应分析……………………赵丹,王景升,周妍,刘东,邢立利(6-84)综合交通运输体系论坛(Forum about Comprehensive Transportation System)轨道交通网络级联失效影响范围研究………………………………………………………………熊志华,姚智胜(1-12)纯郊区轨交线对房价的影响分析…………………………………………………………李俊芳,刘志钢,胡华(1-19)托运人在不同时空下的选择行为差异揭示…………………………………………………………诸立超,刘昭然(1-27)基于改进Copula的海上运输关键节点应急保障能力评估………………………………李宝德,吕靖,李晶(2-20)基于复杂网络的中国出口集装箱运价指数波动规律……………………………汤霞,匡海波,郭媛媛,蓝贤钢(2-26)中国民航飞机大气污染物排放测算及预测分析…………………………费文鹏,熊羚利,欧阳斌,卞雪航,宋国华(2-33)交通运输系统工程与信息2020年12月考虑换船作业的长江干线集装箱船舶调度………………………………………王清斌,肖勤飞,李秀英,计明军(2-41)基于数据包络分析和扩展置信规则库的交通运输业环境治理成本预测………叶菲菲,杨隆浩,王应明,蓝以信(3-20)基于BWM 的中欧班列客户需求偏好异质性研究………………………李青林,彭其渊,郭经纬,汤银英,张卓(3-28)基于一般均衡的城市交通公平模拟研究……………………………………………………张晨楠,郑吉阳,杨赞(3-33)准班轮模式下干散货船枢纽港转运及联营优化……………………………………………………邵斐,真虹(4-21)区域路网货物运输量统计方法改进…………………………………………………………段莉珍,栾庆熊,赵鑫(4-28)走廊层面交通小区划分方法的优化………………………………………宋俪婧,朱家正,刘雪杰,陈静,缐凯(4-34)产业转移背景下西部运输需求的完全分解模型…………………………………………左大杰,肖国胜,王孟云(5-15)站城融合模式下既有铁路车站城市功能开发体量预测研究……………………冯涛,彭其渊,陶思宇,陈昕梅(5-21)基于出行特征的用地类型推断方法研究……………………………………………………张政,陈艳艳,梁天闻(5-29)考虑超级街区的城市路网边界控制策略研究……………………………张凌煊,帅斌,丁冬,张士行,王睿(6-91)基于票务数据的团体旅客出行目的推断…………………………………钱剑培,邵春福,李军,蔡楠,黄士琛(6-99)不同信息下的逐日路径选择行为实验与模型…………………………刘诗序,王智煜,关宏志,阎昊,贺朝阳(6-106)智能交通系统与信息技术(Intelligent Transportation System and Information Technology)基于视频的交叉口排队过程感知及预测…………………………………余志,黄柳红,李熙莹,栗波,邹兵(1-33)高速场景相邻前车驾驶行为识别及意图预测………………………………………………………张海伦,付锐(1-40)基于贝叶斯建模的轨道占用识别方法……………………………………郭子明,蔡伯根,姜维,王剑,上官伟(1-47)基于分层COX 模型的跟驰反应延迟时间生存分析………………………………张彦宁,郭忠印,高坤,孙智(1-54)基于GMM-CHMM 的城市道路换道行为识别…………………徐婷,温常磊,张香,李宝文,王健,张亚坤(1-61)基于多标记像素匹配的高分辨率遥感图像道路提取……………………………………杨蕴,李玉,赵泉华(1-68)基于半监督哈希算法的交叉口交通状态识别……………………………………张立立,王力,赵琦,张玲玉(1-75)基于多源轨迹数据的城市交通状态精细划分与识别………………………………………邬群勇,胡振华,张红(1-83)基于比功率的自动驾驶交通流油耗分析…………………………………………秦严严,王昊,何兆益,冉斌(1-91)基于加权密集连接卷积网络的快速交通标志检测………………………………邵毅明,屈治华,邓天民,宋晓华(2-48)基于智能路钮的超高速公路虚拟轨道系统研究……………………………………………何永明,裴玉龙,冉斌(2-55)基于视频深度学习的铁路周界入侵检测算法研究………………………………王瑞,李霄峰,史天运,邹琪(2-61)基于自适应迭代学习控制的列车自动驾驶算法……………………………………………………何之煜,徐宁(2-69)考虑博弈的多智能体强化学习分布式信号控制………………………曲昭伟,潘昭天,陈永恒,李海涛,王鑫(2-76)自适应铁路场景前景目标检测………………………………………………………………李兴鑫,朱力强,余祖俊(2-83)改进MOG-LRMF 的铁轨动态异物检测……………………………………………………侯涛,伍海萍,牛宏侠(2-91)基于3DCNN-DNN 的高空视频交通状态预测…………………彭博,唐聚,蔡晓禹,谢济铭,张媛媛,王玉婷(3-39)智能网联环境下基于混合深度学习的交通流预测模型…………………………陆文琦,芮一康,冉斌,谷远利(3-47)基于时延特性建模的多断面短时交通流预测……………………………刘小明,田玉林,唐少虎,尚春琳,魏路(3-54)基于行为识别的智能车纵向决策研究……………………………………………曹波,李永乐,赵凯,朱愿(3-61)考虑车流异质性的信号交叉口疏解车辆跟驰模型………………………王益,荣建,周晨静,高亚聪,刘思杨(3-67)平行流交叉口信号控制策略及效益分析…………………………………………安实,宋浪,王健,杨璐(3-75)基于交叉口双站台的BRT 优先控制研究…………………………………………张鹏,汪鹏飞,孙超,李文权(3-83)II第20卷第6期2020年总目次基于网约车数据的城市区域出行时空特征识别与预测研究………………………………张政,陈艳艳,梁天闻(3-89)城市干线短交织区元胞自动机多级换道决策模型………………………彭博,王玉婷,谢济铭,张媛媛,唐聚(4-41)基于图卷积网络的路网短时交通流预测研究………………………………………………陈喜群,周凌霄,曹震(4-49)基于主线拥堵场景的快速路级联信号控制方法…………………………代磊磊,刘东波,华璟怡,徐棱,王波(4-56)逆向可变车道交叉口信号配时优化方法……………………………………………………………任其亮,谭礼平(4-63)基于行人影响的信号交叉口右转车辆跟驰模型…………………………魏福禄,张斐然,郭永青,刘攀,郭栋(4-71)基于车辆运行数据的疲劳驾驶状态检测…………………………………………蔡素贤,杜超坎,周思毅,王雅斐(4-77)基于GPS 轨迹数据的不同交通状态下交通方式识别流程优化方法……………………………………………………………………………………………………………………………杨飞,姜海航,刘好德,姚振兴,霍娅敏,周子一(4-83)基于GNSS 移动基线的列车完整性监测…………………………………………姜维,刘永强,王剑,张文彪(4-90)智能网联车辆混行交通流中灯语意图识别模型研究……………………梁军,钱晨阳,陈龙,王文飒,赵彤阳(5-36)山区公路驾驶视觉信息量计算方法研究…………………………………孟云伟,陈磊,刘博航,陈炳阳,潘晓东(5-45)基于信令数据的出行强度影响因素分析模型…………………………………………………………………雷方舒(5-51)多源数据融合驱动的居民出行特征分析方法……………………………………苏跃江,温惠英,韦清波,吴德馨(5-56)平行流交叉口行人过街控制策略研究……………………………………………安实,宋浪,王健,杨璐(5-64)基于强化学习的城轨信息发布策略研究…………………………………………贾飞凡,蒋熙,李海鹰,于雪峤(5-72)基于可变车道的交叉口左转公交优先方法…………………………………………………陈永恒,李婉宁,吴场建(5-79)基于网联数据的电动车快速充电影响因素分析……………………………………………杨烨,谭忠富,焦港欣(5-86)基于对称残差U 型网络的路网交通流量数据修复………………………代亮,梅洋,李曙光,钱超,汪贵平(5-93)智能网联环境下复杂异质交通流稳定性解析…………………………李霞,汪一戈,崔洪军,朱敏清,王欣桐(6-114)交叉口动态车道与交通信号协同优化方法………………………………………………宋现敏,张亚南,马林(6-121)基于行程时间影响的关键路段识别与查找………………………………………………李君羡,吴志周,沈宙彪(6-129)基于扰动传播特征的随机Newell 跟驰模型………………………………………………张建波,朱远祺,孙建平(6-136)冰雪条件下中国驾驶员跟驰行为及模型研究…………………杨龙海,张春,仇晓赟,吴应涛,李帅,王晖(6-145)考虑续航能力的新能源汽车充电站递阶延时布局研究…………………………………谌微微,许茂增,邢青松(6-156)系统工程理论与方法(System Engineering Theory and Methods)考虑不对称性的地铁旅客支付及受偿意愿研究…………………………………陈欣,罗霞,刘春禹,刘永红(1-97)基于Q-learning 的定制公交跨区域路径规划研究………………………………彭理群,罗明波,卢赫,柏跃龙(1-104)考虑定制出行的儿童通学方式选择行为研究…………………………郝京京,张玲,吴小龙,杨晓泉,刘澜(1-111)基于短时交通流预测的广域动态交通路径诱导方法……………………………………韩直,徐冲聪,韩嵩乔(1-117)到达车站的步行时间对老年人公交选择的影响…………………………………………………刘建荣,郝小妮(1-124)考虑出行环境的居住满意度结构方程模型………………………………………………钟异莹,邵毅明,陈坚(1-130)基于LSTM 神经网络的降雨天旅行时间预测研究………………………………………王志建,李达标,崔夏(1-137)考虑人口效益的城市路网OD 矩阵推算模型………………………………………………………裴玉龙,高维(1-145)高速公路收费站车道类型设置问题建模与求解……………………………………………………林培群,梁韫琦(1-152)高速列车周期性开行方案优化模型与交叉熵算法………………………………………付慧伶,胡怀宾,武鑫(1-160)件杂货码头连续泊位调度与货场分配……………………………………………………李俊,刘志雄,张煜(1-175)III交通运输系统工程与信息2020年12月基于数据挖掘的危险货物运输风险驾驶行为聚类分析…………………………王海星,王翔宇,王招贤,李学东(1-183)基于Ant-agent 的自动化码头AGV 控制算法……………………………………………兰培真,陈锦文,曹士连(1-190)基于复杂网络的航班运行风险传播分析……………………………………………………………王岩韬,刘毓(1-198)基于时间阈值的旅客登机模型及动态登机策略…………………………………………任新惠,焦阳,徐小冰(1-206)基于多Agent 的通航运力资源协同调度…………………………………………………张红颖,周子林,李彪(1-214)城市快速路分层分布式优化控制方法研究……………………………………江竹,林豪,李树彬,雷震宇(2-101)基于点线能力约束的多层级节点协同布局优化模型及算法研究………………………刘杰,黎浩东,张萌(2-107)道路交通系统韧性及路段重要度评估……………………………………………………吕彪,高自强,刘一骝(2-114)地铁拥挤度和出行者异质性对时间价值的影响……………………………………………………刘建荣,黄玲(2-122)考虑前序路段状态的公交到站时间双层BPNN 预测模型……………苗旭,王忠宇,吴兵,杨航,王艳丽(2-127)考虑公交自行车的多层次公交协同调度研究………………………………………………………高华,沈国江(2-134)引入驾驶风格的熵权法多属性换道决策模型……………………………………………冯焕焕,邓建华,葛婷(2-139)公交线路配车问题的不确定双层规划模型……………………………薛运强,郭俊,安静,薛逻维,桑梓(2-145)基于持续跟踪调查的防御性驾驶行为分析模型…………………………………高红丽,高丽英,杨炜程,范双双(2-151)基于层次蝙蝠算法的应急车辆调度与交通疏散协同决策………………………………段晓红,吴家新,周芷晴(2-157)基于集成学习算法的航路网络航段交通拥挤识别方法研究……………………………李桂毅,郭铭宇,罗一帆(2-166)面向提升旅客出行效率的高速铁路列车停站方案优化…………………………………许若曦,聂磊,付慧伶(2-174)考虑回路因素的电动汽车最短路问题研究………………………………………何方,罗志雄,杨艳妮,李萌(2-181)考虑轨迹相似度的综合客运枢纽出租车合乘方法研究………吴玥琳,袁振洲,陈秋芳,肖清榆,王文成,魏来(2-188)基于改进灰狼算法优化BP 神经网络的短时交通流预测模型…………张文胜,郝孜奇,朱冀军,杜甜添,郝会民(2-196)改进小波包与长短时记忆组合模型的短时交通流预测…………………………………张阳,杨书敏,辛东嵘(2-204)具有时空约束的无人车集群构型变换方法………………………………………苏致远,李永乐,徐友春,章永进(2-211)城市交通控制中的数据采集研究综述…………………………………王殿海,蔡正义,曾佳棋,张国政,郭佳林(3-95)考虑客流空间分布的地铁列车节能时刻表优化方法……………………………冉昕晨,陈绍宽,陈磊,贾文峥(3-103)基于地铁—货车联运的物流配送路径优化……………………………周晓晔,崔瑶,何亮,马小云,王思聪(3-111)基于分区优化的高铁车站通过能力提高方法……………………………………李晓娟,杨阳,韩宝明,菅美英(3-118)ATIS 作用下弹性需求混合交通均衡的效率损失…………………………………………余孝军,刘作志,舒亚东(3-125)基于共享停车的车位租用与分配模型…………………………………孙会君,傅丹华,吕莹,衡玉明,管田超(3-130)基于预约需求的共享停车平台泊位分配方法……………………………………张水潮,蔡逸飞,黄锐,周竹萍(3-137)港口对腹地城市经济增长的空间溢出效应研究……………………………………………………刘琳,尹凤(3-144)考虑多类型通勤者的高占有率车道均衡分析………………………………………………………臧广智,徐猛(3-150)单线纯电动公交车辆柔性调度优化………………………………………………………唐春艳,杨凯强,邬娜(3-156)基于GPS 轨迹挖掘的城市空间动态交互特征研究………………………………………………冯慧芳,周丹凤(3-163)基于交织的立体综合车场公交调度优化模型研究……………陈建凯,肖亮,覃鹏,何佳利,刘谦,杨雨千(3-169)基于多源数据的公交车能耗碳排放测算模型…………………徐龙,王力,刘莹,宋国华,李晨旭,翟志强(3-174)考虑移步需求的无桩型共享单车动态调度研究………………………李兴华,张昕源,成诚,杨超,王洧(3-182)步行设施内疏散行人拥挤踩踏仿真研究…………………………………………………岳昊,刘秋梅,武鑫森(3-190)基于EEMD-ELM 的航班运行风险混沌预测……………………………………………王岩韬,李景良,谷润平(3-198)航路扇区容量需求的交通流动力学推演与预测…………………………………………………陈丹,尹嘉男(3-206)IV第20卷第6期2020年总目次多类型信息下的网络交通流演化模型………………………………………………………李嫚嫚,陆建,孙加辉(4-97)基于出行数据的城市公交网络可达性研究……………………………于文涛,张可,李静,孙会君,屈云超(4-106)基于时间地理学的居民活动空间测度方法研究…………………………………何保红,梁丽婷,何明卫,何彦(4-113)考虑驾驶员预测特性的带有上匝道的宏观交通流模型……………………………………………翟聪,巫威眺(4-119)考虑环保意识和出行习惯的公交出行选择行为模型……………………………陈坚,张弛,庹永恒,傅志妍(4-128)基于关联分析的乘客公共交通依赖度识别方法………………………胡松,翁剑成,周伟,林鹏飞,孔宁(4-136)基于活动识别的公交出行行为重构与分析………………………………………………魏广奇,苏跃江,余畅(4-143)基于运行特性的港湾式公交站延误时间研究……………………………………柳伍生,潘自翔,周骞,郑天玉(4-150)考虑乘客情感价值影响的公交忠诚度评价方法……………………………………………………………孙世超(4-158)多区域通勤定制公交线路规划模型及求解算法…………………………………陈汐,王印海,刘剑锋,马晓磊(4-166)基于机器学习模型的建成环境对小汽车拥有行为的影响………………………王晓全,邵春福,管岭,尹超英(4-173)城市主干道路段机动车与机动车之间事故Bow-tie 模型…………………………………孟祥海,马亿鑫,孙佳豪(4-178)考虑快慢车模式的地铁地下线纵断面优化研究………………………孙元广,汪茜,彭磊,齐嫣然,柏赟(4-187)技术站间货物列车协同配流方案研究………………………………………………………………武旭,杨义静(4-194)基于客户分类的即时配送路径优化研究…………………………………………………于江霞,杜红亚,罗太波(4-202)新型客机座舱环境下的旅客登机效率研究…………………………………………………………强生杰,黄青霞(4-209)自动化集装箱码头双循环AGV 与场桥的集成调度研究…………………………………田宇,周强,朱本飞(4-216)基于时间不确定的集装箱码头靠泊计划优化………………………………………………………宋云婷,王诺(4-224)基于多模型融合的电动汽车行驶里程预测……………………………胡杰,翁灵隆,覃雄臻,杜玉峰,高长斌(5-100)动态管理模式下路侧停车泊位占有率预测方法…………………………………赵聪,朱逸凡,李兴华,杜豫川(5-107)强制性换道的空间特征对分流区交通流的影响…………………………………钟异莹,陈坚,邵毅明,李睿(5-114)基于元胞自动机的轨道交通突发客流拥堵消散演化机理研究…………………………蒋阳升,刘纹滔,姚志洪(5-121)基于混合深度学习的地铁站进出客流量短时预测……………………赵建立,石敬诗,孙秋霞,任玲,刘彩红(5-128)面向自组织平衡的共享电动汽车调度优化方法………………………姚恩建,何媛媛,金方磊,卢天伟,潘龙(5-135)考虑区间重叠的多运营商公交调度优化…………………………………………………宋现敏,张明业,姜景玲(5-142)城市公交线网差异化计程票价多目标优化………………………………………………李雪岩,祝歆,李静(5-148)适用复杂劣化趋势的轨道不平顺鲁棒建模方法…………………………………杨雅琴,徐鹏,李晔,孙全欣(5-156)基于Panel Data 的山地城市立交基本段通行能力影响因素研究………周约珥,龚华凤,赵聪霄,徐小童,黄博亚(5-163)基于改进密度聚类算法的交通事故地点聚类研究………………………………………黄钢,瞿伟斌,许卉莹(5-169)日常动态货物列车开行方案优化研究…………………………………李晟东,吕红霞,吕苗苗,徐长安,倪少权(5-177)面向航班延误的停机位实时指派优化模型……………………姜雨,胡志韬,童楚,刘振宇,陈丽丽,张洪海(5-185)需求响应的集装箱班列时刻表优化及Benders 分解算法…………………………………………江雨星,牛惠民(5-191)考虑游览船运营特征的航道通过能力评价方法…………………………………翁金贤,廖诗管,付珊珊,王亚力(5-199)基于多旅行商问题的应急设施服务区划分模型…………………………………………赵星,吉康,申珂(5-205)基于订单拆分的线上到线下连锁门店配送优化模型……………………………………辛禹辰,施胜男,杨华龙(5-212)时变交通下生鲜配送电动车辆路径优化方法………………………………………………………赵志学,李夏苗(5-218)高速列车运行调整与运行控制一体化双目标优化模型与算法析……龙思慧,孟令云,王义惠,栾晓洁,张鹏(6-163)城市轨道交通列车追踪间隔与牵引能耗优化……………………………………………高豪,郭进,张亚东(6-170)公共交通乘客个体活动链的日相似性研究……………………………林鹏飞,翁剑成,胡松,荆云琪,尹宝才(6-178)V交通运输系统工程与信息2020年12月指引路径规划模型的建模与仿真验证……………………………………………赵琦,曾烨,张立立,王力(6-184)考虑异质性的经典随机后悔最小化模型改进研究………………………………………杨飞,侯宗廷,周涛(6-191)平纵组合路段事故严重程度致因辨识模型……………………………戢晓峰,吴亚欣,郝京京,房锐,胡澄宇(6-197)基于多车协作优化的冲突消解模型………………………………………………………成英,赵建有,汪磊(6-205)不确定条件下机场群系统均衡配流模型研究……………………………………………盛寅,陈欣,毛亿(6-212)考虑居住区位的公共交通出行行为分析模型……………………………………钟异莹,陈坚,邵毅明,李睿(6-219)改进的协同航路分配优化模型及算法研究……………………………………郭野晨风,胡明华,张颖,谢华(6-226)不定期船连续航次燃油补给与航速优化集成调度模型……………………………………………王春娟,陈超(6-233)案例分析(Cases Analysis)基于路侧事故判别的公路平曲线车速限制研究…………………………………………程国柱,程瑞,徐亮(1-222)考虑合乘的共享自动驾驶汽车选择行为实证分析……………………姚荣涵,梁亚林,刘锴,赵胜川,杨澜(1-228)基于IC 卡数据的公交通勤熵变模型的构建与应用………………………………………………李军,郑培庆(1-234)基于人口迁徙大数据的城市对外交通客运方式优势出行距离研究…项昀,徐铖铖,于维杰,华雪东,王炜(1-241)四车道高速公路部分占用超车道交通控制区交通特性及通行能力研究………………孟祥海,张龙钊,李生龙(2-218)基于耐受性的城市轨道交通车厢立席密度研究………………………陈伟,李宗平,余大本,鞠艳妮,尹嘉诚(2-225)基于热点探测的城市区域公交可达性研究………………………………………………………李全威,孙超(2-231)基于车辆轨迹重构的信号交叉口延误提取研究…………………………………………张惠玲,刘晓晓,许裕东(2-237)基于自然驾驶数据的螺旋匝道(桥)驾驶人心理负荷分析………………………………徐进,刘小明,胡静(3-212)时间维度下上海市共享单车骑行模式研究…………………………………………………………付学梅,隽志才(3-219)基于家庭属性差异的大学生出行方式选择行为研究……………………………骆晨,李想,钟林峰,胡姗姗(3-227)中国乘用车工况构建………………………………刘昱,吴志新,李孟良,于晗正男,汪洋,贺可勋,安晓盼(3-233)基于案例的城市轨道交通车站能耗定额标准研究………………………………刘爽,王慧文,兴妍,陈绍宽(4-231)手机社交娱乐操作对驾驶人视觉参数影响研究………………………游峰,涂海清,宫云渤,王海玮,徐建闽(4-236)研究降雨事件对交通流时空特性的影响…………………………………………陈华伟,邵毅明,敖谷昌,张惠玲(4-244)交通可达性与城市经济活动的空间特征分析：以北京市为例…………朱宇婷,刘莹,许奇,郭继孚,程颖(5-226)中国城市网约车服务对公交使用量的影响………………………………………………钟军,林岩,杭宇(5-234)车辆荷载特性影响下的碰撞时间分布规律……………………………王颖,方志纯,简注清,涂辉招,施能艺(5-240)基于驾驶负荷的山区二级公路纵坡路段驾驶舒适度评价研究………胡立伟,殷秀芬,张苏航,范仔健,郭治(6-240)基于狄利克雷过程混合模型的城市活动聚类方法研究……………………………………………………陈仲(6-247)大型货运车辆生态驾驶及节油潜力评估………………………………程颖,张佳乐,张少君,郭继孚,张达(6-253)VI。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第27卷 第4期2010年4月公 路 交 通 科 技Journal of Highw ay and Transportatio n Research and Develo pmentVol 127 No 14 Ap r 12010文章编号:1002O 0268(2010)04O 0116O 06收稿日期:2009O 09O 01基金项目:国家高科技研究发展计划(八六三计划)资助项目(2007AA12Z242,2007A A11Z218,2007AA11Z245)作者简介:杨兆升(1939-),男,辽宁大连人,教授,研究方向为智能运输系统1(yangz s@jlu 1edu 1cn)基于影响因素分类的路段行程时间融合研究杨兆升,高学英(吉林大学 交通学院,吉林 长春 130022)摘要:对基于固定检测信息和浮动车G PS 信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。
在影响因素量化分析基础上,讨论两种估计方法的适用条件。
对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。
最后,用试验数据对融合方法进行验证,结果令人满意。
关键词:交通工程;行程时间估计;加权融合;城市道路路段;最优估计中图分类号:U491 文献标识码:ARese arch on Travel Time Fusion Ba sed on Influencing Factors Classif icationY A NG Zhaosheng,G A O X ueying(College o f Transportatio n,Jili n Uni versity,Changchun Jili n 130022,Chi na)A bstract:A detailed description and analysis of the methods of travel time estimation based on the data collected by fixed detector and floating car were made 1The main factors influencing the accuracy of the above mentioned two methods were clearly defined,and the experiment was designed to make quantization analysis of these influencing factors 1Based on this analysis,the applicable conditions of the tw o methods were discussed 1The influencing factors were grouped and classified,the weighting f usion method was applied to the two results of the abovementioned estimations,and the distribution principle f or optimal weighted value was analyzed 1At last,the abovementioned f usion method w as verified by the experimental data 1The result was encouraging 1Key words:traffic engineering;estimation of travel time;weighting f usion;urban road section;the optimal es 2timation 0 前言路段行程时间是反映路段交通状况的重要指标,准确的路段行程时间估计,是交通诱导系统、交通信息服务系统以及交通协调控制系统的重要基础。
行程时间的估计方法有很多,目前常用的方法有基于检测线圈的路段行程时间估计方法、基于G PS 浮动车的路段行程时间估计方法、牌照法、手机定位法等。
目前,国内应用最广泛的路段行程时间估计方法主要是基于布设在道路上的线圈检测数据和浮动车GPS 数据进行估计。
由于技术及经济等方面的原因,国内城市道路大都采用的是单线圈布设方案,基于固定检测数据估计的路段行程时间主要也是基于单线圈检测数据进行。
单线圈检测数据,能较为真实地反映其布设地点附近的交通状况,但对于整个路段的交通状况存在一定程度的失真,且这种失真随着交通状态及车辆行驶方向等因素的变化而不同,这直接导致基于此类信息的行程时间估计出现不同程度的偏差。
另外,国内各个城市都拥有相当规模的出租车保有量,且很多出租车都装有G PS 接收机,由于出租车出行在时间和空间上的随机性和分散性,能在很大程度上覆盖城市道路,积累的G PS 信息越来越丰富,这些信息完全可用来估计路段行程时间。
但同样由于出租车分布的随机性,会导致某些路段的某些时间段能获得GPS 信息的出租车样本量过少,甚至没有,这会导致路段行程时间估计的准确性下降甚至无法估计路段行程时间[1-3]。
鉴于以上这两种估计方法各有优缺点,且存在一定的互补性,本文将对以上两种估计方法有重要影响的因素,如交通状态、车辆行驶方向和浮动车样本量展开深入分析,对两种估计方法根据影响因素分类融合,以提高估计的准确性。
1路段行程时间估计方法111单检测线圈的路段行程时间估计方法布设在路段上的单线圈检测器能检测到布设地点的交通流量、占有率和速度等数据[4],可以利用这些数据,对路段行程时间进行估计。
本文将路段行程时间分为路段行驶时间、交叉口延误时间和交叉口通过时间3部分,路段行程时间是此3部分的和。
(1)路段行驶时间的计算路段行驶时间的计算,首先是通过检测数据估计路段平均行驶速度,用路段长度,除以路段平均行驶速度,即可得到路段行驶时间。
单线圈可以提供地点车速v t,该检测速度反映的是线圈附近的交通状况,需要将其转化成反映路段情况的行程速度,转化公式如下:v s=v t-R2t/v t,(1)式中,v s为路段行驶速度;v t为地点车速;R2t为地点车速观测方差。
(2)交叉口平均通过时间交叉口平均通过时间T p为交叉口长度L与饱和流率L和平均车长l k之比[5],表示如下:T P(k)=L/(L#l k),(2)式中,T P(k)为第k时段交叉口通过平均时间;L为交叉口车辆行驶路段长度;L为车辆通过交叉口的饱和流率;l k为第k时段平均车长。
(3)交叉口延误时间计算对于交叉口延误的计算,本文根据HC M2000方法,基本公式如下:d=d1(PF)+d2+d3,(3)d1=PFC(1-g/C)2/21-XgC,X[1,PFC(1-g/C)2/21-gC,X>1,(4)式中,PF为均匀延误修正系数;d1为均匀控制延误;d2为增量延误;d3为初始排队延误;C为信号周期;g为车道组的有效绿灯时长;X为车道组饱和度。
d2=900T(X-1)+(X-1)2+8klXc T,(5)d3=1800Q b(1+u)t/(c T),Q b>0,0,Q b=0。
(6)式中,c为修正的通行能力;Q b为初始排队长度;u为延误系数;t为时段T内需求大于通行能力的时间;l为交叉口上游限流修正系数。
112基于浮动车的路段行程时间估计基于浮动车GPS信息的路段行程时间估计可大体分为以下几个步骤:(1)将出租车的G PS信息匹配到车辆行驶的道路上[6-7]。
(2)根据匹配信息估算车辆通过路段上下游节点时间差,剔除车辆在路段中的干扰停车来获取单车路段行程时间,计算如下:t i j T=t ij O-t ij I-D,(7)式中,t ij T为在i时间段内通过路段j的某车辆的行程时间;t i j O为在i时间段内驶出路段j的时间;t i j I为在i时间段内驶入路段j的时间;D为在i时间段内出租车在路段j上的干扰停车,主要是出租车服务停车时间。
服务停车是指车辆在路段中出租车载客时间,且一般出租车在一个路段仅有一次服务停车,因此将发生在路段的非信号停车排队区域之前,G PS检测到的第一个停车在5~3s之间的停车间隔作为服务停车时间剔除。
(3)对估计时段内采集到的所有车辆的单车路段行程时间平均处理,将该值记为路段行程时间。
2行程时间估计影响因素分析基于固定检测信息和浮动车信息估计路段行程时间受到很多因素影响,其中,交通状态、车辆行驶方向以及浮动车样本量的影响相对较为明显。
本文将交通状态分为畅通状态、一般拥堵状态和严重拥堵状态。
畅通状态,交通量相对较小,车辆间影响可以忽略,车辆个体行为突出,分析时段开始前没有排队现象,车辆没有二次排队通过交叉口现象,交叉口延误较小;一般拥堵状态,交通量相对较大,车辆间相互影响较大,个体行为受到一定影响,某些分析时段开始前会出现初始排队现象,会出现二次停车,交叉口延误时间有比较明显的增加;严重拥堵状117第4期杨兆升,等:基于影响因素分类的路段行程时间融合研究态,路段上车辆数量非常大,车辆间相互影响严重,个体行为受到极大限制,呈车队行驶,运行速度较低,分析时段开始前有较长的排队,车辆要经过几个信号周期方能通过交叉口,会出现多次排队现象,交叉口延误增加严重,而且随着严重拥堵状态的延续,排队及延误将持续增加。
由于单线圈对其布设点附近的交通状况反映较为准确,而对远离布设点的部分的交通状况反映有一定误差,随着交通状态的恶化,车辆的运行受到环境影响越来越严重,单线圈对远离其布设点的交通状况的估计的误差越来越大,加之在严重拥堵状况下,HC M2000的延误估计误差的增加,导致随着交通状况的恶化,单线圈估计路段行程时间的准确性越来越差。
车辆行驶方向指的是车辆在交叉口处的直行、左转和右转,由于不同形式方向车辆运行受到路段中其他车辆影响程度的不同,导致不同行驶方向上路段行程时间估计准确性的不同。
例如,当路段中车流量较大时,左转车辆的运行会受到大量直行车辆的影响。
尤其是在交叉口出口处,由于大量直行车辆在停车线前排队,导致左转车辆无法及时进入左转弯待转区,导致车辆的实际延误比估计值偏大的现象,同样的估计误差也会出现在其他行车方向上,这最终导致了不同行车方向上行程时间估计准确度不同。
基于浮动车信息估计的单车路段行程时间,是车辆的个体行为,由于车辆自身性能、行车目的、方向、驾驶员心里等差异,并不能完全真实反映路段的平均行程时间。