基于卡尔曼滤波理论的实时行程时间预测模型

行程时间预测是交通流诱导系统研究的一项重要内容．在分析各种行程时间预测方法的基础上，本文利用卡尔曼滤波理论建立了行程时间预测模型， 利用实测的交通流量预测几个时段后的路段行程时间， 进而预测路径行程时间．文中利用三种方法预测行程时间并对结果进行了分析     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

信号道路网动态路段行程时间有度排队模型

通过分析确定当路段动态驶入流率为小交通流和远超饱和交通流时明显地存在路段行程时间与车辆排队长度有关．因此，提出了一个全新的信号道路网有度排队模型（SQ模型），确定在各种不同驶入流率的形态下动态路段行程时间，其中既包括自由流行程时间，又包括出口处排队延误时间及其相关的计算模型和方法，并用实例分析并检验了模型的计算效率．     

区域交通网络行程时间估计的半Markov链模型

利用模糊聚类分析及典型判别方法,将区域交通网络单元路段的状态划分为3类,考虑到各类交通状态下拥挤效应的异同,对各状态下的瞬时行程时间函数进行了标定。然后,对区域交通网络的状态进行了定义,应用半Markov链随机过程理论,分析了给定时间段内某区域交通网络各种状态的随机变化规律,计算了各种状态出现的极限概率。最后,结合各状态下网络单元路段的瞬时行程时间函数,给出了给定时间段内的区域交通网络行程时间估计方法。将模型估计得到的行程时间与实测行程时间进行了对比,利用t检验法对估计结果进行了检验,检验结果表明,在显著性水平α=0.05的条件下,估计平均行程时间与实测行程时间均值没有显著性差异。     

行程时间不确定的城市公交网络设计模型与算法

常规公交网络设计中一般以平均行程时间作为路段的阻抗,实际上乘客路段行程时间应是平均行程时间和缓冲时间之和。本文采用线路行程时间的标准差来衡量线路的行程时间不确定性,使用行程时间偏差权重系数来代表乘客对于行程时间不确定性的不同的风险态度,构建了城市以乘客总出行时间最短与公交公司的运营成本最小化的公交网络优化模型。并使用贪婪算法构建初始解,将乘客需求最大的两个节点连接起来作为初始线路,采用蚁群算法对初始线路进行迭代改进,从而得到最优的公交网络,最后以一个小型的公交网络设计来验证该模型的有效性。     

基于空间型马尔科夫链的行程时间估计模型

行程时间不仅与起讫点的需求量有关,而且与道路的空间结构有着密切的联系。传统的马尔科夫链主要应用于时间序列,未考虑空间结构的影响,不能有效地揭示出行行为的空间特征;本文将其应用于空间序列,建立了基于空间型马尔科夫链的道路行程时间的估计模型。该模型首先建立了相邻路段上行程时间的二维散点图,揭示了行程时间具有空间相关性;通过应用空间型马尔可夫链,将相邻路段上行程时间的相关性进行整合,构造出若干条马尔科夫路径,进而对道路的行程时间进行估计。最后,将模型应用到实际道路中,结果表明,模型具有较高的估计精度。     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性，提出了一种基于T－S模糊模型的非线性组合预测新方法，并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力，在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

多维自回归模型在天然气价格预测中的应用

从天然气价格预测的实际操作角度出发， 简要介绍了目前天然气国际贸易中确定天然气价格的基本思想，即把相关油品价格作为天然气定价的基础．从而引入了时间序列中的多维自回归模型的分析方法，较好的把天然气价格预测的数学模型和国际贸易中的天然气定价思想联系起来， 使天然气价格预测方法更趋合理．     

企业失败动态预测的ARMA-EWMA模型及其应用

利用ARMA模型的时间序列分析和EWMA控制图对过程变异的加权累加记忆特征．以图示化的形式研究企业失败演化路径。实证结果显示．ARMA-EWMA模型能够预测出企业由缋效好向差转变的转折点，预测失败趋势；在预测精度上．ARMA—EWMA模型与统计判别Fisher模型、Logit模型近似，表现出较高的预测正确率，但在中长期预测上，ARMA—EWMA模型优于统计判别模型。     

基于完备模糊规则集的混沌时间序列预测

基于数据挖掘思想，使用置信度度量和改进的梯度下降法，提出一种新的构造完备．模糊规则集的方法来建模和预测混沌时间序列。所提方法通过确定最优输出模糊子集的质心和模糊规则的置信度度量，能够推理数据未覆盖区域的空缺规则，并构造一个完备的模糊规则集，进而解决了混沌时间序列的可预测问题。仿真结果表明新方法是有效和准确的。它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法。     

基于随机边界函数的出行时间分析

出行时间是居民出行特征的重要分析指标.研究从出行时间预算入手,将随机生产边界函数用于对出行预算和出行时间边界的描述,建立了出行时间边界和出行者社会经济属性、家庭结构、出行者日活动安排及居住地用地特征之间的数量关系模型,给出了出行时间预算和出行时间边界的相互关系.以居民出行调查数据为来源,对通勤者和非通勤者分别建立随机出行时间边界模型,分析了工作活动影响下通勤者出行时间与非通勤者出行时间对各类影响因素的不同响应程度,比较了通勤者与非通勤者出行时间预算和出行时间边界的不同分布规律.研究表明,随机生产边界模型的组合误差结构为研究个体出行时间差异提供了很好的分析手段.     

家庭成员活动-出行选择行为的相互影响

基于活动的方法对研究家庭成员活动-出行选择之间的相互影响关系提供了新的思路。针对已有研究多围绕发达国家展开的现状,以国内某直辖市2005年居民出行调查数据为来源,从基于活动方法的协作性限制出发,研究了主要家庭成员活动-出行选择之间的相互影响模式,利用结构方程模型,分析了活动和出行需求在家庭成员之间的分配情况,讨论了存在于同一成员和不同成员各次活动和出行中的替代、补充、陪同等影响关系对个体活动-出行选择行为的影响。研究得到了在行为学上具有较强解释力并达到各项统计学评价指标的模型,对出行行为分析有重要意义。     

基于离散-连续选择模型的通勤出行时间预测

把握出行者的日时间分配是交通行为分析的重要内容之一. 本文基于离散-连续建模思想, 结合运用Ordered Probit离散选择模型和Hazard连续选择模型, 建立了由上班(上学), 下班(放学)出发时刻模型和上班(上学), 下班(放学)出行耗时模型组成的通勤时间预测模型系统, 预测了通勤者的日时间安排. 研究表明, 所建模型能够以较高的预测精度, 预测通勤者的活动-出行时间安排. 研究将为活动-出行行为的整体建模预测和分析奠定时间轴预测基础, 为城市居民的交通行为分析提供模型工具, 为制定交通管理政策, 解决城市交通拥挤问题提供决策分析依据.     

基于模糊神经网络的实时路段行程时间估计

基于对我国城市交通流的物性分析 ,提出了一种基于模糊神经网络的实时路段行程时间估计模型 ,用于将来自于交通控制中心的实时交通数据转换成为能够反映路段实时运行状况的直观参数 :路段行程时间 ,从而为交通流诱导服务 .这种方法用具有更高智能的神经网络实现了对抽象模糊规则的自动纠错的记忆 ,符合人类认识的模式 ,能令人满意地表达经验知识 ,而且模糊输入输出关系具有了明确的表达能力 .     

基于路径运行时间可靠度的随机系统最优拥挤收费模型

应用交通网络平衡模型和边际成本收费理论相结合的方法,研究了运行时间可靠度下的随机系统最优拥挤收费问题,建立了运行时间可靠度及内生ATIS市场渗透率条件下随机系统最优交通拥挤收费模型.分析了基于运行时间可靠度下的随机系统最优拥挤收费对用户出行行为的影响.发现了与确定性网络用户平衡流中的情形类似,对于考虑运行时间可靠度下的随机交通网络,边际成本收费理论仍然适用,即采用边际社会成本流函数代替单位路段成本流函数,可以使随机网络随机用户平衡流变为随机网络随机系统最优流.算例分析结果表明:在传统的拥挤收费模型中,拥挤收费仅与路径(路段)运行时间和路径(路段)流量有关.现实中,在确定他们的出行路线时,用户往往还会考虑网络运行时间可靠度因素,而不仅仅是路径运行时间或成本.用户对于运行时间可靠度的置信度要求越高,传统的拥挤收费执行效果越不理想.因此,现实生活中传统的拥挤收费不一定能使网络效益达到最优或缓解交通拥挤.     

多用户弹性需求网络的双准则系统最优交通分配

针对存在异质用户的弹性需求交通网络,当用户时间价值呈离散分布时,给出了系统时间最优和系统费用最优的双准则优化模型及其帕累托有效前沿.证明了存在正的匿名路段收费方案.支持除系统时间最优解之外的其他帕累托解与多用户均衡解达到一致,分析了帕累托最优解处的系统性能与各自的单目标最优系统性能之间的偏差.研究表明,该偏差的上界仅依赖于用户的时间价值分布,而与路段流量分布和路段出行时间函数无关.     

基于支持向量机方法的轨道交通乘客旅行时间短时预测方法研究

目前,北京市已建成总长456km的轨道交通网络,41个换乘枢纽,已基本形成网络化运营,轨道交通在北京公共交通系统乃至城市交通系统中发挥越来越大的骨干作用. 同时,由于北京城市空间调整,城市交通出行活动中心有随城区扩展外移之势,轨道交通出行旅行时间越来越受到关注. 因此,本文研究基于历史数据的轨道交通乘客旅行时间预测方法,引入支持向量机回归模型,并针对预测算法中模型参数的选择问题,提出基于遗传算法的预测模型参数寻优算法,用以提高预测精度. 最后选取实际轨道交通运营线路的动态信息进行计算,预测结果误差小于10%,获得了较高的精度. 生成的旅行时间预测信息,通过乘客信息系统的发布,能够有效减少旅客换乘走行与等待时间,均衡网络客流分布,提高轨道交通网络运营效率.     

拥挤交通网络中组合的交通出行、OD、路径分配与收费定价模型

提出交通网络中出行选择、讫点选择、路径选择和道路收费定价的组合模型。模型被表示为两层规划,低层表示出行选择、讫点选择和路径选择的随机均衡模型,预测驾驶员对道路收费模式如何响应;上层确定最优道路收费,以达到网络出行费用最小。