出口匝道连接处通行能力分析计算模型

结合出口匝道的特点,给出了出口匝道连接处交通流参数之间关系的理论模型和出口匝道的通行能力计算模型.然后,将连接处交通流参数之间的关系模型整理成驶出率、上游外侧车道流量和密度之间的关系.最后,利用实测数据对关系模型进行标定,并与美国道路通行能力手册(HCM2000)的经验公式进行了比较.结果表明:流量与驶出率呈指数函数关系;在低密度范围,流量_密度呈线性函数关系,并与美国经验公式一致;在中密度范围,流量与密度无关;在高密度范围,流量_密度呈二次函数关系.     

我国城市交通发展中的关键问题及对策建议

从我国城市和城市交通发展的实际出发,分析城市交通设施建设用地、交通与土地利用之间的关系、城市交通体系结构、城市道路网络等级体系结构、步行与自行车交通、城市停车、智慧交通、信息共享和交通研究等问题.在此基础上,提出了调整构建四个体系,颁布一部法律,建设共享开放的数据库,发展城市综合智慧交通,以及利用大数据提升交通研究水平等发展对策建议.     

节假日停车选择行为分析

根据居民的社会经济属性和出行特征,研究节假日停车选择的影响因素.以2013年清明节期间香山地区的居民出行调查和停车调查为基础,利用节假日交通特征,挖掘峰值出行需求条件下居民的活动特征和出行规律,并对居民出行和停车选择进行数据分析,建立节假日停车选择结构方程模型,探究节假日停车问题的诱因.研究表明,到达时间和逗留时间是影响停车选择的主要因素.同时,出行者对道路环境越熟悉,对停车情况越了解,出行方式越复杂,停车选择行为越多样.     

城市建成环境影响下通勤时间和距离联合建模研究

为研究城市建成环境对居民日常通勤行为的影响,考虑通勤时间和通勤距离在建模时扰动项之间的相关性,建立似不相关回归模型,从宏观城市形态的角度出发,同时分析城市建成环境对居民通勤时间和通勤距离的影响,并基于2014年中国通勤数据进行实证研究.结果表明:似不相关回归模型比线性回归模型拟合效果更好;城市化率、常住人口、人口密度、GDP、是否有地铁对通勤距离和通勤时间的影响都呈显著的正向影响,土地利用混合度对通勤距离和通勤时间有显著的负效应,而万人拥有公共汽车数仅对通勤时间呈显著的正效应,空间聚集度和人均道路面积分别对通勤距离和通勤时间有显著的负向影响.     

基于网络广义极值模型的居住地和通勤方式同时选择模型研究

基于随机效用最大化理论, 选取个人属性、社会经济属性、出行特性和土地利用属性因素为联合选择模型影响变量, 以居住地区位选择集合和通勤出行方式选择集合的组合作为模型的选择项, 构建居住和出行方式联合选择的网络广义极值模型, 刻画日益增长的交通拥堵情况的影响变化及其在不同的就业地模式下对居住再选址和出行方式转变的潜在影响, 从微观角度研究居住就业与城市通勤交通出行关系。利用 Biogeme 软件, 对模型参数进行估计和检验, 同时对模型进行弹性分析, 分析不同影响因素的变化引起的方式选择概率的变化。结果表明, 相比郊区的通勤者, 中心区的通勤者对出行时间的增加更为敏感, 更易于改变出行方式和居住区位, 以抵消交通拥挤引起的负效用。     

基于主成分分析和BP神经网络的网约车 服务质量评价

为客观、科学评价网约车服务质量,从顾客满意度角度出发,通过分析网约车服务过程,建立网约车服务质量评价指标体系;为消除指标间的相关性,利用主成分分析法提取累计贡献率超过85%的主成分作为BP神经网络模型输入;通过分析BP神经网络模型的原理构建具体BP神经网络拓扑结构;以网约车乘客满意度调研问卷为数据基础,对BP神经网络模型进行训练、仿真,并与传统BP神经网络模型及SERVQUAL模型评价结果进行对比.结果表明:本文构建模型收敛效率高、评价误差小,能够反映网约车服务质量的水平,可以为评价网约车服务质量提供有效理论支撑.     

基于改进熵的土地利用混合度对非通勤行为的影响

为研究土地利用混合度对非通勤行为的影响,提出改进熵模型定量描述土地利用混合度,并深入分析土地利用混合度对非通勤者出行距离和出行方式选择的影响.结合甘肃省天水市2015年居民出行调查数据,构建土地利用混合度与非通勤者出行距离的关系模型,并利用MNL模型研究土地利用混合度对非通勤者出行方式选择的影响.结果表明:与传统熵指标相比,改进熵指标对非通勤者出行距离的解释性更强;利用STATA软件标定MNL模型参数并进行弹性分析,进一步表明改进熵指标对居民出行行为的解释性优良,合理的土地利用布局有助于引导居民选择非机动化出行方式.研究结果对城市规划和交通政策的制定具有指导意义.     

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。