郑州市城市交通结构研究

郑州市自1987年进行第一次综合交通调查至今,已进行了五次大规模综合交通调查.在五次城市综合交通调查的基础上,利用实证分析和专家访谈的方法,对影响出行方式选择的因素及郑州市的交通结构进行了纵向对比分析.给出了解决城市交通拥堵问题的关键因素——调整交通结构,从而为改善交通结构、缓解交通拥堵提供一定的参考依据.     

大型城市职住分布与通勤出行相关关系的网络动力学模型

居住与就业分布不平衡是大型城市快速发展过程中一个非常突出的问题,会引发交通需求失衡以及严重拥堵。为探讨城市发展过程中职住分布与出行需求的交互关系,依据城市发展宏观数据作为影响变量,建立职住分布与通勤出行的网络动力学模型,并构建以参数关系为基础的小波神经网络作为求解算法。使用北京市宏观经济发展数据和9个典型居住区的职住出行数据进行模型标定和验证,结果显示,该网络动力学模型能够较好地描述大型城市职住分布结构对通勤出行特征的影响关系,并对通勤出行特征变化趋势做出预测。     

基于改进径向基函数神经网络的交通出行选择策略分析

利用逻辑回归方法分析影响交通出行选择的各种因素;建立基于径向基函数神经网络的交通出行选择预测模型,同时建立基于线性回归-径向基函数神经网络模型和基于逻辑回归-径向基函数神经网络模型预测人们出行方式选择高铁还是火车.结果表明,与单一径向基函数神经网络算法相比,回归-径向基函数神经网络组合算法预测准确率更高,而逻辑回归-径...     

基于结构方程模型的不同规模城市居民出行方式选择影响因素的关联性分析

针对目前城市居民出行方式选择的相关研究主要集中在个人属性对交通方式选择的影响方面,忽略了不同城市建成环境与出行方式的关联性分析问题。选取个人属性、交通供给属性和城市规模为外因变量,同时选取出行目的、出行时间、出行偏好、出行距离和出行方式选择为内因变量,采用结构方程模型(SEM)建立各影响因素与城市居民出行方式选择的关系结构;以3个不同规模的城市为研究对象,利用其居民出行调查数据对构建的SEM进行辨识与修正,采用卡方自由度比、适配度、调整适配度和均方残差4个指标对构建的SEM进行拟合优度检验,从而得到各因素对居民出行方式选择的正负影响及程度。结果表明:4个评价指标的结果均符合适配标准或临界值要求,表明构建的SEM较好;性别、职业和收入水平3个外因观察变量对"个人属性"具有显著的正影响;目的地是否有停车场对交通供给属性具有显著的正影响,目的地停车设施越完善、停车供给越充足,城市居民选择小汽车出行的比例越大;大城市和中等城市对城市规模有显著的正影响,大城市和中等城市的居民更偏爱公交车出行;个人属性、交通供给属性和城市规模3个外因潜在变量对出行方式有显著的正影响;出行偏好对出行方式有显著的正影响。研究结果对进一步优化居民出行方式结构、改善城市交通拥堵具有指导意义。     

换乘停车场规划研究

分析出行者选择P+R换乘方式的影响因素,针对现有换乘停车场的不足,提出一种基于HBW出行模型和Logit模型的换乘停车场规划中规模确定、场址选择的方法. 以武汉市为例进行停车场规划设计,结果表明该方法合理,可优化城市交通方式结构,缓解交通密集城区交通压力,提高出行的便捷性.     

城市交通出行成本的Nash均衡分析

针对城市交通出行选择及出行均衡问题,在基于考虑出行行为影响因素的广义出行费用模型的基础上,引入经济学的Nash均衡理论,分析了出行选择中可能存在的不同出行路径与交通方式组合。通过建立Nash均衡博弈模型并求解,得到不同路径及交通方式的广义出行费用均衡解,探讨了城市交通中出行成本的变化和交通运营商的竞价行为对出行均衡的影响。研究结果表明:在以广义出行费用为基础的城市交通出行选择中存在Nash均衡,且出行成本的Nash均衡解具有稳定性;在保证广义出行费用总和最小的情况下,当系统达到Nash均衡后,出行者不会随意改变策略,而会按Nash均衡下的策略出行,即各种交通方式运营商采取单方面改变价格的策略无法改变出行均衡以获取更高的利润。     

城市交通方式预测实用方法研究

城市交通方式预测实用方法研究李旭宏（东南大学交通学院，南京２１００１８）交通方式预测是交通预测的重要组成部分．国外有关人士提出了许多交通方式预测模型［１］．但这些模型均是针对小汽车和公共交通两者间的竞争关系提出的，而且使用这些方法前必须对出行方式阻...     

城市交通方式发展与城市结构演变

城市交通方式对城市最明显的影响就是制约着城市空间形态。交通的便利与出行的限制影响城市形态发展,而城市结构特性也影响城市交通方式和特点,两者间是一种互相影响制约的关系。作者从不同阶段城市主导交通方式来考察城市的发展过程,从中认识城市交通方     

基于非集计模型的交通需求预测方法

交通需求预测是城市规划和城市交通规划的核心内容之一,同时也是制定交通需求管理（TDM）策略的基础.传统的预测模型多以“四阶段法”为基础,对调查数据进行集计处理,忽略数据所携带的有关出行者行为的个体信息,存在信息的浪费和冗余.依据现代交通规划学理论,在回顾传统预测方法的基础上,对非集计模型进行深入研究;根据淄博市中心城区居民出行调查数据,预测居民出行方式分担率.研究结果表明,较集计模型,非集计方法能更好地刻画居民出行方式选择行为.     

基于多项Logit模型的轨道站点接驳方式选择

随着我国机动车保有量迅速增加,城市交通问题日益严重。轨道交通作为城市公共交通系统的骨干,与其他交通方式的有效接驳能够提高居民出行效率,实现城市交通系统的高效运转。为提高城市轨道站点接驳效率,预测轨道站点接驳方式选择,本文以多项Logit模型为基础,采用RP调查方法得到轨道站点接驳方式影响因素的相关数据,采用最大似然估计法标定模型参数,利用SPSS22.0软件结合调查数据进行仿真,得到参数估计量,从而建立出轨道站点接驳方式选择模型,并用命中率法对模型进行精度检验,最后运用特性集计方法将非集计结果集计化,得到轨道站点各接驳方式分担率。     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,本文为了准确的对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证,结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型,以均方误差（MSE）为评价指标,将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

广珠城轨站市内接驳交通方式的调查分析——以江门东站为例

本文在分析广珠城轨站市内接驳交通现状和旅客出行选择偏好的基础上,研究旅客的市内接驳交通方式选择行为.在江门东站进行了意愿和行为相结合的调查,基于调查数据对旅客的个人属性和出行选择属性进行聚类分析和相关性分析发现,公交车和出租车是旅客的主要接驳交通方式,收入越高的群体选择出租车作为接驳交通方式的比例越高;人群类别、出行目的、出行地区、公费出行、出行费用、安全性和舒适性为影响旅客出行选择行为的7项关键因素.基于此,建立了广珠城轨站旅客市内接驳交通方式选择行为的多项Logit模型,借助SPSS22.0软件,通过最大似然法标定模型参数.本模型的拟合程度较好,基于调查数据随机测试发现,模型对旅客出行选择行为的预测正确率为85.67%,说明本文方法具有一定的可行性.     

以绿色交通为核心的城市交通规划改进探究

城市的交通规划是运用科学方法预测未来的交通量与城市交通的承载能力,合理地分配城市交通资源。随着经济的快速发展,传统的城市规划缺乏对环境污染的重视程度,绿色交通作为一种新的城市规划理念,越来越被人们所接受。绿色交通的理念是根据行人的出行距离,优选更为节能、环保的出行工具,以实现资源、交通、社会、经济的全面协调发展。该文从绿色交通的理念出发,从减少环境污染、降低资源消耗、提高交通运输效率等角度出发进行城市交通规划设计,改进传统交通规划的不足,为我国的绿色交通实践提供参考。     

基于数据驱动的城市居民出行OD预测

【目的】利用“大数据”对城市居民出行量(OD)的预测方法进行改进,以期改善传统城市居民出行调查方法费时、费力且准确度不高的问题,同时也为城市公共交通规划与管理提供可靠的数据支持。【方法】结合手机信令数据、公交IC卡、公交GPS以及地铁闸机数据的特点和优势,利用聚类分析等方法获取城市居民公共交通出行的OD矩阵,并利用小波神经网络结合优化后的鲸鱼算法(improved whale optimization algorithm-wavelet neural network, IWOA-WNN)对未来时段的出行OD矩阵进行预测。以长沙市为例,选取60 d晚高峰期间的原始数据,利用IWOA-WNN进行预测,并结合时间序列方法进行分析。【结果】与优化前的小波神经网络相比,IWOA-WNN的预测结果更加贴近实际情况,精度达到了93.36%。【结论】本研究提出的数据处理及预测方法具有更高的准确度。     

考虑家庭约束的出行方式选择行为研究

为调整出行方式结构,缓解城市交通拥堵,利用2005年北京市居民出行调查数据,把是否与家人相伴出行引入出行方式选择的影响因素中,采用混合Logit方法建立了有家庭约束和无家庭约束2种条件下的出行方式选择模型,并对参数进行了标定。对比分析了两类模型的差异,基于公交票价和汽车油价的变动各设计了6种情景,对各个出行方式分担率的相应变化进行了敏感度分析。研究结果表明:有或无家庭约束条件下,居民考虑出行方式选择的重点不同,选择机理有很大差异;由于更多依赖于私人交通工具,有家庭约束的居民出行对公交票价的敏感度较高,而对汽油价格的敏感度相对较低。因此在制定城市交通政策时,仅针对单一指标进行调控往往不合理,必须考虑不同家庭的特性,采用合理的综合措施来改善城市出行方式结构。     

基于低碳交通理念的银川城市规划策略研究

银川市以私驾出行为主的交通模式引发了诸多的城市交通、生态等问题,低碳交通、绿色出行发展需求日益强烈.通过对银川市近5 a私驾出行比率、交通碳排放清单和城市空间结构的梳理研究,认为目前依靠单纯的城市空间外延增长、城市道路系统优化已不能满足日益增长的城市交通需求.城市交通拥堵问题日益严重,环境污染加剧.提出从城市规划多尺度角度考量、构建银川市低碳交通系统空间配置模式.从城市空间规划战略、土地利用紧凑发展模式、土地混合利用、交通空间设计、构建多元化网络化城市交通系统和加强城市交通管控等方面探讨建设银川市低碳交通模式,从而促进城市低碳交通和绿色出行的发展.     

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。     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MP-EPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。
     

优化小波神经网络停车泊位多步预测

【目的】通过改进停车泊位预测方法为交通出行提供有益帮助。【方法】利用李雅普指数对停车泊位序列进行分析,指出序列具有混沌特性,可进行多步预测。利用db32小波函数具有双正交性、紧支撑性以及消失矩阶数较大的特征,对归一化的停车泊位序列进行多尺度分解与重构,并作为小波神经网络(Wawelet neural network,WNN)的隐含层函数。为提高预测精度和降低预测时间,分别使用粒子群算法(Particle swarm optimization,PSO)和极限学习机(Extreme learning machine,ELM)来优化WNN。其中,使用PSO对WNN的权值进行调整,逐步迭代得到最优值;使用ELM将全局最优值作为单隐层前馈神经网络的输入,使得算法尽快收敛。优化后的WNN结合迭代多输出法对停车泊位进行预测。将上述预测方案称为极限学习机和粒子群算法双重优化的小波补缀网络多步预测(Multi-step prediction based on wavelet neural networkimproved by extreme learning machine and particale swarm optimization,MP-EPWNN)。【结果】仿真实验表明,相对于BP神经网络、遗传算法优化小波神经网络、极限学习机优化小波神经网络、粒子群优化小波神经网络4种算法,MPEPWNN算法的预测均方误差平均降低了96.6%,预测所需的时间平均降低了65.97%。【结论】MP-EPWNN算法预测停车泊位是有效的。