太原市轨道一号线站间OD及沿线区段空间分布研究

客流预测是轨道交通网络规划的一个重要组成部分,结合轨道交通客流预测结果,基于重力模型,可以分析得到轨道线路上沿线各站点间OD分布,在此基础上,将轨道沿线按土地利用进行区段划分,可以得到轨道沿线各区段的空间分布。站间OD分布与沿线区段空间分布结果可以很好地反应出轨道沿线各站点及各区段用地的人口出行特性,结合轨道线路沿线土地利用规划,可以实现客流预测与土地利用的互动反馈。本文以太原市轨道一号线为例,对其站间OD分布及沿线区段空间分布进行研究。     

基于库仑定律的公交站点OD矩阵生成研究

为获得更为合理的公交客流分配结果,引入库仑定律,根据公交站点在交通小区中的分布情况,分别建立了小区间和小区内的公交站点OD矩阵生成模型;然后,根据不同公交方式站点的特性对模型进行了优化,并通过对灵敏度系数的分析建立了灵敏度系数的求解模型;最后,通过实例对模型的有效性进行了验证.结果表明:文中模型具有较高的理论和实用价值,提高了公交客流预测的可靠程度.     

由路段交通流量反估出行OD矩阵技术的应用

由路段交通流量来估计交通出行 OD( origin-destination)矩阵 ,是一种先进的技术方法。它为获得 OD矩阵这种代价高昂而意义重要的交通需求信息提供了有效手段 ,并缓解了对难度很高的大规模居民出行调查的需要。利用一个适合实际应用的交通流量反估 OD矩阵模型——熵极大模型 ( entropy maximization model) ,在结合阐明其基于极大似然估计的数学原理的同时 ,重点给出适于计算机编程的模型迭代求解详细算法 ,并提出使用 Bi-Section和Newton-Raphson组合算法来保证其中非线性方程求解的稳定性和效率。进一步给出了使用熵极大模型的 OD矩阵估计软件包的设计思路和程序构架。该技术可直接指导高度实用化的 OD矩阵反估软件工具设计     

一种动态OD矩阵估计算法的理论及应用

首先比较几种动态OD矩阵的估计方法（如广义最小二乘法、最大似然法，最小信息量法和极大熵法），优选出极大熵法，用组合理论推导出该方法的数学模型，进一步用拉格朗日乘子法求出模型的隐式解，由于实际解需迭代求出，文中介绍了一种迭代算法，并证明了它的正确性，最后，把所建立的模型和介绍的算法用于仿真案例和江苏省常熟市的交通诱导系统中，效果令人满意。     

OD估计模型的发展

本文对ＯＤ估计模型的研究历史进行了回顾。主要沿着重力模型－熵模型这个主线讨论了各模型之间的关系，并对一些模型作了简要评述。目的在于通过回顾与总结，对各模型有所深刻地认识，对理论研究和实际应用起到一定的指导作用。     

基于OD船舶交通模拟的研究

根据船舶交通工程方法论研究交通流的生成与发展规律以及交通网络的时空分布，提出了基于ＯＤ的船舶交通流模型，并对船舶交通进行模拟，运用电子海图新技术，实现了船舶交通动态显示，开发研究了一个基于Ｗｉｎｄｏｗｓ ９５／ＷｉｎｄｏｗＮＴ的船舶交通模拟软件包。     

基于IC卡数据估计交通小区的公交OD算法

公交客流OD是公交线网优化、评估的基础数据;也是公交运营管理不可或缺的重要信息,而公交站点OD是区域公交OD客流的基本单元。在分析利用IC卡数据挖掘公交站点OD客流原理的基础上,梳理公交站点OD推算小区OD的影响因素,引入公交站点至小区之间的距离权重系数以及地块用地分配权重系数,构建了公交站点OD推算交通小区OD的模型算法;并对比分析不同参数构建模型的优劣。同时,以广州市为例进行实证研究,算例表明了模型的可行性和算法的有效性。     

融合长短期记忆网络和图卷积网络的轨道交通短时客流起讫点预测

轨道交通客流起讫点(origin-destination,OD)矩阵存在时间相关性和空间相关性。根据客流OD的时空特征,提出长短期记忆(long short-term memory,LSTM)网络和图卷积网络(graph convolutional networks,GCN)的短时组合预测方法。预测方法主要利用LSTM网络来获取客流的时间相关性,利用GCN来获取客流的空间相关性,基于出站口建立客流OD矩阵,对整个路网的客流OD进行训练预测。实验表明:融合LSTM神经网络和GCN神经网络的短时预测模型能有效预测轨道交通客流OD。相较于单独的LSTM神经网络,组合模型在预测误差方面有所改善,更适用于短时客流OD的预测。     

面向OD客流的高速列车开行方案的优化

满足旅客出行需求的列车开行方案能够更好地吸引客流，提高高速铁路的核心竞争力.以最大化经济收益和最小化出行费用为目标函数，以高速铁路开行方案为研究对象，以旅客出行需求等作为约束条件，将列车开行方案与OD客流量结合起来，同时考虑旅客的购票心理和列车购票的时效性，建立了一种基于动态客流的列车开行方案的多目标优化模型，并设计一种基于个体信息和改进变异算子的多目标差分(SG-MOSaDE)算法进行求解.以广州市某线路为例进行实验，结果表明，优化后的开行方案不仅最大化满足了旅客出行需求，而且在提高铁路部门经济收益的同时降低了旅客的出行花费，并且优化后的列车总停站次数较原来有所下降，停站方案更加均衡.     

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。     

快速路网实时OD预测的时间颗粒度选择

常见的基于实测数据的origin-destination(OD)预测方法分为两类:一类基于历史信息,即根据上一天或上一周同一日相同时段的数据进行预测,简称同比预测法;另一类则是根据同一天相邻时间段的数据预测本时段的OD,简称环比预测法.预测所用基础数据的时段长度称为时间颗粒度.时间颗粒度的大小对OD预测结果的稳定性、准确性具有重要影响.针对上海快速路网,采用ADF单位根检验和KMeans聚类分析方法,研究时间颗粒度对预测结果的影响,提出了时间颗粒度选择的建议,同比预测方法相比环比预测法更容易得出稳定、合理的预测结果,30~60min的时间颗粒度预测效果较好.     

基于聚类的神经网络及其在预测中的应用

提出了一种基于聚类的神经网络算法，可以很好解决大样本情况引起的网络结构复杂、收敛性和泛化能力差等神经网络的固有问题．算法采用聚类算法为分类器，进行模式空间分解，以分类后的模式子空间为各样本集合，用神经网络集学习，最后根据重力模型计算检测样本对各样本子集的隶属度，整合各子空间的输出结果．通过实验对比表明该算法精度较高，容错性好．     

城市轨道交通短时OD客流预测实验教学系统设计

针对目前轨道交通运营管理实践教学中缺乏实验设备,学生缺少直观认知的问题,设计了基于地铁AFC数据的城市轨道交通短时OD客流预测实验教学系统。系统分为数据准备、客流预测、结果评价三个模块,采用数据隔离方式解耦客流预测中的三个阶段,使用B/S架构实现了多用户同时访问和实验。该教学系统为轨道交通专业学生进行客流预测实践提供了平台,已在深圳技术大学城市交通与物流学院实践课程中投入使用。     

平交路口多相位自适应控制的实时OD递算模型

平面交叉口多相位自适应信号控制需要依据其进口道实进ＯＤ流量设置配时参数,以适应变化的交通需求,为此,笔者建立了描述平面交叉口动态产通需求的多变量动态线性模型及其递推算法。该模型基于交叉口进出口断面的流量观测数据,以进口道的分流概率矩阵为状态参数,利用贝叶斯预测方法,对时变ＯＤ矩阵进行联线估计。     

基于OD需求的城市轨道交通网络扩张设计

为了解决在已有部分轨道交通线路的基础上进一步网络扩张设计的问题,以最大化轨道交通网络能满足的起讫点(OD)需求为目标,建立了城市轨道交通网络扩张设计的整数规划模型,并提出了考虑乘客在扩张后的轨道交通网络中实际出行路径与交通方式间竞争的多项式Logit模型,以获得合理的轨道交通出行需求分担率.通过无锡市轨道交通规划案例验...     

基于发生率的高峰小时机动车OD矩阵预测

城市道路机动车交通分配一般使用的是高峰小时机动车起讫(OD)矩阵,提出一种基于高峰小时发生率调查的高峰小时机动车OD矩阵预测方法.直接调查各类用地的高峰小时机动车发生率以及其出行种类,可以进行高峰小时的小区出发到达量(OD)预测以及到出行产生吸引(PA)的转换.在使用高峰小时机动车PA进行出行分布预测之后,利用调查得到的出行种类比例进行高峰小时机动车PA矩阵到OD矩阵的转换,进而得到高峰小时机动车OD矩阵.     

基于非负矩阵分解的OD矩阵预测

提出了一种非负矩阵分解-自回归模型,并用该模型对居民出行流量进行预测.该模型首先利用非负矩阵分解方法挖掘城市区域内的居民出行特征,而后在非负矩阵分解获得的特征矩阵和系数矩阵基础上对时序系数矩阵建立自回归模型,进而对起讫矩阵进行预测.以北京市出租车数据为基础,与时空权重K近邻、传统K近邻、反向神经网络、朴素贝叶斯、随机森林和C4.5决策树回归模型对比,实验结果表明,该模型的预测准确率有显著提升.     

基于公交IC卡刷卡数据的站点客流推算

公交客流数据是公交组织调度、线网优化和场站规划的基础性数据,随着计算机信息技术的发展,通过对公交刷卡数据进行分析处理即可得到全面准确的公交客流信息.以桂林市公交系统数据为例,首先,对公交IC卡刷卡数据和定位数据结构进行分析并对刷卡数据进行预处理,筛选出客流推算所需数据并剔除异常数据;其次,融合刷卡数据与定位数据匹配乘客...     

基于梯度法的OD矩阵估计和应用研究

以交通规划软件EMME／2为平台，在拥有合理的原始矩阵和一定数量的路段实测流量数据的基础上，运用梯度法(最速下降法)求出OD矩阵估计．结合具体的课题研究应用情况，证明该方法适用于大规模实际路网．     

基于向量自回归和动态模式分解的城市轨道交通短时OD预测

针对城市轨道交通OD客流量短时预测问题,提出基于向量自回归（Vector Auto Regression, VAR）和动态模式分解（Dynamic Mode Decomposition, DMD）的VAR-DMD组合预测模型.首先,以北京市范围内的地铁站点为例,基于自动售检票系统数据（Auto Fare Collection, AFC）,对地铁OD客流进行时空特征分析;其次,构建高阶加权向量自回归模型捕获OD客流数据的时空关联性,利用动态模式分解算法估算模型的参数,提取OD客流数据动态特征,实现数据的降维和降噪,利用实时更新算法更新模型的参数,实现长期连续预测;最后,以北京地铁AFC数据为算例,对模型进行验证.研究结果表明：相较于基准模型,VAR-DMD模型的运行时间减少96.67%,预测误差减少2.6%,具有较高的预测速度和预测精度,为城市轨道交通运营管理部门提供了可靠又及时的决策依据.