动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU)...
详细信息
动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU),双向长短时记忆网络(Bidirectional Long Short Term Memory,Bi-LSTM)和双向门控神经单元(Bidirectional Gated Recurrent Unit,Bi-GRU)四种货车交通流量需求预测循环神经网络模型.研究结果表明:货车交通流量需求预测循环神经网络模型对货车交通流量具有很好的预测能力,平均预测精度为91.55%,较ARIMA高出10.45%;GRU模型对整体货车流量序列预测精度最高;低峰时段平均预测精度高于高峰时段,LSTM在波动较强的高峰时段预测精度最高,为96.83%;Bi-GRU在低峰时段的预测精度最高,为97.66%.研究成果将为政策制定者选用合适的循环神经网络模型,精准预测货车流量,提高货车交通运行效率提供理论和技术支持.
运营突发事件下,向城市轨道交通(城轨)乘客有针对性地发布诱导信息,是实现高效疏导、确保城轨运营安全的重要举措。本文考虑乘客异质性,开展突发事件下城轨诱导信息发布策略研究。首先,基于潜在分类模型(Latent Class Model,LCM)构建城...
详细信息
运营突发事件下,向城市轨道交通(城轨)乘客有针对性地发布诱导信息,是实现高效疏导、确保城轨运营安全的重要举措。本文考虑乘客异质性,开展突发事件下城轨诱导信息发布策略研究。首先,基于潜在分类模型(Latent Class Model,LCM)构建城轨乘客在突发事件和诱导信息双重作用下的路径选择行为模型,分析乘客对诱导信息接受程度及路径选择偏好的差异。其次,以线网乘客总出行时间和线网客流分布均衡性基尼系数为优化目标,构建基于路径选择行为分析的信息诱导优化模型,并应用非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)求解,以获得突发事件下受影响起讫点(Origin and Destination,OD)间各有效路径的最优推荐指数。最后,以北京市工作日早高峰城轨区域线网进行案例分析。结果表明:城轨乘客在突发事件下对诱导信息存在“诱导服从型”“诱导中立型”“诱导无视型”这3类不同接受程度的群体。提供诱导信息后,线网乘客总出行时间减少3.906%,线网客流分布均衡性基尼系数下降4.063%,同时减少了高满载率区间数量。事件结束后,诱导信息的继续发布可降低突发事件受影响区间7.08%的满载率,并避免乘客在刚恢复正常运营区间上的再次聚集。
暂无评论