智能交通系统论文-公交车辆行程时间预测的方法

《智能交通系统论文-公交车辆行程时间预测的方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、目录0引言21国内外研究现状31.1国内外智能公交系统发展现状31.2国内外公交到站时间预测技术发展现状42研究方法介绍53公交车的运行特性及到站时间影响因素分析53.1公交车运行特性分析53.2公交车到站时间影响因素分析64试验调查数据分析84.1公交车停靠时长84.2通过交叉口时间95公交车辆行程时间预测模型105.1模型假设105.2模型的建立与计算116公交车辆行程时间实时预测方法的应用116.1自变量的确定116.2模型的计算及检验126.3预测结果及分析127总结13参考文献1414

2、公交车辆行程时间预测的方法王亚童曹辉曹江黄锐玲（天津城建大学土木工程学院天津）摘要：在现今一些大城市交通问题日益突出，迫切需要优先进行公共交通的发展的背景下，如何利用智能交通系统解决公交车行程时间预测的问题是大多数学者关注的重点。首先了解国内外主要的一些预测方法，再分析公交车的运行特性及公交车行程时间的影响因素。在调查数据的基础上，采用Excel数据回归分析的方法，进行公交车辆行程时间预测模型的建立，并结合模型预测结果与实测行程时间进行比较和误差分析。计算结果表明：运用该模型在平峰时段预测误差平

3、均约为10%。关键词：智能交通系统；公交车行程时间；回归分析；预测模型Abstract:Insomebigcitytrafficproblemincreasinglyprominenttoday,howtomakeuseofintelligenttransportationsystemtosolvetheproblemofbustraveltimepredictionisthekeyofmostofscholarsfocusonwiththebackgroundoftheurgentneedfo

4、rdevelopingpublictransportpriority.Firstistotellsomemainforecastmethodsofdomesticandabroad,thenanalysesoftheoperationcharacteristicsofthebusandtheinfluencefactorsofbustraveltime.Onthebasisofsurveydata,usingtheExceldataregressionanalysesmethods,buildi

5、ngupthebustraveltimepredictionmodel,combinedwiththemodelpredictionresultscomparedwiththeobservedtraveltimeandtheerroranalysis.Thecalculationresultsshowthattheflatpeakperiodaverageerrorpredictionisabout10%bythismodel.Keywords:Intelligenttransportation

6、system;traveltime;analysesofregression;predictionmodel0引言城市的快速发展伴随着人口的急剧增长，而增加的人口所带来的出行增加，导致了道路交通供需矛盾日益突出，进而造成现在城市内普遍的交通拥堵，交通污染等问题。故而为了缓解城市的交通压力，必须优先发展大容量，能耗低且低污染的公共交通。公交车辆的行程时间的精准预测是智能交通系统中重要的一环，其作用主要体现：为乘客提供车辆到站的实时信息，用于公交系统的管理，提高公交服务质量。因此研究公交车辆到站时间

7、的预测方法，有利于提高公交车辆到站时间的预测精度，减少乘客的等待时间。从而提高公共交通的吸引力，这对于优先发展公共交通有一定的助益。目前，国内外学者在公交车辆到站时间预测方面做了大量的研究，提出的预测模型主要有时间序列(TimeSeries,TS)模型、人工神经网络(ArtificialNeuralNetwork,ANN)模型、支持向量机(SupportVectorMachines,SVM)模型14以及Kalman滤波模型等。Yang考虑了时间序列中的某些不平稳数据，利用差分方法建立了自回归移动

8、平均时间序列模型，通过残差分析及数据拟合，实现对车辆到站时间的预测，但是该模型残差序列中白噪声影响严重，且未考虑城市交通的复杂性和多变性，预测精度不高[1]；熊文华等建立了BP神经网络模型，以浮动车和线圈的数据作为BP神经网络的输入，以融合的车辆行程时间作为输出，但该模型的建立需要大量的训练数据，且训练过程参数难以确定[2]；Chen等对离散行程时间算法和速度积分算法进行了改进，并在此基础上建立了一个基于神经网络的城市车辆到站时间动态预测模型，但两种算法在预测精度和误差波动控制上不能同时兼顾，预