详情

原文传递车路协同环境下公交车辆到站时间预测及控制策略研究

论文题名：	车路协同环境下公交车辆到站时间预测及控制策略研究
关键词：	公交车辆;车路协同环境;到站时间预测;动态控制
摘要：	随着社会经济的发展，城市机动车私有化程度也随之不断提升，道路拥堵问题日益严重。自20世纪80年代起，国家交通相关政策性文件都将公交优先作为改善城市交通拥堵和缓解交通污染的一种经济、可行、有效的手段，大批学者也围绕公交优先方法展开了深入研究。然而，城市道路环境复杂多变，公交运行过程中存在诸多干扰，而传统意义上针对公共汽车的“公交优先”多集中于公交专用车道等交通设施的建设，忽略了公交运营管理的作用，因此，真正意义上的“公交优先”仍面临挑战。　　信息感知和车路协同等相关技术的发展，为动态获取公交车辆和路侧设备的实时信息提供了技术支撑，使得针对公交车辆到站时间预测及动态控制策略的研究具有了实际意义，其既可为乘客提供更为准确的出行信息，亦可为公交运营管理者提供动态控制的决策支持。基于此，本文展开厂车路协同环境下的公交车辆到站时间预测及控制策略研究。　　首先，设计了一种适用于基于车路协同技术的常规公交车辆动态控制的平台框架，该平台集合了数据采集、数据存储、数据处理及数据发布四大系统。此平台作为预测及控制的载体，对数据约定、传输通信技术及各系统实现功能进行了详细阐述，是本研究中车路协同环境的具体定义。　　其次，对公交车辆到站时间的影响因素进行了分析，选取了20个因素作为常规方法（方差分析及Spearman秩相关系数）和Boruta算法的原始特征，以四川省自贡市1路公交车辆2014年10月运行数据为例，经过同类特征融合后，确定到站时间预测模型的9个输入特征。实验证明，特征选择可以大幅提高支持向量回归机和人工神经网络这类传统机器学习模型的预测准确性，验证了特征选择的有效性。　　然后，分析对比了传统机器学习算法——支持向量回归机模型和人工神经网络模型的优劣，提出以自助采样法为核心，以袋外数据校验确定权值，以人工神经网络模型为弱学习器的加权Bagging-ANN集成学习模型。在实际案例分析中证明了，本文提出的加权Bagging-ANN模型比传统机器学习模型，在预测的准确性和稳定性两个方面都具有显著优势，并且其在小样本数据下依然可以获得较为理想的预测精度。　　最后，提出了一种综合考虑滞站及越站两种站点控制方法，以获得均衡车头时距为目的的动态控制策略，设置控制策略实施时机判断关键参数:滞站系数及越站系数。本文利用仿真手段，以自贡市高发车频率公交线路为例，确定该环境下的最优关键参数，在分别考虑乘客利益和公交运营公司利益的前提下，相比不进行动态控制的情况，综合评价指标分别提升了11.43％和8.46％，证明了控制策略的有效性。
作者：	尹婷婷
专业：	交通运输工程；交通运输规划与管理
导师：	冉斌
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2017
正文语种：	中文