原文传递
基于车头时距的公交串车预测研究
| 论文题名： | 基于车头时距的公交串车预测研究 |
| 关键词： | 公共交通;串车行为;车头时距;深度学习;预测精度 |
| 摘要： | 发展常规公共交通是缓解城市交通拥堵问题的重要战略，而公交服务水平的高低则是乘客出行方式选择的重要决定因素。公交串车是公交在日常运营中状态失稳的一种表现，该状态造成公交前后相邻班次载客不均，降低了公交的服务水平。为避免串车现象发生，公交调度人员可通过公交车头时距预测，判断公交串车发生的时空位置，并以此对公交运行状态进行优化控制，从而保持公交运行的稳定性。由此可见，公交串车预测结果的准确性直接决定了公交串车的改善程度，是提升常规公交运行准点率与吸引力的关键所在。本文在公交实际运营数据处理的基础上，研究公交串车内在机理，建立基于深度学习的公交车串车预测模型，加以优化算法提高预测精度，对解决常规公交的串车问题具有一定的实用价值。 首先，本文针对原始公交GPS数据点位偏移和关键信息缺失的问题，通过统一坐标系、正交投影、线路匹配和时序化方法，对公交车辆轨迹纠偏；通过挖掘GPS数据与IC卡数据之间的内在联系，对两者数据进行信息匹配并融合，增加基础数据密度；通过标记定位点与线路站点位置关系，对公交班次及停站信息进行提取，推导出各班次的到离站时刻。 其次，本文剖析公交串车的内在机理，明确以车头时距作为串车现象的判定指标，对公交串车现象进行推演，定性分析串车现象形成的演变特征。在此基础上，以重庆市475线路公交的GPS_IC数据为基础，绘制公交运行时空图和车头时距分布图，定量分析车头时距的时空变化规律。 最后，本文建立基于深度学习的公交串车预测模型，在分析不同预测方法的基础上，结合GPS数据、IC卡数据、气象数据及时间等属性，以CNN卷积神经网络模型提取影响因素特征，以LSTM长短期记忆神经网络模型对车头时距进行时间序列预测。在此基础上，以PSO粒子群算法的寻优功能对组合模型进一步优化，建立PSO-CNN-LSTM组合预测模型。最终预测结果表明，基于PSO-CNN-LSTM组合预测模型的车头时距预测结果优于单一LSTM的预测结果，且对不同的时空车头时距预测具有较好的适用性，能有效提高公交串车的预测精度。 |
| 作者： | 薛成杰 |
| 专业： | 交通运输工程 |
| 导师： | 张铎;唐秋生 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
