CN111291321A - 基于大数据的城市交通模型构建方法 - Google Patents
基于大数据的城市交通模型构建方法 Download PDFInfo
- Publication number
- CN111291321A CN111291321A CN202010051406.8A CN202010051406A CN111291321A CN 111291321 A CN111291321 A CN 111291321A CN 202010051406 A CN202010051406 A CN 202010051406A CN 111291321 A CN111291321 A CN 111291321A
- Authority
- CN
- China
- Prior art keywords
- family
- trip
- travel
- traffic
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的城市交通模型构建方法,包括依序执行的出行生成阶段、出行分布阶段、方式划分阶段和交通分配阶段,所述方式划分阶段采用非集计模型,所述交通分配阶段执行一次后,将得到的道路断面机动车流量作为背景流量代入出行分布阶段重新开始计算,计算两次道路断面机动车流量的相对误差,如未达到相对误差的要求,则将新的道路断面机动车流量再次带入出行分布阶段重新开始计算,直到相对误差满足要求。通过在方式划分阶段采用非集计模型,在提高了模型精度的同时没有增加过多的计算量。通过将道路断面机动车流量循环迭代,为模型建立过程提供了反馈,保证误差在精度要求内,从而精度更高、能够更准确预测交通需求。
Description
技术领域
本发明涉及交通大数据领域,尤其涉及一种基于大数据的城市交通模型构建方法。
背景技术
我国对城市交通需求预测理论与方法的研究起步较晚,20世纪80年代才开始着手部分城市的交通管理规划的研究与编制,也正是从那个时候开始才展开对相应的城市交通管理规划交通需求预测理论与方法的研究工作。
目前,随着城市综合交通规划的编制,多数城市都建立了交通需求预测模型,但绝大部分城市的交通需求预测模型只用于对本次编制的规划提供定量支持,未能进行很好的维护,不能为其他交通决策提供定量分析。同时新建的模型由于只使用了当时的交通出行数据,不能反映交通出行随城市发展的变化,模型精度较低。
四阶段法是交通规划中的常用方法,然而现有的四阶段法以交通小区为单位将出行者的交通行为进行集体统计分析,按照出行的发生与吸引、出行的分布、交通方式划分和交通流分配的四个阶段,进行模型化预测。然而传统四阶段法缺少反馈机制、缺少对人的选择行为的分析,因此精度较低,难以评价交通管理对于交通需求的影响。
交通需求预测的集计模型通常是将每个人的交通活动按交通小区进行统计处理、分析,从而得到以交通小区为单位的分析模型。需求预测的非集计模型则以实际产生交通活动的个人为单位,调查得到的数据不按交通小区进行统计等处理而直接用于建立模型,因而非集计模型包含了对人的选择行为的分析,具有较好的时间转移和空间转移性,精度更高,但是由于其应用的变量较多,计算比较复杂。
综上,如何合理地结合非集计模型与四阶段法,提供一种精度更高、能够更准确预测交通需求的基于大数据的城市交通模型构建方法,就成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种精度更高、能够更准确预测交通需求的基于大数据的城市交通模型构建方法。
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览,并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
根据本发明的一方面,提供了一种基于大数据的城市交通模型构建方法,包括依序执行的出行生成阶段、出行分布阶段、方式划分阶段和交通分配阶段,所述方式划分阶段采用非集计模型,所述交通分配阶段执行一次后,将得到的道路断面机动车流量作为背景流量代入出行分布阶段重新开始计算,计算两次道路断面机动车流量的相对误差,如未达到相对误差的要求,则将新的道路断面机动车流量再次带入出行分布阶段重新开始计算,直到相对误差满足要求。
在一实施例中,该方法的所述出行生成阶段包括:生成基于家工作出行、基于家上学出行、基于家其他出行、非基于家出行以及流动人口出行的OD数据。
在一实施例中,该方法的所述出行分布阶段包括:利用重力模型分析基于家工作出行、基于家上学出行、基于家其他出行和非基于家出行的OD数据;利用FURNESS模型分析流动人口出行的OD数据。
在一实施例中,该方法的所述利用重力模型分析基于家工作出行、基于家上学出行、基于家其他出行和非基于家出行的OD数据包括:求阻抗矩阵Rij;重力模型标定;创建综合阻抗因子f(Rij)和应用重力模型。
在一实施例中,该方法的所述方式划分包括:步行方式、班车方式和多方式竞争模型,所述步行方式得到步行OD,所述班车方式得到班车OD,所述多方式竞争模型得到非机动车OD、小汽车OD和公共交通OD。
在一实施例中,该方法的所述公共交通OD包括公交OD和轨道OD。
在一实施例中,该方法的所述交通分配阶段包括机动车分配和公共交通分配。
在一实施例中,该方法的班车OD、对外交通OD和小汽车OD都归集到机动车分配内,所述公共交通OD归集到公共交通分配内。
在一实施例中,该方法的所述机动车分配后,将有车家庭个体交通工具出行费用、有车家庭公共交通工具出行费用、无车家庭个体交通工具出行费用和无车家庭公共交通工具出行费用数据迭代回方式划分阶段中去。
本发明实施例的有益效果是:通过针对方式划分阶段采用非集计模型,在提高了模型精度的同时没有增加过多的计算量。通过将道路断面机动车流量循环迭代,为模型建立过程提供了反馈,保证误差在精度要求内,从而精度更高、能够更准确预测交通需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
在结合以下附图阅读本公开的实施例的详细描述之后,能够更好地理解本发明的上述特征和优点。在附图中,各组件不一定是按比例绘制,并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1是本发明的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意,以下结合附图和具体实施例描述的诸方面仅是示例性的,而不应被理解为对本发明的保护范围进行任何限制。
如图1所示,本发明提供了一种基于大数据的城市交通模型构建方法,包括依序执行的出行生成阶段、出行分布阶段、方式划分阶段和交通分配阶段,其中:
出行生成阶段,通过对城市社会经济分析,预测各交通区的出行发生量及吸引量,获得OD矩阵中的行数据和列数据。“O”来源于英文ORIGIN,指出行的出发地点,“D”来源于英文DESTINATION,指出行的目的地。OD矩阵是以所有交通分区按行(起点区)与列(讫点区)排序,以任意两分区之间的居民或车辆出行量(OD量)为元素的矩阵。出行影响因素包括:家庭构成与大小、年龄、性别、汽车保有率、自由时间、职业、外出率、企业环境、收入等。而本发明基于人口预测、岗位预测和车辆预测,得到按照家工作出行、基于家上学出行、基于家其他出行、非基于家出行以及流动人口出行的类型进行划分的出行数据。这种分类方式不同于现有的按照职业、年龄等诸多因素的繁琐设定,主要考虑以家庭为圆心的出行类别,同时考虑流动人口,同时保证了模型精确与数据简化。
基于家工作出行、基于家上学出行、基于家其他出行、非基于家出行以及流动人口出行的数据可以来自于公交IC卡数据、车载GPS数据和高速公路收费OD数据等,也可以来自例如手机信令数据和车载GPS数据等。
出行分布阶段,利用重力模型分析基于家工作出行、基于家上学出行、基于家其他出行和非基于家出行的数据;利用FURNESS模型分析流动人口出行的数据。将各个人的出行量转换成各交通区之间OD量,形成OD矩阵。出行分布预测是将各交通小区规划年的出行产生量和吸引量转化成为各小区之间的出行交换量的过程,即要得出由出行生成模型所预测的各出行端交通量与区间出行交换量的关系。现有技术中的分布预测方法主要为增长率法和重力模型法。重力模型考虑了两个小区之间的吸引强度和吸引阻抗因素。其基本假设为:交通小区i到交通小区j的出行分布量与小区i的出行产生量、小区j的出行吸引量成正比,与小区i和小区j之间的出现距离成反比。在本实施例中,优选采用双约束重力模型,包括求阻抗矩阵Rij、重力模型标定、创建综合阻抗因子f(Rij)和应用重力模型步骤,其比增长率更加全面,即使没有完整的OD表也能进行推算预测。
方式划分阶段,用于确定出行量中各交通方式所占比例。现有技术中一般按照出行目的、出行距离和交通方式进行划分。按交通方式进行划分时包括单阶段选择、二阶段选择、集计选择和非集计选择,本发明中采用以个人为单位的非集计选择。方式划分包括:步行方式、班车方式和多方式竞争模型,步行方式得到步行OD,班车方式得到班车OD,多方式竞争模型得到非机动车OD、小汽车OD和公共交通OD。公共交通OD包括公交OD和轨道OD。交通分配阶段包括机动车分配和公共交通分配。班车OD、对外交通OD和小汽车OD都归集到机动车分配内,公共交通OD归集到公共交通分配内。
本发明的方式划分阶段采用非集计模型,非集计模型可以采用Logit模型或Probit模型,其分析单位为个人,因此其因变量为个人的选择,自变量也为个人数据,相较于以各小区为分析单位的集计模型,精度更高。
非集计模型依据以下所示的备选方案的随机效用函数U(k)决定选择行为:
U(k)=V(k)+e(k)
式中V(k)是方案k的固定效益,e(k)是随机项,服从某种概率分布。
交通分配阶段,把各种出行方式的OD矩阵分配到具体的交通网络上,产生道路断面机动车流量和公交线路乘客量等数据。交通分配采用非平衡模型,即没有使用Wardrop原理,包括机动车分配和公共交通分配,所述机动车分配后,将有车家庭个体交通工具出行费用、有车家庭公共交通工具出行费用、无车家庭个体交通工具出行费用、无车家庭公共交通工具出行费用等数据循环迭代回方式划分中去。
在执行完四阶段后,还有循环迭代误差验证步骤,包括:执行一次交通分配阶段后,得到路网中每条道路断面的机动车流量,将流量结果作为背景流量,重新计算出行分布、方式划分和交通,可得到新的道路断面机动车流量,两次计算结果会有一定的误差,故需计算两次交通分配结果的相对误差,当误差满足一定的条件时,可认为整个计算过程满足要求。
综上所述,本发明通过针对方式划分阶段采用非集计模型,在提高了模型精度的同时没有增加过多的计算量。通过将道路断面机动车流量循环迭代,为模型建立过程提供了反馈,保证误差在精度要求内,从而精度更高、能够更准确预测交通需求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的,且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此,本公开并非旨在被限定于本文中所描述的示例和设计,而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
以上所述仅为本申请的较佳实例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (9)
1.一种基于大数据的城市交通模型构建方法,其特征在于:包括依序执行的出行生成阶段、出行分布阶段、方式划分阶段和交通分配阶段,所述方式划分阶段采用非集计模型,所述交通分配阶段执行一次后,将得到的道路断面机动车流量作为背景流量代入出行分布阶段重新开始计算,计算两次道路断面机动车流量的相对误差,如未达到相对误差的要求,则将新的道路断面机动车流量再次带入出行分布阶段重新开始计算,直到相对误差满足要求。
2.根据权利要求1所述的基于大数据的城市交通模型构建方法,其特征在于,所述出行生成阶段包括:生成基于家工作出行、基于家上学出行、基于家其他出行、非基于家出行以及流动人口出行的OD数据。
3.根据权利要求2所述的基于大数据的城市交通模型构建方法,其特征在于,所述出行分布阶段包括:利用重力模型分析基于家工作出行、基于家上学出行、基于家其他出行和非基于家出行的OD数据;利用FURNESS模型分析流动人口出行的OD数据。
4.根据权利要求3所述的基于大数据的城市交通模型构建方法,其特征在于,所述利用重力模型分析基于家工作出行、基于家上学出行、基于家其他出行和非基于家出行的OD数据包括:求阻抗矩阵Rij;重力模型标定;创建综合阻抗因子f(Rij)和应用重力模型。
5.根据权利要求1所述的基于大数据的城市交通模型构建方法,其特征在于,所述方式划分包括:步行方式、班车方式和多方式竞争模型,所述步行方式得到步行OD,所述班车方式得到班车OD,所述多方式竞争模型得到非机动车OD、小汽车OD和公共交通OD。
6.根据权利要求5所述的基于大数据的城市交通模型构建方法,其特征在于,所述公共交通OD包括公交OD和轨道OD。
7.根据权利要求5所述的基于大数据的城市交通模型构建方法,其特征在于,所述交通分配阶段包括机动车分配和公共交通分配。
8.根据权利要求7所述的基于大数据的城市交通模型构建方法,其特征在于,班车OD、对外交通OD和小汽车OD都归集到机动车分配内,所述公共交通OD归集到公共交通分配内。
9.根据权利要求8所述的基于大数据的城市交通模型构建方法,其特征在于,所述机动车分配后,将有车家庭个体交通工具出行费用、有车家庭公共交通工具出行费用、无车家庭个体交通工具出行费用和无车家庭公共交通工具出行费用数据迭代回方式划分阶段中去。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051406.8A CN111291321A (zh) | 2020-01-17 | 2020-01-17 | 基于大数据的城市交通模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010051406.8A CN111291321A (zh) | 2020-01-17 | 2020-01-17 | 基于大数据的城市交通模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111291321A true CN111291321A (zh) | 2020-06-16 |
Family
ID=71029056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010051406.8A Pending CN111291321A (zh) | 2020-01-17 | 2020-01-17 | 基于大数据的城市交通模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291321A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111271A (zh) * | 2021-04-20 | 2021-07-13 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN113611105A (zh) * | 2021-07-09 | 2021-11-05 | 东南大学 | 一种城市交通出行需求总量预测方法 |
CN114466313A (zh) * | 2022-01-28 | 2022-05-10 | 同济大学 | 一种基于手机信令数据的城际出行扩样方法 |
CN114694378A (zh) * | 2022-03-21 | 2022-07-01 | 东南大学 | 一种两阶段的交通分布预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
-
2020
- 2020-01-17 CN CN202010051406.8A patent/CN111291321A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876035A (zh) * | 2018-06-01 | 2018-11-23 | 东南大学 | 考虑出行者目的地偏好的交通分布与交通流分配组合模型 |
Non-Patent Citations (5)
Title |
---|
严季,李东根,邵春福: "基于非集计模型的城市铁路线路客流量预测研究" * |
周高卫等: "城市轨道交通客流需求分析模型及计算机仿真" * |
徐建军等: "TrancCAD在交通预测"四阶段法"中的应用" * |
王飞等: "城市轨道交通线网规划的客流预测模型及应用" * |
陈大伟等: "迭代反馈约束下的城市轨道交通客流预测分析" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111271A (zh) * | 2021-04-20 | 2021-07-13 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN113111271B (zh) * | 2021-04-20 | 2023-08-29 | 智慧足迹数据科技有限公司 | 出行od数据扩样方法、装置、计算机设备及存储介质 |
CN113611105A (zh) * | 2021-07-09 | 2021-11-05 | 东南大学 | 一种城市交通出行需求总量预测方法 |
CN114466313A (zh) * | 2022-01-28 | 2022-05-10 | 同济大学 | 一种基于手机信令数据的城际出行扩样方法 |
CN114694378A (zh) * | 2022-03-21 | 2022-07-01 | 东南大学 | 一种两阶段的交通分布预测方法 |
CN114694378B (zh) * | 2022-03-21 | 2023-02-14 | 东南大学 | 一种两阶段的交通分布预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291321A (zh) | 基于大数据的城市交通模型构建方法 | |
DE102013202059B4 (de) | LADEINFRASTRUKTUR FÜR ELEKTROFAHRZEUGE (EVs) MIT OPTIMALER STANDORTWAHL FÜR LADESTATIONEN | |
CN113902011A (zh) | 基于循环神经网络的城市轨道交通短时客流预测方法 | |
CN107919014B (zh) | 面向多载客里程的出租车运行线路优化方法 | |
CN110210664B (zh) | 多个个体车辆使用行为短时预测的深度学习方法 | |
CN105868861A (zh) | 一种基于时空数据融合的公交客流演化分析方法 | |
Čertický et al. | Fully agent-based simulation model of multimodal mobility in European cities | |
CN110956807A (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
Zwick et al. | Impact of service design on urban ridepooling systems | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
Waraich et al. | Modelling parking search behaviour with an agent-based approach | |
CN110210667B (zh) | 基于变尺度地理加权回归模型的o-d时空分布预测方法 | |
El Esawey et al. | Calibration and validation of micro-simulation models of medium-size networks. | |
CN115994787A (zh) | 一种基于神经网络的拼车需求预测匹配方法 | |
Jafari et al. | Activity-based and agent-based Transport model of Melbourne (AToM): an open multi-modal transport simulation model for Greater Melbourne | |
Liu et al. | Coupling travel characteristics identifying and deep learning for demand forecasting on car‐hailing tourists: A case study of Beijing, China | |
Klügl et al. | Agents in traffic and transportation | |
Kamijo et al. | Required simulated population ratios for valid assessment of shared autonomous vehicles’ impact using agent-based models | |
Circella et al. | Travel Demand Modeling Methodology Recommendations for the Link21 Program | |
Huang et al. | Dynamic demand estimation and microscopic traffic simulation of a university campus transportation network | |
Rodier et al. | How Can Automated Vehicles Increase Access to Marginalized Populations and Reduce Congestion, Vehicle Miles Traveled, and Greenhouse Gas Emissions? A Case Study in the City of Los Angeles | |
CN114566037B (zh) | 一种基于多源数据的柔性公交多车型车队配置方法 | |
Bian et al. | Analysis of the Influence of Built Environment on Peak Hour Travel Demand of Youth Group Based on Cell Phone Signaling Data: A Case Study of Shanghai | |
Yu et al. | Modeling tourists’ departure time considering the influence of multisource traffic information | |
CN117494882B (zh) | 基于车辆运行后台数据的城市多场景充电负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |