CN113536499B - 一种港口集疏运规划仿真分析方法及系统 - Google Patents
一种港口集疏运规划仿真分析方法及系统 Download PDFInfo
- Publication number
- CN113536499B CN113536499B CN202110783087.4A CN202110783087A CN113536499B CN 113536499 B CN113536499 B CN 113536499B CN 202110783087 A CN202110783087 A CN 202110783087A CN 113536499 B CN113536499 B CN 113536499B
- Authority
- CN
- China
- Prior art keywords
- traffic
- distribution
- simulation
- port collection
- port
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 191
- 238000004088 simulation Methods 0.000 title claims abstract description 152
- 238000004458 analytical method Methods 0.000 title claims abstract description 77
- 230000006872 improvement Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000002068 genetic effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000013011 mating Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007667 floating Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000007433 macroscopic evaluation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000010587 phase diagram Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007431 microscopic evaluation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种港口集疏运规划仿真分析方法及系统,包括以下步骤:步骤S1、利用TransCAD平台得出所述港口集疏运的未来宏观交通量预测结果;步骤S2、利用TransModeler平台得出所述港口集疏运局部区域的未来微观交通量预测结果;步骤S3、基于所述港口集疏运的未来宏观交通量预测结果和所述港口集疏运局部区域的未来微观交通量预测结果对所述港口集疏运进行定性和定量规划分析及规划改善。本发明利用TransCAD平台中运用OD反推技术对未来年交通需求进行预测,将交通需求预测模型的输出结果作为Trans Modeler平台的输入初始数据进行微观仿真分析,以便利用交通仿真技术对局部关键路口微观交通流分析,提高分析全面性和准确性,操作便利。
Description
技术领域
本发明涉及运输规划技术领域,具体涉及一种港口集疏运规划仿真分析方法及系统。
背景技术
港口是汇集多种运输方式的综合运输枢纽,与港口相衔接的公路、铁路、内河、管道等对外集疏运体系能力及其相互衔接是影响港口整体效率的重要组成部分。虽然近年来港口集疏运体系的建设也取得了长足进步,各种运输方式之间的有效衔接和资源的配置不断完善,但整体上,港口集疏运体系内主要通道能力不足、运输组织不尽合理、港城交通交叉干扰等问题仍较为普遍,逐步成为港口综合运输、港城协调发展的短板,并且随着城市化对港口空间的挤压和海洋、土地、岸线等资源环境约束的不断加剧,集疏运体系建设任务将更为艰巨。
传统港口集疏运规划中侧重于通道线位规划,较少对通道的适应性进行量化分析。同时受制于港口规划和城市规划分属不同的管理部门,规划时缺少对港口交通量与城市交通量的统筹考虑,随着城市向港口聚集,产生了安全、环保等一系列问题。
目前使用TransCAD与TransModeler软件分析港口集疏运通道适应性主要存在以下三个问题:一是现有算法模型难以直接满足港口陆域规划业务场景:TransCAD和TransModeler集成了大量成熟的交通算法模型,但这两块软件的设计背景主要是针对城市交通和公路交通,其中算法模型的参数是否能直接适用于港口规划业务仍需要进行研究。二是现有软件难以应对行业复杂的数据情况。主要体现在不同项目所能获取的资料和数据不同,由于缺乏行业标准,不同港区所能获得的路网图纸、现状交通量、经济人口等数据质量参差不齐,而TransCAD和TransModeler对输入数据质量要求高,需要业务人员进行大量处理工作才能开展后续工作。特别是对于交调站数据、车辆GPS定位数据等处理过程较为复杂的数据,在实际使用过程中也难以直接应用于TransCAD和TransModeler当中。三是现有软件操作复杂,学习使用成本高。TransCAD和TransModeler中包含了地理信息数据处理、表格处理、矩阵处理、制作专题图、空间分析、交通量预测四阶段模型等算法模型。这些功能操作较为复杂,而其中部分功能在港口规划业务中是不会被使用到的,业务人员在使用时通常需要花费大量的时间去进行研究。
发明内容
本发明的目的在于提供一种港口集疏运规划仿真分析方法及系统,以解决现有技术中现有算法模型难以直接满足港口陆域规划业务场景、难以应对行业复杂的数据情况以及现有软件操作复杂,学习使用成本高的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种港口集疏运规划仿真分析方法,包括以下步骤:
步骤S1、利用TransCAD平台对所述港口集疏运进行宏观适应性分析,并得出所述港口集疏运的未来宏观交通量预测结果;
步骤S2、利用TransModeler平台对所述港口集疏运的未来宏观交通量预测结果进行微观交通流仿真,并得出所述港口集疏运局部区域的未来微观交通量预测结果;
步骤S3、基于所述港口集疏运的未来宏观交通量预测结果和所述港口集疏运局部区域的未来微观交通量预测结果对所述港口集疏运进行定性和定量规划分析及规划改善。
作为本发明的一种优选方案,所述步骤S1中,所述宏观适应性分析的方法包括利用静态断面数据进行港口集疏运交通流的现状分析,包括:
步骤S101、基于所述港口集疏运路段的静态断面数据创建路网图层及功能区图层,并为路网图层和功能区图层添加特征属性和种子OD矩阵;
步骤S102、在路网图层设定推算参数,并基于所述推算参数在TransCAD平台对所述OD矩阵进行反推运算得出表征港口现状交通流现状特征的现状OD矩阵;
步骤S103、基于所述现状OD矩阵对所述港口集疏运路段进行交通量分配获得所述港口集疏运路段的现状分配交通量,并将所述港口集疏运路段的现状分配交通量与所述港口集疏运路段的现状断面数据进行指标比对分析得出校验误差;
步骤S104、基于所述校验误差判定现状OD矩阵和所述现状分配交通量是否符合所述港口集疏运路段的交通现状,具体的:
若所述校验误差高于误差阈值,则判定现状OD矩阵和所述现状分配交通量符合所述港口集疏运路段的交通现状,并将所述现状OD矩阵和所述分配交通量作为最优现状OD矩阵和最优现状交通量予以保留;
若所述校验误差低于误差阈值,则判定现状OD矩阵和所述现状分配交通量不符合所述港口集疏运路段的交通现状,并返回至步骤S102。
作为本发明的一种优选方案,所述宏观适应性分析的方法还包括利用浮动观测数据进行港口集疏运交通流的现状分析,包括:
获取所述港口集疏运路段的货车GPS轨迹数据和路网数据,并对所述货车GPS轨迹数据和路网数据进行数据清洗;
设定OD判定规则的判定阈值,并基于所述判定阈值在所述TransCAD平台对所述货车GPS轨迹数据进行统一OD编号;
设定地图属性,并基于所述地图属性在所述TransCAD平台对所述货车GPS轨迹数据进行路段匹配;
设定各类车型与标准车间的转换系数以及统计时间维度,并依据所述转换系数在TransCAD平台对货车GPS轨迹数据进行GPS地图匹配生成的车辆行驶轨迹序列表,再分别统计生成相应时段的各类车型和标准车型的OD统计表和路段交通量统计表分别作为最优现状OD矩阵和最优现状交通量。
作为本发明的一种优选方案,所述步骤S1中,所述港口集疏运的未来宏观交通量预测结果产生的具体方法包括:
交通生成,具体的:
将所述功能区图层、最优现状OD矩阵与所述港口集疏运路网文件进行属性关联,并依据所述功能区图层、最优现状OD矩阵的数据特征选取未来宏观交通量的交通生成预测模型以及标定所述交通生成预测模型的参数;
利用所述交通生成预测模型对所述港口中所有功能区进行未来出行发生和吸引量预测,并根据港口集疏运特点将所述港口分运输方式集疏运量转换为预测交通量,再利用所述预测交通量作为总量控制对所有的功能区的未来出行发生量与吸引量进行平衡直至两者总和相等生成功能区未来出行发生和吸引量表;
交通分布,具体的:基于最优现状OD矩阵、功能区未来出行发生、吸引量表的数据特征选取未来宏观交通量的交通分布预测模型以及标定所述交通分布预测模型的参数;
利用交通分布预测模型进行各功能区之间的出行交换量的预测生成功能区未来出行OD矩阵;
交通分配,具体的:基于所述功能区未来出行OD矩阵、所述功能区图层与所述港口集疏运路网文件的数据特征选取未来宏观交通量的交通分配预测模型以及标定所述交通分配预测模型的参数;
利用所述交通分配预测模型进行所述港口集疏运路网分配交通量的预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告。
作为本发明的一种优选方案,所述步骤S2中,所述微观交通流仿真的具体方法包括:
步骤S201、建立微观交通流仿真的仿真工程和仿真数据库,并基于所述仿真数据库在仿真工程中建立港口集疏运路网模型,其中,所述仿真工程是一个为创建模拟数据库存储线层中特性之间的交叉点的地理位置和属性以及仿真程序运行的工程环境,所述仿真数据库是一个表征一个标准交通网络中的多个物理组成部分的多个对应的层且每一层的属性集作为港口集疏运路网模型输入的地理文件;
步骤S202、基于所述功能区未来出行OD矩阵、港口集疏运路段流量表、车辆出行数据确定交通需求,并基于所述交通需求对所述港口集疏运进行交通控制和管理;
步骤S203、设定港口集疏运路网模型的仿真参数,并基于所述仿真参数利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果。
作为本发明的一种优选方案,所述步骤S202中,所述车辆出行数据包括车辆出行量和车辆出行路径,所述车辆出行数据确定的具体方法包括:
车辆出行量:通过车辆出行列表来获取港口集疏运路网上起迄点之间的交通量。
车辆出行路径:通过路径选择模型基于历史的线路出行时间、更新的线路出行时间和转弯惩罚生成合理的出行路径。
作为本发明的一种优选方案,所述仿真参数选取的具体方法包括:
基于仿真效率效益和规划成本效益构建仿真参数选取的目标函数,并对所述目标函数进行求解获得仿真参数选取的Pareto解集,所述目标函数的计算公式为:
f=min(A*T+B*S);
其中,
A+B=1;
T=N*Δt;
T表征为仿真效率,S表征为规划改造成本,Δt表征为每个仿真参数需要的运算时长,N表征为仿真参数数目,ui表征为港口集疏运每个路段改造成本,m表征为港口集疏运路段总数,A、B表征为权重参数;
线性标定目标函数构建适应度函数,并挑选出所述仿真参数选取的Pareto解集中适应度值最高的参数作为仿真参数,所述适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
作为本发明的一种优选方案,所述目标函数利用遗传算法进行求解,具体包括:
步骤一:设定所述遗传算法的运行参数包括,具体的:
所述种群交配池包含的种群数目为50,遗传算法的交叉概率为0.7,遗传算法的变异概率为0.06,所述迭代遗传的遗传次数为100;
步骤二:对所述仿真参数进行二进制编码初始化多目标遗传算法的种群交配池;
步骤三:对种群交配池进行迭代遗传,并依据适应度函数对种群交配池进行优选更新;
步骤四:若迭代遗传完成,选取种群交配池优选结果作为所述仿真参数选取的Pareto解集,若迭代遗传未完成,返回步骤三。
作为本发明的一种优选方案,所述港口集疏运进行交通控制和管理具体包括:
对交叉口信号灯、定时控制、感应控制、评估需要装信号灯的路口、自动生成定时交通信号设置及配时、圈界表与相组图、用样板简化动态交通控制的系统的设置分别实现预设红绿灯切换时间和根据交通状况设置切换时间、预设连锁控制系统和根据交通状况的连锁控制系统、在特殊情况下关闭一个方向的交通流、根据路口流量优化信号配时的调整操作。
作为本发明的一种优选方案,本发明提供了一种根据所述的港口集疏运规划仿真分析方法的分析系统,其特征在于,包括:数据操作模块、地图编辑模块、现状分析模块、宏观评估模块、微观仿真模块以及成果展示模块;
所述数据操作模块,用于采集和预处理导入到所述TransCAD平台和TransModeler平台的各项数据;
所述地图编辑模块,用于编辑、处理港口集疏运路网数据以实现对港口集疏运路网的调整;
所述现状分析模块,用于分析港口集疏运路段的交通现状特征生成最优现状OD矩阵和最优现状交通量;
所述宏观评估模块,用于对所述港口集疏运路网分配交通量进行预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告;
所述微观仿真模块,用于利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果;
所述成果展示模块,用于展示宏观交通量预测和微观交通流仿真的结果。
本发明与现有技术相比较具有如下有益效果:
本发明利用TransCAD平台中运用OD反推技术对未来年交通需求进行预测,将交通需求预测模型的输出结果作为Trans Modeler平台的输入初始数据进行微观仿真分析,以便利用交通仿真技术对局部关键路口微观交通流分析,将TransCAD和TransModeler平台进行组合在交通规划分析中准确掌握港口集疏运路网的宏观交通流和局部路口的微观交通流的适应性分析,从定性和定量的角度对影响结果提出可能的改善建议以及方案,规避单一使用宏观或微观分析的片面性,提高分析全面性和准确性,操作便利。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的港口集疏运规划仿真分析方法流程图;
图2为本发明实施例提供的基于静态断面数据港口集疏运交通流的现状分析流程图;
图3为本发明实施例提供的静态断面数据示意图;
图4为本发明实施例提供的基于静态断面数据的最优现状OD矩阵示意图;
图5为本发明实施例提供的基于静态断面数据的最优现状交通量示意图;
图6为本发明实施例提供的基于浮动观测数据进行港口集疏运交通流的现状分析流程图;
图7为本发明实施例提供的货车GPS轨迹数据示意图;
图8为本发明实施例提供的基于浮动观测数据的最优现状OD矩阵示意图;
图9为本发明实施例提供的港口集疏运路段流量表示意图;
图10为本发明实施例提供的港口集疏运路网适应性分析报告示意图;
图11为本发明实施例提供的微观交通流仿真流程图;
图12为本发明实施例提供的分析系统结构框图。
图中的标号分别表示如下:
1-数据操作模块;2-地图编辑模块;3-现状分析模块;4-宏观评估模块;5-微观仿真模块;6-成果展示模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-12所示,本发明提供了一种港口集疏运规划仿真分析方法,包括以下步骤:
如图2所示,步骤S1、利用TransCAD平台对港口集疏运进行宏观适应性分析,并得出港口集疏运的未来宏观交通量预测结果;
步骤S1中,宏观适应性分析的方法包括利用静态断面数据进行港口集疏运交通流的现状分析,包括:
步骤S101、基于港口集疏运路段的静态断面数据创建路网图层及功能区图层,并为路网图层和功能区图层添加特征属性和种子OD矩阵;
具体的,为路网层配置好路段属性表,如为各路段添加双向流量、双向通行能力、双向行驶时间等必备属性及对应值,其中路段流量值即来源于断面观测数据;针对功能区图层,通过外部导入或者直接输入的方式建立种子OD矩阵(先验矩阵)。
步骤S102、在路网图层设定推算参数,并基于推算参数在TransCAD平台对OD矩阵进行反推运算得出表征港口现状交通流现状特征的现状OD矩阵;
在路网图层点击“OD矩阵推算”按键,在弹出的对话框中为反推过程设置好诸多参数(反推模型、种子矩阵、路段行驶耗费时间、路段通行能力、路段流量、计算迭代次数、收敛误差等),并确定好输出内容及形式,随后点击对话框中“设置完成并保存”按钮,系统开始进行OD反推计算,并在计算结束后生成当前设置条件下现状OD矩阵。
步骤S103、基于现状OD矩阵对港口集疏运路段进行交通量分配获得港口集疏运路段的现状分配交通量,并将港口集疏运路段的现状分配交通量与港口集疏运路段的现状断面数据进行指标比对分析得出校验误差;
具体的,将港口集疏运路段的现状分配交通量与港口集疏运路段的现状断面数据进行标准差、流量比例等多指标对比分析,确定二者的误差作为校验误差。
步骤S104、基于校验误差判定现状OD矩阵和现状分配交通量是否符合港口集疏运路段的交通现状,具体的:
若校验误差高于误差阈值,则判定现状OD矩阵和现状分配交通量符合港口集疏运路段的交通现状,并将现状OD矩阵和分配交通量作为最优现状OD矩阵和最优现状交通量予以保留;
若校验误差低于误差阈值,则判定现状OD矩阵和现状分配交通量不符合港口集疏运路段的交通现状,并返回至步骤S102。
误差阈值依据实际需要进行预先设定。
如图3-5所示,本实施例提供了一种基于港口集疏运路段的静态断面数据获得最优现状OD矩阵和最优现状交通量的实例。
上述步骤是依据港口集疏运路段的静态断面数据进行宏观适应度分析,还可利用车辆的浮动观测数据进行宏观适应度分析,具体如下:
如图6所示,宏观适应性分析的方法还包括利用浮动观测数据进行港口集疏运交通流的现状分析,包括:
获取港口集疏运路段的货车GPS轨迹数据和路网数据,并对货车GPS轨迹数据和路网数据进行数据清洗;
具体的,选择TransCAD平台菜单栏中“货车GPS交通量转换”功能,在弹出的对话框中,分别选择好必须要输入的货车GPS轨迹数据文件(格式限定如csv、xls、xlsx)的本机路径、路网线型坐标数据文件(格式限定如csv、xls、xlsx、shp)的本机路径;同时还可选择性输入路网对应的区域信息、区域内分区或POI等文件;针对路网线型坐标数据可以勾选“网格化信息处理”中的一个或多个需要的属性字段(如默认勾选好的网格内道路信息、可选的网格所属区域信息等),确认无误后根据对话框导引进入下一步操作。
对导入的货车GPS轨迹数据提供简单的在线清洗处理选项,如异常值缺失值剔除、字段过滤、排序、数据下采样等简捷筛选过滤功能,与业务相关的数据清洗要求因问题而异,相关过程需在第1步数据导入之前由业务人员完成;在没有任何清洗需求的情况下,可直接选择跳过在线清洗部分,进入下面的操作。
设定OD判定规则的判定阈值,并基于判定阈值在TransCAD平台对货车GPS轨迹数据进行统一OD编号;
在对话框中勾选(单选或同时多选)OD判定规则(如时间规则—静止时长阈值、距离规则—设定时长内移动距离阈值、区域规则—某区域内持续活动时长阈值等)并设置好相应阈值参数,以此来界定“如何认为某车辆完成一次出行”,并为货车GPS轨迹数据全表进行统一的OD编号,待系统提示“OD出行生成已完成”后,进入下一步操作。
设定地图属性,并基于地图属性在TransCAD平台对货车GPS轨迹数据进行路段匹配;
在对话框中勾选(单选或同时多选)需要为货车GPS轨迹数据增加的地图属性信息(如路段编号、路段线形坐标、功能区、功能区等);勾选完成后点击“启动地图匹配”开始GPS匹配到路段的计算,待系统提示“地图匹配已完成”后,进入下一步操作。
设定各类车型与标准车间的转换系数以及统计时间维度,并依据转换系数在TransCAD平台对货车GPS轨迹数据进行GPS地图匹配生成的车辆行驶轨迹序列表,再分别统计生成相应时段的各类车型和标准车型的OD统计表和路段交通量统计表分别作为最优现状OD矩阵和最优现状交通量。
在对话框中输入各类车型与标准车间的转换系数、统计时间维度等信息;依据各转换系数,系统基于GPS地图匹配生成的车辆行驶轨迹序列表,分别统计生成相应时段的各类车型和标准车型的OD统计表和路段交通量统计表,并可选择保存至本地。
如图7和8所示,本实施例提供了一种基于港口集疏运路段的货车GPS轨迹数据获得最优现状OD矩阵和最优现状交通量的实例。
步骤S1中,港口集疏运的未来宏观交通量预测结果产生的具体方法包括:
预测未来宏观交通量用于实现对港口集疏运方案的适应性进行评估。主要是根据港口吞吐量和分运输方式集疏运量预测结果,通过交通网络配流预测道路交通量,从而实现合理规划配置港口集疏运路网,最大程度上提升港口集散能力和货物运输效率,具体如下三个阶段功能。
交通生成,具体的:
将功能区图层、最优现状OD矩阵与港口集疏运路网文件进行属性关联,并依据功能区图层、最优现状OD矩阵的数据特征选取未来宏观交通量的交通生成预测模型以及标定交通生成预测模型的参数;
利用交通生成预测模型对港口中所有功能区进行未来出行发生和吸引量预测,并根据港口集疏运特点将港口分运输方式集疏运量转换为预测交通量,再利用预测交通量作为总量控制对所有的功能区的未来出行发生量与吸引量进行平衡直至两者总和相等生成功能区未来出行发生和吸引量表,反映了各个功能区的出行总体水平;
在TransCAD平台中实际操作时:
输入:①基于功能区的现状年出行产生量和吸引量数据;②港口后方城市区域现状年出行产生量和吸引量数据;③城市区域现状及规划年社会经济活动变量,如国民生产总值、人口等,可根据实际数据情况进行调整;
输出:港口集疏运各功能区的未来出行产生量与吸引量、发生与吸引量的展示图例。
对于交通规划决策来说,仅有上述未来出行产生量与吸引量数据是不够的,需要进一步分析各功能区之间的出行交换量,即出行分布量。
交通分布,具体的:
基于最优现状OD矩阵、功能区未来出行发生、吸引量表的数据特征选取未来宏观交通量的交通分布预测模型以及标定交通分布预测模型的参数;
利用交通分布预测模型进行各功能区之间的出行交换量的预测生成功能区未来出行OD矩阵;
在TransCAD平台中实际操作时:
模型选择:出行分析常用的模型有两种,一是增长系数法,二是重力模型法,可根据要求对模型进行选择。
输入:增长系数法——现状年出行OD矩阵和预测年出行发生、吸引量表;重力模型法——功能区地理文件、预测年的出行发生量和吸引量表、现状出分布矩阵,该矩阵的行列索引要与功能区编号相同、现状功能区间阻抗矩阵、现状功能区间阻抗矩阵、预测年出行产生量和吸引量、重力模型阻抗函数的参数。
输出:功能区未来出行OD矩阵。
交通分配,具体的:
基于功能区未来出行OD矩阵、功能区图层与港口集疏运路网文件的数据特征选取未来宏观交通量的交通分配预测模型以及标定交通分配预测模型的参数;
利用交通分配预测模型进行港口集疏运路网分配交通量的预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告。
如图9和10所示,在TransCAD平台中实际操作时:
输入:出行分布矩阵、交通网络地理文件、功能区图层;
输出:路段流量表、路网流量展示图、流量报告。
结合港口集疏运公路通道的特点,标定仿真参数、制定管理和控制政策,评估仿真功能将交通流的状况、信号控制的运作以及道路网络的综合性能通过仿真的方式直观的表现出来。适用于对局部路段、交叉口的微观交通流特征,在二维、三维地理信息系统环境中的仿真。
通过仿真进行交通影响分析,可以得到路段行程时间、交叉口延误、排队长度、单个车道最大排队车辆数等指标作为未来微观交通量预测结果,可进行各种改善方案的制定,然后对这些改造方案进行评价,以判断各种方法对于路网、交叉口的改善效果,最终辅助制定对港口规划现状进行改进的规划方案,提高港口集疏运的交通便利及合理性,具体如下:
步骤S2、利用TransModeler平台对港口集疏运的未来宏观交通量预测结果进行微观交通流仿真,并得出港口集疏运局部区域的未来微观交通量预测结果;
如图11所示,步骤S2中,微观交通流仿真的具体方法包括:
步骤S201、建立微观交通流仿真的仿真工程和仿真数据库,并基于仿真数据库在仿真工程中建立港口集疏运路网模型,其中,仿真工程是一个为创建模拟数据库存储线层中特性之间的交叉点的地理位置和属性以及仿真程序运行的工程环境,仿真数据库是一个表征一个标准交通网络中的多个物理组成部分的多个对应的层且每一层的属性集作为港口集疏运路网模型输入的地理文件;
步骤S202、基于功能区未来出行OD矩阵、港口集疏运路段流量表、车辆出行数据确定交通需求,并基于交通需求对港口集疏运进行交通控制和管理;
交通需求是仿真过程中最重要的要素之一。在微观仿真软件中定义交通需求不仅需要模拟的车辆出行量,还需要确定车辆选择的出行路径。可通过车辆出行(VehicleTrips)、车辆路径(Vehicle Trips)、交通分配(Traffic Assignment)、OD矩阵反推(O-DMatrix Estimation)几个方式来设定交通需求。交通需求的时空分布必须合理,才能从仿真中得到有用的见解,模型的预测值取决于模型输入的准确性,因此基于功能区未来出行OD矩阵、港口集疏运路段流量表、车辆出行数据确定交通需求合理度高,最终使得模型预测精度高。
步骤S203、设定港口集疏运路网模型的仿真参数,并基于仿真参数利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果。
实现对仿真模型的参数配置,包括:工程属性、仿真属性、车辆属性、车辆驾驶特性参数等参数的设定。
(1)对工程参数进行设置,根据港口集疏运道路仿真业务需求,设定默认参数,支持对参数进行修改。输出仿真模型参数,分为综合设置、路网设置、输入设置、输出设置、路径选择、公交交通、参数设置、仿真选项。
(2)仿真属性:用于设置仿真模式、仿真信息更新间隔、主题更新间隔等参数的设置
(3)车辆属性:车辆类参数描述了网络中交通的基本构成。包括车辆名字、车辆的大小、外观、类别、属性和所占的百分比。当模拟运行没有显式定义车辆类的输入交通需求时(通常是这种情况),TransModeler将根据这些参数中指定的车队百分比随机绘制车辆的类。这个分布决定了默认的车队组合。
(4)车辆驾驶特性:给定路径中车辆在起点和终点之间的运动由驾驶员行为模型控制。在微观模拟模型中,驾驶员行为模型控制着驾驶员对当地情况的反应,包括周围的交通、信号、标志和事件。这些驾驶员行为模型用于模拟驾驶员的加速、变道、接受间隙、合并以及对交通控制的反应等行为。
由上述多个仿真参数可见,仿真参数会对仿真结果造成极大的影响,因此需要对仿真参数进行合理选取,从而使得仿真效果最佳。
具体的,仿真参数选取的具体方法包括:
基于仿真效率效益和规划成本效益构建仿真参数选取的目标函数,并对目标函数进行求解获得仿真参数选取的Pareto解集,目标函数的计算公式为:
f=min(A*T+B*S);
其中,
A+B=1;
T=N*Δt;
T表征为仿真效率,S表征为规划改造成本,Δt表征为每个仿真参数需要的运算时长,N表征为仿真参数数目,ui表征为港口集疏运每个路段改造成本,m表征为港口集疏运路段总数,A、B表征为权重参数;
利用仿真效率和规划改造成本对仿真效果进行数学量化,其中仿真效率与仿真参数的数目成正比关系,因此仿真参数选取的数量越多则仿真效率越低,同时仿真获得的对港口集疏运路段的评价指标越精准,则意味着港口集疏运路段规划方案的改造部分越多成本越高,可见T和S存在反比例互斥关系,即T越高,S越低;T越低,S越高,因此将二者作为选取仿真参数的评价指标进行权重组合生成目标函数,做到对二者的权衡,从而保障选取的仿真参数能够在二者指标上进行折衷满足,避免选取的片面性,最终保障选取的仿真参数获得较好的仿真结果。
线性标定目标函数构建适应度函数,并挑选出仿真参数选取的Pareto解集中适应度值最高的参数作为仿真参数,适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
扰动常数的设定可以增加多目标遗传算法的种群多样性,最终实现调节优化Pareto解集中解的多样性,避免早熟收敛。
适应度值反应了个体对环境的适应能力强弱,因此可以构建适应度函数来衡量个体的优劣,而且适应度函数可以在不利用外部信息的情况下,作为是多目标遗传算法挑选优秀个体的唯一依据,它由优化问题中目标函数映射而来,在本实施例的多目标优化问题中反映了仿真参数选取的Pareto解集中解的优劣,适应度值越高,则解越优。在遗传算法智能搜索过程中,通过适应度值的比较排序操作可以实现最优解的寻优功能,在设定时为方便规定适应度值总是非负的,如此在选择中可以直观的选取个体适应度值在数值上更大的个体,所以再适应度函数是需要遵循最大值形式且函数值非负的规则,并保持低复杂度
目标函数利用遗传算法进行求解,具体包括:
步骤一:设定遗传算法的运行参数包括,具体的:
种群交配池包含的种群数目为50,遗传算法的交叉概率为0.7,遗传算法的变异概率为0.06,迭代遗传的遗传次数为100;
上述指标可根据实际情况进行调整。
步骤二:对仿真参数进行二进制编码初始化多目标遗传算法的种群交配池;
步骤三:对种群交配池进行迭代遗传,并依据适应度函数对种群交配池进行优选更新;
步骤四:若迭代遗传完成,选取种群交配池优选结果作为仿真参数选取的Pareto解集,若迭代遗传未完成,返回步骤三。
步骤S202中,车辆出行数据包括车辆出行量和车辆出行路径,车辆出行数据确定的具体方法包括:
车辆出行量:通过车辆出行列表来获取港口集疏运路网上起迄点之间的交通量。
车辆出行路径:通过路径选择模型基于历史的线路出行时间、更新的线路出行时间和转弯惩罚生成合理的出行路径。
港口集疏运进行交通控制和管理具体包括:
对交叉口信号灯、定时控制、感应控制、评估需要装信号灯的路口、自动生成定时交通信号设置及配时、圈界表与相组图、用样板简化动态交通控制的系统的设置分别实现预设红绿灯切换时间和根据交通状况设置切换时间、预设连锁控制系统和根据交通状况的连锁控制系统、在特殊情况下关闭一个方向的交通流、根据路口流量优化信号配时的调整操作。
步骤S3、基于港口集疏运的未来宏观交通量预测结果和港口集疏运局部区域的未来微观交通量预测结果对港口集疏运进行定性和定量规划分析及规划改善。
通过仿真进行交通流分析,可以得到路段行程时间、交叉口延误、排队长度、单个车道最大排队车辆数等指标,为不同方案的实施提供必要的评价指标。另一方面,可以充分考虑在相同的交通条件下采用不同的交通管制措施进行仿真,以判断各种方法对于路网、交叉口的改善效果,以效果最佳的改善方案进行现有规划的改进。
如图12所示,本发明提供了一种根据的港口集疏运规划仿真分析方法的分析系统,其特征在于,包括:数据操作模块1、地图编辑模块2、现状分析模块3、宏观评估模块4、微观仿真模块5以及成果展示模块6;
数据操作模块1,用于采集和预处理导入到TransCAD平台和TransModeler平台的各项数据;
地图编辑模块2,用于编辑、处理港口集疏运路网数据以实现对港口集疏运路网的调整;
现状分析模块3,用于分析港口集疏运路段的交通现状特征生成最优现状OD矩阵和最优现状交通量;
宏观评估模块4,用于对港口集疏运路网分配交通量进行预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告;
微观仿真模块5,用于利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果;
成果展示模块6,用于展示宏观交通量预测和微观交通流仿真的结果。
本发明利用TransCAD平台中运用OD反推技术对未来年交通需求进行预测,将交通需求预测模型的输出结果作为Trans Modeler平台的输入初始数据进行微观仿真分析,以便利用交通仿真技术对局部关键路口微观交通流分析,将TransCAD和TransModeler平台进行组合在交通规划分析中准确掌握港口集疏运路网的宏观交通流和局部路口的微观交通流的适应性分析,从定性和定量的角度对影响结果提出可能的改善建议以及方案,规避单一使用宏观或微观分析的片面性,提高分析全面性和准确性,操作便利。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (8)
1.一种港口集疏运规划仿真分析方法,其特征在于,包括以下步骤:
步骤S1、利用TransCAD平台对所述港口集疏运进行宏观适应性分析,并得出所述港口集疏运的未来宏观交通量预测结果;
步骤S2、利用TransModeler平台对所述港口集疏运的未来宏观交通量预测结果进行微观交通流仿真,并得出所述港口集疏运局部区域的未来微观交通量预测结果;
步骤S3、基于所述港口集疏运的未来宏观交通量预测结果和所述港口集疏运局部区域的未来微观交通量预测结果对所述港口集疏运进行定性和定量规划分析及规划改善;
所述步骤S2中,所述微观交通流仿真的具体方法包括:
步骤S201、建立微观交通流仿真的仿真工程和仿真数据库,并基于所述仿真数据库在仿真工程中建立港口集疏运路网模型,其中,所述仿真工程是一个为创建模拟数据库存储线层中特性之间的交叉点的地理位置和属性以及仿真程序运行的工程环境,所述仿真数据库是一个表征一个标准交通网络中的多个物理组成部分的多个对应的层且每一层的属性集作为港口集疏运路网模型输入的地理文件;
步骤S202、基于功能区未来出行OD矩阵、港口集疏运路段流量表、车辆出行数据确定交通需求,并基于所述交通需求对所述港口集疏运进行交通控制和管理;
步骤S203、设定港口集疏运路网模型的仿真参数,并基于所述仿真参数利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果;
所述仿真参数选取的具体方法包括:
基于仿真效率效益和规划成本效益构建仿真参数选取的目标函数,并对所述目标函数进行求解获得仿真参数选取的Pareto解集,所述目标函数的计算公式为:
f=min(A*T+B*S);
其中,
A+B=1;
T=N*Δt;
T表征为仿真效率,S表征为规划改造成本,Δt表征为每个仿真参数需要的运算时长,N表征为仿真参数数目,ui表征为港口集疏运每个路段改造成本,m表征为港口集疏运路段总数,A、B表征为权重参数;
线性标定目标函数构建适应度函数,并挑选出所述仿真参数选取的Pareto解集中适应度值最高的参数作为仿真参数,所述适应度函数的计算公式为:
F=-f+γ,γ∈(0,0.1);
其中,f为目标函数,γ为扰动常数。
2.根据权利要求1所述的一种港口集疏运规划仿真分析方法,其特征在于:所述步骤S1中,所述宏观适应性分析的方法包括利用静态断面数据进行港口集疏运交通流的现状分析,包括:
步骤S101、基于所述港口集疏运路段的静态断面数据创建路网图层及功能区图层,并为路网图层和功能区图层添加特征属性和种子OD矩阵;
步骤S102、在路网图层设定推算参数,并基于所述推算参数在TransCAD平台对所述OD矩阵进行反推运算得出表征港口现状交通流现状特征的现状OD矩阵;
步骤S103、基于所述现状OD矩阵对所述港口集疏运路段进行交通量分配获得所述港口集疏运路段的现状分配交通量,并将所述港口集疏运路段的现状分配交通量与所述港口集疏运路段的现状断面数据进行指标比对分析得出校验误差;
步骤S104、基于所述校验误差判定现状OD矩阵和所述现状分配交通量是否符合所述港口集疏运路段的交通现状,具体的:
若所述校验误差低于误差阈值,则判定现状OD矩阵和所述现状分配交通量符合所述港口集疏运路段的交通现状,并将所述现状OD矩阵和所述分配交通量作为最优现状OD矩阵和最优现状交通量予以保留;
若所述校验误差高于误差阈值,则判定现状OD矩阵和所述现状分配交通量不符合所述港口集疏运路段的交通现状,并返回至步骤S102。
3.根据权利要求2所述的一种港口集疏运规划仿真分析方法,其特征在于:所述宏观适应性分析的方法还包括利用浮动观测数据进行港口集疏运交通流的现状分析,包括:
获取所述港口集疏运路段的货车GPS轨迹数据和路网数据,并对所述货车GPS轨迹数据和路网数据进行数据清洗;
设定OD判定规则的判定阈值,并基于所述判定阈值在所述TransCAD平台对所述货车GPS轨迹数据进行统一OD编号;
设定地图属性,并基于所述地图属性在所述TransCAD平台对所述货车GPS轨迹数据进行路段匹配;
设定各类车型与标准车型的转换系数以及统计时间维度,并依据所述转换系数在TransCAD平台对货车GPS轨迹数据进行GPS地图匹配生成的车辆行驶轨迹序列表,再分别统计生成相应时段的各类车型和标准车型的OD统计表和路段交通量统计表分别作为最优现状OD矩阵和最优现状交通量。
4.根据权利要求3所述的一种港口集疏运规划仿真分析方法,其特征在于:所述步骤S1中,所述港口集疏运的未来宏观交通量预测结果产生的具体方法包括:
交通生成,具体的:
将所述功能区图层、最优现状OD矩阵与所述港口集疏运路网文件进行属性关联,并依据所述功能区图层、最优现状OD矩阵的数据特征选取未来宏观交通量的交通生成预测模型以及标定所述交通生成预测模型的参数;
利用所述交通生成预测模型对所述港口中所有功能区进行未来出行发生和吸引量预测,并根据港口集疏运特点将所述港口分运输方式集疏运量转换为预测交通量,再利用所述预测交通量作为总量控制对所有的功能区的未来出行发生量与吸引量进行平衡直至两者总和相等生成功能区未来出行发生和吸引量表;
交通分布,具体的:基于最优现状OD矩阵、功能区未来出行发生、吸引量表的数据特征选取未来宏观交通量的交通分布预测模型以及标定所述交通分布预测模型的参数;
利用交通分布预测模型进行各功能区之间的出行交换量的预测生成功能区未来出行OD矩阵;
交通分配,具体的:基于所述功能区未来出行OD矩阵、所述功能区图层与所述港口集疏运路网文件的数据特征选取未来宏观交通量的交通分配预测模型以及标定所述交通分配预测模型的参数;
利用所述交通分配预测模型进行所述港口集疏运路网分配交通量的预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告。
5.根据权利要求1所述的一种港口集疏运规划仿真分析方法,其特征在于,所述步骤S202中,所述车辆出行数据包括车辆出行量和车辆出行路径,所述车辆出行数据确定的具体方法包括:
车辆出行量:通过车辆出行列表来获取港口集疏运路网上起迄点之间的交通量;
车辆出行路径:通过路径选择模型基于历史的线路出行时间、更新的线路出行时间和转弯惩罚生成合理的出行路径。
6.根据权利要求1所述的一种港口集疏运规划仿真分析方法,其特征在于,所述目标函数利用遗传算法进行求解,具体包括:
步骤一:设定所述遗传算法的运行参数包括,具体的:
种群交配池包含的种群数目为50,遗传算法的交叉概率为0.7,遗传算法的变异概率为0.06,迭代遗传的遗传次数为100;
步骤二:对所述仿真参数进行二进制编码初始化多目标遗传算法的种群交配池;
步骤三:对种群交配池进行迭代遗传,并依据适应度函数对种群交配池进行优选更新;
步骤四:若迭代遗传完成,选取种群交配池优选结果作为所述仿真参数选取的Pareto解集,若迭代遗传未完成,返回步骤三。
7.根据权利要求1所述的一种港口集疏运规划仿真分析方法,其特征在于,所述港口集疏运进行交通控制和管理具体包括:
对交叉口信号灯、定时控制、感应控制、评估需要装信号灯的路口、自动生成定时交通信号设置及配时、圈界表与相组图、用样板简化动态交通控制的系统的设置分别实现预设红绿灯切换时间和根据交通状况设置切换时间、预设连锁控制系统和根据交通状况的连锁控制系统、在特殊情况下关闭一个方向的交通流、根据路口流量优化信号配时的调整操作。
8.一种根据权利要求1-7任一项所述的港口集疏运规划仿真分析方法的分析系统,其特征在于,包括:数据操作模块(1)、地图编辑模块(2)、现状分析模块(3)、宏观评估模块(4)、微观仿真模块(5)以及成果展示模块(6);
所述数据操作模块(1),用于采集和预处理导入到所述TransCAD平台和TransModeler平台的各项数据;
所述地图编辑模块(2),用于编辑、处理港口集疏运路网数据以实现对港口集疏运路网的调整;
所述现状分析模块(3),用于分析港口集疏运路段的交通现状特征生成最优现状OD矩阵和最优现状交通量;
所述宏观评估模块(4),用于对所述港口集疏运路网分配交通量进行预测生成港口集疏运路网流量表、港口集疏运路段流量表及港口集疏运路网适应性分析报告;
所述微观仿真模块(5),用于利用港口集疏运路网模型执行微观交通流仿真过程生成微观交通流的仿真结果;
所述成果展示模块(6),用于展示宏观交通量预测和微观交通流仿真的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783087.4A CN113536499B (zh) | 2021-07-12 | 2021-07-12 | 一种港口集疏运规划仿真分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783087.4A CN113536499B (zh) | 2021-07-12 | 2021-07-12 | 一种港口集疏运规划仿真分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536499A CN113536499A (zh) | 2021-10-22 |
CN113536499B true CN113536499B (zh) | 2022-06-03 |
Family
ID=78127385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783087.4A Active CN113536499B (zh) | 2021-07-12 | 2021-07-12 | 一种港口集疏运规划仿真分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536499B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103606267A (zh) * | 2013-11-20 | 2014-02-26 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109615208A (zh) * | 2018-12-05 | 2019-04-12 | 广州市交通规划研究院 | 一种解决城市道路交通拥堵问题的方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104575036B (zh) * | 2015-01-28 | 2017-01-04 | 重庆云途交通科技有限公司 | 基于动态od流量预测与仿真优化的区域信号控制方法 |
CN104866654B (zh) * | 2015-05-06 | 2017-10-13 | 广州市交通规划研究院 | 一种一体化城市动态交通仿真平台的构建方法 |
CN108986459B (zh) * | 2018-07-06 | 2020-12-22 | 华南理工大学 | 一种基于预约通行的高速公路拥挤疏导方法 |
-
2021
- 2021-07-12 CN CN202110783087.4A patent/CN113536499B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015015235A1 (en) * | 2013-07-29 | 2015-02-05 | Ren Jinxiang | Dynamic travel guidance system for motorists |
CN103606267A (zh) * | 2013-11-20 | 2014-02-26 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
CN108763776A (zh) * | 2018-05-30 | 2018-11-06 | 苏州大学 | 一种城市快速路网时变交通状态仿真方法及装置 |
CN109615208A (zh) * | 2018-12-05 | 2019-04-12 | 广州市交通规划研究院 | 一种解决城市道路交通拥堵问题的方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
Non-Patent Citations (6)
Title |
---|
Application of metaheuristics for signal optimisation in transportation networks: A comprehensive survey;ShahinJalili et al.;《Swarm and Evolutionary Computation》;20210330;第63卷;全文 * |
TransCAD平台下OD矩阵反推结果对比研究;韦献兰等;《公路》;20070630(第6期);第122-128页 * |
城市路网车辆出行轨迹调查分析系统;王龙飞等;《计算机系统应用》;20111231;第20卷(第12期);第16-20页 * |
基于TransCAD与TransModeler的交通影响分析方法;赵明翠等;《科学技术与工程》;20100930;第10卷(第27期);第6689-6706页 * |
基于TransModeler 的港口道路交通仿真研究;代茂华等;《天津建设科技》;20081231;第18卷(第6期);第44-46页 * |
基于交通模型的城市空间发展情景研究――以杭州市主城区为例;邢忠等;《西部人居环境学刊》;20160113;第31卷(第1期);第75-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536499A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
Meng et al. | Intermodal hub-and-spoke network design: incorporating multiple stakeholders and multi-type containers | |
CN101436345B (zh) | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 | |
Ye et al. | Measuring urban maturation processes in Dutch and Chinese new towns: Combining street network configuration with building density and degree of land use diversification through GIS | |
Mahmoudi et al. | A hybrid egalitarian bargaining game-DEA and sustainable network design approach for evaluating, selecting and scheduling urban road construction projects | |
CN101295326B (zh) | 应用gps数据生成od矩阵的交通仿真的方法 | |
CN101794507A (zh) | 基于浮动车数据的宏观路网交通状态评价方法 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
Algharib | Distance and coverage: an assessment of location-allocation models for fire stations in Kuwait City, Kuwait | |
CN110459056A (zh) | 一种基于lstm神经网络的公交到站时间预测方法 | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
Çekmiş et al. | A computational model for accommodating spatial uncertainty: Predicting inhabitation patterns in open-planned spaces | |
Madadi et al. | Multi-stage optimal design of road networks for automated vehicles with elastic multi-class demand | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
Yang et al. | Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques | |
Wang et al. | Improved hybrid fuzzy logic system for evaluating sustainable transportation systems in smart cities | |
CN113536499B (zh) | 一种港口集疏运规划仿真分析方法及系统 | |
CN116612633A (zh) | 一种基于车路协同感知下的自适应动态路径规划方法 | |
CN110674990A (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
CN115049158A (zh) | 城市系统运行状态的预测方法、系统、存储介质及终端 | |
CN109741597A (zh) | 一种基于改进深度森林的公交车路段运行时间预测方法 | |
CN115146840A (zh) | 一种基于数据驱动的轨道交通新线接入客流预测方法 | |
CN113554221A (zh) | 一种“流空间”视角下的城镇开发边界模拟预测方法 | |
Shao | A more realistic simulation of pedestrian based on cellular automata |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |