WO2020151294A1 - 改进的行程时间可靠性分析方法 - Google Patents

改进的行程时间可靠性分析方法 Download PDF

Info

Publication number
WO2020151294A1
WO2020151294A1 PCT/CN2019/115054 CN2019115054W WO2020151294A1 WO 2020151294 A1 WO2020151294 A1 WO 2020151294A1 CN 2019115054 W CN2019115054 W CN 2019115054W WO 2020151294 A1 WO2020151294 A1 WO 2020151294A1
Authority
WO
WIPO (PCT)
Prior art keywords
travel time
ttr
estimation
interval
test
Prior art date
Application number
PCT/CN2019/115054
Other languages
English (en)
French (fr)
Inventor
吕伟韬
杨树
陈凝
李璐
Original Assignee
江苏智通交通科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 江苏智通交通科技有限公司 filed Critical 江苏智通交通科技有限公司
Publication of WO2020151294A1 publication Critical patent/WO2020151294A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Definitions

  • the invention relates to an improved travel time reliability analysis method.
  • Travel time is widely used to evaluate the efficiency of expressways, urban roads and residents. In the past two decades, many mathematical models have been used to improve the accuracy of travel time. But travel time cannot accurately describe the characteristics of residents' travel and road traffic. Travel time reliability is proposed as a supplement to travel time. It plays an important role in assisting the public's travel, transportation planning, management and control decision-making, and is mainly manifested in: (1) Important indicators serving travelers' travel mode and travel route selection; (2) It can be used as a road grade management index; (3) As a reference index for macro-regional traffic planning.
  • travel time reliability indicators are mainly based on average travel time and percentile travel time (such as 90% or 95% travel time, buffer time index, planning time index). These indicators are based on time. Easy to understand and use by travelers.
  • the main method of travel time reliability estimation is point estimation of reliability index. However, considering the current technical means and coverage of traffic data collection, it is difficult to obtain the true value data of travel time, which brings about the problem of accuracy evaluation of travel time reliability estimation.
  • the purpose of the present invention is to provide an improved travel time reliability analysis method to solve the problem of how to evaluate the accuracy of travel time reliability estimation because it is difficult to obtain true travel time data in the prior art. .
  • An improved travel time reliability analysis method including the following steps,
  • TT agg (t ⁇ ) F(TT t1 ,...,TT ti ,...,TT tN ), where F (*) is the median function, TT agg (t ⁇ ) is the aggregate value of the travel time, and TT ti is the travel time of the vehicle that leaves at the time ti;
  • TTR TTR mean And standard deviation SE
  • the travel time reliability index includes standard deviation SD, covariance COV, buffer time index BI, and planning time index PI.
  • step S6 the testing method for testing whether the TTR conforms to the normal distribution adopts Q-Q graph method, K-S test, and Shapiro-Wilk test.
  • the point estimate includes the mean value of TTR And standard deviation SE(TTR).
  • the interval estimator includes a standard error interval, a percentile interval, and an improved percentile interval, specifically,
  • Percentile interval PC [TTR ( ⁇ /2) ,TTR (1- ⁇ /2) ], where TTR ( ⁇ ) is the ⁇ quantile;
  • ⁇ (*) is the cumulative distribution function of the standard normal distribution
  • ⁇ -1 (*) is the inverse function of the cumulative distribution function of the standard normal distribution
  • num(*) represents the sample size that meets the conditions.
  • This improved travel time reliability analysis method is different from the traditional single estimated value of reliability index.
  • the reliability analysis method of the present invention outputs a reliability index estimation interval, which is compared with the estimated value of reliability index points.
  • the confidence interval describes the reliability of travel time more comprehensively, and the upper limit of the interval is also more realistic in applications such as guidance release and traffic planning.
  • the improved travel time reliability analysis method of the present invention checks whether the travel time has seasonal and monthly differences, and uses the Bootstrap method to determine the accuracy of the travel time reliability index Analyze, output the point estimate and interval estimate of the reliability index, and fully describe the travel time reliability.
  • the improved travel time reliability analysis method of the present invention supplements the point estimation of commonly used travel time reliability indicators on the basis of the Bootstrap repeated sampling method, and implements standard errors, percentiles, and improvement percentages. Bit interval estimation, thereby providing the confidence interval of the reliability index.
  • Fig. 1 is a schematic flowchart of an improved travel time reliability analysis method according to an embodiment of the present invention.
  • Figure 2 is a schematic diagram of the test results of Bonferroni's modified K-S detection method in the embodiment.
  • Fig. 3 is a schematic diagram of the probability distribution of travel time in an embodiment.
  • An improved travel time reliability analysis method includes the following steps:
  • TT agg (t ⁇ ) F(TT t1 ,...,TT ti ,...,TT tN ), where F (*) is the median function, TT agg (t ⁇ ) is the aggregate value of the travel time, and TT ti is the travel time of the vehicle that leaves at the time ti.
  • test method can be QQ graph method, KS Inspection, Shapiro-Wilk inspection;
  • interval estimators include:
  • z ⁇ and z 1- ⁇ are the quantiles of the standard normal distribution at ⁇ and 1- ⁇ respectively.
  • ⁇ (*) is the cumulative distribution function of the standard normal distribution
  • ⁇ -1 (*) is the inverse function of the cumulative distribution function of the standard normal distribution
  • num(*) represents the sample size that meets the conditions;
  • step S6 is executed again.
  • This improved travel time reliability analysis method is different from the traditional single estimated value of reliability index.
  • the reliability analysis method of the present invention outputs an estimated interval of reliability index, which is compared with the estimated value of reliability index point.
  • the description of travel time reliability is more comprehensive, and the upper limit of interval is also more realistic in applications such as guidance release and traffic planning.
  • This improved travel time reliability analysis method strengthens the accuracy evaluation of travel time reliability estimation. Based on the estimation of travel time reliability index points, the confidence interval is analyzed, so that the travel time reliability can be more comprehensive
  • the upper limit of interval estimation is also an important reference in applications such as traffic guidance, route selection, and traffic planning.
  • the improved travel time reliability analysis method of the embodiment adds the analysis of the influence of time factor on reliability in the process of travel time reliability estimation.
  • Bonferroni modified KS detection method is used to analyze the influence of seasons and months on travel time reliability. influences.
  • the travel time reliability estimation of a certain route on a certain expressway is taken as an example, and the details are as follows:
  • the self-sampling method (Bootstrap method) is used to sample the travel time estimation sample with replacement, and statistical reliability accuracy indicators: standard deviation SD, covariance COV, reserved time index BI, and planned time index PI.

Abstract

一种改进的行程时间可靠性分析方法，在传统的行程时间可靠性指标估计基础上，采用Bonferroni修正的K-S检测法对行程时间是否存在季节、月份差异进行检验；用对数正态分布拟合行程时间的分布，采用最大期望算法进行参数标定；采用Bootstrap方法对行程时间估计样本进行有放回抽样；进行M轮重复抽样；计算每个数据子集行程时间可靠性指标TTRm；对于符合正态分布TTR进行点估计与区间估计；该方法输出可靠性指标估计区间，相较于可靠性指标点估计值，置信区间对行程时间可靠性的描述更为全面，且区间上限值在诱导发布、交通规划等应用中也更具现实意义。

Description

改进的行程时间可靠性分析方法 技术领域
本发明涉及一种改进的行程时间可靠性分析方法。
背景技术
在众多的道路评估指标中，行程时间被广泛的应用于评估高速公路、城市道路和居民出行效率。在过去的二十年中，很多数学模型被用于提高行程时间的精度。但是行程时间并不能准确地描述居民出行和道路交通的特性。行程时间可靠性作为对行程时间的一个补充被提出，对于辅助公众的出行以及交通规划、管控决策具有重要作用，主要表现在：(1)服务于出行者出行方式与出行路径选择的重要指标；(2)可作为道路等级管理指标；(3)作为宏观区域交通规划参考指标。
常用的行程时间可靠性指标主要基于平均行程时间和百分位行程时间(比如90％分位或者95％分位的行程时间、缓冲时间指数、计划时间指数)，这类指标以时间为单位，易于被出行者理解和使用。行程时间可靠性估计的主要方法为可靠性指标的点估计。但考虑到当前的交通数据采集的技术手段和覆盖范围，行程时间真实值数据很难获取，这就带来对行程时间可靠性估计的精度评价的问题。
上述问题是在行程时间可靠性分析过程中应当予以考虑并解决的问题。
发明内容
为了解决这一问题，本发明的目的是提供一种改进的行程时间可靠性分析方法解决现有技术中存在的行程时间真实值数据很难获取，如何对行程时间可靠性估计的精度评价的问题。
本发明的技术解决方案是：
一种改进的行程时间可靠性分析方法，包括以下步骤，
S1、构建路段行程时间估计模型，基于路段上下游交通流检测器输出的参数检测数据，估计任一给定时刻ti驶离的车辆在路段的行程时间TT ti；
S2、对行程时间数据进行汇集，减少交通流参数波动性对可靠性的影响；汇集策略为：TT agg(t α)＝F(TT t1,…,TT ti,…,TT tN)，其中F(*)为中值函数，TT agg(t α)为行程时间的汇集值，TT ti为在ti时刻驶离的车辆在路段的行程时间；
S3、对包含不同月份以及季度的行程时间估计数据样本进行子集划分，生成S个子集，并采用Bonferroni修正的K-S检验法对多个行程时间数据子集间是否 具有明显差异进行统计检验；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征；否则，则说明时间特征会影响模型对行程时间估计的可靠性；
S4、用对数正态分布拟合行程时间的分布；采用最大期望算法进行参数标定；
S5、采用Bootstrap自抽样法对行程时间估计样本进行有放回抽样；进行M轮重复抽样，得到M个行程时间估计样本的子数据集TTS m，m＝1,2,…,M；计算每个数据子集行程时间可靠性指标TTR m；
S6、将行程时间估计样本的子数据集整合为数据集TTR＝{TTR 1,,…，TTR i,…，TTR M}，检验TTR是否符合正态分布；若符合正态分布，进行TTR均值
Figure PCTCN2019115054-appb-000001
与标准差SE(TTR)点估计，以及标准误差区间、百分位区间与改进百分位区间的区间估计；若不符合正态分布，则检测样本中的异常值并将其剔除，再重新执行步骤S6。
进一步地，步骤S3中，采用Bonferroni修正的K-S检验法对S个行程时间数据子集间是否具有明显差异进行统计检验，具体为，对任两个数据子集进行K-S检验，检验次数V＝S(S-1)/2，确定显著性水平α，计算局部显著性水平α local＝α/V，计算多重比较谬误FWER＝U/V，其中U为检验后的第I类错误数；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征，否则说明时间特征会影响模型对行程时间估计的可靠性；结束检验进入步骤S4。
进一步地，步骤S4中，用对数正态分布拟合行程时间的分布，具体为，
Figure PCTCN2019115054-appb-000002
其中t为行程时间，K为子样本集总个数，Lognormal k(t；μ k,σ k)表示对数正态分布，即
Figure PCTCN2019115054-appb-000003
其中μ k,σ k分别为拟合第k个子样本集的概率分布模型均值与标准差，μ,σ为均值与标准差顺序数组，即μ＝{μ 1,μ 2,…,μ K},σ＝{σ 1,σ 2,…,σ K}，w k为Lognormal k(t；μ k,σ k)的权重。
进一步地，步骤S5中，行程时间可靠性指标包括标准差SD、协方差COV、缓冲时间指数BI、计划时间指数PI。
进一步地，步骤S6中，检验TTR是否符合正态分布的检验方法采用Q-Q图法、K-S检验、Shapiro-Wilk检验。
进一步地，步骤S6中，点估计包括TTR均值
Figure PCTCN2019115054-appb-000004
与标准差SE(TTR)。
进一步地，步骤S6中，区间估计量包括标准误差区间、百分位区间、改进百分位区间，具体为，
标准误差区间
Figure PCTCN2019115054-appb-000005
其中z α/2为标准正态分布的α/2分位数；
百分位区间PC＝[TTR (α/2),TTR (1-α/2)]，其中TTR (α)为α分位数；
改进百分位区间
Figure PCTCN2019115054-appb-000006
其中
Figure PCTCN2019115054-appb-000007
Figure PCTCN2019115054-appb-000008
式中z α、z 1-α分别为标准正态分布在α、1-α分位数；
Figure PCTCN2019115054-appb-000009
上式中φ(*)为标准正态分布累计分布函数，φ -1(*)为标准正态分布累计分布函数反函数，num(*)表示满足条件的样本量。
本发明的有益效果是：
一、该种改进的行程时间可靠性分析方法，不同于传统的可靠性指标单个估计值，本发明的可靠性分析方法输出的是可靠性指标估计区间，相较于可靠性指标点估计值，置信区间对行程时间可靠性的描述更为全面，且区间上限值在诱导发布、交通规划等应用中也更具现实意义。
二、本发明的改进的行程时间可靠性分析方法，在传统的行程时间可靠性指 标估计方法的基础上，检验行程时间是否存在季节、月份差异，并以Bootstrap方法进行行程时间可靠性指标的精度分析，输出可靠性指标的点估计值与区间估计值，对行程时间可靠性进行全面描述。
三、本发明的改进的行程时间可靠性分析方法，在Bootstrap重复抽样方法的基础上，对常用的行程时间可靠性指标的点估计进行补充，对其实施标准误差、百分位、改进百分位区间估计，从而提供可靠性指标的置信区间。
附图说明
图1是本发明实施例改进的行程时间可靠性分析方法的流程示意图。
图2是实施例中Bonferroni修正的K-S检测法检验结果的示意图。
图3是实施例中行程时间概率分布示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
一种改进的行程时间可靠性分析方法，如图1，包括以下步骤，
S1、构建路段行程时间估计模型，基于路段上下游交通流检测器输出的参数检测数据，估计任一给定时刻ti驶离的车辆在路段的行程时间TT ti。
S2、对行程时间数据进行汇集，减少交通流参数波动性对可靠性的影响；汇集策略为：TT agg(t α)＝F(TT t1,…,TT ti,…,TT tN)，其中F(*)为中值函数，TT agg(t α)为行程时间的汇集值，TT ti为在ti时刻驶离的车辆在路段的行程时间。
S3、对包含不同月份以及季度的行程时间估计数据样本进行子集划分，生成S个子集，并采用Bonferroni修正的K-S检验法对S个行程时间数据子集间是否具有明显差异进行统计检验；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征；否则，则说明时间特征会影响模型对行程时间估计的可靠性；具体为，对任两个数据子集进行K-S检验，检验次数V＝S(S-1)/2，确定显著性水平α，计算局部显著性水平α local＝α/V，计算多重比较谬误FWER＝U/V，其中U为检验后的第I类错误数；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征，否则说明时间特征会影响模型对行程时间估计的可靠性；结束检验进入步骤S4。
S4、用对数正态分布拟合行程时间的分布，即
Figure PCTCN2019115054-appb-000010
其中t为行程时间，K为子样本集总个数，Lognormal k(t；μ k,σ k)表示对数正态分布，即
Figure PCTCN2019115054-appb-000011
其中μ k,σ k分别为拟合第k个子样本集的概率分布模型均值与标准差，μ,σ为均值与标准差顺序数组，即μ＝{μ 1,μ 2,…,μ K},σ＝{σ 1,σ 2,…,σ K}，w k为Lognormal k(t；μ k,σ k)的权重；采用最大期望算法进行参数标定，确定K值时需要考虑避免过拟合、欠拟合情况。
S5、采用Bootstrap自抽样法对行程时间估计样本进行有放回抽样；进行M轮重复抽样，得到M个行程时间估计样本的子数据集TTS m，m＝1,2,…,M；计算每个数据子集行程时间可靠性指标TTR m，其中行程时间可靠性指标包括标准差SD、协方差COV、缓冲时间指数BI、计划时间指数PI。
S6、将行程时间估计样本的子数据集整合为数据集TTR＝{TTR 1,,…，TTR i,…，TTR M}，检验TTR是否符合正态分布，检验方法可采用Q-Q图法、K-S检验、Shapiro-Wilk检验；
若符合正态分布，进行TTR均值
Figure PCTCN2019115054-appb-000012
与标准差SE(TTR)点估计，置信水平1-α一般不小于90％；以及标准误差区间、百分位区间与改进百分位区间的区间估计；区间估计量包括：
(1)标准误差区间
Figure PCTCN2019115054-appb-000013
其中z值根据置信水平确定；
(2)百分位区间PC＝[TTR (α/2),TTR (1-α/2)]，其中TTR (α)为α百分位数；
(3)改进百分位区间
Figure PCTCN2019115054-appb-000014
其中
Figure PCTCN2019115054-appb-000015
式中，z α、z 1-α分别为标准正态分布在α、1-α分位数，
Figure PCTCN2019115054-appb-000016
上式中φ(*)为标准正态分布累计分布函数，φ -1(*)为标准正态分布累计分布函数反函数，num(*)表示满足条件的样本量；
若不符合正态分布，则检测样本中的异常值并将其剔除，再重新执行步骤S6。
该种改进的行程时间可靠性分析方法，不同于传统的可靠性指标单个估计值，本发明的可靠性分析方法输出的是可靠性指标估计区间，相较于可靠性指标点估计值，置信区间对行程时间可靠性的描述更为全面，且区间上限值在诱导发布、交通规划等应用中也更具现实意义。
该种改进的行程时间可靠性分析方法，强化对行程时间可靠性估计的精确性评价，在行程时间可靠性指标点估计的基础上，分析其置信区间，从而对行程时间可靠性进行更为全面的描述，而区间估计的上限值在交通诱导、路径选择、交通规划等应用中也具有重要的参考作用。
实施例的改进的行程时间可靠性分析方法，在行程时间可靠性估计的流程中，增加了时间因素对可靠性影响的分析，采用Bonferroni修正的K-S检测法分析季节、月份对行程时间可靠性的影响。
本实施例以某一高速公路某路线的行程时间可靠性估计为例，具体如下：
S1、获取了该路线连续15个月的交通流实测数据，并进行行程时间估计。
S2、以5分钟进行行程时间估计值的数据汇集；
S3、将汇集后的行程时间估计值样本按自然月划分为15个子集，并两两采用K-S检验，共执行105次。显著性水平α取0.1。通过Bonferroni修正，每组K-S检验的局部显著性水平分别为0.0004762、0.00095238。K-S检验的原假设H 0：15个月的行程时间估计无显著的统计差异；备择假设H 1：15个月的行程时间估计有显著的统计差异。检验结果如图2所示；FWER＝0.0667<0.1(显著性水平)，接受原假设，表明行程时间估计的可靠性不受月份影响。
S4、用对数正态分布拟合行程时间的分布，采用最大期望算法进行参数标定，确定K值时需要考虑避免过拟合、欠拟合情况，在实施例中，K＝3；拟合情况如 图3所示。
S5、采用自抽样法(Bootstrap法)对行程时间估计样本进行有放回抽样，并统计可靠性精确度指标：标准差SD、协方差COV、预留时间指数BI、计划时间指数PI。
S6、经过Q-Q图检验满足正态分布；置信度为90％以及95％时，区间估计结果如下表：
Figure PCTCN2019115054-appb-000017

Claims (7)

  1. 一种改进的行程时间可靠性分析方法，其特征在于：包括以下步骤，
    S1、构建路段行程时间估计模型，基于路段上下游交通流检测器输出的参数检测数据，估计任一给定时刻ti驶离的车辆在路段的行程时间TT ti；
    S2、对行程时间数据进行汇集，减少交通流参数波动性对可靠性的影响；汇集策略为：TT agg(t α)＝F(TT t1,…,TT ti,…,TT tN)，其中F(*)为中值函数，TT agg(t α)为行程时间的汇集值，TT ti为在ti时刻驶离的车辆在路段的行程时间；
    S3、对包含不同月份以及季度的行程时间估计数据样本进行子集划分，生成S个子集，并采用Bonferroni修正的K-S检验法对多个行程时间数据子集间是否具有明显差异进行统计检验；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征；否则，则说明时间特征会影响模型对行程时间估计的可靠性；
    S4、用对数正态分布拟合行程时间的分布；采用最大期望算法进行参数标定；
    S5、采用Bootstrap自抽样法对行程时间估计样本进行有放回抽样；进行M轮重复抽样，得到M个行程时间估计样本的子数据集TTS m，m＝1,2,…,M；计算每个数据子集行程时间可靠性指标TTR m；
    S6、将行程时间估计样本的子数据集整合为数据集TTR＝{TTR 1,,…，TTR i,…，TTR M}，检验TTR是否符合正态分布；若符合正态分布，进行TTR均值
    Figure PCTCN2019115054-appb-100001
    与标准差SE(TTR)点估计，以及标准误差区间、百分位区间与改进百分位区间的区间估计；若不符合正态分布，则检测样本中的异常值并将其剔除，再重新执行步骤S6。
  2. 如权利要求1所述的改进的行程时间可靠性分析方法，其特征在于：步骤S3中，采用Bonferroni修正的K-S检验法对S个行程时间数据子集间是否具有明显差异进行统计检验，具体为，对任两个数据子集进行K-S检验，检验次数V＝S(S-1)/2，确定显著性水平α，计算局部显著性水平α local＝α/V，计算多重比较谬误FWER＝U/V，其中U为检验后的第I类错误数；若检验结论为不具有明显差异，则表明行程时间不具有月度或季度的时间差异性特征，否则说明时间特征会影响模型对行程时间估计的可靠性；结束检验进入步骤S4。
  3. 如权利要求1所述的改进的行程时间可靠性分析方法，其特征在于：步 骤S4中，用对数正态分布拟合行程时间的分布，具体为，
    Figure PCTCN2019115054-appb-100002
    其中t为行程时间，K为子样本集总个数，Lognormal k(t；μ k,σ k)表示对数正态分布，即
    Figure PCTCN2019115054-appb-100003
    其中μ k,σ k分别为拟合第k个子样本集的概率分布模型均值与标准差，μ,σ为均值与标准差顺序数组，即μ＝{μ 1,μ 2,…,μ K},σ＝{σ 1,σ 2,…,σ K}，w k为Lognormal k(t；μ k,σ k)的权重。
  4. 如权利要求1-3任一项所述的改进的行程时间可靠性分析方法，其特征在于：步骤S5中，行程时间可靠性指标包括标准差SD、协方差COV、缓冲时间指数BI、计划时间指数PI。
  5. 如权利要求1-3任一项所述的改进的行程时间可靠性分析方法，其特征在于：步骤S6中，检验TTR是否符合正态分布的检验方法采用Q-Q图法、K-S检验、Shapiro-Wilk检验。
  6. 如权利要求1-3任一项所述的改进的行程时间可靠性分析方法，其特征在于：步骤S6中，点估计包括TTR均值
    Figure PCTCN2019115054-appb-100004
    与标准差SE(TTR)。
  7. 如权利要求1-3任一项所述的改进的行程时间可靠性分析方法，其特征在于：步骤S6中，区间估计量包括标准误差区间、百分位区间、改进百分位区间，具体为，
    标准误差区间
    Figure PCTCN2019115054-appb-100005
    其中z α/2为标准正态分布的α/2分位数；
    百分位区间PC＝[TTR (α/2),TTR (1-α/2)]，其中TTR (α)为α分位数；
    改进百分位区间
    Figure PCTCN2019115054-appb-100006
    其中
    Figure PCTCN2019115054-appb-100007
    Figure PCTCN2019115054-appb-100008
    式中z α、z 1-α分别为标准正态分布在α、1-α分位 数；
    Figure PCTCN2019115054-appb-100009
    上式中φ(*)为标准正态分布累计分布函数，φ -1(*)为标准正态分布累计分布函数反函数，num(*)表示满足条件的样本量。
PCT/CN2019/115054 2019-01-22 2019-11-01 改进的行程时间可靠性分析方法 WO2020151294A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910060914.X 2019-01-22
CN201910060914.XA CN109637143B (zh) 2019-01-22 2019-01-22 改进的行程时间可靠性分析方法

Publications (1)

Publication Number Publication Date
WO2020151294A1 true WO2020151294A1 (zh) 2020-07-30

Family

ID=66063034

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/115054 WO2020151294A1 (zh) 2019-01-22 2019-11-01 改进的行程时间可靠性分析方法

Country Status (2)

Country Link
CN (1) CN109637143B (zh)
WO (1) WO2020151294A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637143B (zh) * 2019-01-22 2021-06-11 江苏智通交通科技有限公司 改进的行程时间可靠性分析方法
CN110288849B (zh) * 2019-07-29 2020-05-29 电子科技大学 一种基于混合交通模式的出行路线推荐方法
CN111192454B (zh) * 2020-01-07 2021-06-01 中山大学 基于行程时间演化的交通异常识别方法、系统及存储介质
CN111553074A (zh) * 2020-04-27 2020-08-18 中国航空综合技术研究所 威布尔分布故障样本的奇异值排除方法
CN113379233B (zh) * 2021-06-08 2023-02-28 重庆大学 一种基于高阶矩的行程时间可靠性估计方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013182490A (ja) * 2012-03-02 2013-09-12 Sumitomo Electric Ind Ltd 交通情報変換装置、交通情報システム、中央サーバ、サービスサーバ、及び、交通情報提供方法
CN103942950A (zh) * 2014-04-26 2014-07-23 张兴 一种干线公路冰雪环境下交通运行可靠度预测方法
CN105679025A (zh) * 2016-02-22 2016-06-15 北京航空航天大学 一种基于可变权重混合分布的城市干道行程时间估计方法
CN106448165A (zh) * 2016-11-02 2017-02-22 浙江大学 一种基于网络约租车数据的路网行程时间可靠性评价方法
CN108364464A (zh) * 2018-02-02 2018-08-03 北京航空航天大学 一种基于概率模型的公交车辆旅行时间建模方法
US20180232650A1 (en) * 2017-02-10 2018-08-16 New York University Systems and methods for sparse travel time estimation
CN109637143A (zh) * 2019-01-22 2019-04-16 江苏智通交通科技有限公司 改进的行程时间可靠性分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106898142B (zh) * 2017-03-07 2019-07-02 北京航空航天大学 一种考虑路段相关性的路径行程时间可靠度计算方法
CN106960572B (zh) * 2017-04-05 2019-04-23 大连交通大学 一种基于延迟时间系数的高速公路行程时间可靠性计算方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013182490A (ja) * 2012-03-02 2013-09-12 Sumitomo Electric Ind Ltd 交通情報変換装置、交通情報システム、中央サーバ、サービスサーバ、及び、交通情報提供方法
CN103942950A (zh) * 2014-04-26 2014-07-23 张兴 一种干线公路冰雪环境下交通运行可靠度预测方法
CN105679025A (zh) * 2016-02-22 2016-06-15 北京航空航天大学 一种基于可变权重混合分布的城市干道行程时间估计方法
CN106448165A (zh) * 2016-11-02 2017-02-22 浙江大学 一种基于网络约租车数据的路网行程时间可靠性评价方法
US20180232650A1 (en) * 2017-02-10 2018-08-16 New York University Systems and methods for sparse travel time estimation
CN108364464A (zh) * 2018-02-02 2018-08-03 北京航空航天大学 一种基于概率模型的公交车辆旅行时间建模方法
CN109637143A (zh) * 2019-01-22 2019-04-16 江苏智通交通科技有限公司 改进的行程时间可靠性分析方法

Also Published As

Publication number Publication date
CN109637143B (zh) 2021-06-11
CN109637143A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
WO2020151294A1 (zh) 改进的行程时间可靠性分析方法
Haddad et al. Regional flood frequency analysis in eastern Australia: Bayesian GLS regression-based methods within fixed region and ROI framework–Quantile Regression vs. Parameter Regression Technique
Burnham et al. Line transect estimation of bird population density using a Fourier series
Siegert et al. Detecting improvements in forecast correlation skill: Statistical testing and power analysis
Walker et al. Travel demand models in the developing world: correcting for measurement errors
WO2020253338A1 (zh) 一种基于交通大数据的道路通行能力提取方法
CN106845768A (zh) 基于生存分析参数分布的公交车旅行时间模型构建方法
CN107784394A (zh) 考虑前景理论的高速公路路线方案不确定多属性优选方法
Dhorde et al. Three-way approach to test data homogeneity: An analysis of temperature and precipitation series over southwestern Islamic Republic of Iran
CN106485919B (zh) 一种判定快速道路定点测速仪对交通事故数量影响的方法
Heo et al. Risk analysis of energy-efficiency projects based on Bayesian calibration of building energy models
CN105931458A (zh) 一种路面交通流量检测设备可信度评估的方法
Rich et al. A long-distance travel demand model for Europe
El Esawey Toward a better estimation of annual average daily bicycle traffic: Comparison of methods for calculating daily adjustment factors
Lemp et al. Understanding and accommodating risk and uncertainty in toll road projects: A review of the literature
CN110738346A (zh) 一种基于威布尔分布的批次电能表可靠度预测方法
CN113470362A (zh) 基于svr-dea模型的城市路段交通拥堵时空精准判别方法
LU500569B1 (en) Method and device for acquiring driving test cycle weight factors based on gis large data
Cetin et al. Key factors affecting the accuracy of reidentification of trucks over long distances based on axle measurement data
Corey et al. Detection and correction of inductive loop detector sensitivity errors by using Gaussian Mixture Models
CN112950022A (zh) 基于模糊综合评价法的路面状况综合评价方法
Nowak et al. Statistical extrapolation for extreme traffic load effect estimation on bridges
CN110705924B (zh) 一种基于风向扇区的测风塔测风数据处理方法及装置
CN113808393A (zh) 一种消除混杂控制对象影响的方法
Luca et al. An approach to estimate degree completion using drop-out rates

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19911941

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19911941

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19911941

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 18/03/2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19911941

Country of ref document: EP

Kind code of ref document: A1