论文部分内容阅读
智能公交系统因其具有高效的公交客运组织模式、快速灵活的应变能力、完善的乘客信息服务等优点越来越受到人们的关注,而动态调度作为系统中的一个核心环节,是影响公交运营系统运行成本、效率和服务水平的重要内容。目前的动态调度主要依靠调度员的经验,这种方式不稳定、可靠性差,造成调度不科学的原因之一是调度员缺乏数据依据,对未来的客流情况、路况信息以及公交车到站时间数据不了解。本文基于动态调度缺乏数据依据的现状,研究对调度有影响作用的客流数据、路况数据和到站时间数据的变化规律,建立预测模型,预测出客流数据、路况数据和车辆到站时间数据未来的变化情况,为动态调度提供数据支撑。主要进行了如下研究工作：首先,分析了影响公交车辆到站时间的因素,最终确定将站点客流和实时路况作为本文研究的两个因素。通过分析站点客流数据和实时路况数据的时空分布规律,提出了本文的数据预测思路。其次,利用站点客流数据和交通流速度数据本身存在的周期性和规律性,对传统时间序列ARMA模型进行了改进,建立了基于季节ARIMA的预测模型。采用实际采集的数据对站点客流和交通流速度预测模型进行验证,并与传统预测方法进行对比,本文提出的基于季节ARIMA的预测模型效果最优,对站点客流的预测MAPE为15.9%,对交通流速度的预测MAPE为6.84%,都在可接受范围内。再次,考虑到出行人和驾驶员有自已的行为习惯,导致交通信息模型存在一定的“自重复”,利用“自重复”特点建立了基于K近邻非参数回归预测模型,另外考察了模型中的关键参数回溯系数m和近邻个数K对预测效果的影响。在最优参数的模型下,对站点客流的预测MAPE为26.1%,对交通流速度的预测MAPE为22.5%。最后,在充分考虑公交车到站时间数据的周期性的同时,加入了动态调整部分,将站点客流对公交车站点停靠时间的影响和交通流速度对公交车路段行驶时间的影响进行了分析,最终建立了考虑前车数据和动态调整的到站时间预测模型。利用仿真模型产生的数据进行了验证,对30分钟后出发的班次的预测MAPE为11.5%,对60分钟后出发的班次的预测MAPE为10.6%,对90分钟后出发的班次的预测MAPE为5.6%,并与传统的基于GPS数据的预测方法进行对比,预测效果良好。并且对数据波动、权重变化和前车数据的影响三个因素进行了参数实验,找到了特定状态下的最优参数。