基于轨迹数据的道路客运班车停留站点位置提取方法

来源 :交通信息与安全 | 被引量 : 0次 | 上传用户:mgkmnr
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
识别并提取道路客运班车停留站点的位置,可为道路客运的客运站站址优化、定制出行乘降站点设置、出行信息服务等提供依据和支持,然而当前获取班车停留站点位置的方法存在成本高、周期长的问题。通过分析道路客运班车停留轨迹数据的典型特征,以班车轨迹数据为数据源,基于DBSCAN算法检测位于停留站点的点簇进而提取停留站点位置。同时,针对DBSCAN算法具有高时间复杂度的问题,通过建立格网索引对算法进行了改进。基于京津冀区域的136条道路客运班线的班车轨迹数据进行了实证分析,结果表明:改进DBSCAN算法提高了算法执行效率
其他文献
为探究新冠肺炎疫情发生后旅客安全感知对乘机出行意愿的影响机理,考虑旅客个人安全意识和新冠肺炎疫情认知的前因影响及航班营服水平的调节作用,应用结构方程模型对255个有效样本数据进行实证分析,结果表明:(1)人们的安全意识越高越倾向于主动了解更多有关疫情的知识;对疫情认知越充分,人们感受到的安全性就越高;感知到的安全性越高,人们乘机出行的意愿就越强。(2)疫情状态下,个人安全意识对安全感知不存在显著正向影响,但可以通过新冠肺炎疫情认知这一中介变量间接作用于安全感知;个人安全意识和新冠肺炎疫情认知不能直接对乘机
针对铁路集装箱运输需求的不确定性,本文将传统线性需求模型、多元logit需求模型与基于LSTM神经网络的深度学习需求模型进行对比,以铁路承运企业利润最大为目标函数建立集装箱动态定价模型。首先,提取与集装箱运输需求相关的特征向量,采用梯度下降算法标定线性模型、多元logit模型参数和监督式学习方法训练LSTM神经网络。需求模型实验显示,与线性、多元logit模型相比,LSTM深度学习模型对集装箱运输需求的拟合精度更高。在此基础上,设计精英选择策略遗传算法结合LSTM网络的动态定价反馈机制求解集装箱动态定价模