下载文档原格式
常规公交路径行程时间比例特性
高鹏飞;陈国俊;张抒扬;杨宇航
【期刊名称】《武汉理工大学学报:交通科学与工程版》
【年(卷),期】2023(47)1
【摘要】文中从理论角度证明了公交班次之间路径行程时间存在显著的比例关系,结合实证分析,利用江阴市K19线路与上海市210线路的公交车辆自动定位数据,以前一班次、基于小时样本计划班次及基于全样本计划班次为参照班次,验证了理论模型的正确性,并发现比例系数具有以下特征:(1)选择不同参照班次时,路径行程时间比例系数均呈现出临近始发站点时不稳定,沿着公交线路迅速收敛到某一稳定值的变化趋势;(2)行程时间波动小的线路,其路径行程时间比例系数的稳定性更强,收敛速度更快;(3)选择基于小时样本或全样本的计划班次作为参照班次时,其路径行程时间比例系数的稳定性最好,收敛速度最快.文中验证了路径行程时间比例特性用于行程时间预测的可行性,选择基于小时样本计划班次作为参照班次时,K19线路沿线各站点的均值绝对误差均小于4 min,并呈现出递减的趋势,在第24个站点时达到6 s,沿线均值绝对误差百分比普遍低于10%,预测效果良好.
【总页数】8页(P47-53)
【作者】高鹏飞;陈国俊;张抒扬;杨宇航
【作者单位】武汉理工大学交通与物流工程学院
【正文语种】中文
【中图分类】U491.1
【相关文献】
1.基于时间序列法的公交车站间行程时间预测模型研究r——以苏州1路公交为例
2.基于路段行程时间的公交到站时间预测
3.采取灵活的措施来缩短公交行程时间——建立完善公交优先系统的前奏
4.公交线路停靠时间比例特性及影响因素分析
5.基于GPS的常规公交行程时间可靠性因素分析
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的高速公路路段行程时间估计方法杨军【摘要】准确估计高速公路路段行程时间有助于充分发挥智能交通管理与服务系统的作用,文章在传统路段行程时间估计方法的基础上,从交通流具有动态流动性的角度出发,构建了一种改进的行程时间估计方法;通过车辆运行过程中所在时空的动态变化性,根据2个时段的检测器数据和各路段预设的行程时间给2类信息分配权值;最后以南京机场高速公路为例进行分析,结果表明改进方法可有效估计路段行程时间,并且路段越长,改进效果越明显.【期刊名称】《现代交通技术》【年(卷),期】2015(012)003【总页数】4页(P58-61)【关键词】高速公路;行程时间估计;分段速度模型;空间线性差值模型;交通流动态性【作者】杨军【作者单位】江苏省交通工程交建局,江苏南京210004【正文语种】中文【中图分类】U491.13行程时间是反映道路拥挤程度最为直观的参数之一，是构建交通信息服务系统、交通流诱导系统等ITS子系统的重要基础。
根据数据采集方式不同，行程时间估计可以分为2种：基于固定检测器的行程时间估计和基于移动检测器的行程时间估计［1］。
基于移动检测器的行程时间估计以安装GPS的营运车辆作为数据源，如果要得到较为准确的结果，需要有一定的样本量作为支撑，由于目前很多高速公路上浮动车的样本数量达不到要求，因此大部分的行程时间估计还是基于固定检测器进行的。
固定检测器可以采集到的交通参数主要包括交通流量、车速和占有率3类，在3类交通参数中，速度与行程时间的概念关系最为紧密、逻辑最为清晰，因此基于速度的行程时间估计模型研究和应用最为广泛。
本文对传统的高速公路路段行程时间估计方法进行了介绍和分析，然后在此基础上，结合道路交通流动态性特点，对传统方法进行了一定改进，最后采用实例对传统方法和改进方法的结果进行了对比分析。
1 路段行程时间估计方法1.1 高速公路路段行程时间与速度的关系本文路段指的是高速公路某一方向两个固定检测器之间的部分，如图1所示，路段xi xi+1即为位于xi处的检测器和位于xi+1处的检测器之间的部分，i=0，1，2……。
拥堵指数标准摘要：一、拥堵指数的定义与作用二、拥堵指数的计算方法三、我国拥堵指数标准的具体体现四、拥堵指数在交通管理中的应用五、提高拥堵指数可读性与实用性的建议正文：拥堵指数是衡量城市交通拥堵程度的一种重要指标，它能够直观地反映道路拥堵状况，为交通管理和城市规划提供有力依据。
本文将从拥堵指数的定义、计算方法、我国拥堵指数标准的具体体现、拥堵指数在交通管理中的应用以及提高拥堵指数可读性与实用性的建议等方面展开论述。
一、拥堵指数的定义与作用拥堵指数是通过对道路流量、车速等交通参数的综合分析，得出的一种能够反映道路拥堵程度的数值。
拥堵指数越低，表示道路越畅通；拥堵指数越高，表示道路拥堵程度越严重。
拥堵指数的作用主要体现在以下几个方面：1.为交通管理部门提供依据：拥堵指数可以辅助交通管理部门制定有针对性的交通政策，提高道路通行能力。
2.引导城市规划：通过对拥堵指数的分析，可以为城市交通规划提供数据支持，优化交通网络布局。
3.促进公共交通发展：拥堵指数可作为衡量公共交通服务质量的参考指标，推动公共交通设施的改善和优化。
二、拥堵指数的计算方法拥堵指数的计算方法主要包括以下几种：1.基于车流量：通过监测道路上的车流量，计算单位时间内通过道路的交通量，从而得出拥堵指数。
2.基于车速：通过监测道路上的车辆行驶速度，计算平均车速，并与畅通状态下的车速进行对比，得出拥堵指数。
3.基于行程时间：通过记录车辆行驶过程中的行程时间，计算拥堵路段的行驶时间与畅通路段的行驶时间之比，得出拥堵指数。
三、我国拥堵指数标准的具体体现在我国，拥堵指数标准主要依据以下几个方面来体现：1.交通拥堵等级划分：将拥堵程度分为轻度、中度、重度三个等级，分别对应不同的拥堵指数范围。
2.拥堵时段划分：根据交通拥堵在不同时段的分布，制定针对性的拥堵指数标准。
3.城市交通规划与政策：结合城市交通规划及政策要求，制定相应的拥堵指数标准。
四、拥堵指数在交通管理中的应用拥堵指数在交通管理中的应用主要体现在以下几个方面：1.实时监测与预警：通过拥堵指数的实时监测，及时发现道路拥堵状况，并向交通管理部门发出预警。
交通流和行程时间预测技术案例应用交通流和行程时间预测技术是现代交通管理和出行规划中的重要工具，它利用数据分析和机器学习算法来预测交通流量和行程时间，以帮助人们规划出行路线、优化交通管理和改善交通状况。
下面列举了10个关于交通流和行程时间预测技术案例应用的实例。
1. 城市交通流预测：通过分析历史交通数据和实时交通信息，预测城市各个路段的交通流量，帮助交通管理部门优化交通信号灯控制、调整道路通行策略，从而缓解交通拥堵问题。
2. 公交车到站时间预测：利用公交车GPS定位数据和历史运行数据，结合机器学习算法，预测公交车到站的时间，提供乘客实时的公交车到站信息，方便乘客合理安排出行时间。
3. 高速公路拥堵预测：通过分析高速公路的历史数据和实时交通信息，利用数据挖掘和机器学习算法，预测高速公路的拥堵状况，帮助驾驶员选择最佳的出行路线，避免拥堵路段。
4. 自动驾驶车辆路径规划：基于交通流和行程时间预测技术，自动驾驶车辆可以根据实时交通信息和预测数据，选择最优的行驶路径，提高行驶效率和安全性。
5. 出租车调度优化：通过交通流和行程时间预测技术，出租车公司可以预测不同时间段和地区的乘客需求，合理调度出租车资源，提高出租车的运营效率和乘客的出行体验。
6. 共享单车分布预测：利用交通流和行程时间预测技术，共享单车公司可以预测不同时间段和地区的共享单车需求，合理分配共享单车资源，提高共享单车的利用率和服务质量。
7. 交通事故预测：通过分析历史交通事故数据和实时交通信息，利用机器学习算法，预测交通事故的概率和可能发生的位置，帮助交通管理部门采取相应的交通安全措施，减少交通事故的发生。
8. 公交车班次调整：通过交通流和行程时间预测技术，公交公司可以预测不同时间段和地区的乘客需求，合理调整公交车的班次和发车间隔，提供更好的公交服务。
9. 出行时间预测：利用交通流和行程时间预测技术，人们可以预测不同出行方式和路线的行程时间，选择最快捷和最便捷的出行方式，提高出行效率。
走访日程及路线一、走访日程近期，为了解市民对城市发展规划的意见和建议，市政府决定进行一系列走访活动。
走访日程如下：1. 第一站：市中心区域时间：9月1日上午9点地点：市政府大楼2. 第二站：住宅区时间：9月2日上午10点地点：某住宅小区3. 第三站：商业区时间：9月3日上午11点地点：某购物中心4. 第四站：教育区域时间：9月4日上午9点地点：某高校校园5. 第五站：绿化带时间：9月5日上午10点地点：某公园二、路线安排1. 第一站：市中心区域走访团将从市政府大楼出发，沿着市中心的主要街道前往市区的各个角落。
途中会有专人引导，确保游客的安全。
预计行程时间为2小时。
2. 第二站：住宅区从市中心区域出发，乘坐巴士前往住宅区。
巴士将经过市郊和市区的交界处，途中可以欣赏到不同类型的房屋。
到达住宅区后，将有专人带领游客参观小区的公共设施和居民活动中心。
预计行程时间为3小时。
3. 第三站：商业区从住宅区返回市中心，再换乘地铁前往商业区。
商业区位于市中心的繁华地带，有各种商店和餐馆。
在商业区，游客将有机会参观当地的特色店铺，并品尝当地的美食。
预计行程时间为4小时。
4. 第四站：教育区域从商业区出发，乘坐公交车前往教育区域。
教育区域是当地的知识中心，有多所大学和研究机构。
游客将参观一所知名的高校，并与学生和教师进行交流。
预计行程时间为3小时。
5. 第五站：绿化带从教育区域返回市中心，再步行前往绿化带。
绿化带是城市的绿色长廊，有许多花草树木和休闲设施。
游客可以在这里放松身心，欣赏自然风光。
预计行程时间为2小时。
三、总结通过这次走访活动，市政府希望能够了解市民对城市发展的期望和需求，为未来的规划工作提供参考。
市民也可以通过走访活动，深入了解城市的不同区域，增加对城市的归属感和认同感。
欢迎市民踊跃参加走访活动，共同建设美好城市！。
2007年11月November 2007—281—计 算 机 工 程Computer Engineering 第33 第21期Vol 卷.33 No.21 ·开发研究与设计技术·文章编号：1000—3428(2007)21—0281—02文献标识码：A中图分类号：TP208基于路段行程时间的公交到站预测方法陈巳康1，詹成初2，陈良贵1(1. 上海市城市交通管理局，上海 200003；2. 上海复旦光华信息科技股份有限公司，上海 200433）摘 要：对公交到站时间预报技术进行了研究和探索。
建立公交线网道路模型，根据GPS 车载终端采集的公交车辆运行动态数据，推测路段交通状况及对应的路段行程时间，预测公交到站时间，并分析各种误差。
实验数据表明，在2min 误差内的预测时间准确率大于80%，基本可满足公交时间预报要求。
关键词：路段行程时间；公交到站预报；GPS 车载终端；公交线网道路模型Prediction Method of Bus Arrival TimeBased on Link Travel TimeCHEN Si-kang 1, ZHAN Cheng-chu 2, CHEN Liang-gui 1（1. Shanghai Municipal Transportation Administrative Bureau, Shanghai 200003; 2. Shanghai Fudan Grand Horizon Information Technology Inc., Shanghai 200433）【Abstract 】This paper studies the prediction technology of bus arrival time. After building the model of public transport network, the road traffic situation and corresponding traveling time are speculated according to dynamic data collected by GPS vehicle terminals, and then the bus arrival time is predicted. Different kinds of errors are analyzed. The accuracy of this method is more than 80% within the range of two minutes error permission, which can generally meet the requirement of prediction for bus arrival time.【Key words 】link travel time; prediction of bus arrival; GPS vehicle terminals; model of public transport network road公交智能系统采用卫星定位技术(GPS)、无线通信技术(GPRS/CDMA)、地理信息系统技术(GIS)以及公交线网道路模型仿真等技术，所涉及的基础数据由动态数据和静态数据组成。
基于行程一时间域的路段行程时间预测——张安泰柴干丁闪闪59基于行程一时间域的路段行程时问预测张安泰柴干丁闪闪(东南大学智能运输系统研究中心南京210096)摘要为了提高高速公路路段行程时间预测的实时性与准确性，提出了基于行程一时间域的路段行程时间预测算法。
该算法依据实时检测的交通数据和B P神经网络预测路段单元在不同时间单元的空间平均车速，构建车辆出行的行程一时间域，通过车辆穿越行程一时问域获得路段的预测行程时间。
通过比较行程一时间域算法与传统神经网络预测算法，揭示了行程一时间域算法在预测精度上优于传统神经网络算法。
以沪宁高速公路路段作为示例背景，基于V i ssi m仿真软件，验证了所提算法的准确性与可行性。
关键词行程时间；行程一时间域；B P神经网络；高速公路中图分类号：U491．1+4文献标志码：A doi：10．3963／j．i s sn1674—4861．2013．02．014O引言随着现代信息技术在高速公路智能运输系统(i nt el li gent t r ans por t a t i on sys t em，I TS)的广泛应用，动态路径诱导系统作为高速公路I TS的重要组成部分，目前正得到深入研究与开发。
路段行程时间预测是动态路径诱导系统的关键技术，也是I TS的研究热点。
交通运行状况的准确分析与出行路径的动态诱导，要求路段行程时间的估计与预测应当具有实时性、可靠性和准确性。
采用新的技术方法，实时准确预测路段行程时间，是智能化路径诱导系统建设的迫切需求。
就目前行程时间预测问题，研究人员已经提出很多的预测模型与方法，如基于卡尔曼滤波的预测[1]、基于回归分析的预测[2]、基于时间序列的预测口]、基于人工神经网络的预测[4]、基于支持向量机SV M的预测[5=】等多种预测模型与方法。
此外，A r ezoum andi[61通过研究可变限速系统对行程时间分布和可靠性的影响，提出了基于行程时间均值和标准差方法的行程时间预测，并利用密苏里州圣路易斯市I-270／I一255州际公路数据验证了算法的可行性。
李庆奎[73等人提出了用模糊综合评判方法对行程时间进行预测。
由交通流量和占有率构成模糊评判的因素集，行程时间视为评判集，利用隶属度函数，预测行程时间。
高林杰‘83等人在采用微观交通仿真和指数平滑估计路段行程时间的基础之上，提出了用灰色G M(1，1)模型对行程时间预测的方法。
通过对上述预测方法的分析，可以发现这些模型在对行程时间预测时，大部分都是将高速公路路段视为1个整体，仅考虑了车辆经过路段起点和终点的时间等信息，并未考虑路段中检测器检测的交通流信息。
文献F-9]在预测高速公路路径的行程时问时，以高速公路路段为基本预测单元，应用了行程一时间域法。
但是路段的长度一般比较大，路段上交通流的不均匀特性导致对空间平均车速或行程时间的估计精度较低，从而影响了预测精度。
考虑到高速公路I T S建设规模的快速增长，特别是交通动态参数检测技术的广泛应用，及检测器布设密度的增加(交通运输部给出了高速公路国省道交通调查观察站布局及实施工程)，本文提出以检测器布设位置将高速公路路段划分为基本路段单元，应用行程一时间域方法对高速公路路段行程时间预测，并详细设计了预测算法。
1行程一时间域与行程时间预测将车辆行驶路段以交通检测器布设位置为节点分割为若干路段单元，将时间按照一定的间隔分为不同的时间单元。
车辆在路段上行驶时，会依次经过不同的路段单元，在某路段单元行驶时，会经过不同的时间单元。
对应的1个路段单元和1个时间单元就组成了1个时空单元，而这些时收稿日期：2012-11—03修回日期：2013-03—07第一作者简介：张安泰(1987一)，硕士生．研究向：高速公路控制．E—m a i l：524906757@qq．com；nl za t@126．c or n60交通信息与安全2013年2期第31卷总175期空单元组合在一起就形成了该路段的行程一时间域，见图1。
行程一时间域的纵轴为该路段的路段单元，横轴为时间单元。
车辆的预测行程时间为车辆穿越该路段的行程一时间域所花费的时间。
如图1中，某路段被分为N个路段单元，t时刻出行的车辆按图中行驶轨迹穿越行程时间域。
车辆到达终点的时刻为T，车辆在该路段上预测行程时间为(T一￡)．路段终点Ⅳ／i／?／／／。
’图2车辆虚拟行驶决策流程图Fi g．2T he ve hi cl e vi r t ua l t r ave l deci s i on m a ki ng f l o w char t步骤2。
根据检测器检测的历史及当前数据，求得路段单元的历史及当前空间平均车速。
步骤3。
针对每个路段单元，用历史及当前空间平均车速训练神经网络，并预测路段单元未来咒个时间单元的空间平均车速。
本文选择B P 神经网络[1“111作为对路段单元空间平均车速的预测方法。
神经网络的输入量有4个：分别为时间单元k，(忌+1)，(五+2)，(愚+3)的空间平均车速；输出量为时间单元(尼+4)的空间平均车速。
在预测时，如果作为网络输入量的时间单元没有实际车速值，则采用之前得到的预测值。
例如预测某路段单元未来第3个时间单元的空间平均车速，需要用到的4个输入量中前2个是根据已知数据计算出来的，而后2个则是前面计算的预测值。
预测时间单元数托需满足n×A t>1Tl aX{T}(1)式中：T为路段上车辆行程时间的集合。
步骤4。
车辆在第k个时间单元进入路段单元i，在行驶了P(P一0，1，2，…)个时间单元后。
车辆在该路段单元的行驶距离为女+6z。
一云(i，足)×r+∑云(i，j)×A t(2)J一^+l式中：v(i，歹)为车辆在路段单元i时间单元J的空间平均车速；r(r≤A t)表示车辆在第愚个时间单元进入路段单元i时，车辆在该时问单元的行驶时问。
步骤5。
路段单元i的长度为L：(i一1，2，…)，根据步骤4中计算得到的车辆在路段单元的行驶距离z，获得车辆在路段单元i上的行驶决策为：1)当行驶距离小于路段单元长度时，即z：< Li，车辆仍然位于第i个路段单元，将按照第(走+432路段单元基于行程一时间域的路段行程时间预测——张安泰柴干丁闪闪61p+1)个时间单元的预测空间平均车速v(i，k+P +1)继续行驶。
2)当行驶距离等于路段单元长度时，即l：一L：，车辆恰好在第(忌+p)个时间单元结束时，进入第(i+1)个路段单元，按照第(志+p+1)个时间单元的预测空间平均车速u(i+1，k+P+1)行驶，转到步骤4。
此时，车辆在第i个路段单元的行驶时间为T，一r+P X A t(3)3)当行驶距离大于路段单元长度时，即z：> L：，车辆在第(是+户)个时间单元结束前，就已经驶出路段单元i，进入第(i+1)个路段单元，按照第(忌+户)个时间单元的预测空问平均车速云(i+ 1，k+p)行驶，转到步骤4。
此时，车辆在第i个路段单元的行驶时间为Tt—r+(p一1)×At+i专南‘4)式中：L+为车辆在进入第(志+夕)个时间单元前，行驶的距离。
L+一v(i，是)×r+∑v(i，J)×A t(5)步骤6。
车辆结束最后1个路段单元的行驶到达终点。
3预测性能评价3．1评价指标为了评价预测方法的预测精度，引入误差指标如下。
平均相对误差…一志蓦型皆㈤平均绝对相对误差撇M r一寺莹监呜与≯Ⅲ(7)1’J=11re8l、J7式中：N为预测行程时间数；T。
(歹)为第J个预测行程时间；T州(歹)为第J个实际行程时问。
3．2实例分析参考沪宁高速公路的交通数据，对V i s s i m中的若干路网建模参数和驾驶员行为参数进行适当标定，以使得仿真实验中的道路通行能力、交通量一密度(占有率)一速度关系等尽量逼近现实情况。
仿真采用的公路线形见图3，道路输入交通信息参考沪宁高速公路的交通数据，见图4。
通过V i ssi m仿真获得车辆在路段上行程时间，以及划分路段单元时布设的检测器采集的数据。
_I广——≤111j1三1萼≤皿硎斌图3路段线形Fi g．3T he l i ne ar of l i nk拿导9999拿99999o N寸、。
∞o N寸、。
∞o No o o o o一__一一一N N时间图4沪宁高速公路交通量日变化图Fi g．4The t r af f i c vol um e dai l y var i a t i ondi agr am of Shanghai—N anj i ng H i ghw ay时间单元的划分考虑到间隔太短所需预测的时间单元数增加，空间平均车速预测时误差累计对预测精度的影响增加，而增大间隔，虽然一定程度上能够减轻误差累计对预测精度的影响，但是过长不能合理利用检测器检测的数据。
考虑到交通运行状况分析和路径诱导的需要，本文选择600S作为时间单元的长度。
经过统计分析仿真数据，路段上车辆的行程时间都小于1600S，而每个时间单元为600S(10 r ai n)，因此只需预测每个路段单元3个时间单元的空间平均车速即可满足需要。
为了比较行程一时间域法预测行程时间相对于传统行程时间预测方法的有效性，设置了2个个预测方案，见表1。
表1预测方案设置T a b．1Pr edi et i on pr02r am set t i n gs方案方案名称方案一方案二行程一时间域预测方法基于神经网络的传统预测方法方案二，基于神经网络的传统预测方法，采用B P神经网络进行预测。
网络包含4个输人神经单元，8个隐层神经单元，1个输出神经单元。
网络输人量为：时间单元忌，(尼+1)，(是+2)，(忌+3)的路段行程时间，输出量为时间单元(是+4)的路段行程时间。
1)车辆在行程一时间域中的行驶轨迹。
由于预测的时间单元数太多，不能一一展示车辆在行程一时间域中的轨迹。
选用09：00时出行的车辆，62交通信息与安全2013年2期第31卷总175期展示其出行轨迹，见图5。
／时1甘Jf s图5车辆在行程一时间域中的行驶轨迹Fi g ．5The ve hi cl e t r aj ect or y i n t r a vel —t i m e f i el d图5中折线代表9点出行的车辆在行程一时间域中的虚拟行驶轨迹，纵轴相邻刻度值之差为路段单元长度。
车辆从行程一时问域的0时刻出行，每600S 代表1个时间单元。
虚线对应的时间轴代表车辆到达路段终点所花费的时间，从图中可以看出，车辆的预测行程时间为1325S 。
2)预测方案精度对比。
将方案一、方案二的预测行程时间与实际时间的对比，见图6，7。
口30i --．．e-预测时间、§28r 一实际时间塞扣妒‰渺～罄掘秽慨蒯确鲰‰霉2哇—广苦{广古{r 古■广旨{厂占{广占{r 崩导99拿9只只99999只9P 99卜。
