車路協(xié)同環(huán)境下公交車輛到站時(shí)間預(yù)測及控制策略研究.pdf

1、隨著社會(huì)經(jīng)濟(jì)的發(fā)展，城市機(jī)動(dòng)車私有化程度也隨之不斷提升，道路擁堵問題日益嚴(yán)重。自20世紀(jì)80年代起，國家交通相關(guān)政策性文件都將公交優(yōu)先作為改善城市交通擁堵和緩解交通污染的一種經(jīng)濟(jì)、可行、有效的手段，大批學(xué)者也圍繞公交優(yōu)先方法展開了深入研究。然而，城市道路環(huán)境復(fù)雜多變，公交運(yùn)行過程中存在諸多干擾，而傳統(tǒng)意義上針對公共汽車的“公交優(yōu)先”多集中于公交專用車道等交通設(shè)施的建設(shè)，忽略了公交運(yùn)營管理的作用，因此，真正意義上的“公交優(yōu)先”仍面臨挑戰(zhàn)。

2、
　　信息感知和車路協(xié)同等相關(guān)技術(shù)的發(fā)展，為動(dòng)態(tài)獲取公交車輛和路側(cè)設(shè)備的實(shí)時(shí)信息提供了技術(shù)支撐，使得針對公交車輛到站時(shí)間預(yù)測及動(dòng)態(tài)控制策略的研究具有了實(shí)際意義，其既可為乘客提供更為準(zhǔn)確的出行信息，亦可為公交運(yùn)營管理者提供動(dòng)態(tài)控制的決策支持。基于此，本文展開廠車路協(xié)同環(huán)境下的公交車輛到站時(shí)間預(yù)測及控制策略研究。
　　首先，設(shè)計(jì)了一種適用于基于車路協(xié)同技術(shù)的常規(guī)公交車輛動(dòng)態(tài)控制的平臺(tái)框架，該平臺(tái)集合了數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)處理

3、及數(shù)據(jù)發(fā)布四大系統(tǒng)。此平臺(tái)作為預(yù)測及控制的載體，對數(shù)據(jù)約定、傳輸通信技術(shù)及各系統(tǒng)實(shí)現(xiàn)功能進(jìn)行了詳細(xì)闡述，是本研究中車路協(xié)同環(huán)境的具體定義。
　　其次，對公交車輛到站時(shí)間的影響因素進(jìn)行了分析，選取了20個(gè)因素作為常規(guī)方法（方差分析及Spearman秩相關(guān)系數(shù)）和Boruta算法的原始特征，以四川省自貢市1路公交車輛2014年10月運(yùn)行數(shù)據(jù)為例，經(jīng)過同類特征融合后，確定到站時(shí)間預(yù)測模型的9個(gè)輸入特征。實(shí)驗(yàn)證明，特征選擇可以大幅提高支持

4、向量回歸機(jī)和人工神經(jīng)網(wǎng)絡(luò)這類傳統(tǒng)機(jī)器學(xué)習(xí)模型的預(yù)測準(zhǔn)確性，驗(yàn)證了特征選擇的有效性。
　　然后，分析對比了傳統(tǒng)機(jī)器學(xué)習(xí)算法——支持向量回歸機(jī)模型和人工神經(jīng)網(wǎng)絡(luò)模型的優(yōu)劣，提出以自助采樣法為核心，以袋外數(shù)據(jù)校驗(yàn)確定權(quán)值，以人工神經(jīng)網(wǎng)絡(luò)模型為弱學(xué)習(xí)器的加權(quán)Bagging-ANN集成學(xué)習(xí)模型。在實(shí)際案例分析中證明了，本文提出的加權(quán)Bagging-ANN模型比傳統(tǒng)機(jī)器學(xué)習(xí)模型，在預(yù)測的準(zhǔn)確性和穩(wěn)定性兩個(gè)方面都具有顯著優(yōu)勢，并且其在小樣本數(shù)據(jù)