东南大学物联网交通应用研究中心
东南大学物联网交通应用研究中心
北京时间:
车辆往环境下基于到站时间预测的公交车辆动态控制研究
2016-02-29 20:03   作者:iitraffic   来源:本站   浏览:779
    为了提高中心学生的科研水平,加强老师与学生之间的交流,东南大学物联网交通应用研究中心每周由老师或学生做一次学术汇报。
    汇报人:尹婷婷(硕士生)、李林超(博士生)

    汇报题目:车辆往环境下基于到站时间预测的公交车辆动态控制研究、基于改进的支持向量机的交通事件检测研究



   目前国内外研究的到站时间预测,主要利用大量历史数据和预测时刻实时交通状态数据,对当前时间公交车辆运行进行特征匹配、模型拟合或机器学习。根据所采用的预测方法,可以进行以下分类:
  • 以历史数据为导向——周期性、参数匹配;时间序列法,平均速度法
  • 以统计回归分析为手段——参数回归、非参数回归
  • 以模型为导向——卡尔曼滤波
  • 以机器学习等新技术为方法——神经网络、支持向量机


    在本次学术汇报中,尹婷婷硕士向大家介绍了车联网环境下基于到站时间预测的公交车辆动态控制研究,主要包括以下四个方面的内容:①车联网环境下公交车辆运行特征及数据处理、②公交车辆到站时间模型研究,通过支持向量机和神经网络模型对不同时段、不同区域,包括高峰时段城市中心区域、平峰时段城市中心区域、高峰时段城市外围区域、平峰时段城市外围区域的平均时间和平均速度进行了预测,结果表明神经网络模型由于支持向量机模型。③动态车辆控制模型研究,在准确预测公交车辆到站时间的基础上,提出了一种综合滞站策略及越站策略的动态控制时机判断模型,结合关键变量滞站系数及越站系数,给出公交车实时控制的阈值,以及相应的控制方案,减少了站点乘客的等待时间7.26%。④公交车辆服务水平评价体系。

    交通事件是指非周期性发生且使某段道路通行能力下降的事件,如交通事故、故障停车、货物散落、道路维修等。交通事件导致交通拥堵,增长出行时间,增加尾气排放,造成经济损失,如何快速准确的对交通事件进行检测至关重要。


    目前交通事件检测数据来源主要包括:环形线圈、AVI视频、载有GPS的浮动车、手机数据等,交通事件检测方法主要可以分为两大类:data-based AID models(基于数据的交通事件检测算法)和Model-driven AID models(基于模型的交通事件检测算法)。Data-based model比较灵活,方便添加其他因素,包括天气,时间等,更加适用于动态分析,因此本文选择这类模型来进行事件检测。为进一步提高事件检测率,解决样本量不平衡问题,提出了一种改进的SVM模型Bagging—SVM。该模型主要应用随机抽样的方法,每次从事件数据集中抽取相同数量的非事件样本与事件样本数据集合并为训练数据集,通过不同次数的抽样构建多个支持向量机模型,最后通过投票的方法确定输出结果。通过对输出结果进行分析发现改进的SVM模型能够提高交通事件检测的准确率,能够较好地为交通运营管理中心服务。


(文:李林超,图:李林超、徐凌慧)

东南大学 东南大学交通学院 清华大学 同济大学 西南交通大学 北京航空航天大学 上海交通大学 浙江大学
University of Wisconsin - Madison University of Michigan Rensselaer Polytechnic Institute Santa Clara University Rutgers University
交通运输部路网监测与应急处置中心 江苏省交通运输厅 南京智库联盟 江苏交通控股有限公司 江苏高速公路联网营运管理有限公司
中心概况研究动态新闻中心合作交流加入我们
Copyright © 2015 东南大学物联网交通应用研究中心 All Rights Reserved.