智能交通系統(tǒng)論文-公交車輛行程時間預測的方法-資料下載頁
2025-06-03 15:28本頁面
【正文】 因為 我們的 調(diào)查時段是平峰時段，道路交通量較少，并沒有造成擁堵情況，故而 道路交通量不作為影響預測行程時間的因素。 多元回歸分析法的影響因素即自變量為相鄰兩站之間的路段長度 、 交叉口數(shù)量 。 因此根據(jù)實際情況可知，最終確定對 175路公交車的行程時間進行二 元回歸分析 ,建立二 元回歸模型 : Y= a+ bX1+ cX2； 式中 : Y 為因變量公交車行程時間； X1 為自變量站間路段長度； X2 為自變量 交叉口數(shù)量 。 12 模型的計算及檢驗 利用 八組 調(diào)查數(shù)據(jù)， 通過 Excel 數(shù)據(jù)回歸分析 得到以下相關結果： 圖 數(shù)據(jù)回歸分析結果圖 由上圖可知： a=； b= ； c=； R2=； F= 即： Y=++； 預測結果及分析 應用以上得到的二 元回歸預測模型 得到一組預測結果，與實際測量值 進行 比較 表 模型預測值與實測值的比較 站間 預測值 實測值 相對誤差 城建 農(nóng)學院 90 % 農(nóng)學院 侯臺 295 % 侯臺 產(chǎn)業(yè)園區(qū) 108 % 產(chǎn)業(yè)園區(qū) 金冠里 199 % 金冠里 圖書館 209 % 圖書館 手表廠 156 % SUMMARY OUTPUT回歸統(tǒng)計Multiple R R Square Adjusted R Square 標準誤差 觀測值 6方差分析df SS MS F Significance F回歸分析 2 殘差 3 總計 5 Coefficients 標準誤差 t Stat Pvalue Lower 95% Upper 95% 下限 9 5 . 0 % 上限 9 5 . 0 %Intercept X Variable 1 X Variable 2 13 圖 模型預測值與實測值的比較圖 圖 相對誤差值的柱形圖 從以上結果 可以看出，大多數(shù)預測結果的誤差在 5%20%左右，平均誤差在10%。并且試驗中的起始站和終點站誤差較中間站點要大。此試驗 所 得到的二 元回歸預測模型 只有一般的預測精度，還需不斷改進 。 7 總結 公交到站時間預測是智能公交系統(tǒng)的重要組成部分及關鍵技術之一 ,對促進城市公交系統(tǒng)的進步與發(fā)展及提高公交乘客的乘車滿意度有 著極為重要的意義。本文在國內(nèi)外學者已經(jīng)提出的眾多模型方法中，選擇了對本實驗比較契合的多元回歸分析法， 再 根據(jù)公交車輛運行的特點，分析公交車輛行程時間的各種因素 ，根據(jù) 現(xiàn)有的道路情況 提出了公交車輛行程時間預測的一種方法。并結合175/845/707/862 四條 典型公交線路，進行了模型的實際應用和驗證。 最后將通過此方法得出的預測值與實測值進行比較及誤差分析。 因為預測公交車輛行程時間太過復雜，加上我們專業(yè)知識能力 和時間的限制，預測值 實測值 %%%%%%%%%%相對誤差 相對誤差 14 采集的數(shù)據(jù)不夠豐富，還有本次試驗并沒有高峰時段的數(shù)據(jù)。使得我們無法 了解在高峰時段下如何預測公交車輛行程時間。總之，我們還需要 學習 更多 有關于這方面的知識，希望可以得出更加精準的預測行程時間的方法，為城市公共交通的發(fā)展貢獻一份力。 參考文獻 [1]YANG J S. A study of travel time modeling via time series analysis[C]刀 IEEE. Proceedings of 2021 IEEE Control Applications Conference. Piscataway。 IEEE, 2021。 855860. [2]熊文華，徐建閩，林思 .基于 BP 網(wǎng)絡的浮動車與線圈檢測數(shù)據(jù)融合模型 l 真， 2021, 26 (9 ): 235238. [3]CHEN Dewang, ZHANG Kun, LIAO Tao. Practical traveltime prediction algorithms based on neural work and datafusion for urban expressway [ C]刀 IEEE. 2021 Sixth International Conference of Natural Computation. Piscataway。IEEE, 2021。 17541758. [4]LEE Y. Freeway travel time forecast using artifical neuralworks with cluster method[ C] }}IEEE. 12th International Conference of Information Fusion. Piscataway。 IEEE, 2021。1331一 1338. [5]于濱，蔣永雷，于博，等 .支持向量機在公交車輛運行時間預測中的應用 [[ J].大學海事大學學報， 2021, 34 (4 ): 158160. [6]姚寶珍，楊成永，于濱 .動態(tài)公交車輛運行時間預測模型 [ J].系統(tǒng)工程學報， 2021, 25 (3 ): 365370. [7]CHEN Peng, YAN Xinping, LI Xuhong. Bus travel timeprediction based on relevance vector machine[C]刀 International Conference on Information Engineeringand Computer Science. Piscataway。 IEEE, 2021。 14. [8]溫惠英，徐建閩，傅惠 .基于灰色關聯(lián)分析的路段行程時間卡爾曼濾波預測算法 [[ J].華南理工大學學報 :自然科學版， 2021, 34 (9 ): 6669. [9]計會鳳，徐愛功 .相關法自適應濾波在動態(tài)行程時間預測中的應用研究 l ，2021, 35 (2 ): 158160. [10]周雪梅，楊曉光，王磊 .公交車輛行程時間預測方法研究 [J].交通與計算機， 2021年第六期 . [11]李福雙 .智能公交車輛到站時間預測研究 [D].北京：北京交通大學， 2021.
畢業(yè)設計相關推薦
鄂ICP備17016276號-1