导读:本文包含了公交车辆到站时间论文开题报告文献综述及选题提纲参考文献，主要关键词:历史路况,实时路况,特征提取与计算,集成学习
公交车辆到站时间论文文献综述
荆灵玲,解超,王安琪[1]（2019）在《基于集成学习的公交车辆到站时间预测模型研究》一文中研究指出公交车是城市交通系统的主要组成部分,准确预测公交车辆到站时间作为城市智能交通系统(ITS)的重要应用,可以有效提升公交车乘客的乘坐体验,增加公交出行的吸引力。为此,提出一种基于集成学习方法的公交车到站时间预测模型,利用联合多种弱模型的方法,确定优化目标,将公交车到站时间相关的影响因素进行特征化后,基于海量历史数据训练机器学习模型,进而预测公交到站时间。实例分析和验证结果表明,GBDT方法的预测性能明显优于其他方法,可显着提高公交到站时间预测的准确性。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年10期）
王茁[2]（2018）在《划分时段的公交车辆到站时间复合预测模型》一文中研究指出在总结国内外现有的公交车辆到站时间预测模型的基础上,选取常用的叁种经典预测模型,即Kalman滤波模型、BP神经网络模型、时间序列模型。分析并针对各个模型的特点及适用条件,对影响公交车辆到站时间的要素进行筛选,明确各模型的输入及输出条件,划分公交运行的高峰、平峰、低峰时段,并验证叁种预测模型在各个时段的预测精度,进一步确定复合预测模型中各阶段预测方法 ,以实现公交车辆的到站时间的精确预测。(本文来源于《自动化技术与应用》期刊2018年12期）
周帅帅[3]（2017）在《城市公交车辆到站时间预测方法研究》一文中研究指出随着国民经济的不断发展,我国城市人口不断增加,人均汽车拥有量不断提高,与之带来的是城市机动车保有量持续增长。然而现有的交通基础设施的建设速度和规模不能满足日益增长的城市交通的需要,供需矛盾突出,使得城市的交通日益拥堵。要解决城市交通问题,需要发展城市公共交通。现阶段,在很多中小城市,常规公共汽车是公共交通的主要组成部分。常规公共汽车是覆盖面最广、运行线路最多、乘车费用最低的一种解决城市居民出行的最好方式。然而现阶段在很多中小城市,常规公交的出行比例不高,公交对居民出行的吸引力较低。究其原因主要是由于常规公交车到站时间不确定,准时性较差,乘客需要等待未知的时间,需要时刻关注到站的车辆信息,公交信息发布较落后,出现“伸脖子”等公交的情况。乘客容易出现焦急的等待情绪,或者直接改换其他交通方式出行。因此,准确实时的公交车到站时间预测可以提高中小城市居民公交出行的比例,提高乘客乘车的满意度,提高城市公交的服务水平,对解决交通问题具有重要意义。本文首先分析公交车到站时间的运行特性及影响因素,把城市公交车辆到站时间分为叁部分,分别为路段行驶时间、站点停靠时间、交叉口延误时间。针对这叁部分的运行特性和影响因素进行分析,选取公交车到站时间预测的因素。针对公交车运行产生的GPS数据,设计数据处理的算法和公交车线性匹配的算法研究,得到公交车运行数据。通过对国内外常用的几种公交车到站时间预测理论进行分析研究,为本文建立的模型奠定了理论基础。本文模型的提出,首先是在获得一定量的公交车到站时间分析和数据的基础上,利用公交车辆车载GPS历史信息和实时的信息,对其进行处理,进而获取公交车运行的历史到站时间和实时的运行速度及车辆位置等信息;第二步在分析公交车运行特性的基础上,建立公交车在路段上的运行时间、站点停靠时间、交叉口延误时间的时间模型;第叁步利用卡尔曼滤波在短期预测中高精确性的优点,将其用于公交车下一站到站时间的预测,基于前期的工作建立基于公交车GPS信息的到站时间实时预测模型;最后把公交车到达上一站的实时时间和预测时间等信息作为卡尔曼滤波的输入,利用卡尔曼滤波递推方程预测公交车到站时间,从而建立基于卡尔曼滤波的动态实时的公交车到站时间预测模型。为验证所提模型,本文选用了南昌市叁条各具代表性的公交线路进行模型的实例验证。通过采集南昌51路、220路、521路的公交车运行十一天产生的GPS数据,以及对这叁条线路的公交车实际运行时各站点到发时间,进行的跟车采集数据。对获取的GPS数据按照本文介绍的方法进行处理,得到公交车运行的时间信息、速度信息、位置信息等。采集实例对本文所建的公交车到站时间预测模型进行验证,采用平均绝对误差和平均绝对误差百分比作为误差分析的指标。通过对模型预测结果和实际数值的对比分析,利用误差评价指标来评价得到的结果,得出结论:在这叁条不同特征的线路上,公交车到站时间预测,不论高峰期还是非高峰期都有比较准确的预测效果,预测的精确性都达到90%以上。因此本文所建的预测模型具有较高的预测精确性和适用性,模型运行更简单,实时性效果更好,可以用于城市公交车的到站时间预测。对本文所建的预测模型,本文对信息发布的流程进行了论述,通过多渠道面向乘客进行发布出去,使得研究成果可以更好的实现其应用价值。(本文来源于《华东交通大学》期刊2017-06-30）
尹婷婷[4]（2017）在《车路协同环境下公交车辆到站时间预测及控制策略研究》一文中研究指出随着社会经济的发展,城市机动车私有化程度也随之不断提升,道路拥堵问题日益严重。自20世纪80年代起,国家交通相关政策性文件都将公交优先作为改善城市交通拥堵和缓解交通污染的一种经济、可行、有效的手段,大批学者也围绕公交优先方法展开了深入研究。然而,城市道路环境复杂多变,公交运行过程中存在诸多干扰,而传统意义上针对公共汽车的“公交优先”多集中于公交专用车道等交通设施的建设,忽略了公交运营管理的作用,因此,真正意义上的“公交优先”仍面临挑战。信息感知和车路协同等相关技术的发展,为动态获取公交车辆和路侧设备的实时信息提供了技术支撑,使得针对公交车辆到站时间预测及动态控制策略的研究具有了实际意义,其既可为乘客提供更为准确的出行信息,亦可为公交运营管理者提供动态控制的决策支持。基于此,本文展开了车路协同环境下的公交车辆到站时间预测及控制策略研究。首先,设计了一种适用于基于车路协同技术的常规公交车辆动态控制的平台框架,该平台集合了数据采集、数据存储、数据处理及数据发布四大系统。此平台作为预测及控制的载体,对数据约定、传输通信技术及各系统实现功能进行了详细阐述,是本研究中车路协同环境的具体定义。其次,对公交车辆到站时间的影响因素进行了分析,选取了 20个因素作为常规方法(方差分析及Spearman秩相关系数)和Boruta算法的原始特征,以四川省自贡市1路公交车辆2014年10月运行数据为例,经过同类特征融合后,确定到站时间预测模型的9个输入特征。实验证明,特征选择可以大幅提高支持向量回归机和人工神经网络这类传统机器学习模型的预测准确性,验证了特征选择的有效性。然后,分析对比了传统机器学习算法——支持向量回归机模型和人工神经网络模型的优劣,提出以自助采样法为核心,以袋外数据校验确定权值,以人工神经网络模型为弱学习器的加权Bagging-ANN集成学习模型。在实际案例分析中证明了,本文提出的加权Bagging-ANN模型比传统机器学习模型,在预测的准确性和稳定性两个方面都具有显着优势,并且其在小样本数据下依然可以获得较为理想的预测精度。最后,提出了一种综合考虑滞站及越站两种站点控制方法,以获得均衡车头时距为目的的动态控制策略,设置控制策略实施时机判断关键参数:滞站系数及越站系数。本文利用仿真手段,以自贡市高发车频率公交线路为例,确定该环境下的最优关键参数,在分别考虑乘客利益和公交运营公司利益的前提下,相比不进行动态控制的情况,综合评价指标分别提升了 11.43%和8.46%,证明了控制策略的有效性。(本文来源于《东南大学》期刊2017-05-30）
赵衍青[5]（2017）在《公交车辆到站时间预测方法研究》一文中研究指出公交车辆到站时间是公交智能化的重要体现之一,提高公交车辆到站时间预测的精度对于提升公共交通服务水平、缓解交通拥堵、减少乘客出行成本、实现公交系统的信息化具有重要的推动作用。首先,论文分析了公交运营数据采集的原理、方法和特点,设计了 GPS数据插值算法和公交线路离散化算法对公交运营数据进行处理。通过对公交车辆运行过程和到站时间的影响因素进行分析,把站点停靠时间和区间平均行驶速度作为输入变量,并设计了获取输入变量的算法。其次,论文以站点停靠时间和区间平均行驶速度为输入变量,建立了基于区间长度的统计方法到站时间预测模型(Statistical Method Bus Arrival Time Prediction Model Based on Interval Length,SMBATP-IL)、基于区间长度的卡尔曼滤波到站时间预测模型(Kalman.Filter Bus Arrival Time Prediction Model Based on Interval Length,KFBATP-IL)和基于区间长度的粒子滤波到站时间预测模型(Particle Filter Bus Arrival Time Prediction Model Based on Interval Length,PFBATP-IL),并设计了实现算法的具体流程和步骤。以PFBATP-IL模型作为算例,证明本文提出的预测方法和模型的可行性。最后论文选取北京市2条公交线路进行实证分析,以平均绝对误差MAE作为衡量预测结果的指标,选取早高峰(8:00)、平峰(11:00)和晚高峰(17:00)叁个时刻,在不同的区间长度(10m,20m,30m)条件下,使用本文建立的模型进行到站时间预测。结果表明不同的区间长度对PFBATP-IL模型的影响最小,KFBATP-IL模型次之,对SMBATP-IL模型的预测结果影响最大。在最优的区间长度条件下,PFBATP-IL模型的预测结果是最优的,相比于KFBATP-IL模型和SMBATP-IL模型的预测结果分别改善了 16.86%和28.46%。(本文来源于《北京交通大学》期刊2017-04-01）
刘兆祥[6]（2016）在《公交车辆行程到站时间预测模型优化研究》一文中研究指出随着智能公交系统的发展,有效提高公交车辆到站时间预测精确率,是提升公共交通服务水平,结合智能交通(ITS)发展的关键举措。在结合公交车辆GPS运行数据的基础上,构建卡尔曼滤波与支持向量机结合的预测模型。最后,应用山东省日照市19路公交线路的公交运行数据对该模型进行校验,并评价该模型的预测精确程度,评价结果表明,对公交到站时间据本文模型有较高的预测精度。(本文来源于《内蒙古公路与运输》期刊2016年04期）
陈鑫杰[7]（2016）在《基于粒子滤波的公交车辆到站时间预测研究》一文中研究指出公交车辆到站时间是出行者最为关心的交通信息之一,准确预测公交车辆到站时间对于改善公交服务水平、提升公交吸引力、缓解交通拥堵、推动城市发展具有重要意义。首先,论文在分析了现有预测方法和车辆到站时间影响因素的基础上,设计了一套完整的GPS数据和线路数据处理方法,并通过C#、MapInfo和SQL Server等软件得以实现,获得区间平均车速和车辆停靠站时间,为模型变量的输入提供了必要的数据准备。其次,论文系统介绍了粒子滤波的基本原理。鉴于粒子滤波在处理非高斯、非线性时变系统问题方面的独特优势,论文提出一种新的公交车辆到站时间预测方法,探索性的建立了基于随机重采样粒子滤波的公交车辆到站时间预测模型,并在模型中引入权重系数融合区间平均车速和车辆瞬时速度,以期提高模型和算法的预测精度。最后论文选取北京市多条典型公交线路进行实证分析,以平均绝对误差MAE为评价预测效果的指标,选取早高峰时刻(8：00)、平峰时刻(11：00)和晚高峰时刻(17：00)分别对1、2、300内、345快、438、464六条线路进行了计算,结果表明预测误差控制在2.5min之内,可以用于公交车辆到站时间预测。为进一步评价算法的稳定性和准确性,以早高峰时刻(8：00)为例,将其同卡尔曼滤波算法预测结果进行比较,结果显示粒子滤波算法具有更好的稳定性和准确性,相对于卡尔曼滤波算法结果改善了22.87%。(本文来源于《北京交通大学》期刊2016-01-01）
王庆纲[8]（2015）在《基于蓝牙感知的公交车辆到站时间预测方法研究》一文中研究指出采用基于蓝牙的智能感知技术,实现对公交车辆运行状态信息的自动采集,并对公交车辆到站时间预测方法进行专项研究。通过算例证明该方法具有较高的预测精度,为动态车辆调度、运行质量评估、乘客交通信息服务等提供有力的支撑。(本文来源于《中国市政工程》期刊2015年02期）
张志伟[9]（2013）在《基于机器学习的公交车辆到站时间预测的设计和实现》一文中研究指出公共交通的大力建设有助于缓解城市交通及环境压力,智能公交调度监控系统管理可以显着提高公交服务和管理水平,从而为大众提供更优质的服务,吸引更多人选择公交出行。到站时间预测系统有助于提高智能公交系统的服务能力。本文针对如何构建到站时间预测模型展开了研究。本文首先阐述了智能公交调度监控系统的组成以及到站时间预测系统在其中的地位,同时介绍了当前在公交车辆到站时间预测领域的研究成果。然后利用公交车辆实际行驶数据,分析了影响公交车辆行驶的天气因素和人为因素；利用实际的车辆行驶数据和聚类学习算法,分析了公交车辆的在全天时段行驶时间的规律；分析了历史行驶时间之间规律,并对如何选取历史数据进行了探讨；依据车辆行驶速度规律,提出了预测车辆在路段剩余道路平均速度预测模型。在充分分析了影响公交车辆行驶因素及其行驶规律后,确定了应作为模型输入条件因素及参考数据。依据车辆在路的行驶时状态,提出了由叁个子预测模型所组成的车辆到站时间预测模型,利用前馈神经网络和多元线性模型分别构建了叁个子预测模型,并设计了每个模型的输入数据结构。利用实际行驶数据对模型进行了训练和测试,证实了模型的可行性,同时预测精度均高于采用历史均值或者前车均值的预测模型。并依据设计方案实现了到站时间预测模型。(本文来源于《北京邮电大学》期刊2013-12-29）
陈峥嵘,陈学武,陈素平[10]（2012）在《城市公交车辆到站时间可靠性分析方法》一文中研究指出公交车辆到站时间可靠性影响城市公交服务水平和乘客乘车舒适便利性。论文阐述公交到站时间可靠性的基本概念,提出公交到站准时性和车头时距均匀性,设计叁美公交到站时间可靠性指标及计算公式,讨论它们各自的适用范围,针对现阶段各城市实际情况选取车头时距稳定率作为分析指标并说明其计算流程,建立可靠性分析模块。运用该方法分析常州市BRT线路车辆到站情况,探究到站时间可靠性的变化规律及影响因素,并提出改善建议。分析结果表明:较大的线路长度、拥堵的交通状况、过小的平均车头时距及较大的客流量均会降低公交到站时间可靠性。该方法可为城市公交规划以及公交线网优化提供决策参考。(本文来源于《多元与包容——2012中国城市规划年会论文集(05.城市道路与交通规划)》期刊2012-10-17）
公交车辆到站时间论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在总结国内外现有的公交车辆到站时间预测模型的基础上,选取常用的叁种经典预测模型,即Kalman滤波模型、BP神经网络模型、时间序列模型。分析并针对各个模型的特点及适用条件,对影响公交车辆到站时间的要素进行筛选,明确各模型的输入及输出条件,划分公交运行的高峰、平峰、低峰时段,并验证叁种预测模型在各个时段的预测精度,进一步确定复合预测模型中各阶段预测方法 ,以实现公交车辆的到站时间的精确预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
公交车辆到站时间论文参考文献
[1].荆灵玲,解超,王安琪.基于集成学习的公交车辆到站时间预测模型研究[J].重庆理工大学学报(自然科学).2019
[2].王茁.划分时段的公交车辆到站时间复合预测模型[J].自动化技术与应用.2018
[3].周帅帅.城市公交车辆到站时间预测方法研究[D].华东交通大学.2017
[4].尹婷婷.车路协同环境下公交车辆到站时间预测及控制策略研究[D].东南大学.2017
[5].赵衍青.公交车辆到站时间预测方法研究[D].北京交通大学.2017
[6].刘兆祥.公交车辆行程到站时间预测模型优化研究[J].内蒙古公路与运输.2016
[7].陈鑫杰.基于粒子滤波的公交车辆到站时间预测研究[D].北京交通大学.2016
[8].王庆纲.基于蓝牙感知的公交车辆到站时间预测方法研究[J].中国市政工程.2015
[9].张志伟.基于机器学习的公交车辆到站时间预测的设计和实现[D].北京邮电大学.2013
[10].陈峥嵘,陈学武,陈素平.城市公交车辆到站时间可靠性分析方法[C].多元与包容——2012中国城市规划年会论文集(05.城市道路与交通规划).2012