基于公交大数据的BRT客流分布实时预测技术研究文献综述

 2022-11-20 04:11

文献综述(或调研报告):

1.公交智能卡客流数据挖掘

随着二十世纪七十年代公交智能卡的发明与应用,大量的交通学者开始留意这种新兴的数据形式。经历了数十年的发展,国外的公交智能卡计费系统得到了广泛应用。相应的,有关公交数据挖掘与分析的研究也相当丰富。有关公交智能卡数据挖掘与潜在应用的详细研究综述可见[1]-[2]

在过去的数十年里,我国在智能公交系统的建设方面取得了较大进展。截至到2014年,国内有超过100个城市启动了公交IC卡收费系统,并且超过半数的公交车辆上装载了GPS设备。因此,由于数据来源的导向,国内关于公交数据的挖掘与分析大多是基于公交IC卡与GPS数据。针对公交IC卡的数据的研究,国内的学者们主要从公交IC卡数据采集过程、数据采集方法、处理方法几个方面对IC数据进行挖掘与分析。由于IC卡刷卡信息记录了乘客的ID、刷卡时间、刷卡车辆线路等数据,因此,国内学者将研究重点放在客流的信息的挖掘上,例如公交客流及出行信息的分析、客流OD的推算、公交客流的时空分布特性分析、乘客换乘行为识别方法[1]-[9]。为了更精确的预测客流状态,学者们开始在研究中加入公交车辆的运行状态。结合了车载GPS数据后,基于公交IC卡的客流数据挖掘与分析有了新的思路,出现了许多新方法[10]-[11]

在公交智能卡数据的挖掘应用中,客流数据的潜在价值日益增加。特别的,随着公交规划与管理精细化程度的提高,其相应模型的可靠性与程度逐渐提高,对客流预测的实时性要求越来越高。下文将综述国内外常用的短时客流预测方法。

2.短时客流预测方法

客流的短时预测对公交系统的运营与管理有着至关重要的作用。预测客流数据在出行行为预测,缓解客流拥塞,增强公交系统的服务水平与质量方面有着广泛的应用。大数据时代下,传统的公交客流预测方法[12]已经无法满足当前数据的要求。基于公交系统运营过程中产生的海量数据,对客流需求进行更精确、实时的预测,已成为公共交通研究学者们的热门研究议题。

已发表的文献显示,短时交通预测方法在交通流量预测与客流需求预测中有着广泛的应用。从预测的输入变量之间独立性的角度,短时交通预测方式大致可分为两类:非参数模型预测技术与参数模型预测技术,其区别在功能变量的相关性,即假设的变量是否独立。非参数预测模型是基于独立变量,而参数预测模型是基于相关变量[13]

参数预测模型:传统的参数预测模型,大多是基于历史数据的统计手段,例如常见的历史平均模型、时间序列模型、线性回归分析模型[14]-[15]。特别的,自回归积分滑动平均模型(ARIMA),作为一种具有时变性的变量和残差进行线性拟合的预测方式,从20世纪70年代开始,已成为最常用的参数化预测模型之一。ARIMA模型已经被广泛应用与预测短时交通数据,比如交通流、出行时间、速度和空间占有率等[16]。除此之外,由于某些交通数据具有季节性和趋势性,一些研究人员已经将季节性ARIMA模型(SARIMA)应用到交通流数据的预测中,并且比ARIMA有更好的预测效果[17]。以往的研究经验表明,ARIMA模型在平稳的时间序列中具有较好的预测效果。但是,无论是ARIMA模型还是季节性ARIMA模型,其假设变量之间是线性关系,故ARIMA模型并不能很好的反映变量之间的非线性关系[18]。为了解决ARIMA模型在非线性问题上的缺点,部分学者对传统ARIMA模型进行了进一步的改进[19]-[21]

非参数预测模型:随着电子信息技术的发展、计算能力的增强,基于更大规模、更广维度的交通预测技术得到了发展。特别是人工智能的出现,使得交通预测方式上有了许多新途径。越来越多的非参数模型被应用在交通需求的预测中,例如神经网络模型[22]、非参数回归模型[13]、卡尔曼滤波模型[23]等,以及相应的人工智能算法,例如高斯最大似然方法、KNN算法、小波预测理论[25]等。在这些非参数模型中,神经网络已经成为了最常用的建模手段,因为它具有很强的适应性、非线性和对任意的函数进行匹配的能力。本质上,神经网络可以在对输入和输出变量没有先验知识的情况下解决复杂的非线性问题。最近,一些基于神经网络的交通预测模型,比如基于多层感知器神经网络的预测方法[14],基于卡尔曼滤波的多层神经网络模型[28],基于时间延迟的神经网络[29],RBF神经网络[30],和基于SVM的回归模型[31]

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文文献综述,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。