基于行程时间分析的城市交通网络流量分配研究
发布时间：2021-07-14 02:56
实际交通出行中,由于受到各方面随机事件影响,交通路网的供给和需求都可能是不确定的,这种不确定性使得行程时间也呈现随机性变化。不同出行者风险偏好不同,当行程时间随机变化时,会选择不同路径出行,确保可以按时到达目的地。本文首先同时考虑时空因素对城市道路车辆行程时间进行预测,预测误差显示车辆行程时间的不确定性,进而提到出行者对行程时间可靠性的要求。然后从出行者风险规避角度出发,提出基于负效用确定性等价的出行者路径选择规则。最后,在给定择路规则下建立交通网络用户均衡模型,并引入可变车道建立混合网络设计模型进行求解。在已有研究成果的基础上,本论文主要开展了如下研究工作:1.考虑时空因素的城市道路行程时间预测。分析了城市道路相邻路段行程时间的空间相关性和不同时间路段行程时间的时间相关性。考虑到预测方法普适性和计算速度,提出一种考虑时空因素的改进K近邻方法。实证研究结果显示:路段行程时间短期预测的平均绝对误差百分比都在要求范围以内;通过与经典预测模型的预测结果比较发现,该方法预测精度和计算速度都可以更好的满足出行者需求。行程时间预测过程中,行程时间展现出随机特征,进而提出出行者路径选择的时间可靠性问...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：117 页
【学位级别】：博士
【部分图文】：
图３－１神经网络结构图??Ｆｉｇｕｒｅ?３－１?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??
以方向传播算法计算权重和阀值进行反复调整训练，目标为最小化网络的误差平??方和，即要使得输出目标和期望目标差在要求精度以内。当网络输出层的误差平??方和小于给定误差时，训练结束。图３－２展示了单隐层前馈网络的学习过程ｆ２２火??寒??输入层节点隐层节点输出层节点??图３－２单隐层前馈网络的学习过程图??Ｆｉｇｕｒｅ?３－２?Ｌｅａｒｎｉｎｇ?ｐｒｏｃｅｓｓ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｎｇｌｅ－ｈｉｄｄｅｎ?ｌａｙｅｒ?ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ＢＰ神经网络作为一种常用的非参数模型，有其自身的优缺点［２２气其优点是：??＊有很强的非线性拟合能力，可映射任意复杂的非线性关系，因此非常适合求解??内部机制复杂的问题。??＊学习规则简单，便于实现。使用便利的同时，ＢＰ神经网络本身的特性也决定??了它有一些无法避免的缺憾。??？?ＢＰ神经网络算法的学习速度较慢。原因在于，ＢＰ神经网络计算过程使用了梯??度下降法，该方法使得如果需要优化的函数结构比较复杂，则可能出现“锯齿??形现象”，计算效率会受到严重影响。另外，如果目标函数形式复杂，也会导??致在神经元输出值如果接近０或１时，出现一些计算平坦区，使得此时的计算??几乎陷入停顿
以方向传播算法计算权重和阀值进行反复调整训练，目标为最小化网络的误差平??方和，即要使得输出目标和期望目标差在要求精度以内。当网络输出层的误差平??方和小于给定误差时，训练结束。图３－２展示了单隐层前馈网络的学习过程ｆ２２火??寒??输入层节点隐层节点输出层节点??图３－２单隐层前馈网络的学习过程图??Ｆｉｇｕｒｅ?３－２?Ｌｅａｒｎｉｎｇ?ｐｒｏｃｅｓｓ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｎｇｌｅ－ｈｉｄｄｅｎ?ｌａｙｅｒ?ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ＢＰ神经网络作为一种常用的非参数模型，有其自身的优缺点［２２气其优点是：??＊有很强的非线性拟合能力，可映射任意复杂的非线性关系，因此非常适合求解??内部机制复杂的问题。??＊学习规则简单，便于实现。使用便利的同时，ＢＰ神经网络本身的特性也决定??了它有一些无法避免的缺憾。??？?ＢＰ神经网络算法的学习速度较慢。原因在于，ＢＰ神经网络计算过程使用了梯??度下降法，该方法使得如果需要优化的函数结构比较复杂，则可能出现“锯齿??形现象”，计算效率会受到严重影响。另外，如果目标函数形式复杂，也会导??致在神经元输出值如果接近０或１时，出现一些计算平坦区，使得此时的计算??几乎陷入停顿
【参考文献】：
期刊论文
[1]朝阳路潮汐车道运行效果评价[J]. 王敏,王江锋,熊若曦,陶志敏. 长安大学学报(自然科学版). 2015(S1)
[2]ATIS环境下随机动态路网行程时间可靠性0[J]. 郭洪洋,张玺,刘澜,马亚峰. 交通运输系统工程与信息. 2014(04)
[3]随机供给下的行程时间动态可靠性[J]. 张玺,刘海旭,蒲云. 系统工程. 2013(03)
[4]针对小样本数据集的鲁棒单隐层前馈网络建模方法[J]. 张荣,邓赵红,王士同,蔡及时,钱鹏江. 控制与决策. 2012(09)
[5]城市交通供给策略与交通需求管理对策研究[J]. 陆化普. 城市交通. 2012(03)
[6]信号控制交叉口可靠性建模与仿真[J]. 吕斌,牛惠民. 交通运输系统工程与信息. 2011(06)
[7]雨天高速公路网行程时间可靠性评价方法[J]. 王婧,何杰,吴炼. 交通运输系统工程与信息. 2011(06)
[8]基于出行时间预算的多模式多类用户城市交通均衡分析[J]. 要甲,史峰,周钊,邓连波. 中南大学学报(自然科学版). 2011(11)
[9]随机需求道路网络出行时间可靠性评估方法[J]. 况爱武,黄中祥,况群. 西南交通大学学报. 2011(05)
[10]冰雪条件下城市道路路段行程时间模型[J]. 冯雨芹,张春平,冷军强,张亚平. 黑龙江工程学院学报(自然科学版). 2011(01)
博士论文
[1]基于行程时间可靠性的城市交通网络分析[D]. 李小静.兰州交通大学 2015
[2]基于可靠性的城市交通网络分析[D]. 况爱武.长沙理工大学 2012
[3]冰雪条件下城市路网行程时间可靠性研究[D]. 冷军强.哈尔滨工业大学 2010
[4]城市道路交通网络设计问题的相关优化模型与算法[D]. 张好智.北京交通大学 2007
[5]基于可靠性分析的城市道路交通网络设计问题研究[D]. 许良.北京交通大学 2006
[6]道路网行程时间可靠性基础理论与方法研究[D]. 熊志华.北京交通大学 2006
本文编号：3283265
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：117 页
【学位级别】：博士
【部分图文】：
图３－１神经网络结构图??Ｆｉｇｕｒｅ?３－１?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??
以方向传播算法计算权重和阀值进行反复调整训练，目标为最小化网络的误差平??方和，即要使得输出目标和期望目标差在要求精度以内。当网络输出层的误差平??方和小于给定误差时，训练结束。图３－２展示了单隐层前馈网络的学习过程ｆ２２火??寒??输入层节点隐层节点输出层节点??图３－２单隐层前馈网络的学习过程图??Ｆｉｇｕｒｅ?３－２?Ｌｅａｒｎｉｎｇ?ｐｒｏｃｅｓｓ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｎｇｌｅ－ｈｉｄｄｅｎ?ｌａｙｅｒ?ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ＢＰ神经网络作为一种常用的非参数模型，有其自身的优缺点［２２气其优点是：??＊有很强的非线性拟合能力，可映射任意复杂的非线性关系，因此非常适合求解??内部机制复杂的问题。??＊学习规则简单，便于实现。使用便利的同时，ＢＰ神经网络本身的特性也决定??了它有一些无法避免的缺憾。??？?ＢＰ神经网络算法的学习速度较慢。原因在于，ＢＰ神经网络计算过程使用了梯??度下降法，该方法使得如果需要优化的函数结构比较复杂，则可能出现“锯齿??形现象”，计算效率会受到严重影响。另外，如果目标函数形式复杂，也会导??致在神经元输出值如果接近０或１时，出现一些计算平坦区，使得此时的计算??几乎陷入停顿
以方向传播算法计算权重和阀值进行反复调整训练，目标为最小化网络的误差平??方和，即要使得输出目标和期望目标差在要求精度以内。当网络输出层的误差平??方和小于给定误差时，训练结束。图３－２展示了单隐层前馈网络的学习过程ｆ２２火??寒??输入层节点隐层节点输出层节点??图３－２单隐层前馈网络的学习过程图??Ｆｉｇｕｒｅ?３－２?Ｌｅａｒｎｉｎｇ?ｐｒｏｃｅｓｓ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｎｇｌｅ－ｈｉｄｄｅｎ?ｌａｙｅｒ?ｆｅｅｄｆｏｒｗａｒｄ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ＢＰ神经网络作为一种常用的非参数模型，有其自身的优缺点［２２气其优点是：??＊有很强的非线性拟合能力，可映射任意复杂的非线性关系，因此非常适合求解??内部机制复杂的问题。??＊学习规则简单，便于实现。使用便利的同时，ＢＰ神经网络本身的特性也决定??了它有一些无法避免的缺憾。??？?ＢＰ神经网络算法的学习速度较慢。原因在于，ＢＰ神经网络计算过程使用了梯??度下降法，该方法使得如果需要优化的函数结构比较复杂，则可能出现“锯齿??形现象”，计算效率会受到严重影响。另外，如果目标函数形式复杂，也会导??致在神经元输出值如果接近０或１时，出现一些计算平坦区，使得此时的计算??几乎陷入停顿
【参考文献】：
期刊论文
[1]朝阳路潮汐车道运行效果评价[J]. 王敏,王江锋,熊若曦,陶志敏. 长安大学学报(自然科学版). 2015(S1)
[2]ATIS环境下随机动态路网行程时间可靠性0[J]. 郭洪洋,张玺,刘澜,马亚峰. 交通运输系统工程与信息. 2014(04)
[3]随机供给下的行程时间动态可靠性[J]. 张玺,刘海旭,蒲云. 系统工程. 2013(03)
[4]针对小样本数据集的鲁棒单隐层前馈网络建模方法[J]. 张荣,邓赵红,王士同,蔡及时,钱鹏江. 控制与决策. 2012(09)
[5]城市交通供给策略与交通需求管理对策研究[J]. 陆化普. 城市交通. 2012(03)
[6]信号控制交叉口可靠性建模与仿真[J]. 吕斌,牛惠民. 交通运输系统工程与信息. 2011(06)
[7]雨天高速公路网行程时间可靠性评价方法[J]. 王婧,何杰,吴炼. 交通运输系统工程与信息. 2011(06)
[8]基于出行时间预算的多模式多类用户城市交通均衡分析[J]. 要甲,史峰,周钊,邓连波. 中南大学学报(自然科学版). 2011(11)
[9]随机需求道路网络出行时间可靠性评估方法[J]. 况爱武,黄中祥,况群. 西南交通大学学报. 2011(05)
[10]冰雪条件下城市道路路段行程时间模型[J]. 冯雨芹,张春平,冷军强,张亚平. 黑龙江工程学院学报(自然科学版). 2011(01)
博士论文
[1]基于行程时间可靠性的城市交通网络分析[D]. 李小静.兰州交通大学 2015
[2]基于可靠性的城市交通网络分析[D]. 况爱武.长沙理工大学 2012
[3]冰雪条件下城市路网行程时间可靠性研究[D]. 冷军强.哈尔滨工业大学 2010
[4]城市道路交通网络设计问题的相关优化模型与算法[D]. 张好智.北京交通大学 2007
[5]基于可靠性分析的城市道路交通网络设计问题研究[D]. 许良.北京交通大学 2006
[6]道路网行程时间可靠性基础理论与方法研究[D]. 熊志华.北京交通大学 2006
本文编号：3283265
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3283265.html
