車路協(xié)同環(huán)境下公交車輛到站時間預測及控制策略研究.pdf

1、隨著社會經濟的發(fā)展，城市機動車私有化程度也隨之不斷提升，道路擁堵問題日益嚴重。自20世紀80年代起，國家交通相關政策性文件都將公交優(yōu)先作為改善城市交通擁堵和緩解交通污染的一種經濟、可行、有效的手段，大批學者也圍繞公交優(yōu)先方法展開了深入研究。然而，城市道路環(huán)境復雜多變，公交運行過程中存在諸多干擾，而傳統(tǒng)意義上針對公共汽車的“公交優(yōu)先”多集中于公交專用車道等交通設施的建設，忽略了公交運營管理的作用，因此，真正意義上的“公交優(yōu)先”仍面臨挑戰(zhàn)。

2、
　　信息感知和車路協(xié)同等相關技術的發(fā)展，為動態(tài)獲取公交車輛和路側設備的實時信息提供了技術支撐，使得針對公交車輛到站時間預測及動態(tài)控制策略的研究具有了實際意義，其既可為乘客提供更為準確的出行信息，亦可為公交運營管理者提供動態(tài)控制的決策支持?；诖耍疚恼归_廠車路協(xié)同環(huán)境下的公交車輛到站時間預測及控制策略研究。
　　首先，設計了一種適用于基于車路協(xié)同技術的常規(guī)公交車輛動態(tài)控制的平臺框架，該平臺集合了數據采集、數據存儲、數據處理

3、及數據發(fā)布四大系統(tǒng)。此平臺作為預測及控制的載體，對數據約定、傳輸通信技術及各系統(tǒng)實現功能進行了詳細闡述，是本研究中車路協(xié)同環(huán)境的具體定義。
　　其次，對公交車輛到站時間的影響因素進行了分析，選取了20個因素作為常規(guī)方法（方差分析及Spearman秩相關系數）和Boruta算法的原始特征，以四川省自貢市1路公交車輛2014年10月運行數據為例，經過同類特征融合后，確定到站時間預測模型的9個輸入特征。實驗證明，特征選擇可以大幅提高支持

4、向量回歸機和人工神經網絡這類傳統(tǒng)機器學習模型的預測準確性，驗證了特征選擇的有效性。
　　然后，分析對比了傳統(tǒng)機器學習算法——支持向量回歸機模型和人工神經網絡模型的優(yōu)劣，提出以自助采樣法為核心，以袋外數據校驗確定權值，以人工神經網絡模型為弱學習器的加權Bagging-ANN集成學習模型。在實際案例分析中證明了，本文提出的加權Bagging-ANN模型比傳統(tǒng)機器學習模型，在預測的準確性和穩(wěn)定性兩個方面都具有顯著優(yōu)勢，并且其在小樣本數據