期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于PSO-SVM的居民出行方式预测模型
被引量：
7
1
作者
许铁
高林杰
+1 位作者
景鹏
陈东清
《交通运输系统工程与信息》
EI
CSCD
2011年第5期155-161,共7页
居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性...
居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.
展开更多
关键词
城市交通
出行方式预测
支持向量机
粒子群算法
参数选择
在线阅读
下载PDF
职称材料
基于集成学习和居民属性数据的出行方式预测模型
被引量：
5
2
作者
苏跃江
温惠英
+2 位作者
袁敏贤
吴德馨
漆巍巍
《交通运输系统工程与信息》
EI
CSCD
北大核心
2023年第3期153-160,共8页
传统的效用理论模型以整体效用最大化为目标,忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性,解决了不同出行特征影响因素...
传统的效用理论模型以整体效用最大化为目标,忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性,解决了不同出行特征影响因素对于不同人群有不同效用表征问题。本文依托大样本居民属性数据,针对不同个体对不同影响因素的感知差异,结合居民出行调查的个人属性、出行属性及环境属性等相关影响因素进行综合分析,构建个体级居民的出行特征向量;研究构建基于集成学习方法的居民出行方式预测模型;以广州市为例进行实证分析,通过准确率、精确率、召回率和F1值这4个指标,对模型预测结果进行综合评价;针对部分出行属性相似导致细分的出行方式判别精度不高,按照大类方式、慢行交通、公共交通、个体机动化交通这4个类别构建层次化LightGBM(Light Gradient Boosting Machine)模型,并对GBDT(Gradient Boosting Decision Tree)、Random Forest、LightGBM、层次化LightGBM这4个模型预测结果进行综合对比。分析结果表明:LightGBM模型预测慢行交通、公共交通、个体机动化等三大类出行方式的平均准确率约为87%,其中慢行交通方式预测准确率最高,为92%;预测精细化出行方式平均准确率约为78%,其中步行方式预测准确率最高,为89%;LightGBM模型适用于城市级的居民出行方式预测,是一种有效的居民出行方式选择的预测方法。
展开更多
关键词
城市交通
集成学习
居民属性数据
特征向量
出行方式预测
模型
LightGBM
在线阅读
下载PDF
职称材料
基于居民属性数据的出行碳排放预测模型
被引量：
2
3
作者
苏跃江
温惠英
+3 位作者
袁敏贤
吴德馨
周芦芦
漆巍巍
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024年第8期23-33,共11页
准确分析居民出行方式的碳排放及方式选择影响因素的重要性和敏感性,是精准制定交通减排措施的基础。根据居民出行调查的家庭属性、个人属性、出行属性和环境属性等影响因素综合分析,基于LightGBM(Light Gradient Boosting Machine)构...
准确分析居民出行方式的碳排放及方式选择影响因素的重要性和敏感性,是精准制定交通减排措施的基础。根据居民出行调查的家庭属性、个人属性、出行属性和环境属性等影响因素综合分析,基于LightGBM(Light Gradient Boosting Machine)构建了居民出行方式预测模型并进行验证,结合出行活动水平、各种能源类型的碳排放系数、标准煤系数等参数,构建了基于居民属性数据的出行碳排放预测模型;最后,以广州市为例进行实证分析,对居民出行方式和碳排放总量进行预测,并分析了出行方式选择影响因素的重要程度和重要因素敏感性。结果表明:基于居民属性数据构建的碳排放预测模型,能较为精确地预测各种出行方式的碳排放,较好地分析碳排放的影响因素重要性和敏感性,以及全面揭示出行行为、出行方式和出行碳排放之间的关系。其中,起终点距最近公交站的距离或距最近地铁站的距离、自驾车费用、出行距离等是影响居民出行方式选择的重要因素。当起终点距最近地铁站距离下降55%时,地铁出行竞争力随着距离缩短而明显提升;在公交站点密度较大的区域,起终点距最近公交站距离对居民出行方式选择不敏感;当碳排放费用增加400%时为居民出行方式和碳排放的转折点,超过转折点后小汽车出行方式难以转移;当出行距离下降幅度在90%以内时,碳排放下降速度最快,最大降幅为90.4%。
展开更多
关键词
城市交通
居民属性数据
出行方式预测
碳排放
预测
敏感性分析
在线阅读
下载PDF
职称材料
题名
基于PSO-SVM的居民出行方式预测模型
被引量：
7
1
作者
许铁
高林杰
景鹏
陈东清
机构
福建交通职业技术学院
上海交通大学交通运输工程研究所
福州大学管理学院
出处
《交通运输系统工程与信息》
EI
CSCD
2011年第5期155-161,共7页
基金
国家自然科学基金项目(50808123)
文摘
居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.
关键词
城市交通
出行方式预测
支持向量机
粒子群算法
参数选择
Keywords
urban traffic
trip mode prediction
support vector machine（SVM）
particle swarm optimization（PSO）
parameter selection
分类号
U491.12 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
基于集成学习和居民属性数据的出行方式预测模型
被引量：
5
2
作者
苏跃江
温惠英
袁敏贤
吴德馨
漆巍巍
机构
华南理工大学
广州市交通运输研究院有限公司
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2023年第3期153-160,共8页
基金
国家自然科学基金面上项目(52072131)
广州市科技计划项目(202206010056)。
文摘
传统的效用理论模型以整体效用最大化为目标,忽略了影响居民出行方式选择肢间可能存在相关性以及部分效用相互补偿性。基于集成学习的居民出行方式预测模型可以有效表达出行效用的个体偏好、差异性和补偿性,解决了不同出行特征影响因素对于不同人群有不同效用表征问题。本文依托大样本居民属性数据,针对不同个体对不同影响因素的感知差异,结合居民出行调查的个人属性、出行属性及环境属性等相关影响因素进行综合分析,构建个体级居民的出行特征向量;研究构建基于集成学习方法的居民出行方式预测模型;以广州市为例进行实证分析,通过准确率、精确率、召回率和F1值这4个指标,对模型预测结果进行综合评价;针对部分出行属性相似导致细分的出行方式判别精度不高,按照大类方式、慢行交通、公共交通、个体机动化交通这4个类别构建层次化LightGBM(Light Gradient Boosting Machine)模型,并对GBDT(Gradient Boosting Decision Tree)、Random Forest、LightGBM、层次化LightGBM这4个模型预测结果进行综合对比。分析结果表明:LightGBM模型预测慢行交通、公共交通、个体机动化等三大类出行方式的平均准确率约为87%,其中慢行交通方式预测准确率最高,为92%;预测精细化出行方式平均准确率约为78%,其中步行方式预测准确率最高,为89%;LightGBM模型适用于城市级的居民出行方式预测,是一种有效的居民出行方式选择的预测方法。
关键词
城市交通
集成学习
居民属性数据
特征向量
出行方式预测
模型
LightGBM
Keywords
urban traffic
ensemble learning
resident attribute data
feature vector
travel mode prediction model
LightGBM
分类号
U491 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
基于居民属性数据的出行碳排放预测模型
被引量：
2
3
作者
苏跃江
温惠英
袁敏贤
吴德馨
周芦芦
漆巍巍
机构
华南理工大学土木与交通学院
广州市交通运输研究院有限公司
广州市国际工程咨询有限公司
出处
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024年第8期23-33,共11页
基金
国家自然科学基金资助项目(52072131)
广东省自然科学基金资助项目(2023A1515011322)
广州市科技计划项目(202206010056)。
文摘
准确分析居民出行方式的碳排放及方式选择影响因素的重要性和敏感性,是精准制定交通减排措施的基础。根据居民出行调查的家庭属性、个人属性、出行属性和环境属性等影响因素综合分析,基于LightGBM(Light Gradient Boosting Machine)构建了居民出行方式预测模型并进行验证,结合出行活动水平、各种能源类型的碳排放系数、标准煤系数等参数,构建了基于居民属性数据的出行碳排放预测模型;最后,以广州市为例进行实证分析,对居民出行方式和碳排放总量进行预测,并分析了出行方式选择影响因素的重要程度和重要因素敏感性。结果表明:基于居民属性数据构建的碳排放预测模型,能较为精确地预测各种出行方式的碳排放,较好地分析碳排放的影响因素重要性和敏感性,以及全面揭示出行行为、出行方式和出行碳排放之间的关系。其中,起终点距最近公交站的距离或距最近地铁站的距离、自驾车费用、出行距离等是影响居民出行方式选择的重要因素。当起终点距最近地铁站距离下降55%时,地铁出行竞争力随着距离缩短而明显提升;在公交站点密度较大的区域,起终点距最近公交站距离对居民出行方式选择不敏感;当碳排放费用增加400%时为居民出行方式和碳排放的转折点,超过转折点后小汽车出行方式难以转移;当出行距离下降幅度在90%以内时,碳排放下降速度最快,最大降幅为90.4%。
关键词
城市交通
居民属性数据
出行方式预测
碳排放
预测
敏感性分析
Keywords
urban traffic
resident attribute data
travel mode prediction
carbon emission prediction
sensitivity analysis
分类号
U491 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于PSO-SVM的居民出行方式预测模型
许铁
高林杰
景鹏
陈东清
《交通运输系统工程与信息》
EI
CSCD
2011
7
在线阅读
下载PDF
职称材料
2
基于集成学习和居民属性数据的出行方式预测模型
苏跃江
温惠英
袁敏贤
吴德馨
漆巍巍
《交通运输系统工程与信息》
EI
CSCD
北大核心
2023
5
在线阅读
下载PDF
职称材料
3
基于居民属性数据的出行碳排放预测模型
苏跃江
温惠英
袁敏贤
吴德馨
周芦芦
漆巍巍
《华南理工大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
