针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行...针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次,采用多粒度分位数回归方法,综合考虑全局和局部特征,提供准确的置信区间估计。实验结果表明,所提方法能够有效量化不确定性,同时保证准确性并提供可靠的置信区间,从而提升结果的可用性和可信度。展开更多
电动出租车的规模化运营需要以充电设施为支撑。当前,对于电动出租车充电站规划,未能给出较为科学的方法。为此,综合考虑出租车驾驶员充电经济性、充电站服务便捷性以及配电网运行的经济性和安全性,提出一种基于出租车随机概率行为特性...电动出租车的规模化运营需要以充电设施为支撑。当前,对于电动出租车充电站规划,未能给出较为科学的方法。为此,综合考虑出租车驾驶员充电经济性、充电站服务便捷性以及配电网运行的经济性和安全性,提出一种基于出租车随机概率行为特性和道路行程时间可靠性的多目标规划方法,建立以全社会出租车充电时间最小、行程时间可靠性最高、配电网网损最低为目标函数,以充电站站间距离、配电网安全运行指标为约束条件的多目标规划模型。其次,基于排队理论的M/G/c模型,采用带约束条件的边际分析法对充电站容量进行优化配置。在此基础上,采用NSGA-2对模型进行求解,获得多目标模型的帕累托前沿,通过逼近理想排序法(technique for order preference by similarity to ideal solution,TOPSIS)确定最优规划方案。最后,通过包含47节点路网与60节点配电网的算例,验证了所提方法的正确性和有效性。展开更多
为提高城市主干路交通流平均行程时间的估计精度,根据路段上游检测器采集的截面流量,建立了3种BPR(bureau of public roads)修正模型,包括全状态累积流量BPR修正模型、分状态标定的BPR模型和分状态累积流量BPR修正模型.仿真结果表明:全...为提高城市主干路交通流平均行程时间的估计精度,根据路段上游检测器采集的截面流量,建立了3种BPR(bureau of public roads)修正模型,包括全状态累积流量BPR修正模型、分状态标定的BPR模型和分状态累积流量BPR修正模型.仿真结果表明:全状态累积流量BPR修正模型明显优于传统的BPR模型;分状态标定的BPR模型和分状态累积流量BPR修正模型可以进一步提高估计精度,且后者可将阻滞交通状态下的平均估计误差降低至8.05%.展开更多
文摘针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation,GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次,采用多粒度分位数回归方法,综合考虑全局和局部特征,提供准确的置信区间估计。实验结果表明,所提方法能够有效量化不确定性,同时保证准确性并提供可靠的置信区间,从而提升结果的可用性和可信度。
文摘电动出租车的规模化运营需要以充电设施为支撑。当前,对于电动出租车充电站规划,未能给出较为科学的方法。为此,综合考虑出租车驾驶员充电经济性、充电站服务便捷性以及配电网运行的经济性和安全性,提出一种基于出租车随机概率行为特性和道路行程时间可靠性的多目标规划方法,建立以全社会出租车充电时间最小、行程时间可靠性最高、配电网网损最低为目标函数,以充电站站间距离、配电网安全运行指标为约束条件的多目标规划模型。其次,基于排队理论的M/G/c模型,采用带约束条件的边际分析法对充电站容量进行优化配置。在此基础上,采用NSGA-2对模型进行求解,获得多目标模型的帕累托前沿,通过逼近理想排序法(technique for order preference by similarity to ideal solution,TOPSIS)确定最优规划方案。最后,通过包含47节点路网与60节点配电网的算例,验证了所提方法的正确性和有效性。
文摘为提高城市主干路交通流平均行程时间的估计精度,根据路段上游检测器采集的截面流量,建立了3种BPR(bureau of public roads)修正模型,包括全状态累积流量BPR修正模型、分状态标定的BPR模型和分状态累积流量BPR修正模型.仿真结果表明:全状态累积流量BPR修正模型明显优于传统的BPR模型;分状态标定的BPR模型和分状态累积流量BPR修正模型可以进一步提高估计精度,且后者可将阻滞交通状态下的平均估计误差降低至8.05%.
