车速在不同路段,甚至不同车辆直接,由于受到道路状况、天气、性能等多方面因素的 影响,在城市道路这种复杂环境下具有较大的随机性,使用传统的参数模型及机器学习算法 无法取得较好的预测效果。 集成学习算法通过结合多个弱学习器,综合考虑全方位因素,适合处理多维特征数据 本项目利用天气等基础数据、历史车速数据,结合流量预测模型,建立基于集成学习方法的 随机森林模型,即包含多个决策树的分类器(输出的类别由各决策树输岀类别的众数决定)。 在不进行特征选择的前提下,该方法可进行高维度( multi- feature)数据的处理,且在训 练过程中能够检测不同特征输入之间的相互影响,并在训练过程中提取重要特征,从而实现 对路网各路段车速的短时预测 5)基于拥堵识别模型的城市道路拥堵预测 利用之前的路况表征模型、短时流量预测模型及车速预测模型得到目标路段在目标时间 点的交通状态预测值,使用建立的拥堵识别模型得到城市道路的历史拥堵数据,分长时和短 时对进行整个路网范围内的拥堵预测建模 34城市公共交通需求分析及预测技术 (1)基础数据分析 基于公交IC数据、GPS数据和手机信令数据,具体分析原始数据特征是对原始数据加 以挖掘利用的基础,为此首先对基础数据的采集可行性、基础数据的数据结构、基础数据的 预处理方法等进行分析与研究。 使用数据融合方法确定乘客的上车站点和下车站点,构建居民出行链,通过上下车站点 和换乘行为判断得到居民出行0D矩阵 (2)出行选择和行为识别 出行行为识别模型从手机的轨迹中解构出人的出行特征,包括出行链的识别,出行起点 识别、出行终点识别、家的识别、固定工作地(就学地)的识别、出行路径的识别、出行距 离、时耗、出发时间、出行方式识别等 (3)乘客需求特征分析 得到常规公交各条线路的线路设计指标后,结合上一步得到的出行OD矩阵分析乘客需 求特征,两个系统内和系统间进行纵向和横向对比,在线路位置、单线长度、站点区位、接 驳条件、发班次数等因素中,使用回归分析方法,寻找影响公交运营效果的关键因素 (4)公共交通需求预测车速在不同路段，甚至不同车辆直接，由于受到道路状况、天气、性能等多方面因素的 影响，在城市道路这种复杂环境下具有较大的随机性，使用传统的参数模型及机器学习算法 无法取得较好的预测效果。 集成学习算法通过结合多个弱学习器，综合考虑全方位因素，适合处理多维特征数据。 本项目利用天气等基础数据、历史车速数据，结合流量预测模型，建立基于集成学习方法的 随机森林模型，即包含多个决策树的分类器（输出的类别由各决策树输出类别的众数决定）。 在不进行特征选择的前提下，该方法可进行高维度（multi-feature）数据的处理，且在训 练过程中能够检测不同特征输入之间的相互影响，并在训练过程中提取重要特征，从而实现 对路网各路段车速的短时预测。 （5）基于拥堵识别模型的城市道路拥堵预测 利用之前的路况表征模型、短时流量预测模型及车速预测模型得到目标路段在目标时间 点的交通状态预测值，使用建立的拥堵识别模型得到城市道路的历史拥堵数据，分长时和短 时对进行整个路网范围内的拥堵预测建模。 3.4 城市公共交通需求分析及预测技术 （1）基础数据分析 基于公交 IC 数据、GPS 数据和手机信令数据，具体分析原始数据特征是对原始数据加 以挖掘利用的基础，为此首先对基础数据的采集可行性、基础数据的数据结构、基础数据的 预处理方法等进行分析与研究。 使用数据融合方法确定乘客的上车站点和下车站点，构建居民出行链，通过上下车站点 和换乘行为判断得到居民出行 OD 矩阵。 （2）出行选择和行为识别 出行行为识别模型从手机的轨迹中解构出人的出行特征，包括出行链的识别，出行起点 识别、出行终点识别、家的识别、固定工作地（就学地）的识别、出行路径的识别、出行距 离、时耗、出发时间、出行方式识别等。 （3）乘客需求特征分析 得到常规公交各条线路的线路设计指标后，结合上一步得到的出行 OD 矩阵分析乘客需 求特征，两个系统内和系统间进行纵向和横向对比，在线路位置、单线长度、站点区位、接 驳条件、发班次数等因素中，使用回归分析方法，寻找影响公交运营效果的关键因素。 （4）公共交通需求预测