导读:本文包含了行程时间论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:行程,时间,神经网络,高速公路,模型,学习机,门控。
行程时间论文文献综述
韩勇,周林,高鹏,王舒康,陈戈[1]（2020）在《基于BP神经网络的公交动态行程时间预测方法研究》一文中研究指出公交行程时间的精确预测对于提升公交吸引力具有重要意义。本文基于公交车到离站的历史数据,综合考虑时间周期、站点、站间距离、天气等多个因素,建立了基于BP神经网络的公交车静态行程时间预测模型,以该模型为基础,采用动态迭代的方法,迭加多个站间行程时间预测结果,进一步构建了面向连续站点的公交车动态行程时间预测模型,实现对跨越多个站点的公交行程时间预测。以青岛市125路公交为例对算法进行测试。在模型的横向对比实验中,本模型预测结果的绝对误差均在50 s以内,平均绝对误差百分比(MAPE)为11.74%,均方根误差(RMSE)为23.15,R~2的确定系数为0.905 1,SVM的MAPE、RMSE、R~(2 )误差指标分别为:12.38%、38.33、0.743 6,LR对应的误差指标分别为:12.50%、25.59、0.884 1;在静态模型与动态模型的对比实验中,动态模型预测结果的MAPE为11.75%,RMSE为23.15,静态模型对应误差指标分别为:11.63%、26.74。研究结果表明,基于BP神经网络的公交动态行程时间预测模型比传统的静态预测方法具有更高的预测精度。(本文来源于《中国海洋大学学报(自然科学版)》期刊2020年02期）
王召月,袁绍欣[2]（2019）在《基于概率分布估计的私家车和出租车行程时间可变性度量》一文中研究指出自动车牌识别数据中含有不能反映通常交通状况的异常数据,会对行程时间可变性的度量产生干扰。代表通常交通状况的有效数据由多种群组成,在概率分布上具有多峰、偏斜等特点,使用固定数量分布很难准确拟合有效数据的分布。这也导致具有右向长尾分布特点的异常数据识别困难。基于对数正态分布的K分支混合模型,通过动态确定分支数K实现两类数据的区分并对有效数据分布进行最佳拟合。算法对出租车和私家车样本数据取得了良好的异常数据识别效果,并对两种出行方式的行程时间可变性进行准确度量。实验结果表明,异常数据的存在对行程时间可变性度量的统计结果有明显的干扰,若不滤除会在出行决策上产生误判。(本文来源于《计算机应用与软件》期刊2019年12期）
刘松,彭勇,邵毅明,宋乾坤[3]（2019）在《基于门控递归单元神经网络的高速公路行程时间预测》一文中研究指出为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.(本文来源于《应用数学和力学》期刊2019年11期）
张月,孔德文,孙立山,杨亚璪[4]（2019）在《路侧停车行为对车流行程时间的影响》一文中研究指出为实施精准化、动态化路侧停车管理策略,协调道路行车与停车之间的关系,剖析了路侧停车行为对交通流的干扰机理。选取北京市4处典型路侧停车带,基于路侧停车订单和实地调研数据,对停车设施利用特征、停车时长分布特征、停放车辆数目分布和驶入车辆数目分布等典型的停车行为特征进行了量化,建立了道路周边用地性质与停车行为的映射关系;并根据以上特征规律建立路侧停车带设置于机非混行路段的仿真模型,分析最高允许停放时长、路段交通量和停车需求量等关键因素对路段机动车行程时间的影响规律,定量描述了各因素不同区间值对行程时间波动程度与波动范围的影响。选取新街下坡路侧停车带为例,以控制车流行程时间延误为目标,综合考虑各时段的交通流特征、停车设施利用效率和停车需求量等要素,从停车泊位数目设置、停车需求控制和停车时长角度提出了相关的优化措施。结果表明,限制停车时长为1 h能有效降低道路交通影响,道路机动车交通量低于440 veh/h或停车需求下降30%时,行程时间的波动程度和波动范围趋于稳定,交通影响的改善效果达到瓶颈期。(本文来源于《交通信息与安全》期刊2019年05期）
郝佳晨,王磊[5]（2019）在《车辆构成比例与行程时间可靠性关系研究》一文中研究指出为探究车辆行程时间可靠性的变化,本文在不考虑天气因素的条件下,分析随着路段交通量和大型车比例的变化,小型车行程时间可靠性变化特征。首先对高速公路收费数据进行预处理,OD对重构获得各路段交通量,采用非参数KS检验法,判断不同交通量、大型车比例下小型车行程时间是否满足对数正态分布。以标准差、缓冲指数、拥挤频率作为路段可靠性评价指标,分析路段可靠性变化特征。本文以甘肃省高速公路收费数据作为基础数据验证分析,研究结果表明:(1)不同交通量、大型车比例下小型车行程时间满足对数正态分布;(2)总交通量大于1100pcu时,路段交通流稳定性明显降低,大型车数量大于等于210pcu同时小于270pcu时,拥挤频率最高,在0.35～0.55之间波动,可靠性最低;当大型车数量大于290pcu时,小型车平均行程时间可靠性上升。研究成果对研究大型车对智能交通的研究提供基础,为高速公路交通管控提供理论支持。(本文来源于《青海交通科技》期刊2019年05期）
杨超,胡尧,商明菊,李扬,周江娥[6]（2019）在《基于SV模型的行程时间预测》一文中研究指出行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。(本文来源于《贵州大学学报(自然科学版)》期刊2019年05期）
杨航,王忠宇,邹亚杰,吴兵[7]（2019）在《基于二次修正的短时行程时间预测模型》一文中研究指出为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.(本文来源于《同济大学学报(自然科学版)》期刊2019年10期）
阳敏辉[8]（2019）在《基于在线序列极限学习机的路段行程时间预测算法》一文中研究指出本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。(本文来源于《电子技术与软件工程》期刊2019年18期）
王龙飞,周昱丽[9]（2019）在《山西发展的“金”“新”“绿”》一文中研究指出九月初的山西，秋高气爽，碧空万里。9月2日至9月7日，参加“能源革命看山西”——第十四届全国网络媒体山西行活动的近40家网媒60余名记者，行程2000多公里，从锦绣太原，到大美阳泉；从文化晋中，再到智能晋城、魅力长治，到最鲜活的一线，探访山西能源革命取得(本文来源于《山西经济日报》期刊2019-09-18）
程娟,陈先华[10]（2019）在《基于梯度提升决策树的高速公路行程时间预测模型（英文）》一文中研究指出为研究高速公路行程时间预测方法,基于梯度提升决策树(GBDT)建立了行程时间预测模型.提出的模型中选用11个变量(当前时段行程时间T_i、当前时段流量Q_i、当前时段速度V_i、当前时段密度K_i、当前时段车辆数N_i、当前时段占有率R_i、当前时段交通状态参数X_i、前一个时段行程时间T_(i-1)等)预测向前10 min的行程时间.利用VISSIM仿真得到的数据对模型进行训练和测试.结果表明,GBDT模型的预测误差小于BP神经网络模型和支持向量机模型;GBDT模型中当前时段行程时间T_i在所有变量中最重要.GBDT模型能够得到更准确的预测结果,能深入挖掘变量与预测行程时间之间隐藏的非线性关系.(本文来源于《Journal of Southeast University(English Edition)》期刊2019年03期）
行程时间论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
自动车牌识别数据中含有不能反映通常交通状况的异常数据,会对行程时间可变性的度量产生干扰。代表通常交通状况的有效数据由多种群组成,在概率分布上具有多峰、偏斜等特点,使用固定数量分布很难准确拟合有效数据的分布。这也导致具有右向长尾分布特点的异常数据识别困难。基于对数正态分布的K分支混合模型,通过动态确定分支数K实现两类数据的区分并对有效数据分布进行最佳拟合。算法对出租车和私家车样本数据取得了良好的异常数据识别效果,并对两种出行方式的行程时间可变性进行准确度量。实验结果表明,异常数据的存在对行程时间可变性度量的统计结果有明显的干扰,若不滤除会在出行决策上产生误判。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
行程时间论文参考文献
[1].韩勇,周林,高鹏,王舒康,陈戈.基于BP神经网络的公交动态行程时间预测方法研究[J].中国海洋大学学报(自然科学版).2020
[2].王召月,袁绍欣.基于概率分布估计的私家车和出租车行程时间可变性度量[J].计算机应用与软件.2019
[3].刘松,彭勇,邵毅明,宋乾坤.基于门控递归单元神经网络的高速公路行程时间预测[J].应用数学和力学.2019
[4].张月,孔德文,孙立山,杨亚璪.路侧停车行为对车流行程时间的影响[J].交通信息与安全.2019
[5].郝佳晨,王磊.车辆构成比例与行程时间可靠性关系研究[J].青海交通科技.2019
[6].杨超,胡尧,商明菊,李扬,周江娥.基于SV模型的行程时间预测[J].贵州大学学报(自然科学版).2019
[7].杨航,王忠宇,邹亚杰,吴兵.基于二次修正的短时行程时间预测模型[J].同济大学学报(自然科学版).2019
[8].阳敏辉.基于在线序列极限学习机的路段行程时间预测算法[J].电子技术与软件工程.2019
[9].王龙飞,周昱丽.山西发展的“金”“新”“绿”[N].山西经济日报.2019
[10].程娟,陈先华.基于梯度提升决策树的高速公路行程时间预测模型（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2019
论文知识图
