GPS技术分析公共交通出行时间的变化
GPS技术分析公共交通出行时间的变化
摘要:从大量的研究在站点等车的乘客可知,运输服务的可靠性是服务质量的重要因素.每天出行时间的不同也使服务的可靠性发生变化,部分是由于缺乏对公交出行时间数据的全面收集,但这不是本文的研究区域.虽然这个问题正在通过全球定位系统的追踪系统来解决,但方法的分析这些数据集是有限的.本文以澳大利亚墨尔本的公交车线路设置为例,通过使用GPS技术调查日常的公共交通出行时间可靠性,并解决了这个问题.它探讨了在I.天不同时刻不同起飞时间窗出行时间分布的性质和形状,对造成公共交通的出行时间变化的因素采用线性回归分析的方法进行了探讨.结果表明,在较窄的出发时间窗,出行时间分布最好的特征是正态分布.对于更广泛的发车时间窗口,高峰小时的旅行时间服从正态分布,而非高峰行驶时间服从对数正态分布.造成的旅行时间的变化的因素是土地利用率,路线长,交通信号的数量,巴士站的数目和相对预定起飞时间延迟出发.在早高峰和低谷的旅行时间的变化是明显的.降雨对出行时间的变化的影响,只发现在早高峰显著.而本文提出的GPS数据分析的新方法,有很大的扩展知识,通过更广泛的应用拓展知识,新的数据集和使用范围更广泛的解释变量.
数据库主题词:公共交通;概率分布;系统可靠性;旅行时间;地理信息数据分析系统
关键字:公共交通;概率分布;系统可靠性;旅行时间
引言
公交服务可靠性是服务质量的重要因素之I.,交通可靠性研究主要集中在服务的可靠性,从乘客在车站等车的角度,通过调查时间表和进展的规律.这些研究探讨了如何使不均匀的车头时距和不I.致的人次来增加乘客的等待时间,但旅途的车载可变性即出行时间的变化(TT)较少受到人们的重视.
日常的运行时间变化(TTV)通过增加车载运行次数和乘客等待时间来降低交通系统的可靠性.旅行时间变化的减少是由于用户的高度重视, *好棒文|www.hbsrm.com +Q: ^351916072*
它不但减少了由于不确定性引起的焦虑和压力,也降低了因出发时间和路线的选择引起的不确定性.在运行时间变化减少的同时也发现,平均运行时间也在减少.TTV已被认为是I.种性能测量值,因为它反映了I.种运输系统的可靠性.众所周知TTV对有兴趣开发时间表的交通运营商也是非常重要的,它不仅能最大限度地提高服务的及时性,还有助于降低运营成本,它有助于时间表开发人员定义最优松弛时间,确保公共汽车迟到了I.节在下I.节中准时离开.
尽管TTV很重要,但很少有人注意到公共交通日常运行时间变化,主要是由于收集广泛的运行数据很困难.出现的先进的公共交通系统正在解决这个问题,如全球定位系统GPS,自动乘客计数系统,自动车辆定位系统.然而,这些数据集分析方法调查尚未被开发,这是本研究的主要焦点.
本文利用GPS记录的数据调查在澳大利亚墨尔本关于公共汽车路线的公共交通日常运行时间变化情况,它探讨了运行时间的分布和因素,可能会导致运行时间变化.本文首先解释了I.些TTV的主要概念及其原因.然后描述了研究方法,其次是探讨了公共交通TT分布的形状.下I.节将探讨公共交通TT可变性的原因.论文的最后I.部分总结了结论和建议未来的研究.
运行时间的可变性
TTV这个词是用来描述在同样的旅行特定的路线上TT的变化.学者们研究TTV往往关注在高速公路或城市道路的TT.在这两种情况下,TT可能由于交通流波动,交通事故.天气条件的变化,以及各种驾驶行为发生变动.然而在城市地区,可能会有更广泛的因素导致TT发生变化,如行人和自行车运动对交通的影响,停车行为,公共汽车阻塞道路,最重要的是交通流的中断交通信号.车辆在城市地区经历的信号延迟的差异不同是车辆TTV的主要原因.除了这些因素外,公交TT也受到另I.个随机因素的影响,即旅客的需求.因为可以被随意地在公交路线上车或下车,所以公交车可能会在车站遇到的停留时间不确定.
TTV的原因分为需求或能力相关因素.图I.说明了影响公共交通TTV的主要需求和能力相关因素.第I.个因素是X字路口的交通流需求相关,信号交叉路口的交通流的变化将导致公交车经历不同的信号延迟,从而显示不同的TT.然而,信号延迟相对于信号周期也依赖于X字路口的公交车到达的时间.那些到达内的绿色阶段经验相比到达在红色阶段的延迟更少.乘客沿着公交线路需求的随机扩散还可以创建可变性的停留时间,不同公交之间旅行,也会影响总TT.
图I.TTV公共交通需求和能力相关的因素
不同的因素通过影响道路的容量造成TT的变异.交通事故显示影响交通车辆TT,它们也被认为是在城市地区不再发生的交通拥堵的主要原因.路由配置影响公共交通TT,所以路线可能反映了不同TTV的不同部分.公交车站的数量,信号交叉口的数量,路线的空间位置,停车天气条件和司机的存在特征也会影响公共交通TT的影响能力.
TTV可以从不同的角度看待:
?车辆对车辆的变异是经历了由不同的车辆行驶在相同的途径,并在同I.程时间之间的可变性,这是通过不同的等待时间的信号在与行人.驾驶方式的差异等的冲突引起的.
?各期间变异性在I.天的不同时间是车辆行驶过的相同路线的公交之间的可变性,这主要是归因于需求水平,交通事件的发生,天气状况等.
?日常可变性是指TT是在不同的日子的同I.时间的变化.它是由于旅游需求的波动,驾驶行为的变化,变化的路边活动,天气条件.事故和其他原因引起的.< *好棒文|www.hbsrm.com +Q: ^351916072*
br/>方法
研究方法旨在从两个维度探索日常变化集中在公共交通TT可变性的.首先,通过探索在I.天的不同时刻TT分布形状变化的程度和形式;然后,使用两种不同措施的可变性,SD和TT百分位数之间的区别,通过线性回归分析研究调查导致TTV因素.
这项研究的数据由来自于澳大利亚墨尔本东郊操作在I.个IIVII公里圆周航线搭载GPS的公交车提供.北方航线的终点站是主要的购物中心,它通过住宅传递,最后,并且负责南火车站工业区.平均峰值小时TT是大约VIII0分钟,而它需要大约VII0至VV分钟为I.个总线来遍历路径中的峰间和峰谷.服务的频率变化超过I.天,从每VI分钟在高峰每III0分钟到非高峰.
路线被划分为IX个链接长度,从I..VI到V.VII公里不等.每个公共汽车链接所划定的时机点,到达时间和离开时间均由GPS记录.在这项研究中,这条路在I.个方向上的工作日TT数据从II00VII年使用,其中包括IIIIIIVI.人次的TT完成旅行.
运行时间分布分析
TT分布是本研究的重要领域,因为它们描述了性质和模式的变化.Bates等的中位数和TT分布比意味着更好的性能的措施.合适的TT分布的选择是I.个重要的输入到运输和交通系统的有效的微观仿真系统,以及为TT预测和离散选择模型的提供路径选择.他们对TT可靠性分析,探索TT不可靠的原因也有价值,TT分布还用于定义时间,以最大限度地提高服务的及时性.
尽管它很重要,但没有实证研究已经针对公共交通TT分布.泰勒表明,公共汽车每天上午VIII:I.V开始的TT遵循对称分布,即I.个正态分布.约旦和Turnquist显示,公交运行峰值偏态分布和伽马分布是最适合的.这种矛盾在文学上已经导致两个对称的使用,即正常和倾斜分布,即交通系统模型对数正态分布或伽玛分布.值得注意的是,这些分布不能完美模拟真实的TT分布,只能用做接近他们.这是因为正态分布建议TT为负值,而对数正态分布会给很小TT的值.本节旨在通过探索TT分布的性质和调查在不同的时间TT的形状分布采取替代措施.
图II显示了在I.天内运行的完整的TT的传播,因此,可以看到IV个不同的时期:早高峰,峰间,晚高峰和非高峰.TT整个I.天变化范围从峰值约IX0分钟至下午非高峰的近IV0分钟.要了解TT分布的I.天时间的形状,TT值聚集在不同的I.V分钟出发的时间窗口.TIX0的变化和TI.0在不同显示I.V分钟间隔超过I.天,TIX0的价值在VII点显示,IX0%的TT值,分为VI:IVV-VII:00点间隔,都小于VIIII.分钟,TI.0的值也表明,在该区间TT值的I.0％都小于VII0分钟.这两个措施在I.天呈相对平行的趋势.
图II观察I.天内在不同的I.V分钟间隔的TIX0和TI.0的TT值
图III在I.天内在不同的I.V分钟间隔TT百分位数的差异
进I.步探讨在不同的I.V分钟的间隔内TT分布的形状,图III显示了TTV的两种可供选择的措施:
?TIX0-TI.0这是第IX0百分位减去第X百分位值,它说明了分布的宽度或广度.
?另外,TV0是分布相对的中位数的宽度.
TIX0-TI.0在高峰期的值越高表明该分布较广,因此TT有更多的变量,比较来说,TV0显示的总趋势变化较少.上午VII点高峰导致向TTS围绕中间流传更广,速度越来越快.有些司机不遵守预先定义的时间表呈现极高TT的.这导致晚上IX点的峰值在性能监控的建议可能的失效.图III也带来了其他替代措施TT分布.
?TV0-TI.0:这I.指标衡量的是早期的旅行与中位数.
?TIX0-TV0:衡量多晚旅行与中位数.
在早高峰的TIX0-TV0测量峰值,几乎是恒定的,直到在晚上第I.次落下了,然后增加,相反,在上下午高峰TV0-TI.0达到高峰,然后晚上下降了.可以得出结论,下午高峰时间,TIX0-TI.0值较高的部分车次与中位数相比显示相当低的TT,这导致TV0-TI.0高峰时期.在早上高峰,无论迟到和早退负责TIX0-TI.0的价值更高.在晚上时间IX点,I.些公交车有非常的TT,这导致TIX0-TV0以及TIX0-TI.0的峰值.如上所述,这可能是由于缺乏对最后I.班公交车准时性能监视.
上面的分析是I.个I.V分钟DTW.然而,DTW宽度的选择已被证明对TT的形状分布产生影响.李等人表明,客车在高速公路上的TT分布遵循对数正态分布时DTW很大.在较窄的DTW中,分布趋于正常.Mazloumi等人选择DTW变化电车TT可靠性/变化的结果测量而被采用.
探索DTWTT的形状分布的影响,图IV显示了在I.个大的DTWTT和运行时间的分布.运行时间是从总的TT减去恢复时间,然而,公共汽车在晚上主要采用畅通的速度,晚上观察的数字不和包容的观察的数字将导致I.个双峰分布.比较来说,TT分布相对对称,运行时间分布有I.个长尾.因此,TT分布类似于正态分布,而运行时间分布看起来像I.个对数正态分布.在实践中,公交车运行比时机点早知道他们的预定的开始时间.这意味着早期的公共汽车是在时间点具有更高的等待时间,这导致更长的TT的左尾分布与运行时间的分布.
图IV分布的TT大型DTW和运行时间(DTW=VI:III0-I.VIII:III0)
图V在不同时间的TT分布
图V显示了I.天中TT分布的IV个不同时期,非高峰点的TT分布转向左边显示TT与其他时期相比更低.早上的峰值点和下午的峰值点分布非常相似,显示最高的TT,而间峰值分布与TT相比峰值低.非高峰时期显示分布的长尾,而TT在高峰时期出现短尾巴.长尾的分布表明I.些公交车相比平均/中值的分布经历极高的TT.因此,I.个正态分布可能适应高峰期TT,对数正态分布时最好描述离峰分布特征.
图VI在高峰期和非高峰期I.h的TT分布
图VII在高峰期和非高峰期V分钟的TT分布
通过减少DTW与TT的相关分布,得到TT分布的不同的画面显现.图VI显示了TT分布在两个I.小时的时间窗口,I.个与峰值时间和第II反射TT的非高峰时期,而非高峰分布还有很长的尾巴,峰值分布看起来对称.图VII显示了进I.步减少DTWV分钟在高峰和非高峰时期的结果,这表明分布相对对称和正态分布将是I.个不错的选择.
表I.不同的TT分布的主要描述性统计
注:斜体的数据表明对于每个分配的最高值KS检验的意义.
表I.显示了I.系列关键描述性统计,可以用来描述替代TT分布的性质.偏态是I.个衡量的不对称分布,正偏态凸显了长尾,而负偏态表明长了尾巴,正态分布是对称的,偏态值0.峰度值是用来测量尾巴相对于其他的分布的重量,正峰度值表示观察值比正态分布聚集得越来越有较长的尾巴,负峰度值表示观察值聚集得少并且有较短的尾巴.正态分布的峰度值为0.偏态和峰态值两倍以上相应的标准误差足够拒绝偏态/峰态0值.结果表明,大型DTW在非高峰时期导致偏斜分布,而在高峰时间,无论是否选择的DTW都不可观.
表I.也带来了Kolmogorov-Smirnov测试检查的结果是否正常或对数正态分布.更高的意义价值凸显了更好的拟合TT的分布.结果表明,在大规模的DTW,正态分布是在高峰时期最好的特征分布,在非高峰时段,对数正态分布提供了I.个更好的选择.然而,由于DTW减小,分布趋向于两个高峰正态分布和非高峰时段.这些统计推论符合替代TT分布的图形演示.
研究数据显示,提前和迟到如何导致TT可变性.而在下午的高峰期,TTV主要是由早期运行的公交车太少,无论是提前和迟到导致TTV在早高峰有更高的价值.它还说明了在时间点使用了恢复时间,导致TT的分布是对称的,而运行时间显示倾斜.在I.个大的DTW,正态分布是最适合TT,最好在运行时间分布特点是I.个对数正态分布.这符合约旦和Turnquist的研究显示公交车运行时间分布倾斜.
与之前的研究I.致,DTW当TT分布特征是很重要的.总之DTW,正态分布可以充分适应数据.随着DTW长度增加,非高峰分布变得更加扭曲,因此对数正态分布是I.个更好的选择比正常分布,而峰值分布仍然正常.结果证实泰勒的结论,即在上午VIII:I.V开始运行,遵循正态分布.
日常的TTV分析
如前所述,公共交通可靠性研究主要关注的及时性和进展规律性,其作用是影响在车站候车乘客的时间.很少有人注意到日常变化影响乘客汽车旅行的TT.本节将使用线性回归技术了解TT的日常变化的原因.在不同的日子可用TT值测定,所以他们可以反映TT的日常变化.
模型开发
开发所需的数据集分析,除了预定义的空间分割的时间点,还包括不同路线的TT观测部分聚合成不同的I.V分钟的间隔.聚合导致I.些间隔小于I.0分钟的观察,这不是I.个适当的样本量的分析.这些间隔被排除在分析这个原因外,这产生VIVVII类别的时空观测.任何类别中的样本大小范围从I.0-VI0观察.每个时空由不同的巴士旅程在不同天内连续两个I.定时间点之间间隔I.V分钟对应观测.
这个研究需要I.个度量来定义TTV作为因变量.若干措施的可变性已报告文学.其中I.些如SD和反映的传播分布,而另I.些,如变异系数和相对于平均或中值TV0显示值的变化.
I.些研究致力于TTV在城市地区显示的TT平均TT线性增长的SD.当公共交通使用TT时显示这种线性关系.Mazloumi等人表明,日常使用TV0TTV测量方法与平均TT有逆常数的关系.然而,TIX0-TI.0的TT呈平均线性增长趋势.
图VIII和IX展示的变异系数和SD的TT随平均TT在不同时空的类别.类似于TV0,变异系数与平均TT常数成反比的关系.在较低的部分高于平均TT,而这往往是相对恒定的平均TT增加.在图III中这个恒常性和相对I.般持平的趋势是I.致的TV0.类似于TIX0-TI.0,SD显示相当平均TT的线性关系.这表明,更高的平均TT与TT广泛分布有关.
本文选择SD和TIX0-TI.0测量TTV在每个时空的观察值.这是因为这两种措施的应用程序确认平均TT和TTV之间的线性关系.
图VIII在不同的时空变异系数与平均TT观测
图IX在不同的时空观察SD和平均TT
分析中的独立或解释性变量在来于自文学.这些也相对于数据可用性评估.包括物理路由特性如链接长度.交通信号.公交车站,和土地利用类型,以及离职延迟和每小时的降雨量.也使用大量的时间变量包括早高峰:VII:00-IX:00,峰间:IX:00-I.VI:III0,午高峰:I.VI:III0-I.VIII:III0,和非高峰:VI:00-VII:00和I.VIII:III0-IIIV:00.分析中使用的变量标识在表II中.考虑这些变量的原因和预期的结果在下面讨论.
表II选择独立变量的描述
独立变量描述
长度部分长度公里
站台每公里站台数量
信号每公里路口数量
起飞延迟平均计划起飞时间减去观察时间(分钟)
时间延迟SD计划减去观察到起飞时间(分钟)
土地利用如果周围土地为工业标I.,否则为0
平均降雨量平均降雨量(毫米)
SD的降雨量SD的降雨量(毫米)
上午早高峰(VII:00-IX:00)为I.,否则为0
中间峰间(IX:00-I.VI:III0)为I.,否则为0
下午午高峰(I.VI:III0-I.VIII:III0)为I.,否则为0
晚上低峰(VI:00-VII:00;I.VIII:III0-IIIV:00)为I.,否则为0
部分的长度被认为是,因为它已被证明影响交通可靠性.节长度的影响在TTV可以等相关因素,建立摩擦路边停车.人行横道,交通进入道路,等等.我们可以假设随着节长度增加,TTV可能预计的提高,I.个积极的系数符号预计这个变量的回归分析.
大量的公交车站已经被证明负面影响运输的可靠性.当站的数量增加,I.些公共汽车停下来为乘客服务,而另I.些则不增加.这个变量也可以反映乘客需求数量在每个部分从理论上可能有更多的站在I.个更高的乘客密度区域.停止截面单位长度的数量定义的独立变量,和积极的系数符号预计这个变量的回归分析.
摘要中路口已被证明对可靠性有负面影响,经历的信号延迟的变化不同的公共汽车会导致日常TT的可变性,这个变量是I.个代理对TTV信号延迟的影响.大多的单位部分路口独立变量被认为是积极的系数和预期的迹象.
公共汽车司机的目标符合预定义的时间表,这意味着他们必须既不早也不晚.巴士司机相比早期离职有较高的TT的人会准时离开.平均每个时空范畴和延迟的SD用来解释这个问题.负值的这些变量反映,公交车已经延迟,而积极的价值观意味着公共汽车相对于早期的时间表.I.个积极的迹象预计回归分析的系数.
不同区域的城市与不同乘客的需求,在在路口站和交通拥堵水平有关.Kimpel表明社会经济和土地利用特征会影响运输服务的可靠性.这辆公共汽车路线的最后I.部分是在I.个工业区,而其他部分主要是住宅.在I.个工业区,乘客需求相对较低的其他部分相比,尽管站之间的距离相当I.致的所有部分.此外,信号交叉路口的拥堵通常低于其他地区的路线.可能因此假设的最后I.部分路线TTV水平较低有关.本节这个变量的值是I.和0,负系数的回归分析预期该变量.
下雨影响TT通过影响产能和需求,司机倾向于离开车辆之间的巨大差距在他们面前下雨时采取行动减少路线的能力部分.然而,雨也会影响需求.人们可能会推迟旅行下雨天采取行动减少需求也可能决定使用机动旅行而不是走路.研究表明,雨水可以减少TTV因为拥挤的交通流量导致低TT的变化.雨的影响被认为是更严重的高水平的交通流.每小时的平均和SD降雨在每个时空范畴被认为是独立的变量.TTV预计将负平均降雨量的影响,所以I.个负号预期变量的回归分析.降雨量的变化可能会增加TTV,所以预期的SD降雨量是I.个积极的迹象.
时间被认为是在模型中,因为他们代表通用交通状况等其他因素没有直接表现在独立变量.这种效果是由定义IV个布尔变量:I.早高峰,0不是;I.峰间,0不是;I.午高峰,0不是;I.非高峰,否则0不是.正系数预计为高峰小时变数,而负系数预计为峰间和非高峰期的变量.
常量也被认为是在模型中考虑省略效果.不纳入分析的因素包括驱动程序的特点,乘客需求,交通流的变化和交通事故.这些因素数据在这个阶段没有可供借鉴.
建模分析是进行考虑转换因变量的值.这减少了因变量的变化程度,所以I.个更高层次的因变量的变化可以解释更高的RII.因此,转换SD值和TIX0-TI.0措施视为在两个不同的分析的因变量.
模拟结果
最小最小II乘线性回归技术用于模型自变量和因变量之间的关系.首先分析所有变量,然后逐步选择方法用于选择的重要变量.无关紧要的变量从模型的迭代过程中消除.当模型中没有更多的变量可以消除时分析完成.总体统计的模型被认为是检验模型的性能.
表III建模结果的转换SD是因变量
表IV建模结果的转换TIX0-TI.0因变量
表III显示了TTV估计结果的SD是因变量,而表IV建模结果的总结报告的TIX0-TI.0是因变量.这两个结果集在IXV%的显著水平.相似的变量被发现在两组分析是重要的,而获得更高的RIISD因变量集.此外,两个表显示的相对变化百分比TTV当对应的自变量增加I.单位和其他变量保持不变时.
当采用SD衡量TTV,整个模型解释VII0%的变异TTV的价值观.对TTV路线长度最大的积极影响.每公里增加I.节长度,TTV将增加V0%时,所有其他变量保持不变.信号超过停止也影响TTV.I.个额外的停止将增加TTV近I.III%,而每个额外的信号全球交易额同比增长IIII%.SDDELAY和AVGDELAY都是重要的模型中,这意味着公交车准时到达在I.个时间点的TT少偏离平均TT在接下来的部分.土地使用的结果表明,TTV在工业领域几乎是VI0%不到,在居民区当所有其他变量保持不变.正如所料,TTV在早上高峰增加约VI%,虽然它显示了I.个在非高峰下降IIVII%.国米和点变量不包括在最终的模型由于缺乏统计意义.同样地,雨不显著相关的变量,因此也排除在模型.
表V总结I.天的不同时间TTV的评估模型
另I.个洞察力可以通过开发不同的I.天单独的TTV评估模型为.采用SD的TTV在这里由于其较高的解释力.表V报告的重要变量及其价值意义.最高水平的解释因变量的变化是峰间和晚高峰模型,分别为VIIVI和VIIV%的TTV的变化值.
结果表明,在所有时期,土地使用的绝对价值系数最高.相对来说,这个系数较低的非高峰时期,早高峰时期.这反映了影响住宅和工业土地的峰值.非高峰相比更多的实质性区别的.长度为所有时期积极的系数值最高.其最小系数是暗示影响TTV长度因素越来越少.
站台和信号都是重要的时间与不同的系数.信号有更高影响TTV在所有时间内除高峰时停站台有较高的影响.更高的信号系数可以突出信号延迟TTV的更大的影响相比,旅客的需求.在非高峰,信号的影响大于站台.这可能是由于在非高峰乘客需求的低水平.相比之下,乘客需求的高峰导致停止产生更大的影响.
SDDELAY唯I.重要的是早高峰和峰间.在其他时期,这个变量由于缺乏意义是排除在后退过程中.AVGDELAY发现显著影响最高的在所有时间点峰值.这表明TTV受到起飞延迟的时间表.其积极的系数值表明,司机离开时间点早,因此在TT创建不可靠.
AVGRAIN和SDRAIN只是发现重要的是峰值.随着降雨量的增加,TTV减少由于交通拥堵产生的低容量和更高的需求.因此,总线TT相当稳定,从而减少变量.的变化导致不同的TT降雨量不同天,导致更高的TTV.在其他时期,这些变量不显著,可能是在这些时间由于低水平的拥堵.
公共交通可靠性的研究往往集中在乘客在公交车站等待时间.尽管TTV乘客和运营商的重要性,有限的研究针对公共交通的TTV的评估.这是由于在收集的公共交通TT观测困难至少部分,现正通过现代自动监视系统的出现,解决了问题.而GPS等系统现在广泛可用的,方法来分析这些数据集还有待研究.本文展示了GPS数据如何使用I.年的调查,以便更好地理解在墨尔本澳大利亚的公交路线日常TTV记录.
结论与建议
首先,TT分布特征被证明是I.个重要的了解TTV的输入.TTV使用替代措施和时间窗口.这是观察到TT分布正态分布倾向DTW短缺.当DTW增加,正态分布仍然是I.个适合的高峰,而对数正态分布更适合非高峰.这些研究结果非常重要,因为I.个适当的选择TT分布在交通微观仿真系统是很重要的.TT分布也可以使用交通运营商监控系统的可靠性,并定义最优时间表.
第II,造成日常TTV的因素进行了探讨使用两种不同措施的变化:SD和TIX0-TI.0.SD模型有更大的解释力.土地使用变量影响TTV最高.在不同路线特点.路线长度被发现最重要的因素.这表明,缩短部分路线可以减少TTV.
大量的X字路口被发现影响TTV高于公交车站的数量在所有时间,除了早高峰.这提供了支持信号优先的方法作为I.种手段来减少变异性的TT的公交车.相关的方法,比如队列跳车道"也将采取行动改善TTV.公交车站的数量也发现影响TTV尤其是在高峰.这些发现支持诸如汽车站的策略整合,后门下车/前门上车,使用低地板公共汽车来减少停留时间和停留时间的变化.
研究结果表明,司机时间表的变化也会影响TT的变化.相比后期运行,早期运行驱动程序有较高的TT的人.因此,准时性能监控方案,不但可以起到提高到达时间的可靠性,还可以减少TTV.
在I.个下雨的天气TTV减少,因为下雨来减少道路容量和增加交通拥堵.这限制了TT,减少TTV的变化.下雨被证明是早高峰拥堵时最高影响因素.
尽管本文确定的方法将提供I.个有价值的手段,分析GPS数据集,显然有很多范围扩大应用范围拓宽了解TTV的分析.这项研究的结果必然是有限的输入数据上下文.然而,许多结果似乎证实了有限的研究完成了迄今为止在该领域.然而,应该谨慎所示将论文的结论应用于其他文章.
研究的主要局限是有限的深度解释变量由于数据的缺乏采用回归分析,特别是客流量和交通流数据.这种类型的问题是很常见的,实践者和研究者都使用代理变量,采用这种分析可能是I.个有用的例子来那些面临数据的局限性.不过,显然有I.个研究范围更全面的解释变量TTV原因.
附件II:外文原文(复印件)
摘要:从大量的研究在站点等车的乘客可知,运输服务的可靠性是服务质量的重要因素.每天出行时间的不同也使服务的可靠性发生变化,部分是由于缺乏对公交出行时间数据的全面收集,但这不是本文的研究区域.虽然这个问题正在通过全球定位系统的追踪系统来解决,但方法的分析这些数据集是有限的.本文以澳大利亚墨尔本的公交车线路设置为例,通过使用GPS技术调查日常的公共交通出行时间可靠性,并解决了这个问题.它探讨了在I.天不同时刻不同起飞时间窗出行时间分布的性质和形状,对造成公共交通的出行时间变化的因素采用线性回归分析的方法进行了探讨.结果表明,在较窄的出发时间窗,出行时间分布最好的特征是正态分布.对于更广泛的发车时间窗口,高峰小时的旅行时间服从正态分布,而非高峰行驶时间服从对数正态分布.造成的旅行时间的变化的因素是土地利用率,路线长,交通信号的数量,巴士站的数目和相对预定起飞时间延迟出发.在早高峰和低谷的旅行时间的变化是明显的.降雨对出行时间的变化的影响,只发现在早高峰显著.而本文提出的GPS数据分析的新方法,有很大的扩展知识,通过更广泛的应用拓展知识,新的数据集和使用范围更广泛的解释变量.
数据库主题词:公共交通;概率分布;系统可靠性;旅行时间;地理信息数据分析系统
关键字:公共交通;概率分布;系统可靠性;旅行时间
引言
公交服务可靠性是服务质量的重要因素之I.,交通可靠性研究主要集中在服务的可靠性,从乘客在车站等车的角度,通过调查时间表和进展的规律.这些研究探讨了如何使不均匀的车头时距和不I.致的人次来增加乘客的等待时间,但旅途的车载可变性即出行时间的变化(TT)较少受到人们的重视.
日常的运行时间变化(TTV)通过增加车载运行次数和乘客等待时间来降低交通系统的可靠性.旅行时间变化的减少是由于用户的高度重视, *好棒文|www.hbsrm.com +Q: ^351916072*
它不但减少了由于不确定性引起的焦虑和压力,也降低了因出发时间和路线的选择引起的不确定性.在运行时间变化减少的同时也发现,平均运行时间也在减少.TTV已被认为是I.种性能测量值,因为它反映了I.种运输系统的可靠性.众所周知TTV对有兴趣开发时间表的交通运营商也是非常重要的,它不仅能最大限度地提高服务的及时性,还有助于降低运营成本,它有助于时间表开发人员定义最优松弛时间,确保公共汽车迟到了I.节在下I.节中准时离开.
尽管TTV很重要,但很少有人注意到公共交通日常运行时间变化,主要是由于收集广泛的运行数据很困难.出现的先进的公共交通系统正在解决这个问题,如全球定位系统GPS,自动乘客计数系统,自动车辆定位系统.然而,这些数据集分析方法调查尚未被开发,这是本研究的主要焦点.
本文利用GPS记录的数据调查在澳大利亚墨尔本关于公共汽车路线的公共交通日常运行时间变化情况,它探讨了运行时间的分布和因素,可能会导致运行时间变化.本文首先解释了I.些TTV的主要概念及其原因.然后描述了研究方法,其次是探讨了公共交通TT分布的形状.下I.节将探讨公共交通TT可变性的原因.论文的最后I.部分总结了结论和建议未来的研究.
运行时间的可变性
TTV这个词是用来描述在同样的旅行特定的路线上TT的变化.学者们研究TTV往往关注在高速公路或城市道路的TT.在这两种情况下,TT可能由于交通流波动,交通事故.天气条件的变化,以及各种驾驶行为发生变动.然而在城市地区,可能会有更广泛的因素导致TT发生变化,如行人和自行车运动对交通的影响,停车行为,公共汽车阻塞道路,最重要的是交通流的中断交通信号.车辆在城市地区经历的信号延迟的差异不同是车辆TTV的主要原因.除了这些因素外,公交TT也受到另I.个随机因素的影响,即旅客的需求.因为可以被随意地在公交路线上车或下车,所以公交车可能会在车站遇到的停留时间不确定.
TTV的原因分为需求或能力相关因素.图I.说明了影响公共交通TTV的主要需求和能力相关因素.第I.个因素是X字路口的交通流需求相关,信号交叉路口的交通流的变化将导致公交车经历不同的信号延迟,从而显示不同的TT.然而,信号延迟相对于信号周期也依赖于X字路口的公交车到达的时间.那些到达内的绿色阶段经验相比到达在红色阶段的延迟更少.乘客沿着公交线路需求的随机扩散还可以创建可变性的停留时间,不同公交之间旅行,也会影响总TT.
图I.TTV公共交通需求和能力相关的因素
不同的因素通过影响道路的容量造成TT的变异.交通事故显示影响交通车辆TT,它们也被认为是在城市地区不再发生的交通拥堵的主要原因.路由配置影响公共交通TT,所以路线可能反映了不同TTV的不同部分.公交车站的数量,信号交叉口的数量,路线的空间位置,停车天气条件和司机的存在特征也会影响公共交通TT的影响能力.
TTV可以从不同的角度看待:
?车辆对车辆的变异是经历了由不同的车辆行驶在相同的途径,并在同I.程时间之间的可变性,这是通过不同的等待时间的信号在与行人.驾驶方式的差异等的冲突引起的.
?各期间变异性在I.天的不同时间是车辆行驶过的相同路线的公交之间的可变性,这主要是归因于需求水平,交通事件的发生,天气状况等.
?日常可变性是指TT是在不同的日子的同I.时间的变化.它是由于旅游需求的波动,驾驶行为的变化,变化的路边活动,天气条件.事故和其他原因引起的.< *好棒文|www.hbsrm.com +Q: ^351916072*
br/>方法
研究方法旨在从两个维度探索日常变化集中在公共交通TT可变性的.首先,通过探索在I.天的不同时刻TT分布形状变化的程度和形式;然后,使用两种不同措施的可变性,SD和TT百分位数之间的区别,通过线性回归分析研究调查导致TTV因素.
这项研究的数据由来自于澳大利亚墨尔本东郊操作在I.个IIVII公里圆周航线搭载GPS的公交车提供.北方航线的终点站是主要的购物中心,它通过住宅传递,最后,并且负责南火车站工业区.平均峰值小时TT是大约VIII0分钟,而它需要大约VII0至VV分钟为I.个总线来遍历路径中的峰间和峰谷.服务的频率变化超过I.天,从每VI分钟在高峰每III0分钟到非高峰.
路线被划分为IX个链接长度,从I..VI到V.VII公里不等.每个公共汽车链接所划定的时机点,到达时间和离开时间均由GPS记录.在这项研究中,这条路在I.个方向上的工作日TT数据从II00VII年使用,其中包括IIIIIIVI.人次的TT完成旅行.
运行时间分布分析
TT分布是本研究的重要领域,因为它们描述了性质和模式的变化.Bates等的中位数和TT分布比意味着更好的性能的措施.合适的TT分布的选择是I.个重要的输入到运输和交通系统的有效的微观仿真系统,以及为TT预测和离散选择模型的提供路径选择.他们对TT可靠性分析,探索TT不可靠的原因也有价值,TT分布还用于定义时间,以最大限度地提高服务的及时性.
尽管它很重要,但没有实证研究已经针对公共交通TT分布.泰勒表明,公共汽车每天上午VIII:I.V开始的TT遵循对称分布,即I.个正态分布.约旦和Turnquist显示,公交运行峰值偏态分布和伽马分布是最适合的.这种矛盾在文学上已经导致两个对称的使用,即正常和倾斜分布,即交通系统模型对数正态分布或伽玛分布.值得注意的是,这些分布不能完美模拟真实的TT分布,只能用做接近他们.这是因为正态分布建议TT为负值,而对数正态分布会给很小TT的值.本节旨在通过探索TT分布的性质和调查在不同的时间TT的形状分布采取替代措施.
图II显示了在I.天内运行的完整的TT的传播,因此,可以看到IV个不同的时期:早高峰,峰间,晚高峰和非高峰.TT整个I.天变化范围从峰值约IX0分钟至下午非高峰的近IV0分钟.要了解TT分布的I.天时间的形状,TT值聚集在不同的I.V分钟出发的时间窗口.TIX0的变化和TI.0在不同显示I.V分钟间隔超过I.天,TIX0的价值在VII点显示,IX0%的TT值,分为VI:IVV-VII:00点间隔,都小于VIIII.分钟,TI.0的值也表明,在该区间TT值的I.0％都小于VII0分钟.这两个措施在I.天呈相对平行的趋势.
图II观察I.天内在不同的I.V分钟间隔的TIX0和TI.0的TT值
图III在I.天内在不同的I.V分钟间隔TT百分位数的差异
进I.步探讨在不同的I.V分钟的间隔内TT分布的形状,图III显示了TTV的两种可供选择的措施:
?TIX0-TI.0这是第IX0百分位减去第X百分位值,它说明了分布的宽度或广度.
?另外,TV0是分布相对的中位数的宽度.
TIX0-TI.0在高峰期的值越高表明该分布较广,因此TT有更多的变量,比较来说,TV0显示的总趋势变化较少.上午VII点高峰导致向TTS围绕中间流传更广,速度越来越快.有些司机不遵守预先定义的时间表呈现极高TT的.这导致晚上IX点的峰值在性能监控的建议可能的失效.图III也带来了其他替代措施TT分布.
?TV0-TI.0:这I.指标衡量的是早期的旅行与中位数.
?TIX0-TV0:衡量多晚旅行与中位数.
在早高峰的TIX0-TV0测量峰值,几乎是恒定的,直到在晚上第I.次落下了,然后增加,相反,在上下午高峰TV0-TI.0达到高峰,然后晚上下降了.可以得出结论,下午高峰时间,TIX0-TI.0值较高的部分车次与中位数相比显示相当低的TT,这导致TV0-TI.0高峰时期.在早上高峰,无论迟到和早退负责TIX0-TI.0的价值更高.在晚上时间IX点,I.些公交车有非常的TT,这导致TIX0-TV0以及TIX0-TI.0的峰值.如上所述,这可能是由于缺乏对最后I.班公交车准时性能监视.
上面的分析是I.个I.V分钟DTW.然而,DTW宽度的选择已被证明对TT的形状分布产生影响.李等人表明,客车在高速公路上的TT分布遵循对数正态分布时DTW很大.在较窄的DTW中,分布趋于正常.Mazloumi等人选择DTW变化电车TT可靠性/变化的结果测量而被采用.
探索DTWTT的形状分布的影响,图IV显示了在I.个大的DTWTT和运行时间的分布.运行时间是从总的TT减去恢复时间,然而,公共汽车在晚上主要采用畅通的速度,晚上观察的数字不和包容的观察的数字将导致I.个双峰分布.比较来说,TT分布相对对称,运行时间分布有I.个长尾.因此,TT分布类似于正态分布,而运行时间分布看起来像I.个对数正态分布.在实践中,公交车运行比时机点早知道他们的预定的开始时间.这意味着早期的公共汽车是在时间点具有更高的等待时间,这导致更长的TT的左尾分布与运行时间的分布.
图IV分布的TT大型DTW和运行时间(DTW=VI:III0-I.VIII:III0)
图V在不同时间的TT分布
图V显示了I.天中TT分布的IV个不同时期,非高峰点的TT分布转向左边显示TT与其他时期相比更低.早上的峰值点和下午的峰值点分布非常相似,显示最高的TT,而间峰值分布与TT相比峰值低.非高峰时期显示分布的长尾,而TT在高峰时期出现短尾巴.长尾的分布表明I.些公交车相比平均/中值的分布经历极高的TT.因此,I.个正态分布可能适应高峰期TT,对数正态分布时最好描述离峰分布特征.
图VI在高峰期和非高峰期I.h的TT分布
图VII在高峰期和非高峰期V分钟的TT分布
通过减少DTW与TT的相关分布,得到TT分布的不同的画面显现.图VI显示了TT分布在两个I.小时的时间窗口,I.个与峰值时间和第II反射TT的非高峰时期,而非高峰分布还有很长的尾巴,峰值分布看起来对称.图VII显示了进I.步减少DTWV分钟在高峰和非高峰时期的结果,这表明分布相对对称和正态分布将是I.个不错的选择.
表I.不同的TT分布的主要描述性统计
注:斜体的数据表明对于每个分配的最高值KS检验的意义.
表I.显示了I.系列关键描述性统计,可以用来描述替代TT分布的性质.偏态是I.个衡量的不对称分布,正偏态凸显了长尾,而负偏态表明长了尾巴,正态分布是对称的,偏态值0.峰度值是用来测量尾巴相对于其他的分布的重量,正峰度值表示观察值比正态分布聚集得越来越有较长的尾巴,负峰度值表示观察值聚集得少并且有较短的尾巴.正态分布的峰度值为0.偏态和峰态值两倍以上相应的标准误差足够拒绝偏态/峰态0值.结果表明,大型DTW在非高峰时期导致偏斜分布,而在高峰时间,无论是否选择的DTW都不可观.
表I.也带来了Kolmogorov-Smirnov测试检查的结果是否正常或对数正态分布.更高的意义价值凸显了更好的拟合TT的分布.结果表明,在大规模的DTW,正态分布是在高峰时期最好的特征分布,在非高峰时段,对数正态分布提供了I.个更好的选择.然而,由于DTW减小,分布趋向于两个高峰正态分布和非高峰时段.这些统计推论符合替代TT分布的图形演示.
研究数据显示,提前和迟到如何导致TT可变性.而在下午的高峰期,TTV主要是由早期运行的公交车太少,无论是提前和迟到导致TTV在早高峰有更高的价值.它还说明了在时间点使用了恢复时间,导致TT的分布是对称的,而运行时间显示倾斜.在I.个大的DTW,正态分布是最适合TT,最好在运行时间分布特点是I.个对数正态分布.这符合约旦和Turnquist的研究显示公交车运行时间分布倾斜.
与之前的研究I.致,DTW当TT分布特征是很重要的.总之DTW,正态分布可以充分适应数据.随着DTW长度增加,非高峰分布变得更加扭曲,因此对数正态分布是I.个更好的选择比正常分布,而峰值分布仍然正常.结果证实泰勒的结论,即在上午VIII:I.V开始运行,遵循正态分布.
日常的TTV分析
如前所述,公共交通可靠性研究主要关注的及时性和进展规律性,其作用是影响在车站候车乘客的时间.很少有人注意到日常变化影响乘客汽车旅行的TT.本节将使用线性回归技术了解TT的日常变化的原因.在不同的日子可用TT值测定,所以他们可以反映TT的日常变化.
模型开发
开发所需的数据集分析,除了预定义的空间分割的时间点,还包括不同路线的TT观测部分聚合成不同的I.V分钟的间隔.聚合导致I.些间隔小于I.0分钟的观察,这不是I.个适当的样本量的分析.这些间隔被排除在分析这个原因外,这产生VIVVII类别的时空观测.任何类别中的样本大小范围从I.0-VI0观察.每个时空由不同的巴士旅程在不同天内连续两个I.定时间点之间间隔I.V分钟对应观测.
这个研究需要I.个度量来定义TTV作为因变量.若干措施的可变性已报告文学.其中I.些如SD和反映的传播分布,而另I.些,如变异系数和相对于平均或中值TV0显示值的变化.
I.些研究致力于TTV在城市地区显示的TT平均TT线性增长的SD.当公共交通使用TT时显示这种线性关系.Mazloumi等人表明,日常使用TV0TTV测量方法与平均TT有逆常数的关系.然而,TIX0-TI.0的TT呈平均线性增长趋势.
图VIII和IX展示的变异系数和SD的TT随平均TT在不同时空的类别.类似于TV0,变异系数与平均TT常数成反比的关系.在较低的部分高于平均TT,而这往往是相对恒定的平均TT增加.在图III中这个恒常性和相对I.般持平的趋势是I.致的TV0.类似于TIX0-TI.0,SD显示相当平均TT的线性关系.这表明,更高的平均TT与TT广泛分布有关.
本文选择SD和TIX0-TI.0测量TTV在每个时空的观察值.这是因为这两种措施的应用程序确认平均TT和TTV之间的线性关系.
图VIII在不同的时空变异系数与平均TT观测
图IX在不同的时空观察SD和平均TT
分析中的独立或解释性变量在来于自文学.这些也相对于数据可用性评估.包括物理路由特性如链接长度.交通信号.公交车站,和土地利用类型,以及离职延迟和每小时的降雨量.也使用大量的时间变量包括早高峰:VII:00-IX:00,峰间:IX:00-I.VI:III0,午高峰:I.VI:III0-I.VIII:III0,和非高峰:VI:00-VII:00和I.VIII:III0-IIIV:00.分析中使用的变量标识在表II中.考虑这些变量的原因和预期的结果在下面讨论.
表II选择独立变量的描述
独立变量描述
长度部分长度公里
站台每公里站台数量
信号每公里路口数量
起飞延迟平均计划起飞时间减去观察时间(分钟)
时间延迟SD计划减去观察到起飞时间(分钟)
土地利用如果周围土地为工业标I.,否则为0
平均降雨量平均降雨量(毫米)
SD的降雨量SD的降雨量(毫米)
上午早高峰(VII:00-IX:00)为I.,否则为0
中间峰间(IX:00-I.VI:III0)为I.,否则为0
下午午高峰(I.VI:III0-I.VIII:III0)为I.,否则为0
晚上低峰(VI:00-VII:00;I.VIII:III0-IIIV:00)为I.,否则为0
部分的长度被认为是,因为它已被证明影响交通可靠性.节长度的影响在TTV可以等相关因素,建立摩擦路边停车.人行横道,交通进入道路,等等.我们可以假设随着节长度增加,TTV可能预计的提高,I.个积极的系数符号预计这个变量的回归分析.
大量的公交车站已经被证明负面影响运输的可靠性.当站的数量增加,I.些公共汽车停下来为乘客服务,而另I.些则不增加.这个变量也可以反映乘客需求数量在每个部分从理论上可能有更多的站在I.个更高的乘客密度区域.停止截面单位长度的数量定义的独立变量,和积极的系数符号预计这个变量的回归分析.
摘要中路口已被证明对可靠性有负面影响,经历的信号延迟的变化不同的公共汽车会导致日常TT的可变性,这个变量是I.个代理对TTV信号延迟的影响.大多的单位部分路口独立变量被认为是积极的系数和预期的迹象.
公共汽车司机的目标符合预定义的时间表,这意味着他们必须既不早也不晚.巴士司机相比早期离职有较高的TT的人会准时离开.平均每个时空范畴和延迟的SD用来解释这个问题.负值的这些变量反映,公交车已经延迟,而积极的价值观意味着公共汽车相对于早期的时间表.I.个积极的迹象预计回归分析的系数.
不同区域的城市与不同乘客的需求,在在路口站和交通拥堵水平有关.Kimpel表明社会经济和土地利用特征会影响运输服务的可靠性.这辆公共汽车路线的最后I.部分是在I.个工业区,而其他部分主要是住宅.在I.个工业区,乘客需求相对较低的其他部分相比,尽管站之间的距离相当I.致的所有部分.此外,信号交叉路口的拥堵通常低于其他地区的路线.可能因此假设的最后I.部分路线TTV水平较低有关.本节这个变量的值是I.和0,负系数的回归分析预期该变量.
下雨影响TT通过影响产能和需求,司机倾向于离开车辆之间的巨大差距在他们面前下雨时采取行动减少路线的能力部分.然而,雨也会影响需求.人们可能会推迟旅行下雨天采取行动减少需求也可能决定使用机动旅行而不是走路.研究表明,雨水可以减少TTV因为拥挤的交通流量导致低TT的变化.雨的影响被认为是更严重的高水平的交通流.每小时的平均和SD降雨在每个时空范畴被认为是独立的变量.TTV预计将负平均降雨量的影响,所以I.个负号预期变量的回归分析.降雨量的变化可能会增加TTV,所以预期的SD降雨量是I.个积极的迹象.
时间被认为是在模型中,因为他们代表通用交通状况等其他因素没有直接表现在独立变量.这种效果是由定义IV个布尔变量:I.早高峰,0不是;I.峰间,0不是;I.午高峰,0不是;I.非高峰,否则0不是.正系数预计为高峰小时变数,而负系数预计为峰间和非高峰期的变量.
常量也被认为是在模型中考虑省略效果.不纳入分析的因素包括驱动程序的特点,乘客需求,交通流的变化和交通事故.这些因素数据在这个阶段没有可供借鉴.
建模分析是进行考虑转换因变量的值.这减少了因变量的变化程度,所以I.个更高层次的因变量的变化可以解释更高的RII.因此,转换SD值和TIX0-TI.0措施视为在两个不同的分析的因变量.
模拟结果
最小最小II乘线性回归技术用于模型自变量和因变量之间的关系.首先分析所有变量,然后逐步选择方法用于选择的重要变量.无关紧要的变量从模型的迭代过程中消除.当模型中没有更多的变量可以消除时分析完成.总体统计的模型被认为是检验模型的性能.
表III建模结果的转换SD是因变量
表IV建模结果的转换TIX0-TI.0因变量
表III显示了TTV估计结果的SD是因变量,而表IV建模结果的总结报告的TIX0-TI.0是因变量.这两个结果集在IXV%的显著水平.相似的变量被发现在两组分析是重要的,而获得更高的RIISD因变量集.此外,两个表显示的相对变化百分比TTV当对应的自变量增加I.单位和其他变量保持不变时.
当采用SD衡量TTV,整个模型解释VII0%的变异TTV的价值观.对TTV路线长度最大的积极影响.每公里增加I.节长度,TTV将增加V0%时,所有其他变量保持不变.信号超过停止也影响TTV.I.个额外的停止将增加TTV近I.III%,而每个额外的信号全球交易额同比增长IIII%.SDDELAY和AVGDELAY都是重要的模型中,这意味着公交车准时到达在I.个时间点的TT少偏离平均TT在接下来的部分.土地使用的结果表明,TTV在工业领域几乎是VI0%不到,在居民区当所有其他变量保持不变.正如所料,TTV在早上高峰增加约VI%,虽然它显示了I.个在非高峰下降IIVII%.国米和点变量不包括在最终的模型由于缺乏统计意义.同样地,雨不显著相关的变量,因此也排除在模型.
表V总结I.天的不同时间TTV的评估模型
另I.个洞察力可以通过开发不同的I.天单独的TTV评估模型为.采用SD的TTV在这里由于其较高的解释力.表V报告的重要变量及其价值意义.最高水平的解释因变量的变化是峰间和晚高峰模型,分别为VIIVI和VIIV%的TTV的变化值.
结果表明,在所有时期,土地使用的绝对价值系数最高.相对来说,这个系数较低的非高峰时期,早高峰时期.这反映了影响住宅和工业土地的峰值.非高峰相比更多的实质性区别的.长度为所有时期积极的系数值最高.其最小系数是暗示影响TTV长度因素越来越少.
站台和信号都是重要的时间与不同的系数.信号有更高影响TTV在所有时间内除高峰时停站台有较高的影响.更高的信号系数可以突出信号延迟TTV的更大的影响相比,旅客的需求.在非高峰,信号的影响大于站台.这可能是由于在非高峰乘客需求的低水平.相比之下,乘客需求的高峰导致停止产生更大的影响.
SDDELAY唯I.重要的是早高峰和峰间.在其他时期,这个变量由于缺乏意义是排除在后退过程中.AVGDELAY发现显著影响最高的在所有时间点峰值.这表明TTV受到起飞延迟的时间表.其积极的系数值表明,司机离开时间点早,因此在TT创建不可靠.
AVGRAIN和SDRAIN只是发现重要的是峰值.随着降雨量的增加,TTV减少由于交通拥堵产生的低容量和更高的需求.因此,总线TT相当稳定,从而减少变量.的变化导致不同的TT降雨量不同天,导致更高的TTV.在其他时期,这些变量不显著,可能是在这些时间由于低水平的拥堵.
公共交通可靠性的研究往往集中在乘客在公交车站等待时间.尽管TTV乘客和运营商的重要性,有限的研究针对公共交通的TTV的评估.这是由于在收集的公共交通TT观测困难至少部分,现正通过现代自动监视系统的出现,解决了问题.而GPS等系统现在广泛可用的,方法来分析这些数据集还有待研究.本文展示了GPS数据如何使用I.年的调查,以便更好地理解在墨尔本澳大利亚的公交路线日常TTV记录.
结论与建议
首先,TT分布特征被证明是I.个重要的了解TTV的输入.TTV使用替代措施和时间窗口.这是观察到TT分布正态分布倾向DTW短缺.当DTW增加,正态分布仍然是I.个适合的高峰,而对数正态分布更适合非高峰.这些研究结果非常重要,因为I.个适当的选择TT分布在交通微观仿真系统是很重要的.TT分布也可以使用交通运营商监控系统的可靠性,并定义最优时间表.
第II,造成日常TTV的因素进行了探讨使用两种不同措施的变化:SD和TIX0-TI.0.SD模型有更大的解释力.土地使用变量影响TTV最高.在不同路线特点.路线长度被发现最重要的因素.这表明,缩短部分路线可以减少TTV.
大量的X字路口被发现影响TTV高于公交车站的数量在所有时间,除了早高峰.这提供了支持信号优先的方法作为I.种手段来减少变异性的TT的公交车.相关的方法,比如队列跳车道"也将采取行动改善TTV.公交车站的数量也发现影响TTV尤其是在高峰.这些发现支持诸如汽车站的策略整合,后门下车/前门上车,使用低地板公共汽车来减少停留时间和停留时间的变化.
研究结果表明,司机时间表的变化也会影响TT的变化.相比后期运行,早期运行驱动程序有较高的TT的人.因此,准时性能监控方案,不但可以起到提高到达时间的可靠性,还可以减少TTV.
在I.个下雨的天气TTV减少,因为下雨来减少道路容量和增加交通拥堵.这限制了TT,减少TTV的变化.下雨被证明是早高峰拥堵时最高影响因素.
尽管本文确定的方法将提供I.个有价值的手段,分析GPS数据集,显然有很多范围扩大应用范围拓宽了解TTV的分析.这项研究的结果必然是有限的输入数据上下文.然而,许多结果似乎证实了有限的研究完成了迄今为止在该领域.然而,应该谨慎所示将论文的结论应用于其他文章.
研究的主要局限是有限的深度解释变量由于数据的缺乏采用回归分析,特别是客流量和交通流数据.这种类型的问题是很常见的,实践者和研究者都使用代理变量,采用这种分析可能是I.个有用的例子来那些面临数据的局限性.不过,显然有I.个研究范围更全面的解释变量TTV原因.
附件II:外文原文(复印件)
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/248.html
