马车密集度对巴士停留时间的影响:建模和分析

文摘

本文发展两种评估模型量化马车密集度的影响在巴士停留时间。我第一个模型(模型)的密集度和降落和登机的乘客的数量考虑在内,估计降落时间和登机时间,分别。第二个模型(模型2)采用回归方法几乎相同,除了拥挤对停留时间的影响被忽视。进行了分析以及两个主要公交线路在哈尔滨,中国,通过收集640组停顿时间手动在拥挤的条件下。与模型II相比,平均绝对误差(MAE)的模型我减少了137.51%,这表明巴士停留时间估计的准确性可以高度提高了马车密集度引入模型。同时,模型我的美是3.9秒,这是可以接受的在旅行时间估计和公交时刻表。

1。介绍

1.1。背景

住时间的持续时间被定义为公交车辆停止为乘客服务。它包括总乘客登机和降落时间和所需的时间来打开和关闭门。近年来,使用先进的交通检测技术,如基于GPS的车辆导航系统和自动乘客计数,提供了一个更方便和有效的数据源,这使得它可行合理进行交通出行模式和可靠性分析(1- - - - - -5]。

之前的研究表明,居住时间是交通系统性能的一个重要因素,在许多形式的城市公共交通服务质量(6- - - - - -8]。从静态的角度看时刻表,住在停止车辆旅行时间是一个主要的组成部分,而公共汽车旅行时间扮演重要的角色在决定出发的频率和路线设计为公共交通规划者和运营商。巴士停留时间的比例在26%总运行时间最多可以使用一些高频,high-ridership巴士交通路线,特别是在一些高密度地区(9]。因此,准确估计巴士停留时间很多有助于规划公车时间表合理和有效,包括离职进展和机队规模要求提供服务。的动态公交时刻表,估计巴士停留时间提前的重视预测车辆的操作状态,然后确定准时率或总线进展偏差,避免总线系统的不稳定或聚束现象。同样重要的是在确定交通分配模型(10)和交通网络的可靠性分析。经验也表明,总线不规则抵达停止很大程度上是由于巴士停留时间的不准确的估计。此外,服役时乘客在公交车站,公交车和乘客之间的交互可以约束放电流动的公共汽车和降低整个公交系统的服务质量(11,12]。因此,巴士停留时间估计是至关重要的为提高服务质量以及可靠性的公共交通系统13- - - - - -16]。

毫无疑问,巴士停留时间是受到各种因素的影响,包括最重要的因素,也就是说,登机或/和下车的乘客的数量,和一些次要的因素,例如,公交车站的类型(路边公交车站或总线海湾);支付方式(现金、磁条机票或电子智能媒体卡);平台高度以及门宽度。同时,拥挤也是一个不可忽视的因素在评估巴士停留时间和更长的边际登机或/和降落时间与运输拥挤的增加有关。已经认识到,当公共汽车装卸乘客住,寄宿和降落发生更慢真的出现时,特别是在门口拥挤的条件下。买站票的总线或/和阻碍登机门(降落)乘客走向马车从公共汽车门(门)(运输)。换句话说,可用空间的数量决定乘客在车辆的流通速度。然而,高密集度并不总是导致停留时间过长。例如,当一个公共汽车站都在超市终端站附近,然后减少乘客等待停止和大多数乘客都下车,相应地,加速降落过程。因此,总线住在这站短即使是非常拥挤。

就作者所知,系统分析的密集度巴士停留时间仍下落不明。本文旨在研究车厢拥挤水平如何影响停留时间和发展一种新型估计模型,考虑拥挤水平巴士停留时间估计的影响。

1.2。文献综述

在过去的三十年,已经受到了人们足够的重视的巴士停留时间估计模型。根据影响因素,评估模型提出的先前的研究可以分为三个类别如下。

1.2.1。模型考虑降落和寄宿客流量

登机,下车乘客的数量被认为是总线住宅的主要决定因素。在给定的平均登机或降落速度、数量越大等候的乘客下车的公车或停止,公交车要住的时间越长(17,18]。因此,多个回归模型开发的影响来分析降落和登机乘客量根据调查收集的数据(19- - - - - -21]。

例如,Rajbhandari et al。9)获得的数据自动乘客计数,和登机,下车乘客对停留时间的影响进行了研究。李等人。22]使用收集的数据来自佛罗里达州布劳沃德县交通系统开发一个二进制门选择模型预测的比例下车乘客使用前门或后门下车的公交;然后停留时间估计模型。李等人。23)提出了BRT车站两个停留时间模型。第一个模型是一个线性模型,而第二个是非线性的。他们介绍了乘客登机,降落到模型之间的冲突。冈萨雷斯et al。24)提出了一个巴士停留时间模型获得通过一个健壮的统计在停止登机旅客的评价数据。在模型中,停留时间没有增加的固定利率每位乘客的时间。Rashidi和Ranjitkar25)基于评估四个不同的时间序列方法(随机游走,指数平滑法、移动平均和自回归综合移动平均)模型和估计基于AVL巴士停留时间收集的数据从奥克兰。Rashidi和Ranjitkar26)提出了一种基因表达programming-based巴士停留时间模型和估计方法。该模型校准和验证使用收集的数据来自22个公交车站。

1.2.2。二级模型考虑因素

虽然住的时间高度相关登机,下车乘客的数量,还有一些次要因素巴士停留时间,如拥挤、表现类型,平台和总线设计(27,28]。这些次要的因素可能会强烈影响不同的策略用于提高服务的有效性。Guenthner和Hamat29日]研究了九种不同的票价类型和支付方法,发现他们并没有显著影响停留时间。莱文和Torng30.)评估的影响三层总线设计减少总线停留时间。Milkovits [31日)使用的数据自动乘客计数,自动计数,自动车辆定位系统安装在芝加哥交通机构巴士,然后建立了一个停留时间估计模型,分析了次要的影响因素。Currie et al。32]分析了平台设计的影响在有轨电车停留时间根据收集到的数据从墨尔本,澳大利亚和加拿大的多伦多。贾斯瓦尔et al。33)被认为是影响乘客走在一个相对长的BRT站台。结果表明,长BRT平台可能导致公共汽车体验更高的停留时间。费尔南德斯et al。34评估平台高度的影响,门宽度,巴士停留时间和票价收集方法基于观测数据。Tirachini [35)开发的多元回归模型来解释观察到的停顿时间的变化之间的关系和不同的支付方法,步骤在门的存在,乘客的年龄,和可能的用户之间的摩擦寄宿,下车,站。

1.2.3。模型考虑汽车站类型

所有上面提到的研究认为巴士停留时间高度相关乘客下车和登机音量或速度,而第三类表明它也受到公交车站设计的影响。孟和曲36)指出,公共汽车在公共汽车停靠站停留时间被公交车之间的交互影响,到达乘客,和交通的肩膀道。巴士停留时间在一个公共汽车停靠站具有高度的不确定性来自总线的合并行为的车辆的肩膀道。研制了概率方法来估计巴士停留时间,包括一个标准的再生随机过程模型之间的交互巴士,到达乘客,和交通的肩膀道。

除了上述三种类型的研究,Katz和Garrow [37]研究总线设计因素如何影响门拥挤和量化门拥挤与操作性能和乘客安全。结果表明,门口拥挤受到多种总线设计因素的影响,包括门位置、通道长度,前面的座位区,和服务类型。增加门拥挤与更长的边际登机时间有关。弗莱彻和El-Geneidy [38)确定了拥挤和费用支付对停留时间的影响通过手动收集数据。多元回归居住时间模型由使用传统模型和一个新的扩展模型。扩展模型表明,聚集显著增加停留时间后大约有60%的总线能力超越。这是唯一的研究考虑公交拥挤对停留时间的影响;然而,聚集度的定量方法没有给出。

1.3。研究的贡献

在本文中,我们提出一个定量模型的密集度和开发一个巴士停留时间的估算模型,强调马车密集度的影响。它将显著改善巴士停留时间估计的准确性。这个研究可以帮助公共交通规划者制定更好的政策与拥挤。

本文组织如下。部分2介绍了数据收集方法;聚集度的定量模型和估计模型的巴士停留时间和比较与传统评估模型提出了部分3;和结论提出了部分4。

2。数据收集

本研究中使用的数据来自两个高频公交线路的哈尔滨,路线8和63号公路,通过手动收集数据,如图1。两个路线穿过这个城市的中心区域。路线8与25个公交车站13.5公里,连接哈尔滨儿童医院和岷江社区,一个受欢迎的住宅郊区。另一个公共汽车线路10.1公里,63号公路,21个公交车站和终止在不管社区大江,这是另一种高密度住宅区。要求所有乘客从前门和后门下车。因此住时间的总线之间的最大值是由旅客登机时间,降落时间。最佳捕获拥挤的影响,这篇论文使用的数据收集在早上(am-9:30 7点)和下午(下午四点半pm-7:00)高峰小时时期,2016年12月19号。与此同时,如果接近下游交叉口公交车站,然后巴士停留时间也会影响汽车在十字路口排队状态。消除交通信号的干扰,我们检查了所有停止的分布沿路线8和63号公路。在每一站的距离到相应的下游交叉口都不少于100米,交通信号的影响可以忽略。 In addition, control strategies at stops like bus holding to keep regular headway have not been applied in Harbin, so the effect of holding on bus dwelling does not exist in this study.

两个调查人员安排巴士,单独记录寄宿和降落的数据。前门附近的记录器的打开门的那一刻,登机的乘客的数量,登机时间,关闭门的时刻。另一个记录相应的信息的后门下车。路线都是一元的门票和乘客登机时需要支付。95%的乘客选择现金支付的,没有改变每个公共汽车沿着这两种路线,提供的付款方法巴士停留时间的影响可以忽略不计。

总的来说,我们认为登机或降落时间是关闭和开放之间的差值的时刻前门或后门。然而,它并不总是准确的。之前的研究表明,巴士停留时间也与公交车站的类型以及相关道路交通状态。例如,总线加载或卸载后,所有的乘客在公交湾,它会立即离开。然而,在加入到交通,公共汽车要花一些时间找到一个可接受的差距连续车辆左边车道,导致更长的停留时间。在这种情况下,真正的时刻关闭门设置为最后一个乘客登机的那一刻的总和或降落车辆+关闭门的平均持续时间,在关闭一扇门的平均持续时间可以计算之前的数据在一般情况下;即nonpassenger相关延误不包括巴士停留时间在我们的研究中。

交通条件在哈尔滨总是受到低温冰雪天气的影响。为了消除这种影响,在录音机登上公交车,天气,温度,和日期都记录在案。所有初步收集到的数据进行分析和异常数据被移除之前估计,也就是说,引擎故障造成的恶劣天气和轮椅坡道的事件。我们收集了828组总线住时间停止。在高峰小时期间,这两条线的进展是短,大约4分钟,乘客到达率与停止。公共汽车拥挤水平也不同。我们还需要删除数据,没有真的发生。最后,我们总共得到640组有效数据用于部分3。

3所示。模型开发和评估

在本节中,我们开发两个估计模型。第一个模型需要交互的公共汽车拥挤和降落和登机旅客考虑和估计降落时间和登机时间部分3.1。第二个模型实际上是一个传统,只考虑寄宿,下车乘客的数量如部分所示3.2。部分3.3比较这两个模型的性能。

3.1。我开发的模型

3.1.1。聚集度

一般来说,一辆车在一个拥挤的国家,当人们在车辆阻碍个人寄宿和降落。公共汽车在不同的航线有不同的特征,如空间和容量为乘客(坐和站)。真正衡量拥挤的影响在公共汽车停止时间,需要一个更精致的形式化定义。我们定义聚集度定量如下: 在哪里是买站票的数量计算出的车辆和数量减去从船上的乘客数量的席位;表示买站票的可用空间是由公共汽车的专业;和是真的在单位空间的最大数量的公共汽车,乘客/ 。根据我们的调查在哈尔滨城市,单位空间的公共汽车可以容纳7最多买站票的;也就是说,乘客/ 。

接下来,我们将估计降落时间和登机时间部分3.1。2长一个巴士居住时间节中起着决定性的作用3.1。3。

3.1.2。登机时间,降落时间估计模型

(1)登机时间估计模型。我们的目标是估计乘客登机时间的动态关系与总线密集度和登机的乘客的数量。首先,开发6类型的回归模型以适应640年收集的数据集和他们的表现来衡量调整确定系数( )表所示1,独立变量包括登机的乘客的数量( )和公交拥挤水平( );登机时间( )是因变量。

在这里,我们选择作为评价的标准,而不是确定系数, 。这是因为可能会增加额外的解释变量时不合逻辑地。因此,提高评估的准确性,一些不相关的变量可能引入到模型中,从而导致过拟合。的可以避免这一现象,作为参数的数量( )也考虑所示(2)。

的显示变化的比例估计回归模型解释,定义如下: 在哪里随机样本的大小;和的平方误差的总和,分别统计样本的平方和。显示变量的数量。

根据表1,双对数回归模型的拟合结果是最好的,模型解释74.7%的变异,这是高于其他模型。确切的双对数回归模型提出了 在哪里是观察的指标; , ,和是参数估计;表示扰动的观察 。

然后我们使用普通最小二乘法(OLS)估计的参数(3)和估计的结果如表所示2。

传统OLS方法要求有错误在所有值的恒定方差的解释变量(也称为方差齐性)。一旦不满足此条件,无法保证参数估计的有效性。如果出现异方差性,这估计是无效甚至的回归系数(3在5%显著水平)是明显。然后,我们需要检查是否错误的方差是常数通过一些统计测试,例如,白色的测试和Breusch-Pagan测试。在这里,我们使用白色的测试来判断方差齐性。

测试一个常数方差,辅助进行回归分析,就退化原始的回归模型的残差平方到一组解释变量所示(4)。白色的测试的基本逻辑是替代方残差的方差在每个观测误差项。原始模型的残差平方作为代表在每个观测误差项的方差。如果原始模型的误差项具有恒定方差事实上,然后在辅助回归系数应该统计与零和F统计应该小。否则,明显F统计计算与方差齐性的假设: 在哪里估计的价值吗在(3),即残。

白色测试应用于(3)基于辅助回归(4);我们得到了F4.461和统计 - - - - - -价值 。因此在5%显著水平,同方差性是不满意,我们需要修改(3)。

一般来说,加权最小二乘(WLS)的方法可以使用OLS恒定方差的假设错误时是违反了。它通过将额外的非负权重与每个数据点到拟合关联准则。重量显示的精度信息的价值包含在相关的观察。通常,一个观察小误差方差有巨大的重量,因为它包含了相对更多的信息比一个大误差方差的观察。普通最小二乘法的目标函数是最小化 ,在哪里的拟合值吗和表示随机样本的大小。因此,WLS法旨在最小化和的重量是观察。不失一般性,我们定义的重量, ,得到的参数估计在WLS方法如表所示3。

修改模型,白色的试验表明,参数估计是有效的,所有的回归系数在5%显著水平很明显。同时,调整确定系数也增加到0.938,表明回归WLS法的准确性是高度改善与OLS估计方法。表3显示登机的乘客的数量将增加1%导致登机时间增加0.926%。同时,密集度也揭示了一个积极的关系和登机时间,密集度增加1%提高0.085%的登机时间。作为次要因素,密集度的影响达到了几乎10%的大多数因素所造成的影响,也就是说,寄宿在公交乘客登机时间的数量,也指定了重大运输拥挤的重要性水平巴士停留时间估计。

图2(一个)显示登机的乘客的数量之间的关系( )和登机时间( )在给定的密集度( ),在不同的曲线代表不同的拥挤程度。图显示,登机时间增加作为登机的乘客数量的增加,如预期。与此同时,当登机的乘客的数量是固定的,登机时间也增加的车辆变得越来越拥挤,这是符合前面的参数分析。图还显示了更大的聚集度表示的高增长率巴士停留时间。检查拥挤水平如何影响公共汽车登机时间,我们把登机的乘客的数量之间的关系图和公交拥挤水平2 (b)。当登机的乘客的数量很小,登机时间确实是对密集度。然而,当25人,登机时间是42.5秒在0.1下聚集度达到51.3秒0.9聚集度,增加了20.7%。

(2)降落时间估计模型。我们将使用上述类似的方法来估计降落时间( )独立变量:下车乘客的数量( )和公交拥挤水平( )。双对数模型的表现也最好在这六个类型的模型等于0.678。

准确的降落时间模型采用双对数方法提出了

的参数估计(5)基于OLS方法见表4是有效的。回归系数在5%的水平非常重要。它还表明,下车乘客的数量将增加1%导致降落时间增加0.848%。同时,密集度增加1%提高降落时间0.092%,类似的参数分析结果登机:

比较评估模型的登机时间和降落时间,前者提出了异方差性错误而同方差性观察在后者。它是合理的登机过程被更多的各种因素,如老化登机的乘客,费用支付方式,登机的乘客的活动。所有的不安因素将积累和更独特的总线负载更多的乘客。然而,降落过程是免费的主要干扰因素。

图3(一个)清楚地说明了下车的乘客数量降落时间的影响在不同水平的密集度。曲线显示,降落时间增加,随着越来越多的旅客下车。然而,当下车乘客的数量较大,高密集度表明长降落时间,但增加较小的范围。例如,当24名乘客下车,下车的时候比这长得多的时间在0.1密集度,但是降落时间的差异要小得多0.9密集度和0.7之间拥挤甚至水平之间的差距拥挤保持相同的水平。这是因为更多的乘客下车时,很多买站票也下车,下车乘客因此不会造成障碍。

降落时间之间的关系和公交拥挤水平呈现在图3 (b)。类似于图2 (b),当下车乘客的数量很小,降落时间也对车厢拥挤,下车乘客数量相比;拥挤的作用只是次要导致降落时间。然而,当下车乘客的数量多达25人,降落时间是23.4秒在0.1下的密集度增加到28.6秒0.9聚集度,增加了22.4%。进一步的分析显示,平均降落时间比平均登机时间短在同样的密集度,预计也将为支付票价也耗时。

3.1.3。住时间估计模型

显然,巴士停留时间之间的最大值是由乘客登机时间,降落时间。对于每个停止,我们选择估计之间的最大一个登机时间,降落时间符合总线停留时间( )所示的线性(7)和参数估计是总结表5:

同样,保证同方差性属性,白色的测试进行和开发辅助回归分析所示

我们得到了F统计等于7.696 - - - - - -值是0.006,这意味着同方差性属性不会维持在5%的显著水平。它还表明,巴士停留时间明显受到干扰的影响因素以及登机和降落过程。

我们设置重量的部分3.1。1和被WLS参数估计方法列在表中6。

系数在5%显著水平是显而易见的高到0.954,暗示小说扩展模型可以解释95.4%的变异使用640住的样本大小。模型(7)也显示,巴士停留时间由两部分组成:一个是恒定值,6.936秒,包括用于打开和关闭的门的时候,以及乘客下车和董事会的准备时间;另一部分时间用于装卸乘客。

进一步确认是否不变的部分是6.936秒,我们收集了640数据记录时间包括乘客准备时间和门打开和关闭时间,表示 。这个样本的均值和标准偏差是 。这是所需的测试简单的假设 : 。我们提出一个估计量 我们得到 。因此,在5%显著水平,假设不能拒绝,这是合理的得到的结果所需的总时间公共汽车门打开和关闭以及乘客准备大约是6.936秒,也可以近似为7秒。

3.2。开发的模型二世

清晰地显示拥挤的巴士停留时间的影响,建立模型二世在几乎一节中描述的一样3.1,除了密集度不考虑在这个模型;也就是说,模型II描述寄宿,下车乘客的数量之间的关系和巴士停留时间。

根据部分中描述的方法3.1。1,我们得到了登机时间,降落时间的估计模型所示(9)和(10),分别为:

因此,基于模型(巴士停留时间估计模型9)和模型(10)列出如下:

3.3。两个模型的比较

改善巴士停留时间估计模型的准确性和分析总线密集度的影响,扩展和传统之间的比较是进行模型在这一节中。

(1)比较的估计错误。图4揭示我住时间估计模型预测(红色曲线)描述和模型II(蓝色曲线)描述与实际记录相比巴士停留时间用黑色的曲线。与640个独立的数据样本中,最大的巴士停留时间是57秒,而最低只有4秒。图4清楚地表明,模式我更适合真正的停留时间。接下来,我们比较这两个模型在图的绝对误差5,这表明预测值与观测值的比较。在图5,红色线的绝对误差模型和蓝色曲线代表的模型。

显然,我们可以直接看到模型我执行比模型II,绝对误差的模型我比这小得多的模型。测量整体性能更准确地说,我们研究的平均绝对误差(MAE)这两个模型所定义的 在哪里随机样本的大小;显示实际的时间;和估计的价值吗 。在这里,可能代表旅客登机时间,降落时间,或者巴士停留时间。

扩展模型和传统模型的美是总结表7。

表7表明美实际模型II和总线之间的停留时间停留时间是9.3秒,而梅我平均只有3.9秒,造成模型减少了137.51%。它揭示总线密集度巴士停留时间估计是一个不可忽视的因素,考虑到运输拥挤可以高度提高巴士停留时间的估算模型的准确性。与此同时,我们也注意到模型我的美(平均约3.9秒)在静态和动态公交时刻表是可以接受的。

在表8,我们的收集到的调查数据显示6组停止,包括寄宿,下车乘客的数量,运输拥挤水平,实际的巴士停留时间。它揭示了车厢拥挤水平起着至关重要的作用在巴士停留时间登机,下车乘客的数量在不同的停止是相同的,这是符合发现来自表7。

(2)分析绝对错误。我在模型,391数据集的绝对误差小于3秒,采取收集样本的61.9%。数据与绝对误差大于5秒占领一个相当小的比例,22.5%。在640年收集的数据组,只有21组(占3.3%),绝对误差超过10秒。的最大绝对误差(19.46秒)发生在17名乘客,19名乘客下车,马车密集度是0.255。

在模型II, 18.6%的绝对误差小于3秒。然而,绝对的错误啤酒比5秒占总样本的65.9%,31.9%和6.7%超过10秒,20秒,分别。最大绝对误差模型II达到39秒,20名乘客委员会,6乘客下车,马车密集度是0.956。

进一步比较表明,两种模型的最大绝对误差发生在寄宿,下车乘客的数量很大。这是因为在所有收集到的数据中,70.9%和85.4%指的是寄宿的情况和下车的乘客少于10人死亡,15人。与此同时,这些数据中扮演着至关重要的角色停留时间估计的参数回归模型。因此,两种评估模型不准确时寄宿,下车乘客的数量相对而言比较大。

4所示。结论

本研究的目的是研究总线密集度对巴士停留时间的影响。收集到的数据在两个主要公交线路在哈尔滨的手动收集数据。两个摘要生成统计模型:一个是开发基于运输拥挤和客流量的影响,而第二个模型只考虑数量的影响登机,下车乘客大巴上的停留时间。通过比较这两个模型,我们得到一些有用的见解总结如下:(1)模型的准确性我显然高于模型II,美减少了137.51%。它显示巴士停留时间模型的精度可以通过考虑公交拥挤水平显著提高。(2)除了公交车密集度,巴士停留时间也受到时间的总量用于打开和关闭车门以及乘客准备。根据我们的分析,这个时间大约是7秒。(3)我们的模型也表明,寄宿的数量增加了1%(降落)乘客将导致0.926%(0.848%)登机(降落)时间的增加。同时,密集度增加1%登机(降落)时间可以增加了0.085% (0.092%)。

在未来,开发模式将测试更多的公交线路。其他的影响因素也可以考虑,如路线重叠,移动支付的使用,和天气条件。此外,开发模型也有助于提高公共汽车旅行时间预测的准确性,这是很重要的在动态公交调度。

数据可用性

支持的数据模型研究的发展可以在“数据收集”一节中找到。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(号。71771062,71771050,71971097),13日五年计划教育部科研项目,吉林省,中国(没有。JJKH20180149 KJ),中国博士后科学基金会(没有。2019 m661214)。

引用

1. 马x, Y.-J。吴,y, f . Chen和j·刘”,挖掘智能卡数据公共交通乘客的旅行模式,”交通研究部分C:新兴技术36卷,1 - 12,2013页。视图:出版商的网站|谷歌学术搜索
2. y Bie, r . Tang和l .王”公交调度重叠路线多车类型基于旅客OD数据,”IEEE访问,8卷,第1415 - 1406页,2019年。视图:出版商的网站|谷歌学术搜索
3. 瞿x m .周,y, c·t·林和x王”共同抑制交通振动和改善与电气的能源消耗,连接和自动车辆:一个基于强化学习的方法,”应用能源文章ID 114030卷,257年,2020年。视图:出版商的网站|谷歌学术搜索
4. m·周和瞿x, y Yu”发展的一个有效的连接和自动驾驶战略信号交叉路口的车辆:强化学习方法,“IEEE智能交通系统,21卷,不。1,第443 - 433页,2020。视图:出版商的网站|谷歌学术搜索
5. 美国梁、m .马和美国,“多目标最优配方下的机队规模的公共公交headway-based控股控制”《先进的交通工具ID 2452348条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
6. d·阿尔比t·h·Rashidi诉诉武断的话,和美国Vandebona,“分析和规划自行车停车公共交通站,“国际期刊的可持续交通,10卷,不。6,495 - 504年,2016页。视图:出版商的网站|谷歌学术搜索
7. h . x, c . Liu, y, y . j . Wu,“理解通勤模式使用交通智能卡数据。”交通地理杂志58卷,第145 - 135页,2017年。视图:出版商的网站|谷歌学术搜索
8. y、x, y,和瞿x,“基于速度的动态进展控制高频总线指导和交叉口信号调整,”计算机辅助土木与基础设施工程,35卷,不。1,4-25,2020页。视图:出版商的网站|谷歌学术搜索
9. 和j·r·r·Rajbhandari s i简,丹尼尔,“估计总线停顿时间的自动乘客计数信息,“交通研究记录:《交通研究委员会,卷1841,不。1,第127 - 120页,2003。视图:出版商的网站|谷歌学术搜索
10. k . Kepaptsoglou和m . Karlaftis”中转航线网络设计问题:审查”,交通运输工程学报,卷135,不。8,491 - 505年,2009页。视图:出版商的网站|谷歌学术搜索
11. t . k .处”的公共交通服务质量:一个综合评审和研究议程,”交通信,11卷,不。2、104 - 116年,2019页。视图:出版商的网站|谷歌学术搜索
12. A . Ermagun t·h·Rashidi, A . Samimi”模式的联合模型选择和护送决定学校的旅行,”Transportmetrica答:运输科学,11卷,不。3、270 - 289年,2015页。视图:出版商的网站|谷歌学术搜索
13. m . Babaei m . Rajabi-Bahaabadi, a . Shariat-Mohaymany”在大规模网络行程时间可靠性估计。”交通信,8卷,不。4、229 - 240年,2016页。视图:出版商的网站|谷歌学术搜索
14. y, y Bie,问:,“冬天的天气对公交出行时间的影响在寒冷的区域:案例研究哈尔滨,中国,“交通运输工程学报,一个部分:系统,卷144,不。11日文章ID 05018001, 2018。视图:出版商的网站|谷歌学术搜索
15. y Bie, d . Wang和h .气”在路口十字路口的公交车到达时间预测模型使用GPS数据,”交通运输工程学报,卷138,不。1,12-20,2012页。视图:出版商的网站|谷歌学术搜索
16. y、x锣,z . Liu”每天的时间间隔分区使用GPS数据公共汽车时刻表,”交通研究部分C:新兴技术,60卷,第456 - 443页,2015年。视图:出版商的网站|谷歌学术搜索
17. 林y、x杨和n .邹”被动交通信号优先考虑高运输需求:模型制定和策略选择,”交通信,11卷,不。3、119 - 129年,2019页。视图:出版商的网站|谷歌学术搜索
18. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
19. 小王和瞿x,”澳大利亚通勤铁路车站选择:平衡和优化设计,“欧洲运筹学杂志》上,卷258,不。1,第154 - 144页,2017。视图:出版商的网站|谷歌学术搜索
20. 美国王,x, y,“估计集装箱货物运输时间的感知价值,”交通研究部分:政策和实践卷,78年,第308 - 298页,2015年。视图:出版商的网站|谷歌学术搜索
21. 瞿y z . Liu, x, y,“巴士stop-skipping计划用随机旅行时间。”交通研究部分C:新兴技术,35卷,46-56,2013页。视图:出版商的网站|谷歌学术搜索
22. m·t·李,赵,l . f . Chow h . Zhang和s c·李,“估计巴士停留时间的仿真模型同时考虑登陆和登机的乘客的数量,“交通研究记录:《交通研究委员会,卷1971,不。1,59 - 65年,2006页。视图:出版商的网站|谷歌学术搜索
23. f·李,z .段和d·杨”停留时间评估模型对快速公交车站,”《现代交通,20卷,不。3、168 - 177年,2012页。视图:出版商的网站|谷歌学术搜索
24. e·m·冈萨雷斯·m·g .和平和o . m . A。M。,“Bus dwell-time model of main urban route stops,”交通研究记录:《交通研究委员会,卷2274,不。1,第134 - 126页,2012。视图:出版商的网站|谷歌学术搜索
25. 美国Rashidi和p . Ranjitkar巴士停留时间估计使用单变量时间序列模型,”《先进的交通工具卷,49号1,第152 - 139页,2015。视图:出版商的网站|谷歌学术搜索
26. s Rashidi和p . Ranjitkar巴士停留时间建模使用基因表达式编程。”计算机辅助土木与基础设施工程,30卷,不。6,478 - 489年,2015页。视图:出版商的网站|谷歌学术搜索
27. a . Kathuria m . Parida c Sekhar, m·帕沙克”检查总线失去的时间动态快速公交车站,”《公共交通,19卷,不。2、168 - 182年,2016页。视图:出版商的网站|谷歌学术搜索
28. 杨x, y、m .孟和a·劳”的影响不同的车站设计总线操作时间组件,”《公共交通,20卷,不。1,第118 - 104页,2017。视图:出版商的网站|谷歌学术搜索
29. r . p . Guenthner和k . Hamat中转停留时间的票价结构十分复杂,”交通运输工程学报,卷114,不。3、367 - 379年,1988页。视图:出版商的网站|谷歌学术搜索
30. j·c·莱文和g . w . Torng“三层总线设计的停留时间的影响,”交通运输工程学报,卷120,不。6,914 - 929年,1994页。视图:出版商的网站|谷歌学术搜索
31. m . Milkovits”建模汽车站停留时间影响因素:使用自动乘客计数,自动计数,自动车辆位置数据,”交通研究记录:《交通研究委员会,卷2072,不。1,第130 - 125页,2008。视图:出版商的网站|谷歌学术搜索
32. g . Currie a Delbosc j·雷诺兹,“建模有轨电车在墨尔本住时间,澳大利亚,和多伦多,加拿大,”交通研究记录:《交通研究委员会,卷2275,不。1月22,2016页。视图:出版商的网站|谷歌学术搜索
33. 贾斯瓦尔,j .地堡,l·费雷拉”平台上走的影响快速公交站巴士停留时间估计:澳大利亚分析,“交通运输工程学报,卷136,不。12日,第1179 - 1173页,2010年。视图:出版商的网站|谷歌学术搜索
34. r·费尔南德斯·席格斯·g·韦伯,n .泰勒“门影响平台的高度,宽度,和票价收集大巴上的停留时间,“交通研究记录:《交通研究委员会,卷2143,不。1,59 - 66年,2010页。视图:出版商的网站|谷歌学术搜索
35. a . Tirachini“巴士停留时间:不同的售检票系统的影响,公共汽车地板水平和乘客的时代,“Transportmetrica答:运输科学,9卷,不。1,28-49,2013页。视图:出版商的网站|谷歌学术搜索
36. 问:孟和瞿x”,公交车在公交港湾停留时间估计:概率的方法,”交通研究部分C:新兴技术36卷,第71 - 61页,2013年。视图:出版商的网站|谷歌学术搜索
37. d·卡茨和洛杉矶Garrow公交门拥挤操作和安全的影响,“《公共交通,15卷,不。2、71 - 93年,2012页。视图:出版商的网站|谷歌学术搜索
38. g·弗莱彻和a . El-Geneidy”费用支付类型和拥挤对停留时间的影响,“交通研究记录:《交通研究委员会,卷2351,不。1,第132 - 124页,2013。视图:出版商的网站|谷歌学术搜索

版权

版权©2020翳明Bie et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。