Resumen

Para mejorar el grado de comodidad de los pasajeros de autobús, es necesario determinar el coeficiente de aglomeración en tiempo real en el autobús. Para ello, en este artículo se ha utilizado el método de redes neuronales RBF para predecir el número de pasajeros en el autobús a partir de datos históricos. Para minimizar el impacto de la aleatoriedad del flujo de pasajeros en la determinación del coeficiente de aglomeración del autobús, se propuso un método de identificación del coeficiente de aglomeración del autobús basado en un modelo de nube. En primer lugar, se seleccionaron las medidas de rendimiento para determinar el coeficiente de aglomeración de autobuses y se calcularon las características digitales del modelo de nube basándose en los valores límite de las medidas de rendimiento seleccionadas bajo seis niveles de servicio (LOS). A continuación, las subnubes obtenidas bajo los seis LOS se sintetizaron en una nube estándar. Según el número previsto de pasajeros en el autobús, se calcularon la densidad de pasajeros y la frecuencia de carga, que se importaron en el generador de nubes para establecer el modelo de identificación del coeficiente de aglomeración de autobuses. Mediante el cálculo de los grados de aglomeración de la nube de identificación y la nube modelo en cada sitio, este trabajo determinó el coeficiente de aglomeración de cada estación de autobuses. Por último, este documento tomó la línea de autobús nº 10 de la ciudad de Dalian como caso de estudio para verificar el modelo propuesto. Se comprobó que los coeficientes de aglomeración de la ruta seleccionada oscilaban entre 60,265 y 109,825, y que los LOS correspondientes oscilaban entre C y F. El método de discriminación del coeficiente de aglomeración de autobuses no sólo puede determinar eficazmente el coeficiente de congestión, sino también evitar eficazmente la imprecisión y aleatoriedad del juicio del coeficiente de aglomeración en el autobús, lo que tiene una gran importancia teórica y práctica.

• Materias:Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:autobús, coeficiente de aglomeración del autobús, papel, pérdida, modelo de nube, método de identificación del coeficiente de aglomeración del autobús, modelo de identificación del coeficiente de aglomeración del autobús, redes neuronales rbf, línea de autobús no, coeficiente de aglomeración temporal
• Keywords:bus, bus crowd coefficient, paper, loss, cloud model, bus crowd coefficient identification method, bus crowd coefficient identification model, rbf neural networks, bus line no, time crowd coefficient