有轨电车典型行驶工况的构建

为合理评估有轨电车在轨道交通中的行驶特征及运行指标，为有轨电车设计与控制提供依据，对有轨电车典型行驶工况进行构建. 首先，以巴黎、布达佩斯、墨尔本城市的有轨电车线路及行驶数据为基础，采用聚类方法获取降维行驶特征；然后，基于马尔可夫链理论，构建有轨电车典型行驶工况；最后，将构建工况与实际工况进行特征值对比分析，并基于所构建的典型工况进行仿真验证. 结果表明:构建的典型行驶工况与实际工况样本数据库总体特征的平均偏差仅为2.63%，满足偏差低于5%的开发精度要求；此外，典型行驶工况与实际行驶工况下的需求功率误差也仅为1.78%，验证了典型工况模型的准确性和有效性.      

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于改进DeepLabv3+的接触网开口销缺陷检测

针对当前基于语义分割的开口销缺陷检测算法存在分割精度不高、检测效率低等问题，提出一种基于改进DeepLabv3+的接触网开口销缺陷检测方法。首先，采用减枝后的MobileNetv2作为DeepLabv3+的骨干特征提取网络，提高检测效率。然后，通过在DeepLabv3+的编码器网络中引入CBAM注意力机制，提高开口销语义分割精度。同时，为缓解开口销区域和背景之间不平衡带来的负面影响，采用CEDice Loss作为损失函数。最后，根据开口销语义分割图像的颜色、形态信息，对开口销进行缺陷识别。实验结果表明：在语义分割方面，相比于原DeepLabv3+模型，改进DeepLabv3+模型的平均像素准确率和平均交并比分别提高了3.54%和3.42%，且测试用时减少了14.41 ms/张，模型参数量缩减了88.61%；在缺陷识别方面，对开口销缺失，松脱，正常三种状态的识别准确率分别为100%,98.1%,99.5%，能够快速有效地识别出开口销缺陷。     

基于聚类和马尔可夫链的货车实际工况构建方法研究

针对货车法规工况与实际使用工况的油耗等性能相差较大问题,利用车联网平台获取目标样车实车行驶数据,提出基于高斯混合模型聚类和马尔可夫链结合的货车实际工况构建方法。通过主成分分析、高斯混合模型聚类分析将运动学片段分类,类中以速度区间划分行驶状态,采用Laplace Smoothing方法来估计状态转移概率,利用马尔可夫链法合成类内候选工况,选择类内最佳工况,构建目标货车实际行驶工况。结果表明：与原始数据相比,所建工况速度-加速度联合概率密度分布吻合较好,整体特征参数平均相对误差为4.32%;与实测百公里油耗相比,法规工况和所建工况的仿真油耗相对误差分别为26.33%、4.86%。所建工况精度较高,能够有效反映车辆实际行驶特征及油耗性能,可以为车辆的精细化设计和实际道路整车性能评价提供条件和依据。     

高速公路驾驶员昼夜识别距离变化规律

为了制定高速公路昼夜车速限制标准,保障高速公路驾驶员有足够的时间获取信息,采用数理统计与回归分析方法,对采集的驾驶员昼夜识别距离数据进行了对比分析,研究了行驶速度、平曲线半径和公路纵坡对高速公路驾驶员昼夜识别距离的量化影响,建立了驾驶员昼夜识别距离与行驶速度、平曲线半径、公路纵坡的多元关系模型.研究结果表明,驾驶员夜间识别距离与白天相比平均下降8.5%,最大下降30.4%,下降幅度与行驶速度和公路线形条件有关;驾驶员白天识别距离与行驶速度、平曲线半径、公路纵坡分别呈负对数、正线性和负指数相关,模型的相关系数为0.852;驾驶员夜间识别距离与行驶速度、平曲线半径和公路纵坡分别呈负线性、正对数和负指数相关,模型的相关系数为0.983.     

面向实际交通状态的混合动力汽车能耗和CO2排放模型

由于混合动力汽车与传统燃油车的能耗排放因子具有差异性，导致机动车交通路网能耗排放的量化评估存在不确定性。本文建立混合动力汽车在实际交通状态中的能耗和CO2排放因子测算模型，基于车辆比功率VSP(Vehicle Specific Power)作为车辆行驶状态与能耗排放之间耦合关系的表征参数。通过引入内燃机转速区分内燃机开启和关闭工作状态，并计算内燃机开启状态下VSP对应的平均能耗率，同时，建立能够解析混合动力汽车能耗排放产生机理的VSP分布。通过收集典型行驶工况下车辆测试油耗数据和北京市车辆实际行驶轨迹数据，验证了模型的准确性，并应用模型测算混合动力汽车不同速度区间下的油耗和CO2排放因子。研究结果表明：在城市行驶工况(UDDS)和高速行驶工况(HWY)中，模型测算能耗排放因子与真实值的平均相对误差分别为3.7%和-1.7%，与不考虑内燃机开启状态相比，测算误差减少5.6%和4.3%；在实际交通状态下，采用传统燃油车的测算方法会导致混合动力汽车行驶平均速度为高速区间时油耗和CO2排放量被低估，当行驶平均速度为低速区间时油耗和CO2排放量会被高估。     

城市混合道路行驶工况的能量利用率研究

随着机动车保有量的不断增加,汽车燃油消耗迅速增加,能源短缺问题越来越严峻。汽车的污染物排放、燃油消耗量和运行经济性受汽车实际行驶工况的影响较大。在分析国内外行驶工况研究现状的基础上,根据车辆在城市混合道路上经历加速、匀速、减速、怠速各种工况变化的行驶情况,定义能耗、能态、能量利用率的概念,利用车辆没有制动行驶克服空气阻力和滚动阻力下的自由行驶距离构建能量利用率模型,并将此模型在我国市区的行驶工况下进行应用,计算出标准工况下的能量利用率。研究表明:车辆的能量利用率不到40%,提升空间较大,为减少能源消耗提供新的研究方向。     

随机数在汽车行驶工况构建中的应用

为了研究车辆速度微小瞬变和不确定性对行驶工况构建模型的影响,将汽车行驶状况看作随时间变化的马尔科夫过程.利用最大似然估计法,按照怠速、加速、减速和匀速将实验数据分类,构成模型事件集,并把具有相似平均速度的模型事件组合在一起,构成6个不同的状态,计算出各个状态之间的转移概率.在此基础上,构造满足状态转移概率分布的随机数,以此扩展行驶工况的长度.分析合肥市行驶工况实验数据表明:典型行驶工况的行驶特征参数与实验数据的平均相对误差为7.81%,比传统方法降低了14.72%.     

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.