多起点单讫点路网中马尔可夫链配流模型的简单算法

交通量分配是路网规划工作的一个组成部分，交通量分析运算中，常用的数学模型有静态分配和动态分配两种，近些年来，有了用户最优概率配流模型，逻辑型配流模型，马尔可夫链配流模型等交通量分配模型。基于智能运输系统（ＩＴＳ）的动态交通量分配模型尚处在研究阶段中，在马尔可夫链配流模型中，定义了广义出行路径，建立了一步转移概率函数。结合算例，叙述应用马尔可夫链配流模型进行交通量分配的演算步骤。     

路径诱导问题中Dijkstra算法和矩阵迭代算法的比较研究

Dijkstra算法和矩阵迭代算法都是最短路径问题的经典算法,为了研究这2种算法的计算效率,介绍了2种算法的基本思路和程序流程;通过对时间复杂度、结果和时间的关系指标进行多次计算,表现2者之间的效率差异.比对结果显示:矩阵迭代算法较Dijkstra算法速度快;随着交叉口数的增加,前者较后者速度优势更加显著;前者计算思路较后者简洁,便于计算机程序的编写.     

公路网综合评价指标选择及评价方法

正确地评价公路网结构的发展水平,可以衡量公路网结构与地区经济增长水平的适应性,为公路网规划提供决策依据.选择科学的评价指标和评价方法是作出正确评价的前提.     

基于GPS公交车自动报站系统的设计

介绍了公交车自动报站系统的总体结构,提出了以AT89C51SND1C为主控制器的设计方案,并给出了系统原理图,阐述了的系统软件设计,包括U盘功能、MP3语音播放和GPS信息接收与处理等。     

智能运输系统对降低物流运输能耗的有效性分析

分析了智能运输系统与物流运输能耗的关系,介绍了广东省智能运输系统建设现状,以2000-2007年广东省道路能源消费数据为样本,对广东省道路运输能源消费效率进行了定量研究,揭示出智能运输系统建设对降低物流运输能源消耗的有效性.     

基于累积前景理论的无信控路段人车通行冲突博弈分析

无信控路段具有强交互性和高事故率,由于缺乏交通信号将人车进行分离,导致其容易形成人车通行冲突,影响道路通行效率和交通安全.为此,以各道路使用者的损失最小为目标,构建了基于累积前景理论的人车通行冲突博弈模型.通过研究过街行人与机动车辆的交互作用,分析双方决策行为影响因素并构建得失矩阵;同时在考虑决策者主观心理感知的前提下...     

基于道路结构的加速度干扰模型及行车安全舒适性评价

行车安全舒适性是道路评价的重要指标,而道路结构又是安全舒适性的重要影响因素。在分析现有评价体系不足的同时,引入加速度干扰作为行车安全舒适性的评价指标的新评价方法。首先考虑到加速度干扰与安全舒适性的密切关系,先建立了三维加速度干扰模型。进而从道路结构角度出发,建立了基于道路结构的加速度干扰模型。最后,对实际路段进行仿真,结果表明在圆弧段上,参数圆心角、半径、车速均对行车安全舒适性有影响。基于道路结构的加速度干扰模型的构建既为定量分析评价行车安全舒适性提供了数学模型,又可在道路设计阶段利用设计参数就直接对行车安全舒适性做出准确的评价预测。     

基于时空图的交通状态转变时刻的判别方法研究

针对交通状态转变时刻的判断问题进行了研究,在传统的交通状态研究模型基础上提出了时空图在状态判别中的应用,并在利用前人提出的调整累积曲线方法进行了比较,证实了引入该方法的有效性和准确性,提高了对交通拥挤转变时刻的判定上的准确率,在交通流特性的研究中起到十分重要的作用。     

过饱和下的交通协调控制研究

城市交通拥堵及过饱和交叉口群的交通供需矛盾日益凸显,已成为制约城市发展的瓶颈.文中描述了城市交通过饱和的现象,分析了其产生原因,阐述了对过饱和问题研究的目标,说明了实现过饱扣下协调控制的控制参数和过饱和交通的3个明显特性；分析说明了过饱和研究的主要问题,从信号控制运行方式、路径选择和智能控制算法3个方面说明了过饱和下交通协调控制存在的问题、研究现状及可研究方向等.     

基于多影响因素RDMA*算法的无人驾驶动态路径规划

无人驾驶汽车的路径规划面临着复杂多变的交通环境,为了更全面的评价路径选择指标以规划更合理的路径,以及更好的解决路段环境动态变化对规划结果造成的影响,研究了一种考虑多影响因素的动态路径规划算法——RDMA*(Real-time Dynamics of Multiple influencing factors AStar)算法.以A*(AStar)算法为核心,通过加入多影响因素的交通评价因子对其代价函数进行改进,综合考虑距离,交通拥堵程度,道路平整度和其他影响因素,应用层次分析法确定各影响因素的相对权重,以综合代价值为评价指标进行路径规划.通过GPS,雷达和摄像头等设备,利用融合感知技术获取相关道路环境信息,根据获取的全局和局部交通环境数据信息,利用实时动态更新策略解决动态环境下的路径规划问题,实时规划最优路径.通过对实际案例进行模拟,结果表明,应用RDMA*方法规划的路径相比基础A*方法规划的路径出行总体耗时减少了15.75%.并且在遇到特殊事件的状况下,通过RDMA*动态规划可为无人驾驶车辆即时提供一条综合代价值最小,耗时最少的可行路径,与改进的A*动态路径规划方法相比减少了10.63%的二次规划综合代价值的损耗,提高了7.83%的时间效率.该方法能更好的适应复杂的道路和交通系统,即时应对动态变化的交通状况,具备更强的实用性.