对地铁应急预案管理的初探

随着大城市轨道交通网络的形成,应对突发事件的快速、准确反应已经关系到全路网运行的安全性和可靠性.正是在这种大背景下,对地铁应急预案编制的出发点、管理流程进行初步的研究.     

强风区铁路风沙防治工程最大输沙量与携沙风荷载计算方法

针对强风区铁路风沙流灾害防治工程,开展最大输沙量和强风携沙风荷载2个最关键工程计算问题的研究。结合现场踏勘资料与测试数据,分析风向、风力和持续时间3个影响因素对最大输沙量矢量合成与计算的控制影响,基于优势强风流理论,归纳给出信风型、季风型和对流型3种典型工程风型的输沙量计算方法,并且为准确采集沙样数据,专门设计出能随主风向自动转动的野外自动风导向积沙仪。基于现场测试数据,根据相似准则与量纲和谐原理,推导强风区携沙风单位体积沙砾颗粒流体平均飞跃速度计算公式,用于强风区携沙风冲击荷载计算,计算结果符合工程实际,满足工程计算要求。     

城市群客流生成预测精度控制模型研究

城市群客流生成预测是城市群轨道交通规划中客流预测的主要组成部分,其预测精度将直接影响轨道交通客流预测精度,进而影响轨道交通规划的合理性.在分析城市群客流生成特点的基础上,提出客流生成阶段预测精度控制分为小区划分精度控制、预测方法选择、建模精度控制及模型计算结果调整4个阶段的思路;详细论述后2个阶段的精度控制内容,在模型计算结果调整中提出区域对外交通调整、空间调整、发生总量平衡调整及发生吸引平衡调整4个调整内容,并建立调整模型.     

线路客流预测分析与运营组织设计

从运营需要出发,提出客流预测的年限和内容;通过对客流量级的阐述,分析客流预测三级数据,确定运营的规模;根据OD(起讫点)客流分析来研究行车交路,做出满载率和拥挤度的评价;最终确定车辆编组与行车密度的合理组合,形成系统全面的技术方案,使客流预测更好地为运营组织服务.     

基于层次分析法的拉萨市交通安全评价模型研究

随着拉萨市经济水平的发展,城市道路交通安全变成了人们较为重视的社会问题。为改善道路交通安全现状,本文将从人为、车辆、道路和环境四个评价指标,采用层次分析法构建交通安全评价模型,对拉萨市交通安全进行评价分析,为城市道路交通安全提供参考依据。     

基于PumpLinx的鱼雷齿轮泵内部流场及流量特性的仿真分析

为研究转速与流体介质对齿轮泵性能的影响,运用PumpLinx软件对齿轮泵内部流场及其流量进行瞬态仿真分析,并与试验数据进行对比,分析转速与流体介质对齿轮泵内部压力场及输出特性的影响。数值结果表明:齿轮泵平均流量与试验数据吻合较好,入口流量随时间呈锯齿状波动,出口流量则呈波浪状的较小波动,而且流量脉动率随转速的增大而减小;齿轮泵内压力从低压腔呈阶梯状向高压腔过渡,且入口易因超低压而出现空化现象,导致其压力脉动率高于出口。此外,流体介质为水时的流量脉动率略低于油。研究结果为降低鱼雷齿轮泵的振动和噪声等危害提供了理论指导。     

浅谈现状城市道路改造交通疏解

道路改扩建工程施工存在工期周期长短、投资规模、人员流动等特点的影响,在施工过程中存在一系列的交通安全及市民出行便利问题,因而施工现场的交通疏解就变得尤为重要.结合深圳市桥和路及富桥大道综合整治工程为例,对城市道路改建时的交通疏解方案进行研究,希望解决城市道路改造现场对交通安全和市民出行便利程度等影响方面产生良好的作用.     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。