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.     

城市群双线客流分布预测方法研究

鉴于城市群客流预测在城市群轨道交通规划中的重要性,为提高其预测精度,对城市群客流预测中的分布预测方法进行研究.分析现实能够收集到的资料及城市群交通分布的特点,提出城市群双线分布预测方法.在城市群资料有限的情况下,研究如何得到城市群分布的预测结果;阐述分布预测的计算方法,建立相关的计算模型,对几种常用的分布预测模型进行优缺点及适用性分析.     

关于城市轨道交通线网规划的探讨

阐明城市轨道交通线网规划的目的就是要实行规划控制。规划研究的方法有经验分析法、客流预测法、公交增长法和多模块网络层次分析法等。规划主要解决的问题包括轨道交通在城市交通中的地位、作用及其网络层次、规模等。辩证理解“线网形态”、“轨道交通制式与敷设方式”、“客流预测”和“换乘形式”等概念？     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

智能汽车对无信号交叉口行人的避撞控制

针对智能汽车在无信号交叉口对横穿行人的避撞问题,研究了主动转向避撞控制策略。基于多层模型预测控制方法,采用分层控制策略设计局部规划层控制器与全局跟踪层控制器,在此基础上根据交叉口处汽车与行人的轨迹特征计算人车碰撞剩余时间,改进传统人工势场法构造避撞函数,规划出既能规避交叉口内存在碰撞风险的行人又能使偏差最小的局部避撞路径,并使智能汽车在满足多项动力学约束时准确跟踪参考路径,通过搭建CarSim/Simulink联合仿真平台,结合广东省2006—2018年交通事故数据库选取对交叉口人车碰撞有显著影响的因素,设计仿真场景进行仿真分析。结果表明:智能汽车能在多个初始点完成对参考路径的跟踪,控制器对不同速度和附着条件有较高的鲁棒性,高速低附着场景中,智能汽车横向加速度小于0.4 g、质心侧偏角小于2°、前轮侧偏角小于2.5°,各约束量满足舒适性和平稳性条件;4个典型交叉口场景中,智能汽车以不同速度直行或转弯通过交叉口,均能识别横穿行人中存在碰撞风险的行人实现主动转向避撞。      

基于线性规划的灰色模型在桥梁监控中的应用

预应力混凝土连续刚构桥通常采用悬臂分段浇筑施工,施工监控是保证施工质量的重要手段.以灰色系统理论为基础,针对以往施工控制中传统的GM(1,1)模型参数估计方法与精度检验准则不适配的问题,将平均相对误差最小准则下的参数估计问题转化为线性规划问题,通过Python语言实现,从而得到一种新的理论模型来进行挠度预测,并以陕西境内某1号大桥为工程背景,对混凝土浇筑、预应力张拉两个工况作用后的梁端挠度值进行预测.与传统模型相比,改进后的模型平均相对误差最多可减小28.41％,并能够排除奇异数据的干扰.研究结果表明,基于线性规划法的GM(1,1)模型较传统模型具有更高的预测精度和更好的稳健性,能够在桥梁施工控制中发挥更好的预测作用.     

基于便携式排放测试系统与BP神经网络的大型客车排放预测

以大型客车为研究对象,在长沙市的不同道路工况下进行了车载排放测试,借助道路测试得到的数据,利用BP神经网络,以逐秒的速度、加速度、比功率和油耗数据为输入,建立CO2、CO和NOx的排放预测模型,并用部分试验数据进行了验证。结果表明,CO2、CO和NOx预测结果的总体相关系数R为0.9167,线性高度相关,在整体误差水平上,CO2、CO和NOx排放因子的相对误差分别为0.0378%、0.3767%、3.7860%,该模型对大型客车尾气排放的预测效果较好。     

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。