基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于蓝牙的道路行程时间检测设备设计及测试

以嵌入式技术为基础,采用单片机及串口通信技术,开发基于蓝牙的路网平均行程时间检测器,实现自动采集车载蓝牙M AC地址并配时和数据存储的功能。通过场地测试确定了设备漏检率的平均大小、与速度的关系及初次检测点位置的分布规律。测定了设备的检测精度,并对平均速度、检测数、配对数等因素进行了分析;通过 t检验、曼惠特尼U检验及沃尔德沃尔福威茨(W-W )检验验证了设备数据的可靠性;通过实地测试验证了设备的可用性和实用性,并根据测试结果,提出了设备存在的一些不足以及后期改进的建议,为蓝牙检测器的后续研发奠定了基础。      

COVID-19在城市轨道交通系统内的传播建模与预测

考虑城市轨道交通出行特征, 将新冠疫情下城市轨道交通系统内的乘客分为易感者、感染者、暴露者; 假设病毒自由传播, 以疫情发生初期的病例为研究对象, 结合相关研究, 选择病毒传染概率为0.41;将感染者乘坐城市轨道交通的过程分为出入站阶段和乘车阶段, 考虑病毒有效传播范围、人群分布特征、人群流动特征, 建立新冠疫情在城市轨道交通系统内部的传播模型; 以某市地铁为模拟案例, 假如有13个感染者乘坐地铁, 结合历史客运数据确定模型参数的取值, 预测不同载运水平下可能造成的感染人数, 同时研究与可能感染人数相关的各类要素。研究结果表明: 当载运水平降低至平均水平的10%时, 多数案例的可能感染人数降低至1人以下, 证明了城市轨道交通客流管控强度的有效性, 起终点站内人数折减引起的感染人数变化(小于20%)低于车厢人数折减引起的变化(60%~80%), 说明相比起终点站内人数, 车厢内的人群密集程度对可能感染人数的影响更加显著; 在经停时, 假如上下车人数之比不大于1, 则能有效控制可能感染人数的升高; 当经停站数与可能感染人数非线性正相关时, 载运水平、经停站数、可能感染人数之间的函数关系具有较高的拟合优度(决定系数为0.700 1)。