���ڳ����滮�����򹫹��������� ѡַģ��

针对区域公共物流中心(Regional Public Logistics Center, RPLC)选址问题,考虑到选址问题的不确定性,运用场景规划技术,建立RPLC选址双层规划模型。上层规划模型最小化RPLC建设及运营费用,下层建立分车型随机用户均衡模型用以描述城市内车辆的路径选择。通过预估RPLC在未来运营中可能出现的各种场景,确定相应场景下变量的取值,并求解双层规划模型、确定该场景下的最优选址结果;根据场景发生的概率选取在各种场景下加权平均费用最小的选址结果作为最终结果。同时,本文给出了求解该问题的离散粒子群算法和数值算例。结果表明,所建立的模型和求解算法是有效的,能较好地解决RPLC选址的不确定性,这对于节约RPLC建设和运营成本,减少投资风险是可行的。     

基于活动的交通需求计算过程模型研究综述

为适应现代城市快速发展的要求,研究人员对交通需求预测进行了广泛深入的研究,交通需求模型在建模方法和模型功能上发生了很大变化.基于活动的方法受到广泛重视,基于活动的交通需求模型研究成为热点.其中计算过程模型被认为是最有发展前景的.文中回顾了基于活动的方法的发展过程;介绍了基于活动的方法的理论基础;总结了基于活动的交通需求计算过程模型,并分析了其中4个模型的特点;探索了模型的改进途径,展望了模型的发展应用前景.     

融合时空特征的端到端自动驾驶车辆转向角预测

端到端自动驾驶系统可完成从感知输入到车辆控制输出的直接映射,已成为当前无人驾驶研究的一个重要方向.显然,在动态环境中自主驾驶车辆需要具有处理时空信息的能力,以实现精确平滑的车辆运动控制.为此,提出一种新的时空信息融合模型,在双流卷积网络(Two-stream CNN)的基础上引入门控循环单元(GRU)网络来实现端到端自...     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.