自行车骑行者生理、心理与综合负荷感知模型

为探究自行车骑行者在骑行过程中的生理、心理状态与骑行者个体属性、骑行强度及骑行环境之间的影响规律, 设计并实施了自行车骑行试验; 选取了相对代谢率、心境状态、自感疲劳程度和任务负荷指数等指标, 分析了骑行者生理、心理与综合负荷感知的特性及规律; 以骑行试验数据为基础, 应用偏最小二乘回归方法建立了骑行者生理、心理及综合负荷感知模型, 并对模型预测能力进行评估。研究结果表明: 骑行者个体属性、骑行强度及骑行环境均对骑行者负荷感知有影响, 其中骑行者个体属性因素中, 身体质量指数和基础代谢率作用较为显著, 二者在负荷感知模型中的平均影响因子分别为0.121和0.112;骑行强度因素中骑行时间对于负荷感知影响最大, 其平均影响因子为0.139;骑行环境因素中交叉口数对骑行负荷感知影响最为显著, 其平均影响因子为0.137;各个变量对心理负荷与综合负荷感知的影响趋势相同, 对生理负荷与综合负荷的影响趋势不相同。可见, 关注部分因素以及骑行者心理负荷对于提高骑行服务水平具有一定作用, 研究结果可应用于改善自行车骑行设施环境。      

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

城市自行车骑行者疲劳感知特性（双语出版）

为了探究自行车骑行过程中骑行者的疲劳感知变化规律及其影响因素,设计实施了针对不同骑行环境的骑行试验。根据试验收集的骑行者个体属性、骑行强度数据及骑行者生理、心理数据,利用多元线性回归方法建立了骑行者疲劳感知模型,定量描述了骑行者疲劳感知与骑行者个体属性、骑行强度以及骑行者生理、心理负荷之间的变化关系。应用统计检验方法对模型的线性显著性、多重共线性进行检验;并通过实施新的骑行试验验证了模型对于实际骑行活动中骑行者疲劳感知的预测能力。由模型分析可知：骑行者的疲劳感知变化主要受到骑行者个体属性、骑行强度、骑行者生理负荷以及心理负荷等属性的影响,4种属性的建模变量对于出行者疲劳感知的影响因子分别为-0.291,0.353,0.253,0.265。研究结果表明：在骑行过程中,骑行强度、骑行者生理负荷以及心理负荷因素与疲劳感知呈正相关关系,而骑行者个体属性则与疲劳感知呈负相关关系,其中骑行强度因素对于疲劳感知变化影响最大;模型预测的骑行者疲劳程度值与试验实测值无显著性差异;可通过改善现有骑行环境来降低骑行过程中骑行者的生理负荷和心理负荷,从而减小骑行者出行疲劳感知期望值,以此影响自行车出行者骑行选择行为的决策;骑行疲劳感知模型可应用于自行车交通评估与规划。     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.      

城市自行车骑行者疲劳感知特性

为了探究自行车骑行过程中骑行者的疲劳感知变化规律及其影响因素,设计实施了针对不同骑行环境的骑行试验。根据试验收集的骑行者个体属性、骑行强度数据及骑行者生理、心理数据,利用多元线性回归方法建立了骑行者疲劳感知模型,定量描述了骑行者疲劳感知与骑行者个体属性、骑行强度以及骑行者生理、心理负荷之间的变化关系。应用统计检验方法对模型的线性显著性、多重共线性进行检验;并通过实施新的骑行试验验证了模型对于实际骑行活动中骑行者疲劳感知的预测能力。由模型分析可知:骑行者的疲劳感知变化主要受到骑行者个体属性、骑行强度、骑行者生理负荷以及心理负荷等属性的影响,4种属性的建模变量对于出行者疲劳感知的影响因子分别为-0.291,0.353,0.253,0.265。研究结果表明:在骑行过程中,骑行强度、骑行者生理负荷以及心理负荷因素与疲劳感知呈正相关关系,而骑行者个体属性则与疲劳感知呈负相关关系,其中骑行强度因素对于疲劳感知变化影响最大;模型预测的骑行者疲劳程度值与试验实测值无显著性差异;可通过改善现有骑行环境来降低骑行过程中骑行者的生理负荷和心理负荷,从而减小骑行者出行疲劳感知期望值,以此影响自行车出行者骑行选择行为的决策;骑行疲劳感知模型可应用于自行车交通评估与规划。     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.