基于决策场理论的出行者动态决策行为研究

为了研究出行者进行路径选择时的动态决策过程,本文采用决策场理论,研究 了多属性条件下,机动车出行者的微观和宏观动态决策行为.分析了决策场理论的基本模 型,构建了出行者动态决策行为场景和框架,以历史出行时间、预测出行时间和两者综合 值作为出行者决策的路径属性,并根据属性与实际出行时间的差值为依据,提出了出行 者注意力权重矩阵计算方法.通过算例分析发现,自由流出行时间对出行者决策影响较 大,出行者对路径属性的依赖性非常强,决策过程中存在路径偏好反转的现象,表明出行 者动态决策过程是随时间不断变化的,路径选择是时间累计的结果.     

基于生成对抗网络的追尾事故数据填补方法研究

深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追尾事故数据为研究对象,将原始数据按照7∶3随机分为训练集和测试集。在训练集数据上,利用生成式插补网络(Generative Adversarial Imputation Network, GAIN)实现对缺失数据的填补。为对比不同数据填补方法的效果,同时选择多重插补(Multiple Imputation by Chained Equations, MICE)算法、期望最大化(Expectation Maximization, EM)填充算法、缺失森林(MissForest)算法和K最近邻(K-Nearest Neighbor, KNN)算法对同一数据集进行数据填补,并基于填补前后变量方差变化比较不同填补算法对数据变异性的影响。在完成数据填补的基础上,构建LightGBM三分类事故严重程度影响因素分析模型。使用原始训练集数据,以及填补后的训练集数据分别训练模...