Frank-Wolfe�㷨��⽻ͨ��������: �Ƚϲ�ͬ�������²��Ժ�����������

Frank-Wolfe(FW)算法是一类广泛应用于求解交通分配问题的算法。它具有容易编程实现,所需内存少的特点。但是该算法收敛速度较慢,不能得到路径信息。为了提高算法的效率,本文研究三种流量更新策略(all-at-once, one-origin-at-a-time, one-OD-at-a-time)以及不同的步长搜索策略下的FW算法,其中步长搜索策略包括精确线性搜索方法(包括二分法、黄金分割法、成功失败法)和不精确的线性搜索方法(包括基于Wolfe-Powell收敛准则的搜索方法和Gao等提出的非单调线性搜索方法)。最后,本文将上述策略应用于四种不同规模的交通网络中,并给出较适合求解的组合。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于出行数据的城市公交网络可达性研究

可达性是评估交通便利程度的有效指标，城市公共交通良好的可达性能够吸引更多人选择这类方式出行.基于公交刷卡、发车时间间隔等多源数据，提出考虑线路和流量的车站等待时间计算方法；利用换乘时间阈值拼接出行数据，获取起讫车站出行时间，建立两阶段机会模型.以北京市为例，评估公交网络实际可达性.研究表明：车站服务可达性和网络可达性均呈现城市中心高、郊区低、沿地铁变化趋势明显的特征，线路越多的车站可达性越高；传统的定值设置方法会低估高可达性车站的可达性水平，考虑流量和线路的等待时间计算方法是有效的.     

考虑从众效应和信息传递的行人疏散建模

行人疏散问题已引起学者们的广泛关注.通过对行人疏散动态行为特性进行研 究,制定相关应急疏散策略对人群进行有效地控制和疏导,是减少拥挤踩踏事故发生的 主要手段.本文从微观角度,运用启发式力学模型描述行人的运动行为,并且考虑视野条 件、建筑物规模及信息获取等因素对疏散行为的路径搜索和选择过程的影响,建立考虑 从众效应和信息传递过程的行人疏散仿真模型.仿真结果表明,从众行为能够从一定程度 上提高行人的疏散效率,在密集的人群中,盲目从众会导致局部拥堵现象发生.