轻型汽油车工况法排放检测方法相关性研究

研究了任用轻型汽油车稳态ASM、瞬态IMl95、GB18352．1—2001要求的全工况、GB18352．1—2001中的城市工况以及城市工况的第一个循环工况共5种不同的排放检测方法的相关性。测试并分析了3台本田雅阁车辆在这5种排放检测方法下的排放特性。结果表明，瞬态排放检测方法比稳态ASM方法能较全面地反映车辆的技术状态，瞬态IM195与GB18352．1—200l中城市工况检测方法的相关性较高，其中HC与NOx高于90％，CO也达57％以上。     

基于半监督极限学习机的隧道内车辆RSSI定位方法

为了提高公路隧道突发事件的判别效率，实现道路交通状态全天候监测，以智能公路上泛在无线传感网络为基础，研究了基于信号强度指示值(RSSI)的网联车辆定位问题；考虑到隧道内车辆的连续运动特性，提出了一种带有局部线性嵌入(LLE)算法的半监督极限学习机(SSELM)实现RSSI指纹定位；离线阶段利用LLE对少量已标记位置的RSSI样本和大量无标记样本进行降维处理，辨识表征目标位置信息的高维数据对应的低维流形，再基于改进的半监督学习拟合降维后的RSSI与位置的映射关系；在线阶段将实时采集的RSSI数据进行流形降维后，输入校准好的SSELM中估计目标位置；采用无迹卡尔曼滤波平滑估计位置。试验结果表明:相比于已有半监督学习算法，提出的方法在不同车辆行驶速度和部署间距下均能取得较优的定位性能；当已标记数据占比(减少了50%~90%)、未标记数据数量(0~1 000个)和检测器部署间距(10~25 m)等关键指标变化后，本文方法的定位性能仍然保持最佳，其平均误差最低为3.09 m；计算复杂度上，当已标记数据为30%，即仅采集96个参考点样本时，其平均定位误差为3.8 m，训练时间低至8.7 s。可见，带有局部线性嵌入算法的半监督极限学习机在稀疏或密集传感器部署环境中，对不同行驶速度的车辆均能提供理想的定位性能，且训练时间短、样本依赖性低，是进行隧道内网联车辆辅助定位的一种有效方法。      

基于延误和事故损失的高速公路可变限速控制

以交通检测系统获取的车道流量和速度为模型输入,分别提出基于延误损失、 事故损失和综合损失等3 类步进式可变限速控制.综合现有基于流量和基于车速离散性 算法估计了高速公路事故发生率,提出了基于延误和事故发生率的路段综合损失计算方 法.以青兰高速莱芜区约20 km的路段为实例,模拟了8 组可变限速牌,通过微观仿真验证 了提出的3 种算法.结果证明,相比于静态控制,建立的3 种模型均显著降低了主线车流的 停车次数、停车延误和综合延误,改善了车辆行驶的平稳性,但主线车辆旅行时间略有增 加.根据敏感性分析发现,随着驾驶员对限速值服从率的下降,可变限速控制的效益也逐 渐降低,尤其低于80%时,下降显著;当低于60%时,基本保持不变.     

城市交通信号控制干道旅行时间实时预测

城市干道旅行时间预测是实时交通运营管理与交通诱导的核心问题之一,也是出行者的重要需求.文中分析了济南市经十路采集的真实数据,研究发现了交通需求和旅行时间在工作日和非工作日同时段具有较大差异、全天具有显著早晚高峰、以及工作日同时段具有相似性及波动性等特征.基于该类特性,分别改进了适用于周期性数据的卡尔曼滤波和波动性的人工神经网络2类预测模型.提出了组合预测算法,将基于历史同时段数据的卡尔曼滤波算法的预测值作为人工神经网络的输入变量,利用历史天和临近时刻的可用数据进行了预测.结果表明:在3.8 km的信号控制干道上,组合预测模型平均误差低于0.9 min,误差超过2 min的概率低于4%,其预测性能可满足实时的交通需求.      

基于累积前景理论的无信控路段人车通行冲突博弈分析

无信控路段具有强交互性和高事故率,由于缺乏交通信号将人车进行分离,导致其容易形成人车通行冲突,影响道路通行效率和交通安全.为此,以各道路使用者的损失最小为目标,构建了基于累积前景理论的人车通行冲突博弈模型.通过研究过街行人与机动车辆的交互作用,分析双方决策行为影响因素并构建得失矩阵;同时在考虑决策者主观心理感知的前提下...     

基于关键本征模态函数的道路交通信号控制时段划分方法

交通信号控制是缓解城市交通拥堵的重要手段，时段划分是信号灯控交叉口多时段控制的基础，合理的划分方法有助于提高信号控制效率。对于固定配时的信号灯控交叉口，传统时段划分方法主要借助于路口历史交通流量数据，依据人工经验或者简单聚类算法，直接进行时段划分，未能充分考虑交通流的时序性和随机性问题，不利于交通控制整体效益。综合考虑交通流中随机因素和时序性对时段划分的影响，本文研究了基于经验集合模态分解和有序聚类的时段划分方法。利用集合经验模态分解处理交叉口流量数据，提取了若干个本征模态函数及1个余项。借助皮尔逊相关系数分析原始流量数据、本征模态函数、余项这三者之间的关系，优选与原始流量相关性最高的本征模态函数或余项作为交通流的关键成分，使用关键成分代替流量数据进行有序聚类，完成时段划分。通过寻找不同分割个数下最小损失值突变点，获取最佳分割数，并得到最佳方案。以广东省中山市一个路口为案例对本文提出的时段划分方法进行算例分析，VISSIM仿真结果表明:①相比于现状，提出的方法在工作日和非工作日分别能提高路口通过车辆数11.32%和2.62%，缩短排队长度18.67%和12.02%；②非工作日车均延误减少6.80%，停车延误减少5.87%，工作日车均延误和停车延误变化不大。