出租车驾驶员交通违法行为演化博弈模型

为研究违法成本对出租车驾驶员实施违法行为的影响,根据驾照管理方式,对交通违法成本构成及其累积过程进行研究. 通过设置警戒分数线,将出租车驾驶员分为一般和临界两个状态,构建了不同执法策略条件下,出租车驾驶员与交通执法者间的演化博弈模型,并采用仿真手段模拟不同执法及驾照管理条件下,出租车驾驶员的违法策略变化情况. 研究结果显示:执法水平和驾照分扣除程度直接影响违法成本,并决定双方的演化均衡;交通管理者对临界驾驶员采取低于一般驾驶员约30%的执法概率即可达到类似执法效果,临界驾驶员执法成本更低;相同执法水平下,临界驾驶员违法概率低于一般驾驶员;记分周期（1 a）内,每天相同人数更换驾照时,遭交通处罚的一般驾驶员人数相比不更换驾照条件多约10%,且随时间推移人数持续增加. 相关改善措施可考虑调整执法策略或改变驾照更新制度,促使出租车驾驶员驾照资格从一般转入临界状态,有助于遏制其交通违法行为,降低交通执法成本.      

交互危险行为对双责事故严重程度的影响分析

为了明确交互危险驾驶行为与双责事故严重程度的关系,从驾驶行为方面有效减轻双责事故的危害后果,结合双责事故的特点及各统计分析模型的适用性,采用广义有序logit模型鉴别各种危险驾驶行为交互作用对双责事故受伤严重程度的影响作用,并分析危险驾驶行为对不同等级受伤严重程度的影响规律以及影响机理.研究结果表明:双方驾驶员均偏离车道、双方均分心驾驶、一方超速另一方让行失败、一方超速另一方鲁莽驾驶以及一方违反交通规则另一方让行失败的交互危险行为会显著增加事故严重程度.根据分析结果,提出应对驾驶员做好宣传教育工作促使其养成良好的驾驶行为习惯,并结合超速监测系统、电子执法系统等技术手段加强对危险驾驶行为的监控.      

基于元胞自动机的高速公路临时瓶颈交通流仿真

为研究强制换道及冲突点分布对高速公路临时瓶颈交通流的影响,在NS(NaSch)模型和STCA(symmetric two-lane cellular automata)模型的基础上,引入强制换道规则,根据瓶颈口上游驾驶员心理状态的变化,建立高速公路瓶颈交通流模型.在开口边界条件下,针对不同的安全换道概率、强制换道概率、冲突点距离和冲突区间长度参数,模拟得到瓶颈交通流量和换道频率与车辆到达率的关系.仿真结果表明,安全换道行为对系统流量影响小;强制换道行为是降低瓶颈系统最大流量的主要因素,当安全换道概率为0.5时,强制换道概率从0.0增加至0.1,最大流量下降了17%;冲突点距离的增加缓解了交通拥堵程度,当冲突点距离从1 cell增加至4 cell时,临界车辆到达率上升了4%;冲突区间长度对交通事故风险的影响较大,最大强制换道频率随冲突区间长度的增加而增加.      

基于中间站最优的公交线路优化调整研究

数量众多的城市公交线路和公交站点密布在中心城区,在给居民提供便捷通 行的同时,也给城市交通带来了诸多难题.大量的公交车辆在同一个中间站到发,导致车 辆停靠时排队延误严重是最普遍的问题,尤其是在早晚交通高峰时段.本文从公交中间站 所服务的公交线路数和各线路车辆停靠时间特征入手,以各线路车辆在研究站点区域无 延误到发为控制目标,结合车辆停靠时间特性和乘客出行需求特点,确定公交站点的最 优通行能力,即不产生因车辆排队而造成延误的最大服务能力,并给出调整冗余线路的 优化方法,最后通过一个算例来验证模型的实用性.     

超速行为干预措施研究现状及发展趋势

为了提出能够有效遏制超速行为的干预措施，明确已有超速行为干预措施的实际效果、适用条件、优缺点及结合措施效果，对该领域内相关文献进行了系统性综述。根据系统性综述和元分析首选报告准则（PRISMA），将超速行为及其干预措施作为关键词，分别从11个电子数据库中搜索与超速抓拍系统、反超速宣传、超速警告标志和智能超速干预系统相关文献，通过构建文献质量评价指标体系对这些文献进行评估，筛选出101篇相关文献，并对其研究结果进行了叙述性地综合分析。研究结果表明：超速抓拍系统、反超速宣传、超速警告标志及智能超速干预系统具有不同程度的超速干预效果，且受一些道路交通环境条件及人为因素的影响。具体地，对于超速抓拍系统，区间式超速抓拍系统的干预效果最好，而移动式超速抓拍系统最差；对于反超速宣传，户外广告的超速干预效果最好，但印刷类广告作用不大；对于超速警告标志，超速张贴标志具有较显著的干预效果；警告型动态速度显示标志的超速干预效果优于标准型动态速度显示标志；对于智能超速干预系统，强制型智能超速干预系统的超速干预效果最佳，自愿型智能超速干预系统效果最差；对于结合措施，多数结合措施较单个措施的超速干预效果更好。总体而言，超速抓拍系统和智能超速干预系统的超速干预效果最好，超速警告标志次之，反超速宣传效果较差，结合措施可增强干预效果。上述结果可为超速行为干预措施的选择或提出奠定理论基础。针对已有超速干预措施的局限性及影响因素尚不明朗的问题，后续研究需优化试验或调查方案，进一步探究超速干预措施的效果及影响因素，并基于大数据（如车辆轨迹、视频数据）提出新的干预措施。     

无控制交叉口交通安全影响因素分析

为了探究无控制交叉口的交通安全影响因素,降低无控制交叉口的事故风险与安全隐患,采用间接安全评价方法——交通冲突技术分析了成都市7个无控制交叉口。首先,以后侵入时间作为冲突严重程度的定量指标,将冲突严重程度分为潜在、一般、严重冲突这3个有序等级。再采用广义有序logit模型全面鉴别对冲突严重程度具有显著影响的车、路和环境等相关因素。然后,通过边际效应计算反映各种影响因素对交通冲突严重程度等级的影响作用程度。研究结果表明,发生分流、合流及直角冲突的严重程度普遍高于追尾冲突;交叉口车流量、交叉口是否渠化、车辆是否停车等都会显著影响冲突严重程度。其中发生分流、合流和直角冲突时,其严重冲突发生概率分别提高29.4%,38.5%和25.6%,冲突车辆未停车让行导致严重冲突发生的概率提高11.5%,而渠化交叉口可使严重冲突的发生概率降低17.3%。最后根据模型回归和边际效应计算结果,有针对性地提出了无控制交叉口的安全改善建议。     

禁宵对年轻驾驶员的安全倾向性影响(英文)

本论文的目的是利用相对危险暴露量理论,探讨密西根州年轻人驾照政策中禁宵令对年轻驾驶员的安全倾向性的影响。禁宵令的有效性体现在两个层面:1)相对于控制组而言,受影响的年轻驾驶员的危险暴露量和危险参与率有显著性减少或者降低;2)通过计算一天内每小时的年轻人的危险暴露量,发现危险暴露量有明显的转移到禁宵前后的几个小时的趋势。     

成渝城市群经济与交通运输通道协同演化表征方法

评估经济与交通运输通道的协同演化是考量城市群整体发展的重要手段,然而,目前却没有专门的研究来解释协同度分析中具体指标的影响机制.因此,本文采用性能化的评估方案,从微观、宏观、中观3个层面建立了成渝城市群经济与交通运输通道协同演化表征方法. 通过数据拟合、秩相关分析和Pawlak粗糙集约简,建立了完整的评估方法体系,科学分析了协同演化趋势,确定了不协同指标.研究结果表明：成渝城市群经济与交通运输通道具有较强的协同关系;不协同指标为成都经济的结构和效益性指标,重庆经济的效益型指标及交通运输通道中的结构性指标.本文调查结果有助于评估城市群的协同水平,为城市群的进一步发展提供参考.     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。      

基于混合Logit模型的出租车超速者运营因素分析

根据超速频次、平均超速严重度和平均超速持续时间等3类超速特征，判断出租车超速者类型，明确运营因素对超速者类型的影响。本文利用成都市出租车GPS轨迹数据提取此3类超速特征，并筛选出若干运营因素。而后，应用模糊C-均值聚类确定4类出租车超速群体(超速者I、II、 III和IV型)。运用相关随机参数混合Logit模型，估计单个超速者的某运营因素在超过超速群体平均水平时，对该超速者类型的影响。结果显示：超速者I和II型的每小时超速频数、平均超速严重度低，但平均超速持续时间高；超速者III和IV型则相反。当超速者的日均行程距离、日均收入、低限速道路行程比例、夜间行程比例和全时段速度标准差超过群体均值时，其成为超速者III 和IV型的概率提高了15.39%~77.09%和42.98%~302.38%；成为超速者 I 型和 II 型的概率降低了-0.09%~26.57%和38.74%~68.34%。此外，日均行程距离、低限速道路上行程比例和夜间速度标准差等3类因素在估计中表现出异质性。