大数据背景下的舰船航行环境可视化研究

现有方法大多是针对近海领域,在200 n mile以外的海域存在着可视化图像逼真度差的问题,为此提出大数据背景下的舰船航行环境可视化方法研究。利用大数据中的最优插值算法处理舰船航行环境数据,以此为基础,利用LOD动态调度技术可视化环境要素点,通过空间坐标系可视化环境要素线,采用纹理映射技术可视化环境要素面,基于体绘制技术可视化航行环境体,通过环境要素点、线、面、体的展示实现了舰船航行环境的全面可视化。仿真实验结果显示,与现有代表方法相比较,本文方法可视化图像帧频低、帧速率高,表明本文方法可视化图像逼真度高,适合推广使用。     

高原环境适应性改进HX_D1D型机车列车供电装置典型接地故障分析

文章通过对高原环境适应性改进HX_D1D型机车列车供电装置交流输入侧接地故障的典型案例分析,提出保护控制策略优化方案,避免列车供电装置故障范围扩大。     

多类型信息下的网络交通流演化模型

交通信息发布机构提供描述信息和规范信息给不同的出行者，描述信息接收者依据信息和经验更新路径行程时间认知，根据认知选择路径；规范信息接收者仅根据经验更新认知.规范信息遵从者选择推荐路径，非遵从者依据认知选择路径.两类信息遵从率都取决于信息准确度.依据非线性动力学理论分析了模型性质，研究表明，模型不动点存在但是不一定唯一，不动点状态与信息混合使用情况有关.数值试验结果表明，模型不动点与随机用户均衡点不同，以恰当比例混合使用两类信息可提高交通流稳定性.     

公共自行车使用时空特性挖掘及租还需求预测

基于宁波市公共自行车刷卡数据、POI(Point of Interest)数据、气象和空气质量等数据，从数据驱动视角，深入挖掘公共自行车使用的时空特征及站点租还车需求预测。在时间上，采用KMeans算法，将站点聚为5类，探讨各类站点的时变需求规律及影响因素；在空间上，提出基于POI 数据的站点用地类型识别方法，将站点分为居住类、交通设施类、办公类和商业休闲类。构建以 15，30，60 min 为间隔，以租还车需求为目标变量的随机森林预测模型，并与常用的 BP (Back Propagation)神经网络、K最近邻方法进行比较。结果表明，随机森林模型的精度更高，适用性更强。以30 min为间隔的站点租还车需求预测精度最高，考虑站点土地利用类型后能有效提高模型的预测精度。本文结果可作为未来站点平衡调度的依据并推广应用于共享单车系统，为改善服务水平提供技术和理论支撑。     

新冠肺炎交通防控政策对长沙市人口流动的影响

为探究新冠肺炎疫情下交通防控政策对长沙市人口流动的影响，本文根据长沙市在新冠 肺炎疫情期间颁布的交通防控政策和疫情实时防控情况划分防控阶段，基于百度迁徙大数据，利 用双重差分模型，识别长沙市不同阶段的交通防控政策以及量化防控效果，分析交通防控政策对 长沙市人口流动的影响。结果显示，长沙市在交通管制阶段，平均人口迁出强度、平均人口迁入 强度及城市内部出行强度分别下降了83.68%、69.24%及59.74%，有效地控制了人口流动，降低了 疫情扩散危险。在交通恢复阶段，长沙市人口流动强度逐渐反弹，城市内部出行强度基本恢复到 2019年同期水平。本文研究结果显示了交通管制对疫情扩散限制的有效性，为常态化疫情防控 下精准防控政策和复工复产政策制定提供参考。     

面向新型混合交通流的智能交叉口网络布局优化

考虑网联自动驾驶车辆(Connected Autonomous Vehicle, CAV)应用先进的车联网与自动驾驶技术，可以采用智能交叉口的组织形式，大幅提升交叉口的通行效率，为降低CAV与人工驾驶车辆(Human-driven Vehicle, HV)混行条件下城市交通系统的整体出行成本，提出智能交叉口在城 市交通网络中的布局优化问题，建立数学优化模型并求解。首先，基于对两类车辆行驶特性的分析，建立混合用户均衡模型，描述CAV与HV的路径选择行为；其次，从交通规划者的角度，以系统最优为目标，整合混合用户均衡模型，建立面向新型混合交通流的智能交叉口网络布局优化模型，并利用改进的遗传算法求解；最后，选取Sioux-Falls交通网络作为案例分析，验证模型与算法的有效性，并研究CAV渗透率变化对优化结果的影响。研究表明，智能交叉口在城市路网中的合理规划极大地提高了新型混行场景下城市交通系统的出行效率，同时，大幅降低了由于网联自动 驾驶单方面技术优势带来的CAV与HV的出行效率差距，增进了出行公平性。     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。