基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析，不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先，将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据，并基于K-Means++算法对各个站点的客流量进行聚类；其次，建立客流量聚类结果与土地利用特征多维参数的拟合方程，计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上，充分考虑属于同一大类站点不同站点的细分特性，使用5类客流量公共特征比重组合精细描述具体站点类型。 实例结果表明，使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内，说明该分类方法具有可行性。     

复突触神经网络模型及其稳定性研究

传统的Hopfield网络在联想记忆、优化计算方面发挥了重要作用,但该网络存在一个弊端,即它只能处理线性或二次的最优化问题。因此,本文首先对Hopfield神经网络进行了扩展,将其称为复突触神经网络(或模型),扩展的网络不仅可以解决目标函数或约束中含有高阶的最优化问题,而且还可以处理目标函数含有对数、三角形式等较复杂函数的最优化问题;然后给出了该网络稳定的充分条件并给出了证明,同时对网络中的权矩阵是否对称也进行了讨论;最后结合典型的模糊c均值聚类问题验证了该模型的有效性。     

模糊C-均值聚类算法及其在船舶故障诊断中的应用

船舶设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶设备繁多,运行环境特殊,各种设备的故障症状与故障原因之间的关系十分复杂,致使传统诊断方法在实际应用中效果不理想。因此,研究采用模糊C-均值聚类算法来实现船舶故障的诊断乃是非常必要的。将被诊断对象间故障和症状的特征通过建立模糊关系矩阵进行故障分类,用当前所得的故障征兆群与过去该设备故障征兆结果相对照,找出最相似的结果,从而确定其故障。通过船舶主机轴系诊断的实例,证明了该方法的有效性。     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

铁路绿色施工节地与土地资源保护措施评价

为了更好地促进绿色铁路建设,进而促进国家实现建设资源节约型环境友好型社会的目标,必须对施工阶段铁路的节地与土地资源保护措施进行评价。通过研究相关技术标准及铁路施工特点,建立一套完善的铁路绿色施工节地与土地资源保护措施评价指标体系。然后,利用三角模糊数层次分析法确定各指标权重,应用灰色聚类法确定评价指标体系的综合绿色等级。最后,结合实例证明三角模糊数层次法与灰色聚类法结合可以对铁路绿色施工节地与土地资源保护措施进行很好的评价,并能找出铁路施工阶段节地与土地资源保护的不足之处并进行改进。     

A generic data assimilation framework for vehicle trajectory reconstruction on signalized urban arterials using particle filters

With trajectory data, a complete microscopic and macroscopic picture of traffic flow operations can be obtained. However, trajectory data are difficult to observe over large spatiotemporal regions—particularly in urban contexts—due to practical, technical and financial constraints. The next best thing is to estimate plausible trajectories from whatever data are available. This paper presents a generic data assimilation framework to reconstruct such plausible trajectories on signalized urban arterials using microscopic traffic flow models and data from loops (individual vehicle passages and thus vehicle counts); traffic control data; and (sparse) travel time measurements from whatever source available. The key problem we address is that loops suffer from miss- and over-counts, which result in unbounded errors in vehicle accumulations, rendering trajectory reconstruction highly problematic. Our framework solves this problem in two ways. First, we correct the systematic error in vehicle accumulation by fusing the counts with sparsely available travel times. Second, the proposed framework uses particle filtering and an innovative hierarchical resampling scheme, which effectively integrates over the remaining error distribution, resulting in plausible trajectories. The proposed data assimilation framework is tested and validated using simulated data. Experiments and an extensive sensitivity analysis show that the proposed method is robust to errors both in the model and in the measurements, and provides good estimations for vehicle accumulation and vehicle trajectories with moderate sensor quality. The framework does not impose restrictions on the type of microscopic models used and can be naturally extended to include and estimate additional trajectory attributes such as destination and path, given data are available for assimilation.     

Estimating traffic volumes for signalized intersections using connected vehicle data

Recently connected vehicle (CV) technology has received significant attention thanks to active pilot deployments supported by the US Department of Transportation (USDOT). At signalized intersections, CVs may serve as mobile sensors, providing opportunities of reducing dependencies on conventional vehicle detectors for signal operation. However, most of the existing studies mainly focus on scenarios that penetration rates of CVs reach certain level, e.g., 25%, which may not be feasible in the near future. How to utilize data from a small number of CVs to improve traffic signal operation remains an open question. In this work, we develop an approach to estimate traffic volume, a key input to many signal optimization algorithms, using GPS trajectory data from CV or navigation devices under low market penetration rates. To estimate traffic volumes, we model vehicle arrivals at signalized intersections as a time-dependent Poisson process, which can account for signal coordination. The estimation problem is formulated as a maximum likelihood problem given multiple observed trajectories from CVs approaching to the intersection. An expectation maximization (EM) procedure is derived to solve the estimation problem. Two case studies were conducted to validate our estimation algorithm. One uses the CV data from the Safety Pilot Model Deployment (SPMD) project, in which around 2800 CVs were deployed in the City of Ann Arbor, MI. The other uses vehicle trajectory data from users of a commercial navigation service in China. Mean absolute percentage error (MAPE) of the estimation is found to be 9–12%, based on benchmark data manually collected and data from loop detectors. Considering the existing scale of CV deployments, the proposed approach could be of significant help to traffic management agencies for evaluating and operating traffic signals, paving the way of using CVs for detector-free signal operation in the future.     

基于PCA-聚类分析的高铁旅客购票行为特性研究

铁路运输中旅客购票行为是铁路客运运营策略制定的重要基础.旅客购票行为直接影响着列车能力的占用过程,是铁路客运票额组织的重要依据.根据贵阳—广州高速铁路的旅客购票统计数据,以高铁购票旅客为样本,运用主成分分析法购票行为的特征属性进行综合分析,获得购票行为中重要特征变量.结合单次购票强度提出基于模糊C均值的双重聚类算法,对购票旅客进行聚类,并利用模糊聚类有效性指标Xie-beni和分离系数法确定最佳聚类数.结果表明,高铁旅客购票行为的关键特性为单次出行旅客人数、购票提前天数、出行OD城市人均GDP和购票渠道;不同旅客类型的购票行为有明显特性.     

基于特征熵权与样本加权的大跨桥梁多车道交通荷载聚类模型

为满足交通流荷载作用下大跨桥梁结构评估的需要，研究了基于荷载参数特征的交通流状态划分方法。首先，基于实测交通流数据，按照车道属性统计分析得到交通流的单位小时特征参数样本，选择单位小时内车型比例、车头间距及交通流速度作为交通流状态划分的参考特征；其次，改进经典k-means聚类算法以增强其对高维、复杂交通流荷载分类的鲁棒性，即通过引入特征熵值来表征各特征参数对聚类效果的重要性，同时计算样本点与周围样本点的接近程度来赋予样本点权值，以削弱样本离散性对聚类质量的不利影响；最后，通过聚类算法得到11种具有不同参数特征的交通流荷载，分析了其作用下某大跨斜拉桥拉索应力响应及造成的疲劳损伤。结果表明：改进算法的聚类质量指标比原始k-means算法提高了40%以上，对交通流状态划分具有良好的适用性；通过算法得到的不同类别的交通流荷载的特征参数差异性明显，其占有率也大不相同，同一类别的交通流荷载各样本特征参数聚拢效果良好；同车道内不同类别的交通流荷载的拉索等效应力差别较大，其变异系数均在0.2以上，尤其在考虑了不同交通流荷载模型的占有率后，这种差异性进一步增大。上述结果表明该交通流荷载聚类与模拟方法是有效、准确的，对相关大跨桥梁结构安全及耐久性评估有一定的参考价值。