��ͨ���뾭�������Թ�ϵ��ϵͳ����

公路交通量预测是一项复杂的交通运输系统工程。交通量是社会系统中交通条件、经济及社会等诸多因素共同作用的结果。掌握上述要素对交通量的影响或作用强度及其规律对于科学准确地分析预测交通量，进行交通规划具有十分重要的意义。本文对大量统计数据的分析研究结果表明，随着我国经济的发展，公路交通量，特别是国、省道干线交通量与经济量相关性变得越来越密切，并且在时空分布上呈现出一定特征。     

广义回归神经网络在交通运输量预测中的应用

因为交通运输、地方经济及企业发展的紧密联系,交通运输量预测成为运输市场和经济发展研究中的一个重要问题。以影响交通运输量的若干重要参数作为样本数据,构建一个广义回归神经网络,经过学习训练后使之达到误差最小,再以此网络外推出未来的交通运输量。结果证明广义回归神经网络用于交通运输量预测的有效性。     

计量模型在“十五”四川省 交通运输量预测中的应用

在阐述科学预测交通运输量的意义的基础上,利用计量经济模型对四川省的“十五”交通运输量进行了预测,并给出了一般性的模型检验流程.     

"非典"和新冠肺炎疫情对我国客货运输的影响比较与分析

为使运输行业有效做好新冠肺炎疫情防控工作并积极应对后续可能出现的行业风险，在剖析2003年“非典”疫情对各种交通运输方式客货运输流量产生影响的基础上，比较了新型冠状病毒肺炎疫情与“非典”疫情的共性与不同，分析了新型冠状病毒肺炎疫情将对我国客货运输发展产生的影响，预测新型冠状病毒肺炎疫情将在短期内对铁路客运、公路客货运、民航客货运造成较大负面影响；对铁路货运、航运影响较小；对快递、电商业发展产生积极影响。基于各运输方式客货运量所受影响预测，指出未来一段时期交通运输行业应关注的重点：要进一步健全行业突发危机管理机制和行业重大风险防范机制；针对此次疫情涉及面较广的特点，应关注农村交通运输防控工作，保障疫情期间“三农”健康有序发展。     

基于灰色-广义回归神经网络模型的城市群交通运输能力预测

城市群交通运输能力是构建国家综合立体交通网的战略基石。鉴于传统预测方法难以适应城市群交通运输能力影响因素众多且存在时变、耦合、不确定性强等特征,提出了一种灰色-广义回归神经网络的复合模型,以预测未来城市群交通运输能力。首先,选用LASSO算法筛选主要影响变量来降低数据复杂度,运用GM(1,1)模型弱化数据序列的随机性,预测影响变量时间序列的变化趋势,并填补数据缺失。然后,以2000—2019年京津冀城市群的数据集训练GRNN模型,根据GM(1,1)模型预测出的2020—2025年城市群交通运输能力影响因素,得出未来年份交通运输能力动态趋势。结果表明,复合预测模型精度优于传统方法,有效减少了小样本预测的不确定性。最后,结合预测结果分析了京津冀城市群核心区位城市的发展方向,为助力构建以城市群为重要抓手的新发展格局进行了前瞻性探讨。     

湖南省交通运输领域碳排放达峰路径研究

交通运输是当今世界经济发展的重要组成部分，但也是产生大量碳排放的主要行业之一。本文以2021年为基准年，设置参考情景、低碳情景和强化低碳情景，通过LEAP (Long-Range Energy Alternatives Planning System)模型对2022—2035年湖南省交通运输领域碳排放量进行预测分析。结果表明：参考情景下，湖南省交通运输领域碳排放量高速增长，2035年排放量达5724.78万t，预测期内未出现峰值；低碳情景和强化低碳情景下，湖南省交通运输领域碳排放预计分别于2033年、2029年达到峰值，峰值量约为4481.44万t、4257.95万t。预测期内，能源消费量仅在强化低碳情景下达峰，于2030年达到2162.24万t标准煤的能源消费峰值。最后，基于减排潜力分析提出湖南省交通运输领域绿色低碳发展的3个主要建议：建议采取强化低碳情景下的强化节能减排措施，尽早实现碳达峰；社会车辆是减排关键子领域，建议推广新能源的同时构建清洁电网，实现减排效益最大化；公路货运是减排重要抓手，调整运输结构和降低重型货车的碳排放是减少公路货运排放的主要措施。     

区域交通运输业碳排放效率影响因素研究

交通运输业已成为我国二氧化碳排放的重要部门,在发展交通运输业的同时 应努力降低其碳排放量.本文定义了交通运输碳排放效率,建立了交通运输碳排放效率 影响因素解模型,其影响因素分为技术进步和结构调整两类.以吉林省为案例进行实证 分析,研究结果表明,技术进步因素是影响交通运输碳排放效率增长的主要原因,结构 调整因素抑制了交通运输碳排放效率的增加.各种运输方式中,公路运输促进了总碳排 放效率的增加,铁路运输促进了总碳排放效率的降低,其他运输方式对总碳排放效率的 影响相对较小.     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测.算例表明,该模型可以提高预测精度.     

基于内在因素提取的内河航运量神经网络预测方法

内河航运量预测是内河航道网规划的依据,利用主成分分析法提取影响内河航运量的内在因素,利用内在影响因素与内河航运量之间的联系,结合BP神经网络建立模型对内河航运量进行预测。算例表明,该模型可以提高预测精度。     

以交通运输分析及预测进行公路建设

交通运输分析及预测是公路建设项目在可行性研究阶段的重要组成部分，是其研究的核心内容之一。它是综合分析建设项目的必要性和可行性的基础．同时也是确定公路建设项目的技术等级、建设规模以及经济效益评价的主要依据。由于各方面的原因，许多人在进行交通运输分析及预测时一直是站在项目、行业和部门的角度，     

高速公路网假日交通流空间波动幅度指数分析与标定

采用宏观交通流理论,引入假日交通流空间波动幅度指数,从路网的点、线、面3个层面对假日交通流的空间波动性进行分析。依据高速公路收费系统中全样本交通流OD数据,按照最短路法把假日前后给定时间段和假日期间的OD交通量分配到路网上,按照假日交通流空间波动幅度指数计算模型,得到路网、路段和站点的波动幅度指数。根据上述模型,对2007年国庆假期前后共3周的交通流数据进行计算,得到山东省路网2007年国庆假日交通量空间波动幅度指数为15.9%。     

交通流随机行为的研究进展

随着人口和车辆的不断增加,道路发展难以满足车辆交通的需要,交通拥塞等问题日益严重.由于交通流的动态、随机、非线性、多行为主体等特征,进一步增加了交通流问题的复杂性.交通流随机行为的研究对于理解交通流的内在演化规律、管理和控制交通流具有重要作用.目前在该领域的研究已经形成了相应理论体系,建立了系列模型,并不断在实际交通中应用.本文对交通流随机行为相关的研究进行了总结,讨论了随机相互作用无关的模型如微观跟驰模型、宏观流体力学模型、介观气体动理论模型、元胞自动机模型、随机过程模型,随机相互作用相关的模型如势强度相关模型,加权顾前势模型等.通过对目前研究现状的总结和分析,对未来交通流随机影响因素及随机动力学的建模与分析进行了展望.      

浅议道路因素与交通安全

文中根据我国道路交通安全现状,并结合河南省商丘市境内交通安全的抽样调查研究,对各种道路因素对交通安全的影响进行了比较系统的分析。     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。      

基于机动车比功率的单点信号配时优化模型

为减少车辆延误和交通排放,基于机动车比功率提出信号交叉口红、绿灯期间污染物排放因子的标定方法.根据运筹学和交通流理论,以车辆延误和排放最小为目标建立单点交叉口信号配时优化模型.考虑小汽车尾气中的CO、HC和NOx三种污染物,利用 VISSIM 软件设计交通仿真实验,使用MATLAB软件编制参数标定和模型求解算法,根据车辆行驶状况数据标定每条车道组每种污染物的两类排放因子,并验证双目标信号配时优化模型.结果表明,与仅降低延误相比,双目标优化模型所获最优信号配时方案能使车均延误降低19%、交通排放减少11%.研究成果能有效减少交叉口延误和排放,为建立考虑交通排放的干道信号配时优化模型奠定理论基础.     

交通扰动与交通流稳定性机理解析

道路条件及密集交通流随机波动是交通扰动的诱因,并可能引发交通流不稳定.提出3个影响交通流稳定性的重要因素——背景交通状况、驾驶员特性、车队均一性.讨论了基于跟车模型导出的交通流稳定性的充分和必要条件,辨析其中各参数的准确含义和各条件之间的相互关系.借助交通流基本图和车辆轨迹线图,分析在各影响因素作用下交通扰动在实际交通流中的演变.     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流,缓解高速公路交通拥堵现象,本文提出一种考虑多特征的高速公路交通流预测模型.首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵,并利用滑动窗口模型获得输入样本的最佳长度;然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征,随后输出预测结果;最后,将某高速公路交通流数据...     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

雾霾情况下路网模型及雾霾对交通路网的影响

雾霾对城市交通路网的影响主要包括交通数据缺失、交通安全和污染物排放三大问题.首先,基于城市交通数据监测系统,增加路网模型中驾驶员对能见度因素的反应特性,建立雾霾情况下交通路网模型,包括车道模型和交叉口模型两部分.然后,建立雾霾情况下交通路网模型评价指标,包括路网交通数据缺失率、交通危险系数和路网车辆污染物排放指标.最后,通过雾霾对路网影响程度和影响区域的仿真,得出如下结果:雾霾程度越严重、影响区域范围越大,交通数据缺失率越高,越不利于交通安全,同时污染物排放越多.