考虑信息诱导的随机均衡交通流逐日演化模型

在交通诱导系统向出行者发布一致性路网信息的情况下,假设出行者的路径选择行为随历史经验和交通信息的更新而不断调整,考虑出行者的路径选择行为和对诱导信息的信任决策,提出一个交通流逐日演化模型.在该模型中,根据信任决策不同,将出行者分为两类,即信任路径诱导信息的出行者和不信任路径诱导信息的出行者.其中,信任诱导信息的出行者比...     

基于ATIS的多用户多准则随机均衡交通配流演化模型

为了刻画实现随机用户均衡态的过程,提出一个考虑多用户参与和多准则决策的随机均衡交通配流演化模型。在模型中,根据时间价值的不同,将出行者分为有限类,每类用户的先进出行者信息系统（ATIS）市场占有率由信息收益确定;出行者依据由出行时间和出行费用线性组合的最小感知阻抗选择出行路径;利用不动点定理分析了模型不动点的存在性。数值试验结果表明：提出的模型能够收敛到不动点,可以模拟网络中ATIS市场占有率和流量的演化过程。     

交通信息影响下的动态路径选择模型研究

考虑交通信息对出行者选择出行路径的动态影响,建立一种动态路径选择模型。将不同类型的出行者对路段（路径）运行时间的预测看作不同的随机过程,通过对出行路径上节点的到达时间取期望值,利用一阶近似表达式,研究交通信息对出行者的出行路径选择行为的影响。     

降级路网的认知及交通流平衡分析模型

为定量衡量因路段降级原因导致路网通行能力的丧失量,分析出行者在降级路网中的路径选择行为将导致何种网络交通流平衡状态,通过将降级路网划分为车流外界因素导致路段可通行能力降级和路段上车流量增加导致道路服务水平的下降两种类型,辨别旅行时间长短与旅行时间波动对出行者路径选择行为的影响,推导出同时考虑这两方面因素影响的可变路径旅行时间风险度量;在此基础上建立了降级路网中的交通流平衡分析模型,该模型满足存在性和惟一性,并能正确描述出行者对降级路网结构认知差异性情况下的网络交通流平衡状态。通过实例展示了不同旅行可靠性要求下,出行者对路径旅行时间长短的权衡关系以及整个路网交通流平衡结果。     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。     

信息诱导对降级路网运行效率的影响

为考察信息对降级路网运行效率的影响,将出行者根据有无ATIS接收装置划分两类。采用路网混合均衡建模方法构建了信息影响下的混合均衡变分不等式模型,并设计了模型求解的启发式算法。采用一个测试网络开展了仿真研究。结果表明,无论路网降级程度大小,要想使路网运行效率维持在较高水平,ATIS的市场渗透率和提供信息的质量水平都应控制在一个合理的范围内。     

考虑出行者偏好和经验的路径选择行为研究

出行者的路径选择行为是包括自身特性在内多种因素共同作用的结果。为分析出行者偏好对路径选择行为的影响,首先假设出行者从路网中获取的信息为不完全历史信息,建立了理解行程时间及其更新模型,然后给出了基于经验-加权吸引力(EWA)学习模型和累计强化学习模型的两种偏好动态更新规则,最后通过Dogit模型将理解行程时间和路径偏好共同纳入出行者的路径选择决策中。在此基础上,对比分析了不考虑路径偏好、路径偏好为固定值、基于EWA学习模型更新路径偏好和基于累计强化学习模型更新路径偏好4种不同偏好情况下网络交通流的演化情况。算例结果表明:相比利用Logit模型不考虑路径偏好的流量分配结果,利用Dogit模型考虑路径偏好的流量分配结果更为均衡,且在考虑偏好时,路径偏好为固定值、基于EWA学习模型更新路径偏好和基于累计强化学习模型更新路径偏好3种情况下路径的均衡流量间差异较小;偏好动态更新时,基于EWA学习模型的路径偏好动态更新规则较累计强化学习模型能更好地捕捉出行个体的路径偏好,但由累计强化学习模型得到的路网流量分配结果更为均衡;偏好为固定值时,路径的均衡流量介于EWA学习模型和累计强化学习模型两种偏好动态更新规则下路径的均衡流量之间。     

先进的旅行者信息系统对出行者选择行为的影响研究

目前研究先进的旅行者信息系统对出行者选择行为的影响主要集中在对路径选择行为的影响上,而忽略了对出行者出行终点和交通方式选择的影响。假定路网中的出行者一部分装有信息装置,另一部分没有装信息装置,利用离散选择理论中的层次选择结构模型和交通规划理论中的随机均衡方法,研究了先进的旅行者信息系统对出行者终点选择,方式分担和路径选择行为的综合影响,建立了一个与网络均衡条件等价的数学规划模型,设计了模型的求解算法,并用一算例分析了市场渗透率和信息质量对出行者选择行为的影响。     

动态路阻下的出行时间预测和路径选择模型

通过分析原有路径选择模型的不足之处,在考虑路网中路段路阻的动态性和出行者出行路径选择的随机性的基础上,提出了一种出行期望时间预测和动态路径选择模型,并引用一个具体算例来证明该模型的正确性和适用性;同时分别运用最短路径模型和文中所提出的动态路径选择模型进行求解,得到每条路径被选择的概率和最短期望出行时间,结果证明文中模型能计算出出行者期望时间和可能出行路径,比传统模型更加符合现实状况,更能模拟现实生活中出行者的出行行为和路网路阻随时间变化的状态,对出行者的出行决策更具指导价值。     

初始条件对驾驶员逐日路径选择行为和网络交通流演化的影响

从查阅到的文献可以看到,在驾驶员逐日路径选择行为及网络交通流演化的研究中,均假定驾驶员第1天对路径的理解行程时间相同,也即初始条件中没有考虑驾驶员的个体差异性。首先,对初始条件和驾驶员逐日路径选择过程建模,在2条平行路径的简单路网中,运用Agent仿真方法模拟了不同初始条件下驾驶员逐日路径选择过程。结果表明：路网达到平衡所需的时间与驾驶员对历史信息的依赖程度显著相关,而与第1天驾驶员对路径行程时间理解的相关差异性不显著;路网平衡和用户平衡的差别与两者均显著相关。虽然在不同情况下路网均能够达到近似的用户平衡状态,但是平衡时驾驶员对2条路径的理解行程时间存在较大差异。     

部分控制交通网络的流量分配问题及模型

为了研究由于交通控制设备资源有限,只有部分节点受到控制时交通流在路网上的分配,讨论了交通分配的一般准则和方法,并通过对出行者在控制节点和未控制节点的路径选择行为的假设,建立了混合交通配流模型。模型的最优状态为,出行者在未控制节点处都是选择从该节点到达终点路段综合费用最小的路段,而在控制节点处完全服从控制策略的引导选择路径。研究表明,当所有节点都被控制时,模型等价于SO模型;当所有节点都不受控制时,模型等价于UE模型。用一个简单的路网进行算例分析,说明了模型的可行性和合理性。     

车辆导航动态路径规划的研究进展

针对车辆智能导航系统中的交通网络模型、路径规划算法以及交通流预测这三个主要方面的研究现状进行了较为详细的分析。首先着重描述了基于图论的交通路网模型的构建方法;其次分析了Dijkstra算法、Floyd算法、A*算法等经典路径规划算法的性能及研究方向;然后详细介绍了交通流预测方法的研究进展;最后对车辆导航动态路径规划的未来研究方向做了展望。     

基于多智能体博弈的路径选择策略仿真研究

系统最优与用户最优代表了交通分配中路网管理者与出行者两种不同的利益出发点。在综合考虑两者在路径选择过程中动态交互特点的基础上,引入博弈论的思想协调两者的利益冲突,建立了路网系统管理者与出行者之间的路径选择博弈模型。为验证模型的有效性,结合多智能体技术进行了相应的仿真实验,并利用多智能体仿真软件Starlogo进行模拟。通过对无信息无博弈（随机）出行、用户最优出行、有信息有博弈出行以及系统最优出行等4种不同仿真方案的比较分析,验证了系统与出行个体之间协调的博弈模型性能满足了驾驶员出行需求,提高了路网整体效率,为建立实用的诱导策略提供了参考。     

出行者信息类型偏好对其路径选择行为影响研究

城市交通系统本质上是由大量个体出行行为聚集形成的宏观系统,对于城市交通管理者而言,研究微观个体出行者的自身内在因素以及一些外在因素对其选择行为的影响,是制定相关有效管理措施的前提.通过RP调查方法,获取了城市交通出行者个体属性(性别、年龄和驾龄)、信息类型偏好(描述性信息和规范性信息)以及路径选择偏好(最短路径、可接受路径以及固定路径)数据.基于调查数据,研究构建了城市交通出行者信息类型偏好对其路径选择行为影响的结构方程模型,通过对模型的拟合分析,探讨了城市交通出行者的个体属性及信息类型偏好,对其路径选择偏好的影响.研究发现,城市交通出行者个体属性间的差异,使得他们偏好于不同类型的交通信息,有着不同的路径选择行为;描述性信息能够使得城市交通出行者更加倾向于选择最短出行路径,而规范性信息能够使得城市交通出行者更多地打破其固定路径选择行为;但是在交通信息影响下,仍有部分出行者倾向于选择固定路径,即使该固定路径并非是最优出行路径.文中相关研究结果有助于交通管理者更好地去预测,在交通信息影响下不同类型出行者的路径选择行为变化情况.      

考虑出行者有限理性的日变交通分配模型

现有的日变交通分配模型多数是以路径变量为研究对象,其主要有初始路径流量不唯一和忽略了路径之间的相关性等问题;而以路段为研究对象的日变交通分配模型虽然克服了上述不足,但其有限理性仅体现在出行者对最短路成本的认知上,本质上还是基于确定环境下的客观旅行时间进行决策,无法描述出行者在不确定环境下的风险态度和心理特征。基于此,在累计前景理论的框架下,构建了一个以路段变量为研究对象的日变交通分配模型,该模型克服了路径模型的两大缺陷,能够表征有限理性的出行者在不确定风险环境中的决策行为以及面对风险时的主观心理特征。最后,本研究通过一个算例讨论了有限理性、日变模型演化步长和损失规避系数对流量变化的影响,结果表明出行者的有限理性行为会增加路网上流量的波动性,这说明交通管理者应采用相关技术和方法减少出行者的有限理性行为,以达到减缓流量波动的目的。对于流量逐日演化步长和损失规避系数等参数而言,其取值越大,流量波动性也会相应增加,因此,在交通实践中,有必要对参数进行合理调控,如考虑一定程度的出行习惯,适当增加出行者对交通系统的敏感性等,从而减少旅行成本。     

车辆实时调度中的城市路网及交通描述模型

为满足车辆实时调度对城市路网交通信息的需求,本文应用GIS节点弧段拓扑数据模型对具有交通管制信息及实时、动态交通流信息的城市路网进行描述。完整地表达了路网的连通性及交叉口的转向管制信息,并通过实时更新路权来体现路网交通状况的变化,依此路权可以进行动态最短路径计算,为车辆调度提供了可视化平台。本模型应用地理信息系统和数据库管理系统分别存储路网空间数据和属性数据,保证了模型的运行效率。     

基于驾驶员路径选择的动态交通仿真模型

描述一个基于路径的动态交通仿真模型(RDTS)，它使用一个微观交通流仿真器结合一个驾驶员路径策划器来实现路网中每辆车从出发地到目的地行程的模拟。应用开发的时间相关最短路模型，驾驶员在向目的地前进途中可以根据交通条件的动态变化而动态地选择和变更路径。RDTS模型采用一个路径选择模型来模拟详细的动态交通分配过程，并且致力于反映路网中个别车辆的行为表现及其相互作用，其中包含车辆生成、路径选择和车辆移动模型，可以很好地应用于驾驶员动态路径诱导领域。     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型。首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析。通过实例表明：该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率。     

信息对出行者出行行为的影响研究

研究了出行者在交通网络发生交通事故条件下的出行行为，出行者根据用户最优原则决定是否改变出行路径，建立一种简单网络上的排队模型，分析了ATIS对出行者在交通事故期间路径选择行为的影响，得出了ATIS有益于缓解交通网络拥挤状况的结论。     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型.首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析.通过实例表明:该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率.