考虑合乘的共享自动驾驶汽车选择行为实证分析

共享自动驾驶汽车(Shared Autonomous Vehicles,SAV)是自动驾驶汽车和共享经济相结合的产物,为人们提供了一种新型的出行方式. 为探究出行者在考虑合乘的SAV与私家车或公共交通之间的选择偏好,实施了SAV选择意愿调查,并分析了考虑合乘的SAV的潜在用户特征. 基于问卷调查所得有效数据,采用K-Means 聚类法划分了历史出行模式,利用因子分析对性格态度特征进行了分类. 分别对有无私家车人群建立解释变量的参数服从不同分布的混合Logit 模型,并对参数标定结果进行对比分析. 研究结果表明,出行方式特性非常显著地影响出行者方式选择行为,性格态度特征是影响出行者选择考虑合乘的SAV出行方式的显著因素,且其显著性明显高于性别、年龄等社会经济属性.     

出租领域电动化市场容量及政策建议研究

为积极应对气候变化,国家相关政策积极推进公共领域车辆电动化。本文综合考虑巡游车、网约车等出租领域市场电动化的影响因素,结合出租汽车行业情况构建了出租市场容量预测模型,进行未来5年出租市场的容量预测。结合预测结果和专家观点,对出租领域电动化的目标及重点任务,以及地方政府和车企提供了有关建议。     

交通图像大气加雾模型设计与评价

针对数字孪生过程中，交通雾霾图像的采集受天气限制，数据库获取困难导致样本不足等问题，提出了一种新的大气加雾模型，并用于扩展不同浓度的交通雾霾图像数据库。首先，结合暗特征原理，求解大气光值，并提出了一种基于区域方差的大气光补偿方法来获取大气光估计；其次，利用颜色衰减先验估计场景深度，求解初始透射率；然后构建了图像大气加雾模型，将计算的大气光估计与大气加雾透射率代入模型，并利用雾霾系数调整加雾浓度；最后设计了多组交通视频加雾实验并进行评价。实验结果表明，提出的算法能随着预置雾霾系数增大，使得图像主观上明显趋于模糊，客观指标随之逐步发生变化，图像降质规律与真实的含雾场景基本一致，可用于扩充雾霾数据集，具有很好的有效性和实用性。利用不同去雾算法评价对比加雾图像可知，复原图像效果与针对实际图像的去雾效果基本无异，进一步反向验证了加雾模型的有效性。     

DHSSA优化的K均值互补迭代车型信息数据聚类

针对传统方法在车型信息数据聚类过程中受初始化中心点的影响较大导致聚类精度低、鲁棒性差以及在迭代过程中求取均值选择聚类中心受离群点影响大的问题，提出了一种DHSSA优化的K均值互补迭代车型信息数据聚类方法。首先，针对SSA算法中发现者位置更新不足和种群多样性不足的问题，设计了一种扰动因子-领头雀优化策略，通过自适应领头雀策略加强了最优个体的影响力，利用扰动因子扩大搜索空间，提升了寻找聚类中心的准确率；其次，设计了基于筛选最大最小距离积方法 SMMP优化聚类中心的初始化，在MMP基础上增加了筛选机制，使初始化的中心尽可能更均匀地分布在每个簇中；最后，融合DHSSA和SMMP来优化K均值互补迭代，在减小迭代次数的同时增加搜索效率，得到较好的聚类结果。利用多种数据集进行测试，通过试验结果中的收敛曲线和性能指标可以看出，提出的DHSSA-KMC方法相对于SSA-KMC、IMFO-KMC、KMC和KMC++具有更高的搜索精度、收敛速度和更低的聚类代价，并且耗时相对于SSA-KMC和IMFO-KMC有所减少，证明了算法的有效性和优越性。在车型信息数据处理过程中，DHSSA-KMC可以高效聚类生成竞品...