历史城区通勤者出行方式与活动模式交互作用研究

为了探究历史城区通勤者出行方式与活动模式之间的交互特征,选取根据扬州市历史城区作为研究对象.根据出行调查数据将出行方式和活动模式分别划分为4类,运用协同进化Logit模型理论,对模型的参数进行了合理设置和标定,分别建立出行方式选择和活动模式交互选择的多项Logit模型,与未考虑交互选择对比发现,交互后能够提高模型的总体命中率.研究结果表明:公共交通出行的通勤者与简单出行链HWH互为正相关;电动车通勤者与活动模式HW+MH和HW+OH互为负相关,说明历史城区通勤者较少选择电动车完成非工作出行;慢行方式对活动模式HW+ OH的相关系数为1.052,说明使用慢行出行的通勤者倾向选择活动模式HW+OH.     

汽车内有害气体检测现状与发展趋势

文章介绍了目前针对汽车内饰材料挥发的有害气体的检测方法及其不足,以及人工智能嗅觉系统的基本原理、发展现状及研究方向.     

现代有轨电车应用模式及地区适用性研究

在对现代有轨电车技术经济特点分析的基础上,结合国内外现代有轨电车的应用与实践,总结现代有轨电车的三种应用模式.分析影响现代有轨电车作用发挥的城市内部及外部因素,提出现代有轨电车的四种发展地区.针对南京市现代有轨电车适用性进行实证研究,认为适当修建现代有轨电车以缓解城市交通压力是合理可行的.     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响，采用长短期记忆 （Long Short Term Memory，LSTM）神经网络，基于 NGSIM 数据集，通过 One-Hot方法编码车型特征，并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重，训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model，IVT-CF）。在不同前车车型的跟车场景中仿真发现，IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error，MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%，比 IDM 模型分别降低了 15.8%、18.7%，仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现，交通流速度和车头间距的收敛时间为 92 s，该模型能较快收敛，具有较好的稳定性和抗干扰能力。     

考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究

针对智能汽车弯道避障问题，提出了一种兼顾规划曲线平滑度和车辆稳定性的轨迹规划方法。将轨迹规划分为解耦的路径规划和速度规划处理，利用改进的快速随机搜索树（RRT）构建曲率连续且曲率变化量最小的无碰撞的螺旋线路径。改进后的RRT基于深度神经网络的度量函数，选取并连接代价函数最小的树节点，并通过搜索附近节点寻找是否存在代价函数更小的节点。而在速度规划中首先根据道路限速规则，采用梯形规划输出连续的目标加速度曲线。然后基于螺旋线路径曲率和自车状态，采用预瞄加速度矢量控制（PGVC）动态调整目标加速度，最后通过加速度控制逻辑获得最终的期望加速度。仿真结果表明，所提出的轨迹规划方法不仅能使智能汽车满足弯道避撞和路径跟踪的目标要求，且提高了车辆高速过弯的稳定性能，同时本文还验证RRT的快速收敛性质、路径平滑性和基于并行计算的实时性。