智能网联交通系统多层次映射关系建模

目前,学者在智能网联交通领域的研究主要集中于宏观的技术进展综述和微观某一特定问题分析,但对智能网联交通系统各组成元素之间相互影响作用关系的数学分析尚有欠缺.首先,将智能网联交通系统分为三层,分析智能网联交通中各子系统间的动态影响作用关系,以及子系统状态波动在横向和纵向上的影响,提出智能网联交通系统稳定性影响评价指标体系;其次,根据模型的协同联动思想,提出基于车速推荐思想的智能网联交叉口人、车、路、管控协同联动流程;最后,通过仿真模拟T型交叉口的人、车通行对该模型进行验证.结果表明,模型能很好地适应并说明智能网联交通系统在协同联动作用下提高交通流的顺畅性和稳定性.     

考虑车道排队特征的城市路网交通事故影响范围估计

有效评估城市道路交通事故的影响范围,对快速恢复道路交通、减少连续事故的发生以及实施及时的救援措施具有重要意义。针对事故影响范围,目前国内外的研究主要集中在高速公路,对于城市道路事故影响范围的研究相对较少,特别是在微观层面如何准确估计事故影响在道路上的具体位置,依然存在较大的挑战。首先,定义交叉口延误、路段速度比,根据延误阈值、速度比阈值等指标估计事故影响路段。在此基础上,考虑城市道路交通流在信号控制条件下的间断流特征及交叉口进口道上的分流特征,运用交通波理论计算单车道排队长度,确定事故影响范围的边界。通过分析交通波的传播速度,描述两相邻交叉口路段单车道上车流的排队-消散过程,建立事故影响下车辆排队长度的计算模型。为验证模型的有效性,通过采集长沙市车牌识别数据,结合实地调查,利用VISSIM仿真软件搭建了包含22个交叉口的城市区域路网,并利用实测交通流数据对仿真路网流量进行校正。在此基础上,设计了包含不同事故等级、发生位置和道路等级的事故场景,通过对比实验发现80%的案例中事故影响范围的模型估算值与仿真结果之间的相对误差少于10%。通过进一步分析获得以下结论：事故持续时间越长、占据车道数...     

基于多准则粒子滤波算法的车辆轨迹重构

完整的车辆轨迹数据为高效交通管控提供数据支撑。为从城市车牌识别数据(ALPR:Automatic license plate recognition)中提取完整车辆轨迹信息,提出一种粒子滤波框架下的多准则车辆轨迹重构方法。首先,对提取到的初始车辆轨迹进行断点识别,确认车辆轨迹中需重构部分的位置和数量,并结合k则最短路算法对这些部分搜索生成轨迹集。然后,将轨迹集中的每条轨迹视作初始粒子输入到改进的粒子滤波器中,新粒子滤波器的5个重采样过程与5个时空校正因子一一对应,即：行程时间一致性因子、可测性准则因子、路径尺寸因子、转弯次数因子和距离准则因子。新粒子滤波器对含有主观因素的校正因子重采样过程加入了一定的随机性,以模拟车辆在行驶时的主观行为,粒子滤波器最终输出的轨迹为重构后的完整轨迹。最后,以长沙市天心区实测车牌识别数据为例,对比本文算法与传统算法轨迹重构的准确性。结果表明,本文算法考虑了车辆行驶时的随机性,在重构准确率方面具有一定优势,重构平均准确率达到94.8%。综上,提出的算法在传统方法基础上进行了多方面的改进,有利于提升轨迹重构的可靠性和精度,为城市路网车辆轨迹分析提供高质量的数据...     

山区高速公路隧道路段与开放路段的事故影响因素分析

高速公路隧道构造特殊且通行环境复杂,因而通常事故多发。为探究高速公路隧道路段与开放路段事故影响因素和严重程度致因机理的差异,采集沪昆高速邵怀段2011—2016年期间1 537起事故为研究样本;以事故发生路段为响应变量构建逻辑回归模型,解释各种风险因素对事故发生路段倾向性的影响差异;分别针对隧道路段与开放路段建立模型研究事故伤害严重程度的影响因素。建立二元Logit回归模型分析事故的发生倾向性和2类路段的事故严重程度的影响因素;采用随机参数Logit模型以反映异质性条件对参数的影响。统计表明:与疲劳驾驶、未保持安全距离相关的事故发生在隧道路段的概率更高,其事故发生概率分别是开放路段的2.373和2.482倍;与隧道路段事故严重程度正相关的因素包括下坡（坡度2%以上）、夏季和超速行驶,其中下坡（坡度2%以上）段的严重事故发生的概率为上坡（坡度2%以上）的3.397倍,夏季的严重事故发生概率为秋季的3.951倍,超速行驶相关的严重事故发生概率为其他不当驾驶行为的4.242倍;与开放路段事故严重程度正相关的因素包括超速行驶和疲劳驾驶,其中超速行驶相关的严重事故概率是其他不当驾驶行为的2.713倍,疲劳驾驶相关的严重事故概率是其他不当驾驶行为的4.802倍。研究表明,山区高速公路隧道路段与开放路段的事故发生概率及其严重程度的影响因素存在一定的差异性,研究结论可为山区高速公路差异管理方案制定提供依据。      

城市道路交通拥堵状态出行者感知差异性研究

为研究出行者在感知城市道路拥堵状态时的个体差异性,首先,选取长沙市 5条典型路段,采用视频观测法,设计拥堵状态主观感知实验,收集出行个体对城市道路拥堵状态的真实感知数据;其次,基于多层有序 Logit贝叶斯模型,获取出行者个体感知参数,深入分析道路及交通流因素对出行者拥堵感知影响的差异程度,并进一步探究造成感知差异的个体属性因素.结果表明：所选道路和交通流特征因素,对出行者的拥堵感知结果有显著影响;在其他变量不变的情况下,道路特征因素对不同出行者拥堵感知结果的影响差异性大于交通流特征因素,其中平均车速的影响差异性最小;个人属性的不同,是造成感知差异的主要原因.     

城市道路交通拥堵状态出行者感知差异性研究

为研究出行者在感知城市道路拥堵状态时的个体差异性,首先,选取长沙市 5条典型路段,采用视频观测法,设计拥堵状态主观感知实验,收集出行个体对城市道路拥堵状态的真实感知数据;其次,基于多层有序 Logit贝叶斯模型,获取出行者个体感知参数,深入分析道路及交通流因素对出行者拥堵感知影响的差异程度,并进一步探究造成感知差异的个体属性因素.结果表明：所选道路和交通流特征因素,对出行者的拥堵感知结果有显著影响;在其他变量不变的情况下,道路特征因素对不同出行者拥堵感知结果的影响差异性大于交通流特征因素,其中平均车速的影响差异性最小;个人属性的不同,是造成感知差异的主要原因.     

基于BERT-Bi-LSTM-CRF模型的自主式交通系统参与主体识别方法

自主式交通系统(ATS)的重要组成部分是参与主体，参与主体的信息通常依靠文本进行描述。为构建自主式交通知识图谱，需要从文本中准确地识别出大量参与主体。为此，研究了基于BERT-Bi-LSTM-CRF模型的实体识别方法，对自主式交通系统参与主体进行抽取。词嵌入模型BERT为预训练语言模型，用以捕获丰富的语义特征，将捕获的语义特征输入到双向长短时记忆神经网络(Bi-LSTM)模型中提取上下文双向序列信息，经条件随机场(CRF)处理得到最优序列预测结果。收集交通专业相关的原始语料，经过数据预处理与文本标注，形成了可用于自主式交通系统参与主体识别的语料库，基于此数据开展实体识别对比实验。结果证明:BERT模型显著提升了自主式交通系统参与主体识别任务的性能。相较于传统方法CNN-LSTM或Bi-LSTM等，所提方法可以得到最佳综合识别效果，各实体的综合F1值为86.81%，表明通过BERT模型提取参与主体的语义特征，可以增强识别方法的泛化能力。“使用者”“运营者”“提供者”“规划者”“维护者”类实体的F1值分别为90.35%，92.31%，90.48%，93.33%，95.00%。验证了所提方法识别自主式交通系统参与主体的有效性。