几何设计对快速路立交匝道行车安全性的影响

由于城市快速路转向交通流量大、线形设计标准低,快速路立交匝道成为交通事故的多发点。利用上海市快速路3年事故数据和交通流量检测数据,以上海市浦西地区快速路立交匝道为研究对象,根据车辆在匝道上的行驶特征以及车辆交互特性,将立交匝道划分成出口段、衔接段和入口段及左转匝道、右转匝道等5个研究单元,针对各单元分别建立负二项模型分析匝道几何设计及其组合参数、交通流特征对于安全的影响。结果表明,出口段及入口段的安全性与几何特征的联系较为紧密;迂回式左转匝道相较于右转匝道受几何线形影响大;流量越大、长度越长,事故风险越高,但出口段的长度与事故发生呈负相关关系;出口处为直线、入口处存在长直下坡路段、入口处线形与主线差异大的立交匝道安全性差;迂回式左转匝道上存在过小半径曲线,特别是将小半径曲线设置在出口处,会极大增加事故几率。     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题, 提出了融合多模式弱分类器, 并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点, 以Haar特征训练判别式弱分类器, 以HOG特征训练生成式弱分类器, 以AdaBoost算法为桥梁, 采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器, 利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明: 相比于单模式弱分类器, AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性, 表现为较高的检测率与较低的误检率, 分别为95.7%、0.000 27%, 每帧图像的检测时间较少, 为25ms; 与传统级联AdaBoost分类器相比, AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间, 但检测率提升了1.8%, 误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法, 具有较佳的车辆检测效果。     

VMS下驾驶员路径选择行为分析与建模

为了实现交通流在路网中的合理分配,可变信息板(VMS)通过发布动态交通信息来引导驾驶员选择最合理路径.通过构造基于陈述偏好调查(SP调查)的诱导信息下驾驶员路径选择行为的有序多分类Logit模型,分析各因素对驾驶员路径选择行为的影响.分析结果表明,年龄、出行距离、可选路径、VMS信任度、改变路径频率对驾驶员路径选择行为的影响较大.在驾驶员个人属性中,年龄对驾驶员的路径选择行为影响最大;在出行属性中,驾驶员对出行距离和可选路径最为敏感;在对VMS的认知和服从属性中,驾驶员对VMS信任度越高,按照VMS诱导信息改变出行路径的概率越大;改变路径频率越高的驾驶员,越易改变出行路径.     

基于随机路径选择的城市轨道交通客流分配悖论

在城市轨道交通网络中,当改善1条已有的轨道线路(包括提高发车频率和降低服务票价等)或者新增1条轨道线路之后,将会发生客流分配悖论.为了分析该交通悖论的特征,基于传统的和改进的Logit模型的随机网络加载结果,采用公式解析和数值计算的方法,研究了悖论的形成条件,推导了悖论边界曲线和悖论区域大小,讨论了不同的Logit模型在预测随机交通悖论方面的差异性,并最终得到了轨道线路的服务质量(包括运行时间和服务票价等)差异、乘客的随机路径选择行为、乘客的出行时间价值和随机感知误差的大小等因素对客流分配悖论产生的作用机理,为避免悖论的发生提供了理论指导.     

考虑预约的高速公路交通流主动式时空优化模型

为主动缓解路网流量时空不均衡问题,构建基于预约通行的高速公路拥挤度预评价模型和时空优化模型。通过融合车主预约需求数据和历史数据,修正预测交通量并进行拥挤度预评价,建立时空优化模型寻找最优出行时段和线路,利用费率优惠引导车主选择错峰出行。以广深高速和广深沿江高速为背景进行案例分析,结果表明:通过费率优惠引导车主预约并选择错峰出行能有效缓解路网流量的时空不均衡问题;预约平台的市场占有率会对流量分布产生影响;存在一个使路网达到均衡状态的市场占有率,此时路网流量分布情况不再变化。     

基于结构方程模型的京津冀区域旅游交通行为分析

旅游交通发展转变了旅游者对于旅程的时空观念。为了探求旅游者旅游交通行为选择机理,根据旅游者个人属性、旅游交通网络因素和旅游交通行为因素,采用结构方程模型进行测度分析,并提出旅游交通发展建议。结果表明:(1)旅游者较为关注旅游出行时长;(2)在旅游者个体属性中,收入属性是主要影响因素;(3)在旅游交通网络中,服务水平的影响更为明显;(4)在旅游交通行为中,旅游交通费用成为主导因素。旅游交通行为研究为旅游交通系统优化提供了理论依据。     

年度城市居民出行小样本调查及主要应用——以厦门市为例

当前我国尚处于快速城市化阶段,城市规划建设年度变化较大,五年一次的居民出行大调查难以准确把握不断变化的城市交通特征,使得近期交通专项规划缺少精准的定量支撑。本文结合厦门市实践经验,提出年度居民出行小样本调查法。结合城市近期建设设计年度居民出行小样本调查方案,并运用数据扩样和融合分析方法;持续五年跟踪分析居民出行方式、出行距离和时耗、出行空间分布等主要居民出行特征。并给出了居民出行小样本调查在现状交通模型维护、交通政策研究和重点区域交通分析等方面的重要应用。这种年度居民出行小样本调查的模式较好解决了两次居民出行大调查之间交通特征持续跟踪问题,很好服务了城市交通规划建设工作,对其他城市具有较好参考价值。     

考虑多方利益的P&R设施规模与费用优化研究

P&R(停车换乘)设施的规模与费用直接影响着网络整体表现与设施收益。本文考虑了通勤出行者、建设运营者、低碳减排三方利益,基于随机用户均衡理论,构建了多目标双层规划模型,以优化P&R设施规模与费用,并提出了求解pareto解集的方法。数值算例表明,解集中的一些方案能够明显减少碳排放,提高轨道交通分担率,决策者可以权衡出行者与建设运营者的利益,从中选择适当方案。     

基于改进委托-代理模型的船舶碳减排政府激励效用建模与分析

目前碳减排激励措施主要考虑碳定价、碳税、船舶航速降低激励等,尚未针对实施碳减排的船公司给予合理补贴激励。由于船公司运行模式、减排思路、资产组成等方面与普通企业的差异,传统委托-代理模型假设无法满足航运业背景下对政府激励效用的需求,需对现有委托-代理模型进行针对性改进。为实现政府以有限基金达到社会效用最大,同时满足船公司付出最优努力获得最大收益,考虑持风险规避态度的船公司碳减排效果外生不确定性,提出船舶碳减排政府激励效用模型,根据政府能否完全观察到船公司的减排努力程度,分别在信息完全与信息不完全条件下,以政府和船公司自身收益效用最大为优化目标,求解政府最优奖惩系数和船公司碳减排最优努力程度,分析政府对船公司进行规制的最优激励合约问题,以及决定船公司碳减排内外部因素的参数对政府给与船公司的最优激励及相关参数的影响。结果表明：最优激励系数伴随外生随机变量方差和绝对风险规避系数的增加而加速下降至缓慢降低,当外生随机变量方差为8和绝对风险规避系数为4时,下降速率趋至平稳,此时,船公司对选择碳减排的风险厌恶程度极高,对实施碳减排的抵制心理十分强烈;成本系数和减排努力水平影响系数同时影响船公司实施碳减排的力度,当减排努力水平较大时,政府的激励随船公司的成本增加呈现先迅速增长后平缓的变化趋势,意味着政府在有限基金内尽可能满足船公司碳减排需求以减少实施难度,但当激励达到一定程度,增加激励不会直接影响船公司碳减排积极性;由于成本系数和减排努力水平影响系数对政府激励效用的共同影响,不同航运市场条件下都将存在1个最优激励,结合长江航运发展背景,当成本系数为0.5且减排努力水平影响系数为3,使得政府激励效用最优。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。