面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明：GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。     

基于运行速度的高速公路限速方法研究

从运行速度的角度出发,结合高速公路车辆运行安全和运输效率等因素;通过分析影响高速公路运行速度的主要约束指标,以限速区间段长度为基础变量,利用迭代法求得最优限速方法;依托永新高速初步设计,对限速方法进行验证.结论 表明:合理的限速方法能提高一条车道通行能力6.85％,降低车辆平均通行时间13.27％,具有较好的经济效益和...     

细说乘用车碰撞试验

随着汽车数量的增加和行驶速度的不断提高,行车安全越来越重要。而在所有汽车事故当中,与碰撞有关的事故占90%以上。汽车碰撞是不可避免的,那么如何减少碰撞时对人员的伤害?世界各国都在研究制定日趋严格的碰撞试验方法和标准。相信大多数的读者都没有见过车辆的碰撞试验,对国内目前乘用车所做的碰撞试验种类以及试验方法也缺乏了解。为了能让大家全面、细致、直观地了解关于乘用车碰撞试验方面的知识,笔者深入碰撞试验的第一线,在国家轿车质量监督检验中心碰撞实验室同事的帮助下,将目前国内所做的所有乘用车碰撞试验总结整理出来,与大家共赏。“乘用车正面碰撞的乘员保护”是目前国内在汽车碰撞方面惟一强制实施的标准,所有车辆都必须通过此项试验。自2006年7月1日开始又有两项碰撞标准将实施,分别是:“汽车侧面碰撞的乘员保护”和“乘用车后碰撞燃油系统安全要求”。另外,还有一项推荐性标准是“乘用车正面偏置碰撞的乘员保护”,3、5年后很可能也会被纳入国标当中。除此之外,还有四项碰撞试验偶尔也会做,不过都是厂方的行为,主要是作为安全带和安全气囊的匹配试验和车辆研发阶段的性能试验。对于以上八项碰撞试验,本文都将从国内外情况、试验方法和考核指标三方面进行详细地介绍。     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明：基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s^-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。     

基于广义时空图卷积网络的交通群体运动态势预测

针对当前高速公路与城市快速路交通拥堵现象愈发严重,为交通管理与控制造成巨大困难的问题,提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型;基于交通数据自身具有的复杂时空特性,定义了广义交通数据图结构,同时构建了广义图的邻接关系;基于图卷积网络基础理论,采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本,建立了广义图卷积算子;结合广义图卷积模块、标准卷积模块与线性全连接层,提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型;利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器,在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据,测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明：相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型,GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外,GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见,GSTGCN模型能够有效处理复杂交通时空数据结构,准确预测交通速度,并为交通管控提供交通群体的运动态势信息。     

面向智能网联车辆碰撞风险规避的互动速度障碍算法

针对多智能车辆协同驾驶中的动态避碰问题,构建了一种面向智能网联车辆碰撞风险检测与协同避碰路径规划的互动速度障碍算法;基于人工势场理论构建了车辆碰撞风险势场,量化了车辆碰撞风险强度与碰撞风险区域;基于车辆驾驶行为交互作用构建了互动速度障碍算法,确定了冲突车辆碰撞风险的协同规避条件与规则;基于车辆动力学约束构建了动态窗口法,确定了碰撞风险规避可行速度解集;基于模型预测控制原理,应用最优化理论构建了车辆碰撞风险规避路径规划模型;通过构建智能网联环境下单冲突车辆、多冲突车辆、瓶颈区冲突车流避碰仿真场景,测试了提出的碰撞风险规避算法的有效性,并与其他避碰算法进行了控制效果对比。研究结果表明：相较于其他对比算法,互动速度障碍算法控制下的安全性能提升了8.6%以上,效率性能提升了9.6%以上,说明提出的互动速度障碍算法通过协同冲突车辆的避碰行为可有效降低冲突车辆避碰速度与轨迹波动,可有效规避非线性速度与轨迹冲突车辆间的碰撞冲突,并可避免瓶颈区多车辆碰撞事故与明显车流波动;在瓶颈区大范围车辆冲突中,相较于其他避碰算法,提出的避碰算法可使车辆的通行效率提升10.42%,使车辆的碰撞风险降低47.32%。由此可见,该算法在协同大规模冲突车辆的避碰行为、降低车辆碰撞风险与运行延误上具有良好性能。     

多重功能复合的市域快轨速度目标值研究——以成都市轨道交通13号线为例

成都市轨道交通13号线贯穿中心城区连接新机场同时又串联温江、简阳新城、空港新城等外围组团,全长接近100 km,是一条兼顾城区和市域功能的快线。以13号线为例从两方面的约束出发:一是选用较高速度目标值来节省全线旅行时间,二是不同的站间距对速度目标值的影响,在此基础上,以满足时间目标为目的,考虑对速度目标值选取影响的大小,选择站间距的匹配性、时间目标的适应性、车辆购置费、线网适应性、能耗、土建工程等方面进行比选,通过综合分析法、定性和定量相结合的研究方法,综合各方面的比选结果最终确定全线选用140 km/h的速度目标值,在城区范围内按100 km/h限速的方案。     

对磁悬浮高速列车技术认识的两个错误观点

1998年以来,在国际上争论了几十年的磁悬浮高速列车技术突然在中国火爆起来。6年中发表了为数甚多的文章和言论,对中国地面高速交通的发展,有着较大的影响。应当说有许多说法是不妥当的,有些甚至是错误的。例如,认为地面高速交通的速度越高越好,认为德国常导磁悬浮高速列车技术最先进,就是2个错误的观点。由于它们流传最广,认同率最高,所以危害也最大,需要加以澄清。     

轮胎临界速度影响因素分析

分析了轮胎临界速度的影响因素, 在合理假设的基础上, 根据振动理论建立了轮胎使用的力学模型, 得出轮胎变形恢复时间与其有效质量之间的关系。结果发现影响轮胎临界速度的使用因素包括负荷、充气压力、径向变形和胎面磨损量, 载荷一定时, 提高轮胎充气压力, 充气压力一定时, 减轻载荷都有利于提高轮胎使用的临界速度。分析结果与轮胎的实际应用情况相符, 说明该模型可行。     

夜间行车灯光使用ABC

起步前要检查前照灯、后尾灯、转向灯、制动灯工作情况,在灯光和线路出现故障时不要带病出车。起步前开启近光灯,调整好后视镜的倾角,以使后面行驶的汽车大灯照射后视镜而感到不眩目为宜;在看清路面的情况下缓慢起步。在将车从车库或巷道里倒出时,要掌握“慢”与“稳”,不要急躁倒快车。