基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

汽车天线偏心测试的系统设计与试验验证

随着智能网联汽车的迅速发展,汽车对外通信性能的重要性显著提高,但汽车体积大、重量沉,无法直接借鉴传统通信行业的天线系统测试方法。本文以智能网联汽车的天线系统为研究对象,研究出一种改进的近远场变换算法,并基于该方法设计出一种合理的验证方案,从而降低因汽车测试位置偏移对试验结果的影响。研究表明,当以整车作为被测件时,车载天线在测试系统中心和整车几何中心在测试系统中心的情况下,近场测试数据存在明显的较大差异;然而通过正确的NF-FF变换处理,两者远场辐射方向图都是一致的。说明了在球面近场系统测量加近远场变换的处理下,可以得到整车远场辐射信息。该结论对推动整车无线性能测试提供了实验和验证基础。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于模态贡献量的转向架接地轴端异常振动分析

以某型列车转向架为例,基于模态相关性原理,采用有限元计算和试验相结合的方法,建立了接地轴端的有限元模型,分析转向架接地轴端异常振动问题。通过对轴端关键部件进行模态分析和模态贡献量分析,得到了引起接地轴端异常振动的主要模态。分析结果表明,轴箱转臂在垂向的弯曲振型对振动的影响最为明显。提出了相应的振动控制措施,可为今后解决车辆局部振动问题提供参考。     

轨道工程车软管试验平台的研制

轨道工程车制动软管需定期进行试验,而普通的试验设备使用PLC(可编程逻辑控制器)进行设计且价格较为昂贵。介绍了自主研制的轨道工程车软管试验平台的整体结构、电气控制原理、参数等,并对其特点进行分析。该试验平台采用电气控制技术,通过各个电气元件之间的连接设计,实现设备的过程自动控制。应用表明,其性能可靠、操作简单、制造成本低,能满足轨道工程车制动软管的试验要求。     

基于安全及运营需求的城市轨道交通制动系统模式研究

从城市轨道交通制动系统设计原则出发,分别介绍了车控制动系统和架控制动系统的技术特点。分析制动系统故障类别不同对不同编组列车运营造成的影响,并给出相应的限速建议和制动系统控制策略。从技术层面给出了选用制动系统模式的合理化建议:4节及以上编组列车可任意采用车控制动系统或架控制动系统,3节及以下编组列车优先选用架控制动系统。     

城市轨道交通车载超级电容的优化配置方法

从功率、容量及最优的放电深度等方面研究了满足车辆制动能量回收的城市轨道交通车载超级电容理论及优化配置。通过超级电容能量存储配置方法的理论分析,得出电容装置最小的电容总数及电容最优的放电深度的算法。在满足能量存储的条件下应使电容总数最小。算例分析表明,超级电容储能装置的电容设备不仅要考虑功率和容量的要求,还要考虑电容的配置和放电深度。     

技术状态管理在轨道交通车辆全生命周期中的应用

针对轨道交通车辆技术状态管理的功能、过程、应用情况及存在的问题,从所涉及的内容和方法上进行了分析研究,并结合实际情况提出了技术状态管理在轨道交通车辆全生命周期中的应用方案。研究结果可为轨道交通车辆全生命周期技术状态管理的推广实施提供参考。