台北公共交通月及无车日活动回顾与展望

台北国际无车日自2002年起举办了5次,由最早的骑自行车活动扩大至包含“走路上学日”与“公共交通月”丰富多彩的系列活动,渐渐获得民众认同。无车日活动的目标是通过活动的倡导和社会参与来改变民众使用交通工具的行为,潜移默化的效应可促使形成可持续交通政策,当可持续交通政策与基础设施建设落实后又可具体改变交通环境,形成良性的循环机制。首先说明了“无车日”的由来,并回顾台北都会区过去5年来举行无车日系列活动的内容与经验,同时基于活动的发展与成果归纳出无车日活动的成功要素,最后提出未来活动将扩大举办的内容、方式与展望,以期能为其他城市作参考。     

关于火车站站前广场功能的探讨

编者按:随着城市化进程的加快和城市的不断更新,城市火车站站前广场的改造和建设已成为人们普遍关注的焦点.     

城市交通仿真系统设计与开发

依托智能交通系统对交通规划过程提供技术和决策支持,是当前中国大城市ITS建设的一项重要任务.建设面向规划决策的交通信息平台的主要目的,是通过长期、全面的数据采集和信息提炼,实现交通规划建设决策的科学化.首先运用系统分析方法对面向规划决策系统的用户--管理决策者、交通技术人员、公众进行了需求分析,提出系统软件和硬件架构;对系统实现中的关键技术问题进行了详细探讨;最后,介绍了如何应用上述设计方法实现深圳市城市交通仿真系统.城市交通仿真系统的设计理念、系统构架、功能设计和关键技术,将成为提高交通部门决策水平和业务能力的新的途径与模式.     

中国城市快速公交系统建设专家点评

快速公交系统发展的相关问题 全永燊,北京交通发展研究中心主任 在优先发展城市公共交通这样一个大的政策背景下,这几年公共交通发展的形势比任何时候都好,这是客观的.     

城市轨道交通列车关键子系统的安全完整性等级分析

合理确定城市轨道交通各专业设备系统的SIL(安全完整性等级)、避免刻意追求安全功能造成资源浪费是非常必要的.针对列车客室侧门、网络控制、空气制动等关键子系统发生故障可能会导致乘客碰撞、夹伤、摔伤甚至死亡的安全事故,对影响乘客安全的列车安全功能进行评估.从列车各关键子系统的安全功能角度出发,在介绍HAZOP(危险与可操作...     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型（ARIMA-BPNN-DSR, ABD）。混合模型由差分整合移动平均自回归模型（auto regressive integrated moving average model,ARIMA）和反向传播神经网络（back propagation neural network,BPNN）通过动态选择回归算法（dynamic selection of regression,DSR）融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年（疫情影响下）厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明：(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

面向航班高峰期的机场地勤车辆多阶段优化调度方法

在航班运行高峰时段内,地面服务需求更加集中,机场可调度的地勤车辆数量有限,可能引发航班延误,导致机场多方面损失。针对该问题,研究了地勤车辆多阶段优化调度方法,重点考虑摆渡车和加油车2种地勤保障车路由与时间窗口限制,以航班准点率及延误时间为评价指标进行优化调度。构建了具有4类节点和5类弧的容量-费用网络G1,通过设置合适弧容量及费用参数,确定最小费用流规划模型;采用拉格朗日松弛启发式算法对模型求解,通过不断寻优,设置对偶间隙初值、容许误差,最大迭代次数,输出预测结果;深入分析高峰时段的航班运行状态,构建基于时空网络的整数线性规划模型,优化第一阶段未服务航班的总延误时间;结合最小化最大值定理,构建单航班服务延误模型,将单个航班延误造成的损失降到最低。最后,基于实际航班数据,结合机坪平面布局开展仿真实验和验证,结果表明：利用优化调度得到加油车和摆渡车准时服务的最大航班数分别为30,131架·次,待服务航班的最小总延误时间分别为223,542 min,航班总延误下降21.56%,显著缩短航班延误时间,提升了机场场面的整体运行效率。     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...