基于巢式Logit模型的低收入人群出行行为分析——以上海市智能手机调查数据为例

低收入人群是城市人口组成的重要和特殊部分,关注并研究其出行行为具有重要的社会价值。本文首先界定城市低收入人群的范围,根据上海市居民出行调查数据划分出研究对象,总结影响低收入人群出行行为的多重变量,然后基于效用最大化理论构建出行目的和出行方式相互影响的巢式Logit模型,并对模型参数进行标定,得到低收入人群出行行为选择的特定规律。结果表明,出行时段、出行费用、出行优先政策以及出行目的对低收入人群出行方式选择具有显著影响。     

自行车骑行者生理、心理与综合负荷感知模型

为探究自行车骑行者在骑行过程中的生理、心理状态与骑行者个体属性、骑行强度及骑行环境之间的影响规律, 设计并实施了自行车骑行试验; 选取了相对代谢率、心境状态、自感疲劳程度和任务负荷指数等指标, 分析了骑行者生理、心理与综合负荷感知的特性及规律; 以骑行试验数据为基础, 应用偏最小二乘回归方法建立了骑行者生理、心理及综合负荷感知模型, 并对模型预测能力进行评估。研究结果表明: 骑行者个体属性、骑行强度及骑行环境均对骑行者负荷感知有影响, 其中骑行者个体属性因素中, 身体质量指数和基础代谢率作用较为显著, 二者在负荷感知模型中的平均影响因子分别为0.121和0.112;骑行强度因素中骑行时间对于负荷感知影响最大, 其平均影响因子为0.139;骑行环境因素中交叉口数对骑行负荷感知影响最为显著, 其平均影响因子为0.137;各个变量对心理负荷与综合负荷感知的影响趋势相同, 对生理负荷与综合负荷的影响趋势不相同。可见, 关注部分因素以及骑行者心理负荷对于提高骑行服务水平具有一定作用, 研究结果可应用于改善自行车骑行设施环境。     

基于熵权-灰关联法的岩质开挖边坡安全评价模型

根据边坡稳定性评价体系, 选取边坡岩体质量评分、边坡开挖方法调整系数、高度修正系数、结构面调整系数、结构面调整值5个评价指标反映边坡的整体稳定性, 并作为安全评价模型的序列变量; 建立了熵权-灰关联安全评价模型, 将目标边坡作为系统特征序列, 12处岩质边坡作为相关因素序列, 评价了京沪高速改扩建工程沿线典型岩质边坡的安全性, 并提出工程建议; 采用FLAC3D仿真软件, 分析了不同阶段机械开挖和不同炮孔处静力爆破条件下边坡的稳定性变化规律, 以验证安全评价模型的准确性。分析结果表明: 边坡稳定性评价指标可较好地反映边坡的稳定性特征; 熵权-灰关联安全评价模型充分发挥了灰关联法在小样本数据分析的优点, 且由熵权法计算的指标权重改善了传统灰关联分析中由专家打分或平均赋权的缺陷, 使评价结果更加客观; 三级边坡和一级边坡的开挖使边坡K593+260~K593+555的安全系数分别降至1.01和1.00, 和上一级边坡相比降幅分别为34.8%、9.1%, 说明缓倾顺层岩质边坡的开挖会使岩层沿结构面滑动, 使边坡失稳; 瞬时动荷载和荷载积累效应控制静力爆破条件下边坡的稳定性, 瞬时动荷载的出现使边坡安全系数下降了7.7%, 荷载积累效应的消散使安全系数平均回升3.6%, 说明爆破对边坡的松动作用明显, 荷载积累的消散使边坡的稳定性提升。     

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。     

列车引起环境振动预测方法与不确定性研究进展

系统总结了列车运行引起环境振动的各类预测方法及其不确定性问题, 梳理了初步预测、确认预测和精准预测3个预测等级内各种方法和模型近10年来的发展状况; 讨论了模型输入参数的随机不确定性, 包括车辆之间差异、轮轨磨耗以及预测模型中输入地层参数等带来的不确定性; 根据新的测试结果分析了车轮和钢轨磨耗状态对地铁振动源强不确定性的影响。研究结果表明: 机器学习方法和地层传递函数解析法可用于初步预测阶段; 用于确认预测的各类数值和解析模型日益完善, 预测效率日益提高, 但考虑车轮和钢轨磨耗发展的轮轨激励输入方法仍有待进一步完善, 仍需进一步发展振动传递路径清晰且可用于工程预测的建筑结构动力学模型; 精准预测需要发展混合预测方法并研究其在地下线振动预测中的应用; 目前对预测结果精准性和预测方法可靠性的研究十分欠缺, 绝大多数预测只能给出定值结果, 无法考虑轮轨磨耗、养护管理水平和振动在地层中传播的不确定性; 建议进一步开发具有远程智能离线采样功能, 并可在建筑结构上长期便捷安装的小型振动采集装置, 以便与机器学习预测方法相结合, 从而适应未来智能化预测的发展要求; 建议发展能够描述钢轨短波磨耗状态等级和车轮不圆顺等级的粗糙度谱, 构建完整养护维修周期内环境振动动态预测模型; 应发展具有可靠性及精准度要求的智能化预测方法, 并在未来实现由定值预测向概率预测发展的根本性转变。     

基于模型预测控制的公交信号优先控制方法

针对现有公交优先信号控制技术在控制基础、控制目标、控制方法等方面存在的问题,提出了基于模型预测控制的干线协调控制方法,建立了相应的控制模型。为验证控制实施效果,以南京龙蟠路为原型,对公交信号进行优先仿真情景设计,采用粒子群算法求解,结果表明,优化模型比传统模型在社会车辆与公交车辆平均延误等方面表现更优异。     

高原人群出行拥挤感知与调适行为研究

为缓解高原城市节日期间部分路段人流过于密集的状况,对高原人群出行过程中的拥挤感知和调适行为进行研究。首先,在对高原人群高度自由走行速度、生理尺寸进行测定的基础上,采用连续人群流动模型分别对高原人群拥挤临界密度、人群运动速度减小时的人群密度和人群停滞状态时的最大密度进行测算,进而标定高原人群最大忍受密度为8.5人/m2。然后,选取雪顿节期间八廓南街人流短时间内高度聚集的状况进行拥挤状况评估,结果显示该路段人群密度为8.34人/m2,接近高原人群最大忍受密度,因此判定八廓南街存在拥挤事故风险。最后,依据基于层次分析法的高原人群拥挤感知影响因素分析结论,提出相应的调适行为措施,力求维护民族宗教节日期间高原城市公众正常的出行秩序。     

共享单车现金奖励调度策略的用户接受意愿研究

为探讨共享单车用户在不同影响因素下对现金奖励调度策略的接受程度,设定了针对共享单车用户的调查问卷,并在济南市进行了调查,得到519份有效问卷。基于扩展的计划行为理论（Extended Theory of Planned Behavior, ETPB）模型和相关结构方程模型（Structural Equation Model, SEM）,设定了社会规范、支付能力、体力、感知服务、感知绿色价值5个构念以及5个相关假定,以测度不同奖励调度情境下共享单车用户对奖励策略的接受程度。结果显示,支付能力和体力对用户接受调度的影响程度最大,其次是社会规范和感知服务,感知绿色价值的影响程度最小。在此基础之上,提出了增大站点密度、实行现金奖励及提高车辆质量等建议,以降低运营成本、提升用户满意度与车辆使用率。     

基于时间阈值的旅客登机模型及动态登机策略

减少登机时间有利于提高旅客体验和航空公司运行效率,故优化基于旅客行为的登机策略尤为重要. 基于旅客登机过程中两个阶段的延时,建立考虑时间阈值的新登机模型;在干扰时间阈值分布的基础上,通过优化算法分配行李,从而使登机时间最小,进一步得到基于不同行李构成的动态旅客登机策略. 通过元胞自动机仿真和现场模拟实验比较动态登机策略的效率. 结果显示：新登机模型能准确反映登机过程,Steffen 次序具有最大的干扰时间阈值和优化空间;本文提出的动态登机策略可以缩短登机时间,使登机效率显著提高.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.