依据轨迹数据的船舶交通密度计算方法

研究基于轨迹数据的船舶交通密度计算方法,利用精准的船舶交通密度计算结果提升海上交通规划水平。利用AIS设备采集船舶航行轨迹数据,利用均匀参数化方法对所采集的航行轨迹数据重采样处理。将通过重采样处理获取的航行轨迹数据,划分为静止轨迹数据点以及移动轨迹数据点,依据数据点间的欧式距离,以及船舶航行方向、航行速度的相似性,选取基于密度的DBSCAN聚类算法完成轨迹数据聚类。依据船舶航行轨迹数据聚类结果,选取多维密度方法,通过更新船舶经过总数、船舶经过总时间等参数,计算船舶交通密度。实验结果表明,该方法可以依据船舶航行轨迹数据,精准计算船舶交通密度,为海上交通规划提供有效支撑。     

能量受限约束下的舰船通信网络节点动态协同部署

通信网络的节点部署优劣直接关系到舰船通信能力,针对舰船通信网络资源利用能力低的问题,提出能量受限约束下舰船通信网络节点动态协同部署方法。分析能量受限的节点动态特性,得出能量约束条件下通信网络系统节点的闭环特性。计算舰船通信网络节点网格密度,利用K-均值聚类以及粒子群2种算法找寻出最优节点位置,实现舰船通信网络节点动态协同部署。实验结果表明,本文方法的通信传输能耗小,信息吞吐量高,网络生命周期长。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

考虑交通流结构物等因素影响的车流运行速度计算

采用《公路项目安全性评价指南》[1]中的方法,计算运行速度的基础上,借鉴《美国通行能力手册》及国外数据,进一步考虑沿线交通流、大型结构物等因素的影响,对运行速度进行修正,体现了实际行车过程中线形之外的因素对运行速度的干扰,更贴近实际运行速度.     

基于核密度应力谱外推的转向架构架疲劳寿命评估

提出了一种基于多样本核密度应力谱外推的疲劳寿命评估方法,研究了核密度估计中的最优带宽与核函数的确定问题,采用灰色关联度分析方法对应力谱的外推优度进行量化评价与检验,并讨论了疲劳寿命评估的相对误差与外推倍数之间的关系;为了验证方法的正确性与可行性,以某转向架构架转臂定位安装座焊缝附近某测点为研究对象,选取了该测点在车轮分别处于镟轮初期、中期和末期时的3组动应力测试数据,进行多样本核密度应力谱外推与疲劳评估。研究结果表明:基于最小渐近均方积分误差的概率密度函数拟合优度良好,所研究的4种核函数类型中,基于Epanechekov核函数外推的相关性最好,相关系数为0.99,较其他3种核函数提高了0.01%~0.12%,基于Circular核函数外推的一致性最好,灰色关联度为0.592 0,较其他3种核函数提高了0.17%~0.32%;基于多样本核密度应力谱外推10倍后的疲劳评估寿命相比基于线性外推的评估寿命减少了1.15%;当应力谱外推至全寿命周期时,基于核密度外推所评估的安全运营里程减少了6.45%。可见,基于核密度应力谱外推的疲劳寿命评估更偏于安全,能保证车辆结构的安全服役。      

降雨天气下人机混驾交通流跟驰特性研究

为揭示降雨天气下人机混驾交通流跟驰规律,从分析降雨对行车的影响入手,引入路面附着系数、驾驶能见度等参数,改进Gipps安全距离和行车加速度限制,针对不同跟驰模式建立元胞自动机模型,探寻降雨强度、渗透率双重影响的人机混驾交通流跟驰特性。数值仿真结果表明：雨天渗透率与通行能力呈正相关,但当渗透率低于0.25时,智能网联车对混合交通流平均速度、临界密度及通行能力的影响有限;当降雨强度高于0.3 mm/min时,随雨强度增大会加剧智能网联车跟驰退化,显著降低混合交通流的自由速度、临界速度及通行能力;小雨情况下,约0.1的渗透率可弥补降雨造成的通行能力损失;在中雨至大雨的降雨强度区间内,降雨强度每增加0.1 mm/min,相应提高渗透率0.1,路段通行能力可恢复到与晴天纯人工驾驶交通流相当的水平。     

基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用.由于短时交通流的时变性,传统预测模型效果较差.将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组.将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比.同时将新的学习算法与传统variational和LooCV学习算法比较.结果 表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型.      

检测数据缺失条件下的交通流估计方法研究

城市路网中部分交通量检测器失效会导致路段的交通流观测数据缺失,从而影响路段实时交通拥堵状况的辨识和分析.基于路网交通流数据的时空分布特性和道路交通流特征,研究了一种改进重构算法,对缺失的交通量数据进行估计.构建了交通量时空数据的三维张量模型;综合考虑道路交通流分布与环境特性,提出了基于T ucker重构模型的目标优化函数,进而求解得到检测器失效路段的交通量估计值;对改进重构算法、T ucker重构算法和时空插值算法在不同交通量数据缺失情况下的估计效果进行了比较.实验结果表明,在6条路段组成的实验路网中,早高峰交叉口进口道实时观测交通量随机缺失50% 或其中3条道路完全缺失的情况下,估计结果的平均绝对误差(MA E)分别为13.9614和14.2763,均方根误差(RMSE)分别为18.7648和18.7070.相较于Tucker重构算法,MA E分别下降了32.29% 和44.26%,RMSE分别下降了31.73% 和48.57%.      

基于侧向车辆影响的跟驰模型建模及仿真

应用实际交通数据对现有的2种跟驰模型进行模拟验证,结果显示,其与实测数据均存在一定误差.之后通过分析车辆在跟驰状态下行驶所受影响因素,结合驾驶员心理,在优化速度模型的基础上结合侧向车辆的影响因素建立新的交通流跟驰模型.通过线性稳定性分析,得到了模型的稳定性条件,分析结果表明,模型稳定性受侧向邻车行驶状态的影响,侧向影响越小,模型稳定性越好.通过西安市某路段的交通数据对新模型进行了验证,结果表明,相对于优化速度模型,新模型仿真结果更贴近实测交通数据,均方差降低62.89%,最大绝对误差降低66.39%,最小绝对误差降低33.4%.      

浸水条件下前期荷载对砂岩颗粒料压缩-回弹特性影响

压缩-回弹特性是地基处理及基坑工程中沉降及回填变形分析的重要参考依据。由于砂岩颗粒料属颗粒类材料,浸水时前期荷载及干密度影响其压缩-回弹特性;采用应力控制式三联杠杆(高压)固结仪,探究浸水24 h后前期荷载及干密度对砂岩颗粒料压缩-回弹特性影响。结果表明:干密度相同时,随着前期荷载增加,砂岩颗粒料压缩特性逐渐减小;在相同卸荷比条件下,回弹率逐渐降低;前期荷载相同时,砂岩颗粒料压缩特性与回弹特性均随干密度增大而逐渐减小;砂岩颗粒料塑性应变随前期荷载增加、干密度增大而逐渐减小。