交通环境对交通安全的影响及对策

交通安全涉及人、车、道路及环境等诸多因素,对交通事故的成因分析表明,驾驶员的责任是主要影响因素,其次是车辆和道路因素。但不容忽视的是,目前关于交通环境对事故影响的研究尚不够充分;交通管理部门确定事故原因也主要从人、车2 因素入手,较少涉及交通环境因素。事实上,作为事故的间接原因,交通环境常常通过间接作用影响安全,亦即不良的交通环境诱发人的不安全行为,从而导致人员违章等交通事故的发生。     

铁路货物运输的随机过程分析和及时送达概率估计

应用随机过程理论，分析铁路运输系统中货物及时送达的概率分布，得到货物运输延续时间的平均值，为实现用户要求的运到期限提供了合理保证，并可通过评估与货主商定的运到期限与实际货物送达时间误差的概率，来找到货物及时送达过程中的关键环节，改进货物送达流程。最后举例说明它的应用。     

Managing transportation during highway reconstruction: A recommended process

Major highway reconstruction can cause significant disruptions to existing travel patterns and economic activity. Reducing these impacts on travelers, shippers, businesses and residents requires that innovative and effective transportation management actions be developed and implemented. This paper reports the major findings and recommendations of a research study on managing transportation during highway, reconstruction. The primary objectives of the study were

混合编程在隧道地层变形时空统一预测中的应用

通过Java与MATLAB的混合编程,可以充分发挥它们各自的优势,使计算效率与开发效率得到统一。通过具体混合编程实例以及在盾构隧道地层变形时空统一预测中的运用,结果表明此混合编程技术功能强大,实现简单。     

城市轨道交通大小交路模式列车开行方案的优化

列车开行方案是城市轨道交通运输组织的基础.大小交路模式列车开行方案规定各时间段内各交路上开行列车对数.分析大小交路模式乘客出行成本和企业运营成本的计算方法,以乘客出行成本及运输企业运营成本最小化为目标,以列车追踪间隔时间、乘客需求和最大可用车底数量为约束,构建城市轨道交通大小交路模式列车开行方案双目标混合整数非线性规划模型.采用理想点法将原模型转化为单目标模型,借助Lingo11.0求解.通过算例验证模型的合理性,并对折返站和小交路区段客流比重进行成本的灵敏度分析,结果表明:小交路折返站的选取对成本影响显著,且小交路区段客流比重越高,开行大小交路模式越有利于降低运输成本.     

基于层次分析法的拉萨市交通安全评价模型研究

随着拉萨市经济水平的发展,城市道路交通安全变成了人们较为重视的社会问题。为改善道路交通安全现状,本文将从人为、车辆、道路和环境四个评价指标,采用层次分析法构建交通安全评价模型,对拉萨市交通安全进行评价分析,为城市道路交通安全提供参考依据。     

浅谈现状城市道路改造交通疏解

道路改扩建工程施工存在工期周期长短、投资规模、人员流动等特点的影响,在施工过程中存在一系列的交通安全及市民出行便利问题,因而施工现场的交通疏解就变得尤为重要.结合深圳市桥和路及富桥大道综合整治工程为例,对城市道路改建时的交通疏解方案进行研究,希望解决城市道路改造现场对交通安全和市民出行便利程度等影响方面产生良好的作用.     

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。