基于三制度SETAR模型的短期交通流预测

针对城市道路交通流预测仅考虑正常(或没有交通事故)交通条件下短期交通流的现状,采用三制度自我激励阈值自回归(SETAR)模型进行短期交通流预测,该模型适合研究多种交通状态下交通流的动态变化行为。通过实例验证,对比分析了三制度SETAR模型和自回归求和移动平均(ARIMA)模型对城市道路5 min交通流的预测,其中后者被用作比较基准模型。研究结果表明,这个模型不仅能够合理地解释交通流的变化行为,而且比ARIMA模型在向前1步样本外预测交通流变化幅度和变化方向上均有更好的预测表现。     

基于最小安全距离的车辆跟驰模型研究

在传统的基于车头时距的安全距离模型和基于制动过程的安全距离模型的研究基础上,针对前导车分别处于静止、匀速和匀减速等不同行驶状态,相应地建立了单车道跟驰状态下跟随车与前导车不发生追尾碰撞的最小安全距离模型,并充分考虑了车辆制动过程中减速度渐变的过程,避免了以往模型中采用制动减速度突变的问题。最后,通过M atlab仿真系统对改进模型和传统模型进行了同等条件下的仿真,仿真数据从理论上验证了改进模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题,可为今后研究跟驰模型提供一定的参考。     

上海市高速公路网多路径条件下驾驶员路径选择研究

为解决上海市联网收费系统中的多义性路径问题,采用陈述偏好调查法（SP）对路网中涉及多义性径的主要大流量OD对之间驾驶员路径选择进行调查,分析影响驾驶员路径选择的因素,总结上海市高速公路网中驾驶员路径选择特征和规律。研究结果发现,在常态交通条件下,运输总费用因素对驾驶员路径选择最为敏感,而特定交通事件（如道路维修或设置指路标志等）将对车辆路径选择产生根本性的影响。本研究可为高速公路网多义性路径问题研究提供新的思路和方法。     

城市道路交通流的复杂度研究

为了定量描述交通流系统的复杂度,本文在介绍统计复杂度及其性质的基础上,将其引入路段交通流的复杂度量化分析,并以南京3条典型路段上的交通流为样本,通过比较分析不同路段上的交通流复杂度与交通冲突率的关系,以期得出交通冲突率与路段交通流的复杂度的回归模型．结果表明：特征量复杂度能够有效测度系统的随机性和非线性,且交通流复杂度与非严重交通冲突率的相关性比较好,适于实测交通流的复杂性测度分析,可为研究交通系统的复杂度研究提供新的思路。     

基于元胞自动机的高速公路货车结伴行为研究

为了研究高速公路货车结伴行为,本文建立了一种适应于结伴货车车队的双 车道元胞自动机模型.分析了高速公路货车结伴特性及其对道路交通流的整体影响.研究 表明,结伴车辆在时空上是一个紧密联系的整体,流量较大时,车头时距分布曲线呈双峰 分布形式.同一流量时,不同长度车队间的平均速度差异较小,车队能保持较理想的速度 平稳行驶.结伴车队的存在激增了普通车辆的换道频率,改变了交通流状态,使基本图出 现明显的中断现象,当车队长度较长时,限制了同步流的产生.所提出模型刻画了高速公 路上货车主动结伴出行行为,为特殊情况下的交通流特性研究提供了参考和借鉴.     

大型活动结束期间的行人交通网络动态均衡模型

为了科学评价大型活动结束时场馆内外行人通道网络的拥挤水平,讨论了离场观众途经场 馆出口疏散过程中的实时需求估计与路径选择问题。运用解析与随机模拟方法,提出了观众离场 实时交通需求生成与分布模型;在此基础上,建立了基于路径选择的动态用户均衡分配模型并设 计了启发式求解算法;最后,以某大型活动场馆的赛事散场为例,阐述了上述模型的应用。研究 结果表明,所建立的行人交通网络均衡模型能捕捉观众离场期间的交通需求分布以及通道瓶颈处 行人交通流密度,描述在活动结束后离场观众流量随着时间快速增加,到达峰值后逐步减少的过 程,刻画离场观众在场馆出口通行能力限制下,离场过程被延长的整个过程,并分析场馆内外行 人通道上的行人密度。     

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。     

融合多相关收费站数据的高速公路交通流预测

经济间的紧密联系使城市群区域间多相关收费站交通数据间存在空间关联,准确描述该联系对提升高速公路交通流预测的精度具有积极作用。然而,由于受诸多不确定性的影响,该关联性难以捕捉和量化。针对这一缺陷,该文提出一种ATGCN-Res GRU深度学习高速公路交通流预测方法。通过结合注意力机制构建高、中、低注意度的3个GCN拓扑网络,并根据各个网络的注意度加权获得空间学习数据,将多相关收费站的联系进行量化和分级;同时,为了避免过平滑问题,将两个GRU(Gated Recurrent Unit)模块通过残差连接,进一步提升算法捕捉时间规律的能力;最后,使用特征融合层和全连接层输出预测值。利用该算法预测广东省某高速收费站的交通流量,试验结果表明：该文提出的方法能够有效提升预测精度,与经典模型多元集成CNN-LSTM、CNN-Bi LSTM和DL-SVR相比,平均绝对误差(E_MAE)分别减小了7.95、4.52、12.88,均方根误差(E_RMSE)分别减小了12.03、6.12、19.05。     

铁路曲线站线间距计算方法

为了适应复杂的地形条件及城乡规划等要求,铁路线路通常有较多的曲线段,而有些铁路车站需要结合地形条件或城乡发展规划要求而设置在曲线段上。在曲线站的设计中,需要考虑的影响因素较直线站更为复杂,容易遇到工程量增加、养护维修困难等问题。为此,在考虑铁路运输安全和效率等因素的基础上,以技术水平较高且具有代表性的设计标准为背景,分析总结了影响曲线站设计的主要因素,计算得出了设有缓和曲线和不设缓和曲线两种情况下的曲线加宽值,并给出一个简单的实例进行验证。研究结果对于降低曲线站建设的工程量和投资金额,以及改善曲线站运营养护条件等均有一定的设计参考价值。     

网联自动车混行状态下信号交叉口通行能力分析

车头时距是表征交叉口通行能力的主要参数。为探讨网联自动车混行状态下交叉口的通行能力,通过网联自动车跟驰模型推导通过停止线的安全车头时距,分析混行状态下4种跟驰行为,针对是否考虑前车类型,基于概率模型构建混合交通流背景下交叉口通行能力模型,通过参数标定分析网联自动车速度、车头时距、渗透率及信号控制对交叉口通行能力的影响,其中人工驾驶车辆的相关参数和模拟场景中涉及的数据均为实测所得。结果表明,网联自动车速度增加、车头时距减小、渗透率增加、不考虑前车类型都会提升交叉口的通行能力,混合交通流背景下提升交叉口通行能力的根本原因在于车辆通过停止线的均衡态车头时距减小;交叉口受信号控制时的均衡态车头时距越小,通行能力降低幅度越显著。