基于空簧悬挂特性的高铁车辆垂向振动舒适性对比研究

在对车辆振动舒适性进行型式试验和仿真分析的基础上,以拖车为对象,研究空簧悬挂对车辆垂向振动舒适性和地板振动的影响.对车辆的多体系统仿真结果表明:采用德系空簧时车辆的垂向振动舒适性较使用日系空簧时提高了约10％;而在德系空簧辅以二系垂向减振器的组合悬挂下,车辆的垂向振动舒适性介于使用德系空簧与日系空簧之间.对车辆的刚柔耦合仿真表明:当车辆以不低于300km· h-1的速度在直线和7000m半径曲线线路运行时,地板前端的高频垂向振动主要为转向架上方的局部模态振动,而且随着速度的降低,其振动能量逐步减小或消失;车体地板中部的振动是以1阶和2阶垂向弯曲模态振动为主的中频振动,并且与二系悬挂形式关系不大;当车辆以低于300km·h-1的速度在直线和7000m半径曲线线路运行时,地板前端的垂向振动主要是低频振动,并且与二系悬挂方式有较强的相关性;增设二系垂向减振器后,虽然可以弥补德系空簧低频性能的不足,但有可能因高频阻抗过大而造成1阶垂向弯曲模态振动的增强.     

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。     

排阵式交叉口几何设计与信号控制协同鲁棒优化

针对排阵式交叉口在实际交通波动环境中存在车辆滞留排序区,运行效率稳定性难以保障的问题,提出了鲁棒优化方法,平衡交叉口运行的效率和稳定性。在分析排阵式交叉口运行特性的基础上,指出了其运行效率波动性与交叉口几何设计、信号控制、交通需求、饱和流率和运行车速这5个因素有关。确定了将交通需求、饱和流率和运行车速这3个客观波动因素作为模型的输入参数,将几何设计和信号控制这2个可受设计人员控制的要素作为模型的优化控制变量进行协同优化的模型框架。在此基础上,以交叉口车均延误条件风险值最小为目标,考虑了各流向车道数、信号相位相序、排序区车辆清空等方面的约束条件,构建了基于情景的鲁棒优化模型,并建立了遗传算法对模型进行求解。通过案例分析,对鲁棒优化模型的置信水平取值和算法准确性进行了分析,证明了算法可以使目标函数收敛到最小值,并基于蒙特卡洛模拟对优化效益进行了检验。研究发现,所建立的几何设计与信号控制协同鲁棒优化模型可实现在交通需求和供给的波动下,对排阵式交叉口的车道功能、排序区长度以及主、预信号控制进行协同优化。相较于确定性的设计方法,在平均延误层面基本维持原有水平,但对延误标准差和最大值有着较为明显的改善,案例中分别减少了48%和23%。     

基于分离迭代和耦合时变的列车—轨道—桥梁耦合系统高效动力分析混合算法

为提高列车—轨道—桥梁耦合系统动力分析的计算效率,基于耦合时变法及分离迭代法,提出了1种混合算法。该算法将列车—轨道—桥梁耦合系统分解为车辆—轨道子系统和桥梁子系统。其中,车辆—轨道子系统在每一时间步需根据车辆位置对系统刚度系数矩阵进行更新,具有时变的特性;桥梁子系统的系统动力系数矩阵在整个动力分析过程中保持不变;车辆—轨道子系统与桥梁子系统通过钢轨与桥梁间作用力的平衡迭代实现耦合。利用朔黄重载铁路32m简支梁桥现场试验数据与由混合算法计算得到的分析结果进行对比,验证了混合算法的可行性。采用耦合时变法和混合算法分别计算列车通过蒙华重载铁路黄河龙门大桥的动力响应,结果表明:采用相同的时间积分步长时,2种方法拥有相同的计算精度,但混合算法比耦合时变法具有更高的计算效率,求解耗时降低了75%。     

高速铁路无砟轨道线路动静态检测数据均值差异性研究

均值管理是评价线路平顺性状态的重要指标。高速铁路无砟轨道高平顺性、高稳定性的特点决定了均值管理具有更为重要的意义。通过对比分析杭长、宁安客运专线和合福高速铁路的轨道几何动静态检测数据,发现在线路状态较好的情况下,无砟轨道动静态检测数据均值差异很小,尤其是轨向、轨距不平顺。轨道平顺性状态、结构形式及初始状态是影响无砟轨道动静态差异的重要因素。因此在建设阶段应注重无砟轨道精调质量的提升;在运营阶段应结合不同轨道型式自身的结构特点对无砟轨道进行动静态管理。     

不同时速下地铁多种轨道结构现场测试与分析

近年来地铁振动污染问题日益突出,地铁中亦采用多种减振轨道结构型式用于减振。为详细评价各种减振轨道结构的减振效果,以地铁动力测试为依托,在频域内分析4种轨道结构各测试断面在不同时速下的振动特征。结果表明:对于长枕埋入式整体道床轨道而言,行车速度的增加对钢轨、道床、隧道竖向加速度低频范围内的影响较大,而在中高频影响较小。对于GJ-Ⅲ型中等减振扣件轨道,随着行车速度的增加,GJ-Ⅲ型中等减振扣件轨道减振效果下降较明显。同时随着行车速度的提高,橡胶隔振垫浮置板轨道仅对浮置板和隧道减振效果较稳定,而钢弹簧浮置板轨道对钢轨、浮置板及隧道减振效果都很稳定。