山区高速公路连续长下坡路段车辆制动失灵事故发生概率预测模型的研究

山区高速公路连续长下坡路段是重特大恶性交通事故的多发段。通过对车辆运行特征中的多种因素进行分析．以多条高速公路连续长下坡路段的实际制动失灵事故资料为依据,建立制动失灵事故发生概率预测模型,对其验证表明,该模型拟合程度较好,安全性好,可有效预测高速公路连续长下坡路段的制动失控事故。     

粒料基层沥青路面土基压应变设计指标研究

分析了我国现行沥青路面弯沉值设计指标的特点与不足,提出了控制粒料基层沥青路面土基永久变形和路面车辙的土基项面压应变设计指标.结合我国的实际情况,拟定了典型粒料基层沥青路面结构,利用弹性层状体系计算程序BISAR3.0进行了力学参数分析.通过统计回归,建立了路面理论弯沉值与土基顶面压应变之间的回归公式;根据我国1978年的弯沉值设计公式和公式推导,建立了土基顶面压应变计算公式.利用AASHO试验路资料,通过与世界上有影响的土基顶面压应变计算公式进行了比较,论证了所建立的土基顶面压应变计算式的合理性与适用性.     

交通运输规划模型的基本原理及应用

交通运输规划模型的开发过程,就是运输需求与运输供给的平衡过程.基本原理是通 过四步模型中的“生成、分布、方式选择和路径分配”开发建立基本交通模型和交通规划模型,以此作为评价各项建议和政策的基础.同时给出交通规划模型的实际应用问题和一些处理方法.     

计量模型在“十五”四川省 交通运输量预测中的应用

在阐述科学预测交通运输量的意义的基础上,利用计量经济模型对四川省的“十五”交通运输量进行了预测,并给出了一般性的模型检验流程.     

信号处理中随机共振的应用研究

随机共振是一种常见于非线性系统中的由适当的噪声引起的系统最优响应现象。从随机共振的基本概念和原理出发,介绍了随机共振在信号处理、信号检测与估计和神经模型方面的应用研究。概括了最近关于随机共振的研究成果,总结了目前信号处理中随机共振的研究进展,最后讨论了随机共振的发展趋势。     

基于Logistic曲线和Gompertz曲线的最优组合沉降预测模型及其应用

地基的全过程沉降量与时间呈S形曲线关系，可用Logistic模型和Gompertz模型较好地描述。根据I_ogistic曲线和Gompertz曲线的共性和个性，引用最优加权组合建模理论，以组合模型的对数误差平方和最小为目标函数来确定最优的加权系数，建立了最优加权几何平均组合沉降预测模型。通过工程实例，验证了该最优组合沉降预测模型的可行性。对比计算结果表明，最优组合沉降预测模型的精度不仅比Logistic模型和Gompertz模型的预测精度要高，而且可靠性也优于各个单一预测的模型，是地基沉降观测资料的一种有效分析方法。     

社区建成环境对机动车行驶里程影响的空间异质性模型

为指导社区生活圈打造绿色出行环境，定量解析社区建成环境对居民小汽车行驶里程 (VMT)影响的空间异质性。基于建成环境的5D维度选取人口密度、土地利用多样性及公交站点密度等6个指标刻画建成环境，在《社区生活圈规划技术指南》的基础上，结合步行速度和非直线系数等指标差异化界定社区生活圈尺度，利用POI数据和道路网络等地理空间数据测度建成环境。以保定市居民出行行为调查数据作为实证研究数据来源，构建考虑自变量尺度变异的多尺度地理加权回归模型(MGWR)。研究结果表明：对比最小二乘回归(OLS)模型与传统的地理加权回归(GWR)模型，纳入变量尺度异质性的MGWR模型降低了残差的自相关性，且调整后R2 相比于GWR模型与OLS模型分别提高了1.8倍与6.0倍；从标准化系数来看，社区建成环境指标中，土地利用混合度和公交服务水平对VMT影响最大；社区建成环境指标中，路网密度与交叉口密度接近全局尺度，空间异质性较弱，其余建成环境变量均具有较强的空间异质性，需要进行差异化的空间设计；社区建成环境指标局部回归系数的空间分布模式呈现“中心-外围”变化趋势，与城市形态有较强的耦合。     

空间异质性建成环境对出租车与地铁竞合关系的影响

建成环境对出行方式的影响已有丰富的研究成果，然而对不同出行方式间相互关系影响的研究仍不够细致。本文以网格化的形式细化研究区域，采用土地利用属性和交通属性的六小 类要素作为特征变量刻画城市建成环境的特征。基于出租车行程的OD点与地铁站点的空间关系，将出租车与地铁竞合关系表征为 SCPE(Subway-competing,与地铁竞争)方式、SE(Subwayextending，延伸地铁)方式和SC(Subway-complementing，补充地铁出行)方式，并利用多尺度地理加权回归研究建成环境对竞合关系(SCPE、SE、SC)的影响机理及其空间效应。针对兰州市的案例研究表明：SCPE、SE、SC方式具有显著的空间异质性；多尺度地理加权回归能够刻画SCPE、 SE、SC方式与建成环境间依赖关系的空间异质性及其尺度差异，其估计结果更为可靠；建成环境各要素对SCPE方式的影响较为平稳，SC方式对公交站点密度和道路密度要素非常敏感，存在高度的空间异质性，SE方式亦对公交站点密度要素非常敏感。     

Machine learning applications in activity-travel behaviour research: a review

ABSTRACT

This paper reviews the activity-travel behaviour literature that employs Machine Learning (ML) techniques for empirical analysis and modelling. Machine Learning algorithms, which attempt to build intelligence utilizing the availability of large amounts of data, have emerged as powerful tools in the fields of pattern recognition and big data analysis. These techniques have been applied in activity-travel behaviour studies since the early ’90s when Artificial Neural Networks (ANN) were employed to model mode choice decisions. AMOS, an activity-based modelling system developed in the mid-’90s, has ANN at its core to model and predict individual responses to travel demand management measures. In the dawn of 2000, ALBATROSS, a comprehensive activity-based travel demand modelling system, was proposed by Arentze and Timmermans using Decision Trees. Since then researchers have been exploring ML techniques like Support Vector Machines (SVM), Decision Trees (DT), Neural Networks (NN), Bayes Classifiers, and more recently, Ensemble Learners to model and predict activity-travel behaviour. A large number of publications over the years and an upward trend in the number of published articles over time indicate that Machine Learning is a promising tool for activity-travel behaviour analysis and prediction. This article, first of its kind in the literature, reviews these studies and explores the trends in activity-travel behaviour research that apply ML techniques. The review finds that mode choice decisions have received wide attention in the literature on ML applications. It was observed that most of the studies identify the lack of interpretability as a serious shortcoming in ML techniques. However, very few studies have attempted to improve the interpretability of the models. Further, some studies report the importance of feature engineering in ML-based studies, but very few studies adopt feature engineering before model development. Spatiotemporal transferability of models is another issue that has received minimal attention in the literature. In the end, the paper discusses possible directions for future research in the area of activity-travel behaviour modelling using ML techniques.     

基于SPSS的交通噪声对高层建筑的影响分析

交通环境噪声对人体生理心理两方面均造成严重影响,轻则致人抑郁,严重可致人死亡。本文通过实地监测宁波市某小区交通环境噪声,使用SPSS分析其与楼层高度之间的关系,建立线性回归数学模型。发现整体环境噪声成先上升后下降的趋势,在6层以上的交通环境噪声随楼层高度的增高而下降。由此结合该小区周边环境以及已建成设施,提出三方面的防噪降噪的措施:(1)建立合适高度长度的隔声屏障;(2)使用绿化景观设计;(3)给房屋室内安装吸声降噪材料。