Consumer purchase intentions for electric vehicles: Is green more important than price and range?

In view of global warming and climate change, a transition from combustion to electric vehicles (EVs) can help to reduce greenhouse gas emissions and improve air quality. However, high acquisition costs and short driving ranges are considered to be main factors which impede the diffusion of EVs. Since electricity needs to be produced from renewable energy sources for EVs to be a true green alternative, the environmental performance of EVs is also presumed to be an important factor. This paper investigates the role of environmental performance compared to price value and range confidence regarding consumer purchase intentions for EVs. To develop our hypothesis, we interview 40 end-user subjects about their beliefs toward EVs. Then, we perform 167 test drives with a plug-in battery EV and conduct a survey with the participants to test the hypothesis. Results of a structural equation modeling support the hypothesis that the environmental performance of EVs is a stronger predictor of attitude and thus purchase intention than price value and range confidence.     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

高铁服务质量与乘客再搭乘意愿的实证分析

为提高高铁服务质量,从而获得更多的客流,将列车运营服务质量、列车响应性服务质量、车站服务质量作为外生潜在变量,再搭乘意愿作为内生潜在变量,构建结构方程模型,探讨 高铁服务质量和乘客再搭乘意愿之间的关系,进而通过问卷调查搜集数据,利用AMOS20.0 软件对初始模型和实证数据进行验证。研究结果表明：列车运营服务质量、车站服务质量、列车响应性服务质量对高铁乘客再搭乘意愿具有正向影响,列车运营服务质量对再搭乘意愿的影响程度最 大,其次是车站服务质量,最后是列车响应性服务质量,并且列车响应性服务质量对列车运营服务质量、车站服务质量具有不同程度的影响。最后,根据研究结果提出：第一,从乘客需求出发,坚持乘客至上的理念,加强各项配套设施的完善,提高列车运营服务质量;第二,改善车站候车环境,完善车站设施设备,提高车站服务质量;第三,加强与乘客的交流沟通,提高工作人员的服务水平,提高列车响应性服务质量,从而达到提高乘客再搭乘意愿的目的。     

智能船舶的反应型避碰规划研究

对于多船会遇场景而言,在反应型避碰规划中考虑操船者意图具有明显的优越性,可在紧迫局面下更合理地执行《1972年国际海上避碰规则》（即COLREGs）的背离规则。对此,提出一种基于隐马尔可夫模型的操船意图预报方法,将生成的目标船意图预报结果与经典速度障碍法相融合,产生更合理的碰撞危险评估结果,据此建立的反应型避碰规划算法比经典速度障碍法更安全。依托案例三体船完成的自主避碰试验,验证所提改进算法的有效性、可靠性和实时性,为智能船舶的自主避碰研究提供参考。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

居民轨道选择意向建模与应用研究

基于轨道交通大发展的背景,对居民选择轨道交通出行的意向进行建模分析,旨在为大城市的轨道交通建设提供依据。通过分析居民出行交通方式选择的影响因素（传统的出行方式、出行费用、性别等）,构建了居民轨道选择意向转移模型,并确定模型的输入输出向量,利用MATLAB-ANN的BP网络,求解模型效用值,最后结合苏州市进行应用研究。     

基于双层隐式马尔科夫模型的驾驶意图辨识

构建了一种双层隐式马尔科夫模型结构,用于实时辨识驾驶员复合工况下的驾驶意图,并在驾驶模拟器上对坡道起步、紧急避障和弯道制动等复合工况进行了验证。结果表明,该模型可准确、高效地辨识各个单一和复合工况下的驾驶意图,为线控汽车的集成控制奠定基础,提高线控汽车的安全性和减轻驾驶员负担。