刹车状况下桥上随机车流动态演化及车-桥耦合振动分析

为实现刹车时桥上多状态车流并行动态演化的高真实度模拟和时变汽车荷载与桥梁运动状态的时时耦合,首先从宏观和微观上丰富随机车流模拟方法,宏观上沿用交通荷载调查数据中的车辆顺序、车辆基本特性等不变量,以车辆间距为服从正态分布的限幅随机变量,形成深度融合交通荷载调查数据和交通流理论的随机车流高真实度仿真方法;微观上对车辆间距随机变量确定的关键状态-阻塞状态,引入加权速度,实现阻塞密度时车流的走走停停动态描述,采用考虑驾驶人状态的概率分布方法确定车辆时距;实现多密度随机车流的高真实度仿真。其次细化刹车过程模拟,建立车流差异化刹车模型：采用顺次对比方法,筛选桥长范围最不利刹车车流;引入停车视距,考虑驾驶人反应,区分头车和跟驰车辆,精细模拟车辆刹车动态过程和刹车车流演化过程,差异化确定各车辆刹车参数;实现桥上多状态车流并行动态演化模拟。第三建立刹车力学模型,并融入至已有正常车流的车-桥耦合系统,构建可考虑刹车状态的分析系统。最后确定桥梁典型响应和分析指标,以一座大跨斜拉桥为例,对多刹车工况下的桥梁响应进行分析。结果表明：桥上刹车状况一般会产生超过正常行驶状况下的桥梁响应,最不利单车道刹车状况下的塔根弯矩甚至达到跑车工况的2.7倍,简单采用规范冲击系数方法很难实现刹车响应的包络;刹车过程中的桥梁响应最值不仅与采取刹车的车辆数目和桥上车辆保有量有关,还受刹车作用与桥梁原响应趋势的顺逆程度控制;桥梁及桥上刹停车辆的总质量和桥上正常行驶的车辆决定桥梁响应时程曲线趋势振幅;典型桥梁响应的总体趋势,与车流密度和刹车车道数相关性较小,不同时段车流会对梁端顺桥向位移和塔根弯矩产生影响。     

Assessment of factors associated with travel time reliability and prediction: an empirical analysis using probabilistic reasoning approach

Significant efforts have been made in modeling a travel time distribution and establishing measures of travel time reliability (TTR). However, the literature on evaluating the factors affecting TTR is not well established. Accordingly, this paper presents an empirical analysis to determine potential factors that are associated with TTR. This study mainly applies the Bayesian Networks model to assess the probabilistic association between road geometry, traffic data, and TTR. The results from this model reveal that land use characteristics, intersection factors, and posted speed limits are directly associated with TTR. Evaluating the strength of the association between TTR and the directly related variables, the log odds ratio analysis indicates that the land use factor has the highest impact (0.83) followed by the intersection factor (0.57). The findings from this study can provide valuable resources to planners and traffic operators in their decision-making to improve TTR with quantitative evidence.     

混行非机动交通流车速离散特性研究

我国城市非机动道路内的交通现象通常为电动自行车与人力自行车混合行驶状况,车速离散是该类道路内交通流的重要特征。结合杭州市的调查数据,采用统计学方法定量分析混合非机动交通流车速离散特性,分别建立车速离散特性评价参数与各主要影响因素之间的回归关系。结果表明,归一化车速离散度分别与各影响因素成线性回归关系;除电动自行车比例因素之外,车速变异系数与其它各因素成线性回归关系。     

混凝土冻融破坏机理分析及寿命预测

为提高高寒地带混凝土的耐久性,对混凝土的冻融破坏机理进行了分析,并对受到冻融破坏后的混凝土寿命预测方法进行了简介。分析表明,目前混凝土冻融破坏应用比较成熟的理论为静水压理论和渗透压理论,静水压理论和渗透压理论的主要区别就在于未冻水的迁移方向。混凝土抗冻性影响因素主要有水胶比、含气量、粗集料和掺合料。每种影响因素作用的机理不同,但都共同影响着混凝上在冻融环境下的耐久性。既有研究建立的混凝土冻融寿命预测方面还仅停留于理论层面,能够指导工程实践应用的寿命预测模型仍有待进一步研究。     

上海市防汛能力建设调查及评价

上海位于长江入海口,低洼的地势使得上海遭受台风、暴雨、高潮、洪水(俗称“四碰头”)的袭击后易成灾,多年来上海已建设抵御灾害的防汛体系,且发挥了积极的作用。在对上海防汛能力建设体系开展调查的基础上,分析存在问题和不足。同时,结合科学的层次分析法理论构建评价指标体系,为后续防汛能力建设的进一步优化提供依据。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

基于ANFIS的环境激励下桥梁结构应变响应预测分析

为准确预测复杂环境荷载作用下混凝土连续梁桥结构应变响应,基于结构健康监测系统长期实测数据,分析桥梁结构温度场变化规律,进而基于主成分分析及自适应神经网络模糊推理系统,建立桥梁结构温度场与桥梁结构应变响应的复杂非线性关系。首先,利用小波分解技术分离环境荷载及车辆荷载作用下的桥梁结构实测应变响应;然后利用平行坐标轴,分析混凝土连续梁桥结构温度场变化规律,并利用主成分分析提取结构温度场实测温度数据主成分;最后基于自适应神经网络模糊推理系统,以应变测点处温度数据、桥梁结构温度场实测温度数据主成分和采样时间点数据为输入数据,分别建立不同输入变量组合与应变响应的复杂非线性关系,并对比分析不同工况下结构应变响应的预测精度。结果表明：桥梁结构各测点处实测温度数据变化趋势基本一致,同侧测点实测温度数据高度相关,但桥梁结构上、下表面测点温度变化存在明显差异,仅考虑应变测点处温度变化,难以准确预测桥梁结构应变响应;当考虑桥梁结构温度场变化时,能更精确地建立温度与应变响应之间的关系模型,进而基于实测温度数据准确预测桥梁结构应变响应;当缺乏结构温度场实测温度数据时,将采样时间点作为反映桥梁结构温度场变化规律的参数,可取得较好效果。     

Bayesian network for red-light-running prediction at signalized intersections

Abstract

Red-light-running (RLR) is an important reason for the large number of intersection-related fatalities, injuries, and other losses. The accurate RLR prediction can effectively reduce crashes caused by RLR behavior. The RLR prediction is usually composed of two parts: the vehicle’s stop-or-go behavior and the arrival time when the vehicle reaches the stop line. Previous stop-or-go prediction models are usually based on embedded traffic sensors using machine learning algorithms. While based on the continuous trajectories collected by radar sensors, RLR prediction can be conducted more effectively. In this paper, a probabilistic stop-or-go prediction model based on the Bayesian network (BN) is proposed for RLR prediction. We extend the deterministic output into the probabilistic output, which provides decision-makers with greater autonomy. The causality of BN improves the interpretability of the prediction model. The BN model is calibrated and tested by the continuous trajectories data measured by radar sensors installed at a signalized intersection. We not only consider the movement measurements of individual vehicles (e.g., speed and acceleration), but also take into account the car-following behavior. As a comparison, different machine learning models and the model based on the inductive loop detection (ILD) are adopted. The results show that the proposed BN model has a high prediction accuracy and performs better in the feature interpretation. This paper provides a new way for probabilistic RLR prediction based on continuous trajectories, which will significantly improve traffic safety of signalized intersections.     

微型扑翼飞行器空气动力学研究进展

微型扑翼飞行器(FMAV)作为一种新概念的航空器,有着广泛的功能和用途,已经受到了各国的高度重视.综述了国内外对微型扑翼飞行器的低雷诺数空气动力学问题的研究现状及未来的发展趋势,讨论了目前研究中需要解决的一些关键技术.在此基础上,总结出今后研究的重点,并为微型扑翼飞行器的设计提供了参考依据.     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。