基于轨迹数据的车辆跟驰行为分析与建模综述

随着轨迹收集技术与数据分析技术的迅速发展，越来越多的车辆行驶轨迹被采集并用于 交通流研究。车辆轨迹数据主要包括车辆运行的位置与时间等信息，利用这些信息可以推算出 车辆的速度、加速度及其与前车之间的空间和时间距离等驾驶行为参量。通过研究轨迹数据可 以揭示车辆自身的运行规律，车辆之间的相互作用规律，道路环境对车辆的作用规律，以及由此 产生的宏观、微观交通流现象，因此，轨迹数据研究受到日益重视。本文简要回顾了与轨迹数据 收集相关的历史，介绍了自然场景下采集的Next Generation SIMulation(NGSIM)数据及实验场景 下采集的车队轨迹数据，并梳理了近几年基于车辆跟驰轨迹的理论研究。首先，分析以交通振 荡、交通回滞为代表的交通流关键实测现象研究工作；整理跟驰行为分析方面的研究成果，包括 不对称跟驰行为、稳定跟驰行为的存在性、跟驰行为的记忆效应、任务难度、随机性、异质性。之 后，介绍基于跟驰行为分析成果而构建的仿真模型。最后，从3个方面评述现有基于轨迹数据的 研究，并提出未来展望：交通流关键实测现象方面，应收集更多不同条件下的数据，并尝试构建更 加普适性的理论或模型解释交通流现象；跟驰行为分析方面，可结合数据挖掘技术或生理、心理 理论，量化驾驶员跟驰特性与生理、心理特征，并将两者结合深入分析跟驰行为的机理；仿真建模 方面，可更多考虑驾驶员生理和心理变量，使模型更具人性化特征，并关注模型的评价方法，注重 模型对实际交通流的解释能力。

Multi-objective Optimization of Urban Public Transportation Network Differentiated Fare

This study proposes the equalization algorithm of passenger flow OD matrix to make the pricing strategy of urban public transport network be more effective. The multiplier effect of social interaction and regret psychology are introduced in travelers' generalized cost analysis. The multi- objective optimization model is developed to reflect the public transport network's differentiated fare under fixed demand. The objectives of the model are the maximum profit of operational department and maximum utility for travelers. The distance-based fare, private car parking fee, and the departure frequency of public transport are variables in the model. The multiobjective optimization algorithm based on cluster intelligence is introduced to solve the model, the proposed model and algorithm are applied to the standard Mandl network. The results indicate that the distance- based public transport fare can reduce travel cost, and adjusting the fare by pareto optimal solution can promote travelers' choice behavior transfer to advantage equilibrium.