针对现阶段手机信令数据难以适用城市复杂出行环境,无法有效区分密集路网下机动化出行方式,本文提出一种考虑路径精准拟合与多维时空特征的双层识别模型.在出行路径识别层面,Savitzky-Golay(S-G)滤波能有效平滑信令数据相对实际出行路径的波动,线性插值算法能弥补信令数据时空缺失.在出行方式识别层面,探究了识别路径相似度、出行时间相似度、加速度、小波速度等关键因素,利用K-临近算法识别公交、小汽车.结果表明:本文提出方法能有效细分城市密集路网环境下的公交与小汽车出行,识别准确度分别达到88.29％和82.28％.在不同出行距离、出行时段、拥挤状态、道路等级、道路类型及识别路径相似度等角度,识别效果均优于随机森林等算法.研究支撑了基于信令数据的出行特征精准挖掘,为道路规划建设,公交线网规划等提供重要基础.
兼顾乘客和企业的双方利益是编制城轨列车运行计划关注的重点.以两端配有车场的城轨线路为背景,通过考虑列车载客状态及其时间持续对运营效益的影响,提出效益损失概念.针对断面客流不同需求导致效益损失的个体差异,引入体现其差异性的调控因子,以候车时间和效益损失上确界为优化目标,通过考虑列车数量、折返线能力、列车接续及进出场环节等关键约束条件,构建城轨列车运行计划优化模型.因模型求解需要,对模型进行线性化等价重构,并据此设计基于GA(Genetic Algorithm)-Gurobi的混合求解策略.最后,通过算例分析验证了模型及求解策略的合理性,结果分析表明:本文优化得到的列车运行计划节省候车时间约30.1%,减少效益损失约17.9%,节省列车数7.4%,列车运行计划质量得到明显提升.
针对客户请求频繁变动下的同时送取货车辆路径问题(Vehicle Routing Problem with Simultaneous Delivery and Pickup,VRPSDP),分析客户送/取货量或时间窗变动请求对原车辆配送方案产生的影响,辨识出其中的干扰事件.在将决策期分成若干个相等时段的基础上,通过设置各时段末干扰事件数量累积阈值或客户等待时段数极限值参数,确定干扰管理决策时刻,建立基于等待策略的VRPSDP干扰管理模型,并设计一种改进遗传算法和禁忌搜索算法相结合的两阶段启发式算法.选用Solomon标准测试算例中多组数据进行算例分析.算例结果显示,相比于实时干扰管理方法,基于等待策略的干扰管理方法节约广义总成本14%以上,节约时间偏离成本7.8%以上,敏感性分析表明,干扰事件数量累积阈值和客户等待时段数极限值均存在最优取值.
现有网联交通环境下的优化控制方法未能实现CAV(Connected and Automated Vehicle)专用车道的动态复合利用,鉴于此,本文考虑交通需求及CAV渗透率的实时变化,以车道组内不同功能车道流率比均衡为约束,交叉口全部车道组流率比之和最小为优化目标,构建基于转换指数的CAV共享车道动态配置方法,提出左转CAVs与直行CAVs复合利用CAV共享车道的控制方法,并设计优化求解流程.基于VISSIM中COM组件开发算法,更新车辆轨迹并在CAV/CHV(Connected Human-driven Vehicle)与信号控制器之间交换信息.仿真结果表明,提出的配置策略增强了交叉口适应实时交通需求的动态调节能力,能在一定程度上改善车均延误.进一步分析表明:CAV渗透率对是否设置CAV共享车道及设置几条车道密切相关;在交叉口进口车道条数为4的情况下,当CAV渗透率小于0.35时,不设置CAV共享车道效果最好;当CAV渗透率介于0.35～0.70时,设置1条CAV共享车道效果最佳;当CAV渗透率超过0.70时,宜设置2条及以上CAV共享车道.本文提出的优化方法适用于网联交通环境下中高CAV渗透率的多车道交叉口.
为了对交通流建模研究和高级辅助驾驶开发等提供可靠跟驰行为支持,本文针对同一位驾驶人个体内部发生的从正常到异常的跟驰行为模式的转变,提出一种以Transformer深度学习模型为基础的驾驶人跟驰行为内在异质性预测和建模方法.本文基于超过20万km的大规模自然驾驶实验,首先,利用对驾驶人的全要素长期行为观测,为41位驾驶人建立基线模型,完成3194次驾驶人内在异质性事件识别与提取;其次,设计基于Transformer多头自注意力机制的深度学习预测器,实现对驾驶人内在异质性事件的准确预测.结果表明,预测器在跟驰内在异质性三分类时间点预测的F1分数(F1-Score)相较于长短时记忆网络表现更优,达到了87.13%,基于预测结果的动态跟驰参数切换可以降低21.08%的驾驶行为建模误差.研究结果有助于更加准确地重现驾驶人跟驰行为,进一步提高交通流仿真精度和高级辅助驾驶控制策略拟人化水平.
为实时获取交叉口交通状态及其邻居交叉口关联度,本文利用实际交通调查数据建立VISSIM仿真环境,基于仿真数据提出包含交叉口交通流特征和物理特征的交叉口交通特征矩阵,并根据车流量、流向比和有效绿灯时间得到交叉口的交互时间矩阵.提出基于时间图注意力(Temporal Graph Attention,TGAT)网络的交叉口交通状态识别模型,将上述矩阵和交通数据的初始标签输入模型中,得到目标交叉口在畅行、平稳、拥挤、阻塞这4种状态下的分类准确率,并得到邻居权重矩阵作为交叉口之间的关联度.选取本文方法和多层感知机、长短期记忆网络、支持向量机分别进行交叉口交通状态识别,准确率分别为93.38%、90.00%、92.03%、82.84%,本文方法的精确率、召回率、F1度量指标均优于其他方法.最后,提出基于关联度和车流量的权重评判系数,定量描述关联度的可靠性,选取主干路上11个交叉口的数据进行验证.结果表明,对于流量分布相对均匀的非孤立交叉口,本文获得的关联度与对应流量正相关,具有有效性和可解释性.
基于非循环轮转方案,本文提出混合乘务轮转模式下的建模方法,并将司机对乘务计划的需求总结归纳为司机偏好,给出偏好的量化计算方法,加入乘务轮班计划求解目标,构建考虑司机偏好的城市轨道交通混合乘务轮转优化模型.设计基于大规模领域搜索的模拟退火算法,以上海地铁某线路的实际运营数据为背景进行案例分析.研究结果表明,计算结果与传统模型对比下,本模型所得的轮转计划实际出勤点偏好满足率约为90%,满足任务类型偏好分配率超过65%,优于传统轮转方案,且平均工作时长方差也有明显下降,计算结果验证了本模型的有效性和实用性.
我国铁路、公路、航运等运输方式在客货运输通道中普遍存在双向负荷不平衡现象.为提升运输线路低负荷方向能力利用率并合理评估双向运输效益,从运输通道角度建立了运输线路能力利用率与效益评估模型,并设置算例研究运价优惠策略对低负荷方向线路能力利用率以及企业运输效益的影响.研究表明:在通道上存在公路和铁路两种方式的情景中,考虑中短运距(600～650 km)条件下,当铁路运价优惠程度由0增加至60%,线路能力利用率增长28.63%,且增幅逐渐提升.铁路运价优惠程度由0增至15%,铁路双向运输效益上涨0.92%,随后略有下降;运价优惠程度超过30%,双向运输效益下降速度逐渐增加.运输企业通过合理制定运价优惠策略,有望实现在保障运输效益的同时,提高低负荷方向线路能力利用率.随着运输距离增加至约1500 km时,可将最大运价优惠程度提升至35%.
研究基于多交路共线运营列车开行方案的客流分配问题,有利于分析评价列车开行方案编制质量,评估列车运输资源的负荷均衡性.本文选取典型城市轨道交通多交路共线运营列车开行方案,构建基于列车开行方案的共线运营服务网络.考虑乘客在共线区段的路径选择行为,提出轨道交通共线问题的数学模型.通过将客流加载的有效路径求解问题转化为求解共线运营服务网络的最短超路径问题,提出基于发车频率的超路径客流分配方法,构建多交路共线运营服务网络客流分配模型,并提出求解配流模型的混合连续平均算法.算例研究表明,由配流结果计算所得的断面满载率相对偏差最大为4.54%,可以实现运量与列车运力的较好匹配;相同服务频率下,多编组模式下的列车最大断面满载率较单一编组模式下的最大断面满载率低15.64%,多编组开行方案的客流适应性更强.本文方法可为复杂交路设计、列车开行方案编制及优化调整提供依据.
大城市郊区线路的客流往往具有明显的长距离出行和时空分布不均衡特征,尤其在高峰时段存在因列车容量约束导致乘客滞留站台的现象,而开行不同站停方式的列车是解决上述问题的有效手段.在计算上下车、进站/换乘及留乘等客流数量基础上,本文建立以包括候车时间和旅行时间在内的乘客总出行成本最小为目标的优化模型;以是否停站的0-1变量对所有列车进行统一编码,通过设置最大触发灾变次数,设计基于灾变思想的改进遗传算法;定义研究时段相邻列车在各车站发车间隔的偏差均值和偏差离差为评价运行图发车间隔均衡性的指标,实现考虑列车容量约束的停站方案优化.以北京地铁15号线为案例,结果表明:改进遗传算法通过灾变操作可有效跳出局部最优;算法可得到设计的3种场景条件下的最优停站方案,相较于场景1,场景2和场景3目标值分别提升12.20%和4.28%;采用跳停策略,可以有效减少列车运行时间,相较于场景1,场景2和场景3的下行方向在到达终点站时分别节省17.49 s和17.97 s.
运营突发事件下,向城市轨道交通(城轨)乘客有针对性地发布诱导信息,是实现高效疏导、确保城轨运营安全的重要举措.本文考虑乘客异质性,开展突发事件下城轨诱导信息发布策略研究.首先,基于潜在分类模型(Latent Class Model,LCM)构建城轨乘客在突发事件和诱导信息双重作用下的路径选择行为模型,分析乘客对诱导信息接受程度及路径选择偏好的差异.其次,以线网乘客总出行时间和线网客流分布均衡性基尼系数为优化目标,构建基于路径选择行为分析的信息诱导优化模型,并应用非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ,NSGA-Ⅱ)求解,以获得突发事件下受影响起讫点(Origin and Destination,OD)间各有效路径的最优推荐指数.最后,以北京市工作日早高峰城轨区域线网进行案例分析.结果表明:城轨乘客在突发事件下对诱导信息存在"诱导服从型""诱导中立型""诱导无视型"这3类不同接受程度的群体.提供诱导信息后,线网乘客总出行时间减少3.906%,线网客流分布均衡性基尼系数下降4.063%,同时减少了高满载率区间数量.事件结束后,诱导信息的继续发布可降低突发事件受影响区间7.08%的满载率,并避免乘客在刚恢复正常运营区间上的再次聚集.
构建多模式交通系统的双动态演化模型,模型包括逐日动态演化和日内动态演化,逐日动态演化在1d的维度上不断更新用户的多模式感知出行成本;日内动态演化依据多模式感知出行成本,采用Logit模型划分模式,并通过宏观基本图(Macroscopic Fundamental Diagram,MFD)理论计算区域内各模式的平均行驶车速和出行时长.探究共享汽车新型交通模式和区域换乘对出行者选择行为和交通系统演化均衡的影响.算例结果表明:相比长途出行,出行者在短途出行中更愿意使用共享汽车;稳态系统中,共享汽车出行将代替28.09%的私家车出行和8.52%的公共汽车出行;共享汽车出行增加了交通系统的总出行成本(1.07%)和总旅行时间(16.53%);区域换乘是重要的出行模式,降低了交通系统的总出行成本、总旅行时间和小汽车的拥有量.
为在降低公交线网系统社会成本的同时实现低碳绿色出行,本文考虑OD间出行需求在工作日与周末的动态变化、出发时间差异以及出行者的有限理性行为,分别以降低碳排放与降低社会成本为目标函数,以分时差异化票价为优化变量,构建动态多目标优化模型.进一步,为使价格政策的实施对需求环境的变化具有预判性,将基于BP神经网络的种群分布预测算子、OD矩阵均衡算法以及具有优秀性能遗传算子的静态多目标粒子群算法进行有机结合,构建新的集群智能动态多目标优化算法,求解分时差异化票价.算例及实例研究发现:在线网整体出行需求水平较低时,下调公交票价有助于降低碳排放水平;相对于固定票制,分时差异化票价可有效降低社会成本与碳排量,使不同线路上的客流更加均衡.
为加强"轨道+公交"网络融合,进一步提升公交出行的乘客满意度和运营效率,本文设计了响应型接驳公交车速引导与路径规划协同优化模型.首先,基于乘客接驳出行需求的异质性请求信息,通过规范化处理统一纳入模型;以区间车速表征实际情况下的道路弹性行驶时间,通过车速引导策略协同规划公交运行线路,扩大模型优质解空间.其次,根据响应型接驳公交大规模和高动态的特性,采取滚动时域优化思想,通过周期驱动将服务时间划分时域,在每个时域开始时调用静态规划模型,并设计文化基因算法求解;通过事件驱动将动态请求分类,对即时请求采用最邻近算法插入已规划路径.最后,运用Sioux Falls网络算例对比验证模型和算法的有效性,并应用于以许昌东站为背景的实例进行分析.结果表明:所构建的协同优化模型能依据接驳出行需求异质性,利用车速引导策略优化响应型接驳公交路径规划;协同优化后,满载率提高10.8%,运营成本和人均时间成本分别降低12.85%、10.79%.
驾驶员疲劳检测的研究有助于降低交通事故的发生.本文提出一种基于面部倒立摆模型与信息熵的疲劳检测方法,首先,采用PFLD(Practical Facial Landmark Detector)模型检测驾驶员面部关键点坐标,并估计用于表示头部姿态信息的Pitch、Yaw以及Roll角度值;然后,以关键点坐标为输入建立面部倒立摆模型,计算模型中连杆系统在驾驶员驾驶过程中的动能和势能;之后,以倒立摆模型的动能、势能以及头部姿态数据作为衡量驾驶员疲劳状态变化的指示特征,基于滑动窗口计算各疲劳特征的信息熵值;通过CNN(Convolutional Neural Networks)处理疲劳特征信息熵值,建立信息熵与驾驶员疲劳状态之间的联系;最后,将CNN在各个时间点上的输出作为LSTM(Long Hort-term Memory)网络的输入特征,通过CNN-LSTM模型实现疲劳特征信息熵的分类预测.实验结果表明,所提模型的预测结果达到95.04%,验证了本文方法的有效性.
面向城市中大规模线网规划问题,本文提出一种基于改进自适应大邻域算法的公交线网规划方法.该方法首先缩减问题规模,将大量乘客出行OD(Origin-Destination)合并获得城市公交备选站点;综合考虑线网服务客流量、公交站点覆盖率和线路服务效率等优化目标,线网长度、非直线系数、线路换乘等限制条件,分别建立以服务需求/延展换乘为主要功能的主线/支线公交线网规划模型;在OD合并结果基础上设计改进自适应大邻域算法进行问题求解,该方法含改进的8种邻域算子和自适应规则等.案例分析结果表明:本文两阶段算法整体优化效果明显,改进自适应大邻域算法领先现有其他元启发算法;邢台市实际案例计算结果表现良好,该方法能有效解决较大规模线网规划问题.
考虑乘客对接驳服务从出发至到达全过程的要求,以及人的可移动性与城市道路特性,基于乘客对出发时间的下界要求(最早出发时间)和到达接驳终点须不晚于后段服务时刻表的到达时间上界要求(最晚到达时间),且在选择出行端点时有多个步行可达站点,提出考虑候选站点和全服务时间窗的需求响应接驳公交调度问题.首先,建立需求和站点集合间的映射,构建考虑节点关系和空间距离的阻抗矩阵,以车辆启用成本和里程成本最小化为目标,将问题转化为带有全服务过程时间窗和容量约束的车队规模配置和车辆路径联合优化问题,建立商业求解器可解的混合整数线性规划模型.其次,引入车辆编号对称性消除约束和同站需求序列唯一性约束,加速模型求解.为求解较大规模问题,设计多种基于问题特性的邻域结构和自适应邻域模拟退火算法.最后,以广州大学城公交子网络为例,设计不同影响因素下的数值实验,实验表明:相较于需求仅指定唯一上车站点的情况,引入候选站点减少所需车辆及行驶距离,使固定成本和可变成本分别降低25%和22.19%,总成本下降23.32%.全服务时间窗约束相较于单点一端时间窗和行程时间约束较为严格,候选站点的引入可弥补其较紧的时间要求对路径成本和乘客行程时间的增长效应.结果表明,全服务时间窗可保证乘客的服务质量,候选站点的引入可有效减少运营成本.
研究干扰条件下列车时刻表调整对提高高速铁路实时调度指挥决策水平和行车组织效率具有重要意义.本文基于数据驱动的优化方法研究干扰条件下列车时刻表调整,旨在提升时刻表调整模型实时应用效果.考虑列车运行约束,以列车晚点时间最小为目标,基于强化学习近端策略优化(Proximal Policy Optimization,PPO)模型提出列车时刻表实时调整方法.建立列车运行仿真环境,PPO智能体与环境不断交互贪婪搜索使目标函数最优的策略.分别使用随机干扰案例和我国武广高速铁路实际数据中干扰案例测试PPO模型的性能及效率.结果表明:PPO模型优于其他常见的强化学习模型,以及调度员现场决策方案(由历史数据获得),PPO模型至少可减少13%的列车晚点时间;PPO模型收敛速度明显优于其他常用强化学习模型;PPO得到解的质量与最优解仅相差约2%,且相比于得到最优解的速度具有明显提升,使其能更好地应用于实时决策.
航班延误预测对于提高旅客满意度和优化资源配置具有重要意义,然而,预测模型的不可见性限制了其进一步发展.为提高航班延误预测问题的准确性与可解释性,以某机场航线到港航班为例,在考虑机场不同气象因素的基础上,基于mRMR(max-Relevance and min-Redundancy)算法剔除冗余特征,筛选最优特征子集作为预测模型的输入,在比较多种机器学习算法后,选择Catboost算法,利用SHAP(Shapley Additive Explanation)归因分析方法,从局部解释和全局解释深入挖掘各因素对航班延误时间的不同影响程度,并采用偏依赖分析提取关键因素的最佳阈值.结果表明:经过特征选择后的Catboost预测模型能够更好地捕捉非线性特征,相比于未经过特征选择的模型,MAE(Mean Absolute Error)、RMSE(Root Mean Square Error)及MAPE(Mean Absolute Percentage Error)分别降低了3.84%,3.35%,4.22%,并利用DM(Diebold-Mariano)检验从统计学上检验模型的差异性;同时,航班延误时间受到多种气象特征以及前序延误等因素共同影响,其中,机场风速和降水量对延误时间有显著正向影响,而机场有效风力和能见度则对延误时间有显著负向影响.
针对分别度量个体出行短期规律(重复性)与长期规律(周期性)信息表征不完全问题,本文提出联合重复性与周期性度量公交乘客出行规律,按个体日出行链划分乘客出行模式,分别改进重复性信息熵模型与周期性评分函数,基于K-Means++算法对公交乘客出行规律进行分类.应用2019年10月～12月浙江省海宁市的数据,从时间、空间两个维度分别度量重复性与周期性,得到4个规律程度的信息熵指标;用仅重复性以及联合重复性与周期性两种方法,分别将71080名公交乘客分为重复性强且周期性强、重复性强但周期性弱、重复性弱且周期性弱这3类.比较两种方法下3类乘客出行时间的频数分布与个体数量变化发现,联合重复性与周期性可以使30.52%,即21692名乘客的类别划分更加合理;比较乘客个体出行模式热力图,证明了方法的有效性.结果表明:联合重复性与周期性度量乘客个体出行规律,可以提升公交个性化需求的识别精准度.
