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.
