基于乘客异质性的早高峰单起点多讫点公交均衡研究

分析早高峰单起点多讫点公交系统的均衡乘车行为。考虑乘客对公交内部拥挤敏感程度不同，分析乘客出行成本构成，乘客在拥挤成本、延误时间成本和乘车时间成本之间权衡，做出乘车班次选择，以此建立均衡乘车模型。研究结果表明异质用户下单起点多讫点公交均衡具有如下性质：目的地相同的乘客分布在连续班次，且越靠近最优到达班次，累计乘客人数越多；连续两站都有出行者乘坐特定班次时，在之后站点登上该特定班次的总人数为常数；目的地相同的不同类型乘客最多在一个班次上混乘；对拥挤敏感的乘客会乘坐对应的远离期望到达时间的班次；对拥挤不敏感的乘客会乘坐对应的靠近期望到达时间的班次。研究结果有利于加深对公交乘车行为的理解，为公交调度管理提供辅助支持，进一步完善公交均衡模型的相关研究。     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。