城市中心路内停车与停车换乘的动态优化模型

城市中心区停车问题与交通拥堵问题密切相关,也与停车换乘(P+R)问题相关,交通流、路边停车和P+R需要统一模型研究。为此,建立考虑交通流的城市中心路内停车与P+R的动态优化模型。短期最优流率模型考虑到路内停车位会减少正常行驶车辆的道路空间,而且巡航停车会和其它车辆产生拥堵,为此,需要加快路内停车周转率,将路内停车资源与交通流协同管理。短期停车容量模型利用Stackelberg博弈：在政府追求社会总成本最小和私人运营商追求利润最大的基础上,出行者追求用户出行成本最小。研究表明,在需求固定的情况下,随着车辆停放时间的增加,路内停车费与P+R停车费都在不断下降,路内停车容量在不断减少,而P+R停车容量不断增加,说明如果选择短时停车或者临时停车,可以选择路内停车；而如果选择长时间停车,可以选择P+R停车。在需求远大于供给时,路内停车将演化为车道控制。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

社交网络交通信息出行者使用意向分析模型

为解决出行者对社交网络交通信息的使用意向缺少定量描述方法的问题,在技术接受模型的基础上,以感知有用性、感知易用性、感知风险性、使用意向等7个潜变量描述出行者的心理感受,构建社交网络交通信息使用意向分析模型,运用结构方程模型定量分析潜变量对使用意向的直接或间接影响效应。最后将模型应用于重庆市出行者实例分析中,结果表明：感知风险性(-0.41)对使用意向具有负向影响,其余变量对使用意向均为正向影响,其中感知易用性(0.48)、感知有用性(0.46)对使用意向的影响总效应最为显著。     

基于交通信号灯信息的混合动力汽车节能预测控制方法

针对传统混合动力汽车控制方法不考虑已知道路交通信号灯信息对车辆能量管理影响的问题,提出了基于交通信号灯信息的混合动力汽车节能预测控制智能优化策略。通过建立混合动力汽车系统的简化模型,并采用连续广义最小残量方法求解模型预测控制问题。运用MATLAB/Simulink进行仿真,仿真结果验证了交通信号灯信息模型的有效性,以及所设计的模型预测控制算法大幅度提高混合动力汽车的燃油经济性的能力和实时控制性能。研究结果表明所提出的控制策略可以实现车辆行驶轨迹的优化控制,显著提高了车辆的燃油经济性,并满足系统的实时最优控制要求。     

新不确定度量下的冲突证据融合

针对证据高度冲突的情况下,DS证据理论在实际应用中出现错误融合结果的问题,提出基于不确定度的冲突解决方法.首先分析现有的不确定度量方法的不足,研究基本概率赋值本身所包含的信息,提出一种新的对证据不确定性度量的方法;依据新的不确定度量,结合证据距离生成权重来修正待组合证据体,再利用Dempster规则完成证据组合,可有效解决证据高度冲突情况下的信息融合问题,最后通过算例验证了该方法的有效性.     

基于Android的交通安全出行智能问答系统设计与实现

为有效普及小学生安全出行的交通规则及出行常识、从出行源上科学降低小学生交通事故发生率,基于Android平台并借助AndroidStudio开发工具,开发面向小学生交通安全出行的智能问答系统。在对智能问答系统的基本功能、运行实现原则、辅助功能等进行细致分析的基础上,设计智能问答系统的逻辑框架和物理框架;在此基础上,分析智能问答系统的开发语言环境与关键技术,设计智能问答系统的实现步骤与程序;最后,优化设计智能问答系统运行主界面、启动界面、桌面图标,并通过盐城市亭湖区某实验小学的推广应用,表明设计的智能问答系统不仅可以提高小学生学习交通安全知识的兴趣,还可以较为流畅、准确地实现与小学生的正常对话以及交通安全出行问答,有利于降低小学生交通事故发生率。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

基于车辆方波脉冲时序图的交通流参数实时检测算法

提出一种基于车辆方波脉冲时序图的交通流参数实时检测算法,克服了现有方法易受光线变化及天气影响、运算量大等缺陷,提高了实时交通流参数检测的准确率,为智能交通系统提供有力支撑。研究基于虚拟检测线,将交通监控视频降维处理为包含时间和空间信息的时空图,而后对时空图进行前景提取,生成二值化时空图的垂直投影,针对像素累积图设计了系统性去噪及车辆对象识别方法,进而生成车辆方波脉冲时序图,实时检测出车流量、车头时距、时间占有率、车辆速度并进行车辆分类。分析结果表明,所提出的方法能克服雨雪天气、夜晚光线等干扰,快速而准确地进行多车道交通流参数获取,计算负荷小,方法准确率高达97.32%,可满足智能交通系统对交通流参数检测实时性和精度的要求。     

基于安全风险的恶劣天气下高速公路建议车速确定方法

为了提高恶劣天气下高速公路交通安全水平，实施更加科学有效的高速公路车速管理策略，提出了基于安全风险的恶劣天气下高速公路建议车速确定方法。综合考虑交通安全风险影响因素，基于贝叶斯Logistic回归建立交通风险评估模型，利用模糊C-均值聚类算法进行交通风险等级划分并得到了风险阈值。在此基础上提出了不同天气条件下安全车速的两步计算方法，即先根据交通风险分布，在风险小于阈值的交通流状态中选取车辆运行速度的第85 %位车速作为初定安全行驶车速，后利用停车视距原理进行修正，最终得到恶劣天气下高速公路建议车速。并以G15沈海高速（上海段）为例，展示了计算方法，给出了雾天不同能见度条件下高速公路建议车速取值。