基于绿灯时间等饱和度的离线Q学习配时优化模型

首先对传统的绿灯时间等饱和度概念进行了扩展,提出了分级绿灯时间等饱和度。在此基础上,针对分级绿灯时间等饱和度目标,构造了奖赏函数,建立了定周期和变周期两种模式下的四种离线Q学习配时优化模型。相对于在线Q学习模型,离线Q学习模型更适合交叉口信号配时优化,变周期模式的离线Q学习模型可以获得解的结构、最优解的分布,这是传统配时理论不具备的。算例结果表明,定周期模式下最优解是唯一的。变周期模式下最优解是不唯一的,呈带状,奖赏分级模型比奖赏不分级的最优解更加集中。     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合,描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构,描述人们的认知过程,建立相应的路径选择算法。以长沙市中心城区路网为例,利用建立的路径选择方法,分别用静态路阻（距离）、动态路阻（速度）对路网进行解构,计算路径选择集;采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取,并将理论计算结果与实际调查结果进行对比分析,采用静态路阻的一致率为85%,采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程,对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

地铁乘客的病毒载量演化模型和仿真

为了微观刻画地铁乘客的病毒传播,构建了吸入病毒概率与社交距离之间的函数关系,建立了病毒载量增加量和减少量的计算公式,在此基础上建立了病毒载量演化方程,其中防疫措施的效果以归一化的参数描述。通过Anylogic软件的二次开发接口,对每个乘客的病毒载量进行编程,刻画每个乘客在感染前和感染后两个阶段的病毒载量变化。仿真初始时刻设定10%的乘客被病毒感染,包括普通感染者和超级感染者。对不同乘客数量条件下的病毒演化进行仿真,分为有管控和无管控两种场景。仿真结果表明：随着乘车人数的增多,乘客密度增大,病毒传播增强,个体病毒载量增加较快;对病毒载量大于1 000的乘客进行管控,禁止其乘车,可将所有乘客的病毒载量降低一个数量级。