求解交通出行预测的反馈四阶段法研究

四阶段法为经典的交通出行预测方法,并广泛应用于实际工程中。传统四阶段法将各个阶段独立建模求解,由于其没有考虑各阶段间的相互影响,所以得到的数据缺乏一致性。在传统四阶段法中引入反馈可以将不同阶段紧密结合,保持各阶段数据的一致性,同时可以避免组合模型的复杂建模与求解。介绍了反馈四阶段法的计算过程,并将其运用到不同规模网络进行求解,着重研究权重系数、交通分布参数、出行总量对计算效率和计算结果的影响。最后为反馈四阶段法的实际应用提出建议。     

城市轨道站台乘客候车位置选择行为分析与Logit建模

探索城市轨道交通乘客站台候车位置选择行为的影响因素,从乘客主体、站台特性、列车运行等3方面分析其对候车位置选择行为的影响。应用Logit模型,构建了包含拥挤容忍程度、排队长度、列车车厢满载率、走行距离、视野关注范围、出行目的等6个影响因素的乘客候车位置选择行为模型。通过调查问卷数据对模型参数进行标定。结果表明不同轨道交通乘客候车位置选择行为存在差异,拥挤容忍程度高的乘客倾向于综合列车车厢满载率和排队长度再选择候车位置,而视野关注范围小的乘客倾向于综合走行距离和列车车厢满载率再选择候车位置。     

环形放射状路网拓扑结构交通拥堵特性

考虑交通出行需求和路网拓扑结构,研究了环形放射状路网上的交通拥堵特性。基于国内7个城市的出租车乘客OD数据分析,研究了出租车用户群体出行距离分布特性,建立了一种基于OD分布的交通需求生成普适性模型。在此基础上,研究了特定需求分布下规则网格状和环形放射状两种典型路网结构的交通拥堵特性。结果表明在满足特定OD直线距离分布的交通需求下,环形放射状路网拓扑结构能有效减少网络拥堵时间,节约交通出行成本。     

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为，结合多速度差理论跟驰模型和深度学习方法，提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性，提出了双车道多速度差跟驰模型（FS-MAVD模型），并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型，利用卷积神经网络层（CNN）充分提取前向和侧向车辆交通特征，双向长短期记忆网络层（Bi-LSTM）考虑驾驶员记忆效应，注意力机制层（Attention）用于分配模型权重，并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点，采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据，建立跟驰行为样本集，对所建模型进行训练和测试，并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比，并分别比对不同模型对不同车辆的预测精度和误差。结果表明，本研究构建的组合模型在加速度预测精度达到9...