区域资源条件评价指标体系建立的研究

从探讨建立区域资源条件评价指标体系的原则入手，对区域内各类资源的概念、特性及其构成了系统分析，进而建立了较为完善的区域资源条件评价指标体系，为实施区域资源条件评价奠定了科学的基础。     

公共物流中心扩建规模优化模型研究

同时考虑物流规划部门及客户的利益,采用双层规划模型来描述物流中心扩建规模优化问题。上层规划从决策者的角度出发,使系统总费用最少;下层规划描述用户对物流中心的选择行为,在用户费用最少的情况下,向各个物流中心分配需求,以使扩建后的物流中心的能力得到最大程度的利用。并应用灵敏度分析方法进行了求解。最后用一简单算例验证了模型及求解方法的可行性和有效性。     

考虑最大风险约束的危险品运输网络优化研究

本文在定义危险品运输风险的基础上，建立了带有最大风险约束的危险品运输网络模型，模型考虑了网络中社会车辆对危险品车辆的出行时间及网络总风险的影响，并针对建立的模型采用了相应的粒子群算法进行求解。最后应用算例分析了模型和算法的有效性。计算结果表明，考虑网络最大风险约束能使危险品运输的网络总风险得到较大幅度的降低。     

基于均衡和接续的路网列车运行图调整研究

铁路中的换乘车站如果发生突发事件,会造成路网中部分列车到达换乘站晚点,晚点超出一定范围时与之接续的列车将不再保持接续关系,导致旅客无法完成换乘且接续列车晚点。本文建立了基于均衡和接续的路网列车运行调整模型,调整后使列车到达终点站的时刻与原计划时刻偏差最小并且总延误时间最小。使用Gurobi优化软件对模型进行了求解,结果表明,调整后的运行图能够有效缓解突发事件对列车运行造成的影响,且晚点在一定的范围内,通过列车接续能够保证旅客的顺利换乘。     

应用人工神经网络确定评价指标的权重

阐述了如何利用人工神经网络方法确定评价指标的权重，以消除以往权重确定过程中人为影响及缺乏动态性这一弊端，具有一定的实用意义。     

基于参考点的逐日交通流演化研究

本文建立了基于参考点的逐日交通流演化模型,模型通过将实际出行时间与参考点进行比较,描述了出行者的感受对估计时间以及路径选择的影响。估计时间模型中用参数取值大小反应出行者对损失的规避大于对等量获得的偏好。分别讨论了出行者乐观、悲观以及中立情况下对应的参考点取值,并研究了三种情况对演化过程及总出行时间的影响。演化结果表明,出行者悲观情况下对应的系统总时间最大,乐观情况下对应的系统总时间最小。该研究有助于理解城市交通流演化的本质规律。     

基于智能交通卡数据的城市轨道交通乘客个体路径选择模型

在分析城市轨道交通乘客旅行时间组成要素的基础上,提出了一种基于智能交通卡数据的乘客个体路径选择模型,克服了传统路径选择模型只考虑群体路径选择的弊端。通过分析轨道交通刷卡出行的特点,建立了乘客旅行时间模型,确立了各旅行时间要素并分析了其独立性。对出行要素进行了估计,计算出路径旅行时间,提出了乘客个体的出行路径选择模型。以北京地铁网络为案例,分析了乘客个体的路径选择,并用实际数据验证了模型的有效性。     

基于瓶颈模型的异质出行者早高峰出行问题研究

早高峰出行中道路瓶颈是造成交通拥堵的主要原因之一.本文针对存在高速公路(含有高承载力车道)和普通道路的瓶颈路段,研究了时间价值不同的出行者早高峰出行行为.基于瓶颈模型的均衡条件,推导了不同收费标准下,出行者改变出行方式时个人早到惩罚的临界值.研究发现收费较低时,时间价值较低的出行者使用高承载力车辆的数量会增加.收费达到一定程度时,即使是时间价值较高的出行者也会选择高承载力车辆出行.数值算例也表明设置恰当的收费标准可以降低系统出行时间.     

碳中和导向下考虑不确定排放的收费-补贴策略

碳中和导向下,交通系统的碳减排备受关注;同时,机动车排放具有不确定性特征.本文考虑排放评估和管理要求的多重不确定性,构建带有模糊和随机特征的不确定性道路排放约束;建立复杂不确定环境下,求解路段收费/补贴方案的两步模糊随机规划模型(two-step fuzzy stochastic programming method,TFSP),并设计了基于分段线性化的模糊随机非线性优化模型求解算法.使用两个不同规模的路网算例对TFSP模型进行验证,并对不同排放容量限值和风险水平下的路网运行效率和系统排放进行了比较分析.研究结果表明,TFSP模型及算法能够有效地求解带有模糊数和随机变量的非线性规划问题,帮助管理者在复杂不确定性环境下决策兼顾路网运行效率和排放管理要求的路段收费、或是收费补贴相结合的方案.     

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...