基于车辆跟驰理论的交通流动力学模型与数值仿真

为改进交通流模拟,提出了微观与宏观统一的交通流动力学模型.从微观的车辆跟驰模型出发,假设路段单元体中的车流为整体,且单元体的运动遵守拉格朗日坐标系下的车辆跟驰运动模型,那么该模型在变换为欧拉坐标后,与流量方程结合,推导出宏观的交通流动力学模型.模型分析和数值仿真表明该模型能够良好地模拟交通流的堵塞和疏导等现象.     

微观车辆仿真模型分类对比研究

车辆跟驰模型是微观交通流仿真的一个基本模型，它是构成许多重要研究领域的基石．把车辆跟驰模型分为基于交通工程的跟驰模型和基于交通心理学的跟驰模型以及基于二结合观点的跟驰模型．从交通工程、交通心理学及二相结合的角度对几个常见的车辆跟驰模型进行了比较研究，介绍了各车辆跟驰模型的建模原理以及它们各自的特点，重点阐述了它们在微观交通模拟中的应用．     

驾驶员行为仿真模型研究进展

着重从驾驶行为分析的角度出发,回顾了以往构建于控制论思想之上的车辆跟驰模型,特别是其中与人因素有关的GHR模型、碰撞避免模型、AP模型、基于模糊逻辑的模型、基于神经网络的模型、期望间距模型等,对各模型的构建理论和主要优缺点进行了详细阐述,从整体上揭示了上述模型构建过程中所忽视的用于刻画驾驶行为可变性特点的一些关键性问题,并结合当今交通领域最新的研究成果分别从应用领域专门化、研究手段多样化、研究层次深入化、模型构建实用化等方面预测了驾驶行为仿真模型未来的发展趋势.     

微观交通流中跟车模型的仿真研究

在研究跟随状态中车辆运行特性的基础上,提出了一种新的跟车模型.与传统的跟车模型相比,新模型考虑了车辆的长度,并将传统模型中的期望间距转换为期望车头时距,反映了后车速度对跟车状态的影响.采用实际道路上的车辆跟车数据,在Simulink环境下,对2种跟车模型进行了仿真分析,结果表明在一定程度上,由于考虑了更多实际情况,新模型优于传统模型.为了能反映车辆在实际中加速、减速以及不同跟车类型的差异性,给出了进一步改进新模型的方向.     

交通流计算机微观仿真的一种随机模型

针对驾驶行为的不确定性，在对实验数据进行随机分析的基础上，通过研究驾驶员的心理——物理特性，构建了一个新的标定相对简单、且易于使用的车辆跟弛模型．     

交通微观仿真跟驰特性的研究与实现

采用高级程序设计语言Visual Basic构建了针对典型路况——交叉路口的微观跟驰仿真模型,并与实际路况相联系,针对制约性、延迟性和传递性对跟驰模型仿真曲线进行了讨论,力求使该模型更好的贴近真实的交通状况.     

一种交通流状态分析模型

从经典的车辆跟驰模型出发，考虑车流的宏观特征，提出了可以定量描述路段交通流速度与密度关系的理论计算模型，经过与Del Castillo等提出的典型的平衡速度、密度关系图的对比，验证了该模型的正确性，与Blunden等提出的流量、行程时间关系模型进行比较，从理论上说明了该模型的优越性．提出了“交通流健康、不健康状态”的概念，并给出了定量的区分标准，进一步说明了该模型的理论意义和实用价值。     

驾驶员行为仿真模型研究进展

驾驶员因素及其所起的作用被广泛认为是智能运输系统(Intelligent Transportation Systems,ITS)成功发展的关键.总结了驾驶员行为的主要研究现状,包括对驾驶员特性的研究、多源信息融合技术和综合认知活动在驾驶员行为研究方面的应用、我国混杂交通环境中驾驶员行为的研究及驾驶环境的人性化研究等;结...     

双前导车信息对交通流稳定性影响的分析

稳定性分析是交通流理论的重要问题之一,因为阻塞现象可视为动力系统的不稳定和相变。通过考虑双前导车信息的影响,获得了1个扩展的优化速度模型,借助稳定性理论得到了扩展模型的稳定性条件,同时运用非线性分析推导出mKdV方程来描述临界点附近的交通行为。数值仿真证实了分析结果,并表明考虑双前车更有效抑制交通阻塞。因此,次邻近前车对交通动力学有很强的影响,对稳定交通流起到重要作用。     

考虑车辆随机行为的交通流动力学模型

从研究微观个体车辆行为出发，考虑两种不同的具有不确定性的加速机制，提出了随机跟弛模型；在随机跟弛模型的基础上，得到了描述交通流宏观行为的连续性动力学方程，该方程是各项异性的，可以避免Daganzo提出的问题，对动力学方程的稳定性分析，得到稳定性判据。     

RBF网络在交通流模型辨识中的应用

利用径向基函数 (RBF)人工神经网络来逼近已知的交通流非线性解析模型 ,讨论了高速公路交通流模型的辨识问题。提出了一种带反馈的 RBF网络模型 ,讨论了其训练算法。算法分两步实现 ,第一步利用一种改进的聚类分析方法确定隐层节点核函数的中心点 ,第二步用最小二乘法确定从隐层到输出层的连接权。最后将训练好的网络模型和给定的解析模型同时进行仿真计算 ,得出了当某路段出现突发性交通事故时交通流密度和平均速度的变化曲线。仿真结果说明 RBF神经网络模型的训练速度快和辨识精度还是令人满意的     

基于人工神经网络城市交通流量智能预测的研究

通过对我国目前城市交通情况的分析．说明交通拥挤和流量大小息息相关，因此对城市交通流量进行预测具有重要的意义。目前应用于城市交通流量智能预测的人工神经网络模型主要有线性网络、BP网络、反馈网络等。经过综合分析而采用了线性网络对城市交通流量进行预测，其优点主要表现在结构简单，实用方便，反应速度快，实时性强。根据城市交通的具体情况，对城市交通流量的预测模型进行了仿真。其仿真结果表明所采用的线性神经网络能够用于城市交通流量的预测。     

基于微观交通仿真的城市路网交通排放评估

为了给中小城市建立低碳交通体系提供理论依据,利用美国联邦公路局(FHWA)微观仿真软件TSIS/CORSIM,并结合广东省清远市中心城区的交通调查,建立了清远中心城区路网交通仿真模型,对以现状交通流量为基础设定的5个情景方案进行了仿真研究.结果表明:随交通流量的增大,路网的交通排放增加,当增大到1.5倍时,车辆每公里的HC,CO,NOx和CO2排放分别上升8%,12%,12%和29%,当交通流量增加(1.5倍)导致交通拥挤时,额外燃油消耗为225 L,额外CO2排放为518 kg,占总排放的16.3%.     

基于人工神经网络的崩岸预测模型研究

针对崩岸影响因素众多、难以定量评价等问题,采用一种基于人工神经网络的崩岸预测方法,介绍了其基本原理.在研究崩岸诸多影响因素的基础上,选取11种主要影响因素建立崩岸预测模型.以随机构造的20个岸坡模型为训练样本,以5个随机岸坡模型为检验样本,实现了岸坡稳定性的人工神经网络预测.初步结果表明,神经网络方法可以应用于崩岸的预测.     

人工神经网络法在地下水水质分级中的应用

通过对受污染的地下水进行水质分析，建立了该类水质的人工神经网络分级预测模型，采用已确定其污染级别的地下水数据作为训练样本对网络进行训练，然后利用收敛的网络进行污染程度分级，其结果与实际的基本一致，这充分说明了利用神经网络预测该类水质受污染程度是一种可行方法。     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。