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。     

儿童交通安全教育的事故现场三维仿真研究

儿童交通安全教育是十分重要的,但传统的教育方式仍不生动,且缺乏交互性。基于建构主义学习理论和现代教育技术,提出了交通安全教育的一种新方法。建立了包含虚拟人和轿车的三维交通仿真系统,用户可以扮演和控制一个虚拟儿童过马路,仿真系统具有交互性并且生动形象,虚拟妈妈也集成到该系统中,如果儿童安全地到达马路的对面,妈妈就会微笑;如果儿童被车撞倒,妈妈就会伤心哭叫。演示的结果显示,儿童喜欢这种新的教学方法。     

海上交通仿真综述

海上交通仿真是海上智能交通运输系统（MITS）的一项重要内容,介绍了海上交通仿真的研究意义和研究内容,描述了国内外海上交通仿真的发展历程和研究现状,凝炼出海上交通仿真的关键技术。对基于仿真的海上交通领域的研究煞点问题,相关理论问题、方法和主要应用领域进行了探讨。最后指出了当前海上交通仿真研究的趋势。     

短时交通流量智能组合预测模型及应用

提出了一种新的短时交通流量智能组合预测模型.该智能组合模型包含三个子模型:卡尔曼滤波模型、人工神经网络模型和模糊综合模型.卡尔曼滤波模型利用卡尔曼滤波方法良好的静态线性稳定特性,采用线性迭代方式对交通流量进行最优估计.人工神经网络模型利用其强大的动态非线性映射能力,对动态交通流量的预测具有较高的精度和满意度.模糊综合模型采用模糊方法来综合这两个单项模型的输出,并把它的输出作为整个组合模型的最终交通流量预测值.实际应用表明:该组合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了两种模型各自的优势,是短时交通流预测的一种有效方法.     

多机场网络系统流量分配策略

为有效减少机场交通拥挤、降低航班延误,从系统角度研究战略层面的机场交通供需平衡问题.通过考虑单机场进场和离场间的相关性以及多机场联程航班间的关联性,提出了开放式多机场有向网络交通流系统;基于多元容量受限约束和联程航班约束,以最小化网络系统内所有航班的总延误为目标,建立了开放式多机场网络配流模型.结合国内三大机场的实际航班数据,对模型进行了仿真验证.仿真结果表明:所建模型可以对多机场网络系统流量与容量进行协调优化匹配,充分利用系统容量最小化系统航班延误;可为空管部门提供流量调配优化策略、为民航部门制定航班计划提供辅助决策依据.     

基于动态投影系统的带约束的混行路网均衡模型求解算法

针对路网中考虑电动汽车出行能耗与燃油汽车环境排放情形下混合交通流的非线性边界约束路网均衡问题,设计了一种基于动态投影系统的算法;将复杂非线性边界约束的双车型路网均衡模型转换成变分不等式模型,利用拉格朗日乘子法得到模型的库恩塔克(KKT)条件以及模型的非线性互补问题,通过引入投影算子建立动态投影系统找到模型的最优解。分析模型可确定燃油汽车和电动汽车一般出行成本函数,电动汽车混行条件下交通网络的均衡条件,以及路网均衡条件下两种车型的拥堵外部性并获取混合交通流下路网的运行特征。最后构建数值仿真评估动态投影算法的有效性,结果表明模型收敛于系统的平衡点,且具有指数收敛性质。     

基于改进 LeNet-5 网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于模糊聚类分析的手机流量销售方案

研究了不同人群对手机流量的需求问题,利用模糊聚类分析方法,针对不同年龄、不同职业、不同上网目的等的用户对手机流量的需求量分别进行聚类．利用F统计量得到最佳聚类方案．聚类结果及分析可以指导运营商设计合理的手机流量销售方案．     

基于动态交通需求估计的高速公路优化控制模型研究

依据动态交通需求估计信息,基于分层递阶的思想,建立了一个高速公路优化控制模型. 模型分为4个主要模块:交通需求预测模块对长时期内总的交通需求进行预测,提前确定将来排队长度的上界;全局最优控制模块预测未来的交通状态,为路网中的各个匝道建立协调约束;交通需求估计模块对真实交通流进行估计;局部反馈控制模块根据对真实交通条件的估计信息及全局最优控制层的寻优结果决定匝道调节率. 仿真结果表明,控制系统具有良好的动态性能,协调了各个匝道之间的利益,实现了高速路网整体性能的优化.