短时交通流预测是智能交通系统的核心,可以有效减缓交通拥堵、提升应急响应效率。为进一步提高短时交通流量的预测精度,提出一种基于冠豪猪优化算法-双向长短期记忆网络(CPO-BiLSTM)的组合模型。该模型利用冠豪猪优化算法(CPO)的动态适应和全局均衡特性对双向长短期记忆网络(BiLSTM)的超参数进行寻优赋值,进而提升模型的泛化能力与训练效率。采用公路交通流数据集,将CPO-BiLTM 模型与其他预测模型进行训练和测试比对分析,结果表明CPO-BiLSTM 拥有更好的时间序列数据拟合能力,其平均绝对误差为16.8982、均方根误差为23.4424、决定系数为0.98229、剩余预测偏差为7.5159、平均绝对百分比误差为3.4243%,均为最优项,说明该模型能够有效提高预测的准确度和可靠性。

为减轻环形交叉口交通拥堵及环境污染,提出一种将左转和直行车道与对向出口车道功能变更的交通组织方法。在上游交叉口信号控制下,引导左转和直行车辆沿中心线左侧车道进入环形交叉口,分别行驶1/4圈和1/2圈通过环岛。建立交通流饱和加权函数,对最大通行能力和最小平均排放进行加权,并建立区域信号协同优化模型,采用遗传算法求解。以四川某市环形交叉口为例进行实证研究,计算结果表明:该方案使区域总通行能力提升12.74%、平均排放下降9.11%;与传统环形交叉口信号控制方法相比,总通行能力增加22%,平均排放减少29.62%;且信号协同优化模型能在高饱和度下注重提高通行能力,反之,注重降低平均排放。

为提高需求响应公交系统效率,精准满足乘客需求,缓解高峰期公交车乘客舒适度低和打车难问题,利用能够充分反应乘客出行需求的网约车订单数据,提出一种需求响应公交站点的规划方法。首先,通过对预处理的订单数据进行需求分析,挖掘交通需求出行特征和出行习惯。其次,利用改进的DBSCAN 算法对数据进行聚类分析,筛选出热点区域,挖掘交通需求的空间特征。在此基础上,利用改进的K-means算法划分高需求区域,得到每个热点区域中心点,将相邻中心点间距较近的点进行整合并规划站点。最后,通过实例验证其可靠性和科学性。结果表明,通过该方法规划的站点更具实用性和灵活性,可更好地满足乘客出行需求,提高需求响应公交系统的吸引力和
服务效率,缓解交通拥堵。

为提升城市居民网约车出行使用意愿,结合已有文献中变量因素的影响关系,构建包含用户满意度、主观规范、服务质量和使用意愿4个潜变量的结构方程模型。以平顶山市网约车使用者为研究对象,通过意向调查方式获取527份有效问卷数据,探究各潜变量之间的假设检验和效应分析关系。结果表明:使用意愿受到主观规范和服务质量的直接影响;主观规范和服务质量可通过用户满意度对使用意愿产生间接影响;用户满意度对使用意愿具有直接影响。研究结果可为城市交通管理部门提高网约车出行服务质量、科学引导居民网约车出行及制定相关政策提供理论依据。

为更好地配置众包物流企业运力资源与提升客户满意度,在仅考虑配送成本的传统路径问题上,构建综合考虑配送成本与客户满意度的多目标众包物流配送路径模型。根据模型特点,引入客户服务优先级以及车辆最大载重等约束,提出以众包配送员取送货送达时间来衡量客户满意度构建配送总成本最小化和平均客户满意度最大化的多目标众包物流配送路径模型。设计快速非支配排序遗传算法(NSGA-Ⅱ)与自适应大邻域搜索算法(ALNS)相结合的改进NSGA-Ⅱ-ALNS算法,分别运用标准NSGA-Ⅱ算法与改进NSGA-Ⅱ-ALNS算法求解模型。结果表明,所设计的改进NSGA-Ⅱ-ALNS算法与标准NSGA-Ⅱ算法相比,可以使配送总成本降低5.2%,平均客户满意度提高15.5%。同时,引入订单饱和度验证众包平台客户需求与运力供应对模型的影响,当订单饱和度略大于1时,可以使众包物流企业更好地降本增效。

随着大学生对旅游的需求呈现出多元化和个性化的趋势,为充分挖掘大学生旅游出行的行为规律和内在机理,运用可解释机器学习进行出行方式预测。首先,通过问卷调查,得到济南市大学生旅游出行方式数据;其次,运用XGBoost算法对预处理后的数据进行特征选择,得到旅游预算、出行方式乘坐时间、年级、旅游时长和距离五个特征因素;再次,采用XGBoost算法建立大学生旅游出行方式预测模型;最后,利用SHAP解释特征因素之间的交互关系以及特征因素与出行方式选择概率的关系。研究结果表明:对比其他分类预测模型,XGBoost模型在出行方式预测方面表现良好,F1分数为0.914,准确率达到92.1%。SHAP分析发现:大学生的旅游预算、出行时间、年级、旅游时长和距离等因素对飞机、高铁、火车以及大巴的选择具有重要影响,而对私家车出行的影响较小。结果可为旅游企业和政府部门提供数据支撑,以更好地满足大学生旅游需求。

以排放标准为国Ⅴ的轻型汽油车为研究对象,运用便携式车载尾气排放测量系统(PEMS)对实际行驶中污染物排放试验数据进行分析。先采用变分模态分解方法(VMD)进行分解降噪处理,再通过麻雀搜索算法(SSA)、最小二乘支持向量机(LSSVM)和长短期记忆网络(LSTM)的方法,构建一种高精度的轻型汽油车CO2 排放预测模型。通过随机森林和皮尔逊相关性分析,筛选出影响轻型汽油车CO2 排放的关键特征参数,构建数据集。利用VMD算法对数据集进行分解降噪处理,再采用SSA算法优化LSSVM 模型,最终建立基于VMD-SSA-LSSVM 的轻型汽油车CO2 排放量预测模型。结果表明:该模型对CO2 的预测精度和拟合效果均优于单一的LSSVM、LSTM 以及
VMD-LSSVM、VMD-LSTM、VMD-SSA-LSTM 模型,能够为轻型汽油车CO2 排放预测提供参照;VMD-SSA-LSSVM模型在轻型汽油车CO2 排放预测方面具有显著优势和应用前景。

为进一步分析不同低温条件下轮胎滚动阻力对电动汽车能耗影响,以235/50R19子午线轮胎为研究对象,使用HYPERMESH 与ABAQUS软件,对轮胎在沥青路面以30km·h-1 的行驶速度,0 ℃、-10 ℃、-20 ℃、-30℃ 四种不同环境温度下的稳态滚动进行仿真模拟。通过实验测试验证了仿真模型的有效性,采用计算单元应变能密度累计与单元能量损失的方法,确定轮胎滚动阻力对电动汽车的能耗影响。研究结果表明:在0℃、-10 ℃、-20℃、-30℃四种不同环境温度下,轮胎滚动阻力分别为83.14N、98N、111.34N、131.22N,轮胎滚动阻力系数分别为0.0166、0.0196、0.0223、0.0262,轮胎滚动阻力对电动汽车每公里能耗所占比重分别为11.92%、14.05%、15.96%、18.81%。随着环境温度降低,轮胎滚动阻力、轮胎滚动阻力系数以及轮胎滚动阻力造成的能耗占比均不断增大,环境温度每降低10℃,轮胎滚动阻力对电动汽车每公里能耗所占比重增加2%左右。

为精确获得轨道交通客流生成机理,提出用修正的地理加权回归模型分析土地利用客流生成率。改进的模型以路网距离为约束,增加车站接近中心性、车站中介中心性、用地混合度、用地开发强度4个解释变量来修正模型,以减少车站区位、用地布局导致的预测误差。利用提出的模型对西安市轨道交通系统运营数据进行分析,结果表明:将用地参数选为居住、商业金融、行政办公、旅游文化、工业和其他用地时,模型的多重共线性得到最大程度的降低;各类用地最大客流生成率集中在早晚高峰时段,并在以天为周期的循环中具有各异的变化规律;接近中心性、中介中心性和用地开发强度会促进轨道交通客流生成,而用地混合度在多数时间节点表现为抑制客流生成。

为缓解大客流换乘枢纽站台拥堵,研究枢纽内客流组织方案有效评估方法,以提升乘客的换乘效率和安全。选取线路满载率高且客流量大的换乘枢纽为研究对象,以深圳上梅林轨道交通枢纽为例,针对站台拥堵问题提出经通道绕行站厅至站台换乘的客流组织方案。分析乘客对节点设施的选择决策行为,应用Logit模型建立枢纽内关键节点设施选择模型,确定乘客对楼梯、扶梯和垂直电梯的选择概率,设定仿真平台行人行为模块。将Fruin设施服务水平划分标准和乘客平均换乘时间作为乘客安全和效率评估依据,基于MassMotion对该客流组织方案有效性进行评估。结果表明:该客流组织方案不仅将站台拥挤最严重区域的服务水平由E级提升为C级,而且线路满载率大的
方向平均换乘时间减少6.65%。

为匹配城市轻型汽车实际行驶特征,以哈尔滨市为研究对象,挑选代表性片段构建汽车行驶工况并进行误差分析。首先,利用OBD-Ⅱ接口采集运行数据,对所采数据预处理并划分运动学片段;其次,通过主成分分析法对各片段特征数据降维处理;最后,利用LOF算法剔除离群点并应用RODDPSO-K-means算法对降维数据进行聚类。结果表明,构建的行驶工况与原始数据各参数间的平均相对误差为2.79%,且速度-加速度联合概率分布差异值小于2%,而国内外标准工况与原始数据参数之间均存在显著差异,说明所构建行驶工况可以更好地反映当地轻型汽车的运行特征。研究结果可为实现哈尔滨市道路交通低碳化、评估汽车燃油消耗及排放等提供参考。

为有效预防装配式地铁车站吊装过程事故的发生,以装配式地铁车站多点协调吊装为研究对象,建立基于组合赋权与TOPSIS法的评估模型。首先,从人员、材料及设备、工艺技术、管理、环境5个方面,构建风险评价指标体系;然后,基于博弈论思想,将层次分析法与熵权法所求得的综合权重进行优化重组,并应用TOPSIS方法的相对贴进度值,确定装配式地铁车站多点协调吊装风险评估等级;最后,将所建立的模型应用于青岛地铁8号线胶州火车站的吊装施工风险评价中,得出了该站的吊装施工风险等级。结果表明:组合赋权法可以弥补单一赋权法的不足,更准确地反映多个因素的综合影响,评估结果更准确。

为适应轨道交通客流变化规律,以提高地铁短时客流预测结果的准确度,且兼顾轨道交通客流变化的周期性和潮汐性,提出一种基于注意力机制的双向长短时记忆神经网络(BiLSTM)短时客流预测模型。首先,将处理后的地铁进出站客流数据以不同时间粒度和节日类型作为预测因素,输入到模型中;其次,通过BiLSTM 充分挖掘时间序列的全局特征进行初步预测;最后,再通过注意力机制对不同时间点的显著特征加权得出预测结果,提高模型的预测性能。以上海地铁四号线海伦路站的真实客流数据为对象,进行不同模型的对比实验,并通过4种评价指标(MAE、MAPE、RMSE、R2),评价改进前后的模型客流预测准确性。实验结果表明,在评估指标上,文中提出的ATT-BiLSTM 模型要优于单种神经网络预测模型。