留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

2023年  第41卷  第1期

栏目
  上一期 | 下一期 
显示方式:
本期导读
2023, 41(1).
摘要(486) HTML (350) PDF(23)
摘要:
交通安全
基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法
郭晓晗, 彭理群, 马定辉
2023, 41(1): 1-12. doi: 10.3963/j.jssn.1674-4861.2023.01.001
摘要(1036) HTML (367) PDF(79)
摘要:
大型港口集装箱码头运输车辆调度频繁，堆场过道和交换区等区域视距狭窄，容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力，提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages，BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员，根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标，并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model，IMM）融合视频轨迹信息和车载单元（on-board units，OBU）定位数据，减小了目标机动过程中的观测误差。基于集卡融合轨迹结果，提出了1种新型的轨迹冲突风险评估模型，能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险，该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明：IMM自适应跟踪轨迹的平均均方根误差为0.29 m，比集卡自主跟踪轨迹误差提升81.05%；融合路侧监控视频与车载终端定位数据能够克服车辆自主定位系统在密集堆场环境下的误差增大问题。集卡碰撞危险辨识的结果表明：车辆碰撞危险识别结果（预设ETTC阈值为2 s）的召回率、精确度和准确度相对集卡自主感知分别提升了7.39%，4.27%，2.50%，更准确地辨识出了视线遮挡情况下的轨迹冲突风险。
小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型
刘钦, 宋太龙, 李振龙, 赵晓华
2023, 41(1): 13-22. doi: 10.3963/j.jssn.1674-4861.2023.01.002
摘要(1002) HTML (438) PDF(54)
摘要:
由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限，导致雾天跟驰模型精度不佳，为此在长短时记忆神经网络（long short-term memory，LSTM）跟驰模型的基础上，采用迁移学习（transfer learning，TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验，获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution，LCSS）的迁移样本选择方法，从源域中选出100个样本迁移至目标域中，通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力，得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用，将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比，LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%，比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能，将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比，LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测，其精度不高，采用样本迁移合理可行；LCSS方法对源域样本筛选有效，由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高；在小样本情况下，拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型，但由于迁移学习能够从源域样本中获取知识的特性，LSTM-TL模型有着最高的精度。
交通事故导致的高速公路拥堵状态判别方法
张驰, 周郁茗, 张敏, 罗昱伟, 陈嘉乐
2023, 41(1): 23-33. doi: 10.3963/j.jssn.1674-4861.2023.01.003
摘要(1156) HTML (600) PDF(88)
摘要:
为量化分析不同交通事故条件下的高速公路路段拥堵情况，研究路段偶发性拥堵规律，本文构建了1个基于行程时间可靠性指标的高速公路路段拥堵判别方法。建立基于美国《公路通行能力手册》中行程时间可靠性分析方法的路段行程时间可靠性模型，并采用西南某高速公路路段实际数据校准模型。利用蒙特卡洛模拟方法生成交通事故场景，将交通事故解构为交通事故发生位置、交通事故严重程度、交通事故持续时间、交通事故发生频率4个特征，并以行程时间指数为路段拥堵量化指标，研究不同交通事故特征水平下的高速公路路段拥堵规律，并判别路段拥堵程度。研究结果表明：美国《公路通行能力手册》的行程时间可靠性分析方法具有可移植性，校准后可应用于国内高速公路路段；交通量接近饱和时，交通事故发生在出口匝道段的拥堵程度高于基本路段与入口匝道段，单车道关闭场景下的交通事故影响远高于路肩关闭场景下的交通事故；交通量接近自由流状态时，拥堵程度对严重程度不敏感；任何交通量水平下，单车道关闭场景下的交通事故持续时间一旦超过15 min，路段拥堵程度极有可能剧增。本文构建的路段拥堵判别方法，可以在精细化探究偶发性交通事故拥堵规律的同时划分路段拥堵等级，为相关部门的事故管理提供理论支撑。
基于异常声音的隧道交通事故检测方法
马庆禄, 付冰琳, 马恋, 李杨梅
2023, 41(1): 34-42. doi: 10.3963/j.jssn.1674-4861.2023.01.004
摘要(973) HTML (456) PDF(29)
摘要:
针对公路隧道内交通事故的动态感知问题，在传统检测方法的基础上引入声学检测理论与方法，研究基于异常声音检测的隧道交通事故智能检测方法。通过分析短时能量（short term energy，STE）和梅尔倒谱系数（Mel-scale frequency cepstral coefficients，MFCC）检测方法在事故段特征表征以及精度干扰方面的缺陷，提出1种改进的融合特征MFCCE研究隧道环境下的交通事故检测。提取STE和MFCC特征并使用主成分分析（principal component analysis，PCA）进行特征融合得到新的融合特征MFCCE。以真实行车事故数据为基础，构建包含刹车与碰撞声的2段隧道噪声实验样本数据，分别对应早高峰时段（07：00—08：00）及平峰时段（12：00—13：00）的行车条件对隧道内的事故环境进行模拟分析，利用端点检测对所提方法进行验证并与其余2种方法进行对比分析。使用Pearson简单相关系数法作为最终的评价方法，通过该方法计算得到的相关系数r对比三种检测结果与原始样本的正相关相性。实验结果表明：STE在平峰及早高峰时段的相关系数分别为0.933和0.988；MFCC在平峰及早高峰时段的相关系数均为0.998；而无论在平峰还是早高峰时段，MFCCE的相关系数（0.999）均高于另外其他2种检测方法。MFCCE的平均相关系数相比于其他2种检测方法（STE、MFCC）分别提高了3.95%和1.00%。
基于潜类别Logit模型的两轮车骑行者头部损伤影响因素研究
殷豪, 林淼, 王鹏, 朱彤, 魏田正
2023, 41(1): 43-52. doi: 10.3963/j.jssn.1674-4861.2023.01.005
摘要(810) HTML (478) PDF(35)
摘要:
为研究汽车-两轮车碰撞事故中骑行者头部伤害的影响机理，探究头部损伤致因关系中存在的模式差异与异质性，基于中国交通事故深入研究（CIDAS）数据库中的2 806起两轮车事故，建立潜类别Logit模型。以骑行者头部伤害严重程度为因变量，将驾驶人、车辆、道路、环境和事故碰撞特征的相关因素作为自变量，取显著水平为0.05，建立多项式Logit模型，在此基础上根据拟合优度指标确定最优分组数并构建出潜类别Logit模型。研究结果表明：模型将事故样本划分为2个类别群体，2个群体在参数、变量分布特征和预测概率上存在显著差异，当事故样本具有“两轮车初始速度>30 km/h”、“骑行者碰撞后抛出距离>10 m”等特征时易被归类到类别1，且类别1对应于更严重的头部伤害；骑行者年龄>50岁、汽车类型为商用货车、两轮车类型为摩托车、事故发生在市区外、两轮车初始速度>30 km/h、头部碰撞玻璃和抛出距离>5 m都会增加头部损伤的严重程度；汽车驾驶人行驶意图为停车或变道时，存在造成严重两轮车事故的风险；佩戴头盔会减弱骑行者头部受到的伤害。
城市道路无信号控制路段行人过街风险分级预警模型
褚昭明, 陈瑞祥, 刘金广
2023, 41(1): 53-61. doi: 10.3963/j.jssn.1674-4861.2023.01.006
摘要(844) HTML (425) PDF(56)
摘要:
为量化城市无信号控制路段下的行人过街风险，避免人车冲突事故频发，提出基于K-means算法的行人过街风险量化分级方法，并在此基础上建立了基于随机森林的行人过街风险分级预警模型。考虑时空接近程度及潜在碰撞伤害大小，选取冲突时间差、潜在碰撞距离与潜在碰撞能量3个指标，准确刻画出实际的人车交互场景，并利用K-means算法对行人过街风险状态进聚类划分，明确相应的行人过街风险等级。综合行人过街场景中包含的天气状况、道路交通设施、行人交通特征、机动车交通特征与历史事故等5类风险隐患因素，提出了30项行人过街风险二级指标，依据基尼不纯度对风险指标进行筛选并构建出最优的预警指标集，以此为模型输入，利用随机森林算法建立了能对行人过街风险进行细化、量化预测的分级预警模型。以山西省某市3处行人过街样本数据为算例验证模型的可行性。算例分析表明：行人过街风险等级分为5级时，量化分级结果能与实际行人过街情景较好吻合；本文提出的分级预警模型对各风险等级预测的整体正确率可达86.67%，其中对一级与四级风险的预警能力最为突出，一级风险识别准确率达到100%，四级风险识别准确率达到94.7%。本研究提出的行人过街风险分级预警模型解决了既往研究中存在的风险指标不够全面、风险等级划分未完全贴合实际场景、预警等级未细化等问题，提高了风险预警准确率。
交通信息工程与控制
多特征点驱动的船舶轨迹聚类方法
牛雯钰, 梁茂晗, 刘文, 熊盛武
2023, 41(1): 62-74. doi: 10.3963/j.jssn.1674-4861.2023.01.007
摘要(1117) HTML (346) PDF(66)
摘要:
轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点，在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题，在利用船舶自动识别系统获取海量船舶历史航行数据的基础上，提取与船舶航行行为、船舶交通密度相关的位置特征点，进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点，采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点，作为船舶轨迹结构特征点；针对目标水域中某些特定区域常存在船舶交叉会遇的情形，利用概率密度估计法分析船舶交通流的空间分布特点，并提取船舶会遇局面下的轨迹点，作为船舶交通流特征点；为剔除2类特征点中的异常值，采用密度聚类算法对特征点进行聚类，进一步提高特征点提取的可靠性，并将聚类结果中每类特征点的中心作为代表性特征点；统计途经代表性特征点的船舶轨迹分布情况，将具有相似分布的船舶轨迹视为同一类。实验结果表明：相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法，提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类结果；在上述典型水域，平均轮廓系数分别提升约53%，71%，63%和41%，戴维森堡丁指数分别降低约57%，67%，63%和45%；同时，此方法可平均降低约56%的聚类时间，显著提升了船舶轨迹数据聚类分析的效率。
基于关键本征模态函数的道路交通信号控制时段划分方法
冯斌, 徐建闽, 林永杰
2023, 41(1): 75-84. doi: 10.3963/j.jssn.1674-4861.2023.01.008
摘要(680) HTML (320) PDF(17)
摘要:
交通信号控制是缓解城市交通拥堵的重要手段，时段划分是信号灯控交叉口多时段控制的基础，合理的划分方法有助于提高信号控制效率。对于固定配时的信号灯控交叉口，传统时段划分方法主要借助于路口历史交通流量数据，依据人工经验或者简单聚类算法，直接进行时段划分，未能充分考虑交通流的时序性和随机性问题，不利于交通控制整体效益。综合考虑交通流中随机因素和时序性对时段划分的影响，本文研究了基于经验集合模态分解和有序聚类的时段划分方法。利用集合经验模态分解处理交叉口流量数据，提取了若干个本征模态函数及1个余项。借助皮尔逊相关系数分析原始流量数据、本征模态函数、余项这三者之间的关系，优选与原始流量相关性最高的本征模态函数或余项作为交通流的关键成分，使用关键成分代替流量数据进行有序聚类，完成时段划分。通过寻找不同分割个数下最小损失值突变点，获取最佳分割数，并得到最佳方案。以广东省中山市一个路口为案例对本文提出的时段划分方法进行算例分析，VISSIM仿真结果表明：①相比于现状，提出的方法在工作日和非工作日分别能提高路口通过车辆数11.32%和2.62%，缩短排队长度18.67%和12.02%；②非工作日车均延误减少6.80%，停车延误减少5.87%，工作日车均延误和停车延误变化不大。
基于车辆位置与速度特征的驾驶行为模式分类方法
张苇冲, 杨涛, 吕能超
2023, 41(1): 85-94. doi: 10.3963/j.jssn.1674-4861.2023.01.009
摘要(820) HTML (380) PDF(46)
摘要:
精细车辆轨迹中包含连续的时间戳、位置，以及速度等信息。通过对车辆轨迹数据进行量化表达与挖掘分析，可以实现对车辆行为模式的分类。现有研究大多关注对位置的聚类，很少对车速、加速度等特征进行研究分析，而车速等是反映驾驶行为模式的重要特征。为了将轨迹多维信息纳入分析框架，研究了基于位置与速度特征的车辆轨迹行为模式分类方法。为克服现有行为模式分类方法的维度单一性，运用豪斯多夫轨迹距离算法计算出位置和速度特征的综合距离矩阵，针对豪斯多夫距离算法鲁棒性差的缺点，采用单向豪斯多夫距离90%分位值对算法进行了改进，降低噪声影响。同时，引入了车辆位置和速度来进一步提高分类的准确性，运用多次分层聚类算法依次对位置与速度轨迹图进行分类，得到车辆位置和速度上的行为模式。以HighD数据集为样本，提取了三车道上的行车轨迹，验证了基于速度与位置特征的车辆行为模式分类方法。结果表明：①本方法可以得到位置和速度的综合行为模式，聚类平均准确率达到94.8%，优于DBTCAN准确率89.3%和t-Cluster准确率86.4%；②基于换道模式轨迹偏移率曲线的分析，得到了4种互异的典型车辆换道模式。该方法可利用多维轨迹数据对行车模式进行分类及行为辨识，在车辆轨迹分类与不良行为辨识方面具有应用潜力。
基于改进YOLOv5的雾霾环境下船舶红外图像检测算法
马浩为, 张笛, 李玉立, 范亮
2023, 41(1): 95-104. doi: 10.3963/j.jssn.1674-4861.2023.01.010
摘要(988) HTML (414) PDF(72)
摘要:
从监控图像中准确检测船舶对于港区水域船舶交通智能监管具有重要意义。为解决雾霾条件下传统YOLOv5目标检测算法对船舶红外图像检测准确率低、小目标特征提取能力弱等问题，提出了基于Swin Transformer的改进YOLOv5船舶红外图像检测算法。为扩大原始数据集的多样性，综合考虑船舶红外图像轮廓特征模糊、对比度低、抗云雾干扰能力强等特点，改进算法提出基于大气散射模型的数据集增强方法；为增强特征提取过程中全局特征的关注能力，改进算法的主干网络采用Swin Transformer提取船舶红外图像特征，并通过滑动窗口多头自注意力机制扩大窗口视野范围；为增强网络对密集小目标空间特征提取能力，通过改进多尺度特征融合网络（PANet），引入底层特征采样模块和坐标注意力机制（CA），在注意力中捕捉小目标船舶的位置、方向和跨通道信息，实现小目标的精确定位；为降低漏检率和误检率，采用完全交并比损失函数（CIoU）计算原始边界框的坐标预测损失，结合非极大抑制算法（NMS）判断并筛选候选框多次循环结构，提高目标检测结果的可靠性。实验结果表明：在一定浓度的雾霾环境下，改进算法的平均识别精度为93.73%，平均召回率为98.10%，平均检测速率为每秒38.6帧；与RetinaNet、Faster R-CNN、YOLOv3 SPP、YOLOv4、YOLOv5和YOLOv6-N算法相比，其平均识别精度分别提升了13.90%、11.53%、8.41%、7.21%、6.20%和3.44%，平均召回率分别提升了11.81%、9.67%、6.29%、5.53%、4.87%和2.39%。综上，所提的Swin-YOLOv5s改进算法对不同大小的船舶目标识别均具备较强的泛化能力，并具有较高的检测精度，有助于提升港区水域船舶的监管能力。
基于改进U型神经网络的路面裂缝检测方法
惠冰, 李远见
2023, 41(1): 105-114. doi: 10.3963/j.jssn.1674-4861.2023.01.011
摘要(809) HTML (299) PDF(41)
摘要:
针对传统的裂缝分割算法难以识别狭窄裂缝且分割边缘不精准，从而造成识别精度较低的问题，研究了基于改进U型神经网络（Unet）的路面裂缝检测方法。由于传统Unet特征提取网络是层次较浅的浅层神经网络，难以提取更复杂的裂缝特征信息，故本文以牛津大学视觉几何组网络（VGG16）作为传统Unet的特征提取网络，提高网络的裂缝特征提取能力；为抑制高低阶特征融合时产生的无用特征，本文在模型解码部分添加压缩与激励单元（SE block），构建裂缝注意力单元，使得网络可以关注不同通道下的裂缝特征，建立了基于SE block和VGG16的改进Unet网络（SE-VUnet）。研究采用迁移学习的方法，将在ImageNet上预训练好的VGG16网络权重迁移到裂缝检测中。通过挑选Crack500数据集，并使用摄像头采集图片构建1 600张路面裂缝数据集，再次训练SE-VUnet模型，获得裂缝区域分割结果。以查准率（precision）与查全率（recall）的加权调和平均值F1和雅卡尔（Jaccard）相似系数作为量化评价指标。将SE-VUnet分别与Unet、SOLO v2、Mask R-CNN以及Deeplabv3+进行分割效果和实时性对比。研究结果表明：SE-VUnet模型的综合F1和雅卡尔系数分别为0.840 3和0.722 1，相比于Unet分别高出了1.04%和1.51%，且均高于其他3种对比模型；SE-VUnet的单帧图片预测时间为89 ms，在分割效果提升明显的情况下仅比Unet慢5 ms，优于其他模型。
基于GA、RBF和改进Cao方法的空中交通流预测方法
王莉莉, 赵云飞
2023, 41(1): 115-123. doi: 10.3963/j.jssn.1674-4861.2023.01.012
摘要(716) HTML (291) PDF(21)
摘要:
针对传统空中交通流量预测方法精度不足、时效性差的问题，考虑空中交通流量时间序列的混沌特征，在相空间重构理论的基础上，研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差，提高相空间重构精度，通过判定虚假邻近点，以及迭代比较嵌入维度离差和可接受偏差，确定重构相空间嵌入维度值的选择标准，进而得到重构后的空中交通流量时间序列数据；为提升径向基神经网络预测精度并降低参数误差，使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值，再通过最优系数标定后的神经网络对重构后的时间序列进行预测；利用实际空中交通流量数据进行仿真以验证方法的有效性，并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示：①改进后的预测方法具有更好的非线性拟合能力，提高了交通流量时间序列的预测精度；②以5 min时间间隔预测为例，相比传统RBF神经网络，改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%；③相比反向传播（BP）神经网络和长短期记忆（LSTM）神经网络，所提方法的平均绝对误差分别降低了36.20%和16.10%，运行速度分别提高了27.42%和35.00%。综上所述，所提方法能更好地解析系统的混沌特性，提升空中交通流量预测精度与速度。
交通规划与管理
基于递归框架的高速公路交通流量实时预测方法
陈宇, 王炜, 华雪东, 赵德
2023, 41(1): 124-131. doi: 10.3963/j.jssn.1674-4861.2023.01.013
摘要(711) HTML (250) PDF(59)
摘要:
实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理，且需要满足实时性需求。然而，少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory，LSTM）自编码器的高速公路交通流量递归预测框架，可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据，应用卡尔曼滤波方法进行数据平滑，以提高原始数据的可预测性能；引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模，以提高模型的运算效率；考虑到高速公路交通流量预测的实时性需要，进一步提出递归预测框架，用LSTM自编码器的预测值代替卡尔曼滤波值；根据获取的实时数据，执行自适应卡尔曼滤波算法以修正当前的最佳状态值，并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析，结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势，模型预测的平均绝对百分比误差为5.0%，优于卡尔曼滤波和LSTM自编码器组合模型的7.4%；模型训练时间为85 s，低于标准LSTM模型的101 s。
综合客运枢纽疏散流线设计优化方法
李兴华, 王天佐, 张晓光, 赵军舰, 成诚
2023, 41(1): 132-139. doi: 10.3963/j.jssn.1674-4861.2023.01.014
摘要(693) HTML (297) PDF(29)
摘要:
综合客运枢纽内部人员密集、通道网络复杂，且进出口数量较多，客流疏散效率不易提高。针对这个问题，不同于现有研究大多考虑改造物理设施，本文提出了通过控制通道开闭状态及通行流向，充分发挥既有设施通行能力的疏散流线设计优化方法。设计了由系统输入、疏散仿真及疏散流线优化模块组成的疏散流线设计仿真优化框架。其中，系统输入模块包含疏散需求、疏散网络、疏散行为参数；疏散仿真模块用于给定疏散流线方案下疏散效率的模拟测算；疏散流线优化模块则基于疏散仿真模拟结果迭代优化疏散流线方案。疏散仿真方面，考虑到行人在疏散途中可能动态修改疏散路线的特点，基于Logit模型构建了行人疏散择路行为模型。疏散流线优化方面，为提高疏散效率，避免局部通道过于拥挤，设计了以整体疏散时长、所有个体总疏散时间和通道最大饱和度最低为目标的疏散流线优化模型，并应用基于NSGA-Ⅲ的疏散流线多目标优化算法进行求解。以虹桥火车站到达层疏散场景为例开展模型验证，结果表明：相比于常规情况无特殊流线设计的疏散方案，优化方案的整体疏散时长、所有个体总疏散时间和通道最大饱和度分别降低36.2%、16.6%、51.6%。该方法对建设安全高效的综合客运枢纽内部行人疏散系统具有较好的参考及应用价值。
常规干线公交网络空间方向分布及结构特性分析方法
裴玉龙, 申晨, 翟双柱
2023, 41(1): 140-150. doi: 10.3963/j.jssn.1674-4861.2023.01.015
摘要(663) HTML (252) PDF(16)
摘要:
空间结构合理的常规干线公交网络可以帮助城市提升公共交通服务效率，缓解道路交通压力。为深入分析城市常规干线公交网络空间结构特性，使用公交网络GIS信息嵌入拓扑结构模型的方式开展研究。借鉴道路网空间信息测度方法，基于香农熵理论提出公交线路方向熵和公交网络方向熵分析方法。根据提取的公交网络拓扑结构中相邻站点间线路段的空间方向信息，使用方向熵测度得到公交线路及网络空间方向分布情况。在现有的规范及研究中，选取并拓展能够体现公交线网空间结构特性的指标，与方向熵组成常规干线公交线网空间结构分析指标体系，从线路和网络2个层面出发探究常规干线公交网络空间方向分布并分析其结构特性。以哈尔滨市63条常规干线公交组成的网络为例进行分析。网络空间方向分布结果表明：公交网络方向熵为2.84，大于网络内任意单条线路方向熵。验证得到公交线路方向熵的测度结果与线路的实际情况相符，方向熵可以有效量化公交线网拓扑结构的空间方向分布；在指标间的相关性方面，公交线路方向熵与公交线路长度的相关性最高，公交线路站点对重复系数与公交刷卡数的相关性次之。网络结构特性分析结果表明：哈尔滨市63条常规公交干线组成网络的平均集聚系数为0.467，网络中节点度分布的数据拟合度为0.978，表明该网络是1种具有择优发展倾向的网络，网络结构较稳定。基于香农熵的分析方法，为描述公交网络空间方向分布情况提供了新的思路；对网络结构特性的分析，为常规干线公交线网规划提供理论参考。
常态化疫情防控阶段旅客中长距离城际出行联合选择行为建模
方瑞韬, 邵海鹏, 林涛
2023, 41(1): 151-160. doi: 10.3963/j.jssn.1674-4861.2023.01.016
摘要(647) HTML (215) PDF(25)
摘要:
新冠肺炎疫情对旅客中长距离的城际交通出行影响巨大，现有研究侧重疫情暴发初期疫情对城际交通出行的影响，针对常态化疫情防控阶段旅客城际出行选择行为的研究相对较少，因此，本文旨在研究常态化疫情防控阶段旅客中长距离城际出行选择行为。针对民航、高铁、普铁和自驾等方式分别建立包含4种城际出行方式的多指标多因果出行选择模型（MIMIC），模型中引入感知防疫安全程度、防疫策略、乘车体验与出行习惯4个潜变量，探究潜变量与观测变量的因子载荷并辨识模型参数，求取各潜变量的拟合值；在此基础上建立考虑出行方式特性、旅客社会经济属性与潜变量的多出行方式联合选择行为模型（MIMIC-Logit），探究常态化疫情防控阶段旅客出行心理对其出行决策的影响；假设出行费用、时间与距离等变量的随机系数服从正态分布，采用抽样1000次的Halton序列对随机系数进行仿真求解，得到随机系数的回归分析结果。以2021年4月—6月到达西安旅客的调查数据为例进行实证研究，结果发现：所提MIMIC-Logit模型的拟合优度与命中率分别为43.621%与83.312%，均高于多项Logit模型与随机系数Logit模型；旅客对不同方式的出行费用、时间与距离的偏好具有异质性，且出行方式特性、社会经济属性与潜变量都对出行选择的效用有显著影响。弹性分析表明，当感知防疫安全程度与防疫策略提升了100%时，旅客选择民航出行的概率分别提升了23.207%与21.349%；而当乘车体验提升了100%时，旅客选择高铁出行的概率提升了18.229%。综上，所提方法揭示了潜变量对旅客出行选择行为的显著影响；通过提升感知防疫安全程度、防疫策略与乘车体验等手段，可以提升旅客选择高铁、民航出行的概率。
基于Bootstrap-DEA-Gini模型的公交线路运行效率评价方法
严修, 鲁誉, 谢谦, 刘强, 解孝民
2023, 41(1): 161-168. doi: 10.3963/j.jssn.1674-4861.2023.01.017
摘要(960) HTML (353) PDF(20)
摘要:
科学评价城市常规公交线路运行效率是优化公交线网、提升服务水平的前提。构建以线路配车数、线路长度、平均站距、非直线系数、发车间隔、运行速度和票价收入比为投入指标，客流服务居民数量比和每公里收益为产出指标的评价指标体系，采用数据包络分析（data envelopment analysis，DEA）模型对公交线路运行效率进行评价。为了修正小样本情况下随机因素带来的偏差，采用Bootstrap抽样法扩大样本数量使之接近总体分布；为了降低效率受指标维数影响的风险性，引入基尼不纯度（Gini impurity）系数赋予各指标子集权重并求出综合效率值，以此联合提升传统DEA模型的区分能力。同时，针对DEA模型难以确定评价指标的影响程度的问题，采用偏最小二乘回归方法量化各评价指标对公交线路运行效率的影响程度。基于构建的Bootstrap-DEA-Gini模型来联合改进DEA模型，并以广东省佛山市457条公交线路为例对其运行效率进行评价。结果表明：平均站距、线路长度和非直线系数对公交线路的运行效率具有显著影响，其中平均站距影响最大，影响程度高达0.98。平均发车间隔偏长、非直线系数偏大和线路配客座总数偏少是造成佛山市部分线路运行效率低的主要原因。提出的Bootstrap-DEA-Gini模型得到的效率值比传统DEA模型低，且能有效区分运行效率相近的公交线路，与实际运营情况更相符。
基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法
肇晓楠, 谢新连, 赵瑞嘉
2023, 41(1): 169-178. doi: 10.3963/j.jssn.1674-4861.2023.01.018
摘要(868) HTML (313) PDF(66)
摘要:
铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题，考虑碳排放时间序列数据中历史信息和当前信息间的相关性，引入滑动窗口，结合长短期记忆（LSTM）网络，构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值，筛选铁路运输碳排放量的关键影响因素，使用高关联性数据作为预测模型的输入变量，提高预测精度；应用LSTM网络为基础预测模型，通过引入滑动窗口改进神经网络的数据输入; 考虑未来减排政策变化对铁路运输碳排放量的影响，融合基于动态政策的情景分析，构建铁路碳排放预测模型，并利用多项式误差拟合方法进行误差修正，提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例，从现有文献中总结出17个铁路碳排放影响因素，利用灰色关联分析法从中筛选出6个关键因素，通过滑动窗口对筛选出的数据进行子序列分割，测试不同长度窗口下的预测精度，选择最优窗口参数，建立改进LSTM模型进行预测，并将预测结果与原LSTM、BPNN和RNN模型进行对比，结果表明：改进LSTM模型将相对误差平均值降低至0.392%，而原LSTM模型为3.862%，BPNN模型为1.535%，RNN模型为0.760%，即改进LSTM模型具有更高预测准确性；根据历史趋势和发展政策设置基准情景和3种未来减排情景，利用改进LSTM模型预测未来10年铁路运输碳排放量，在4种模拟情景下，铁路运输2030年的碳排放量分别为9.83×106 t、8.91×106 t、8.62×106 t和8.09×106 t。综上所述，引入滑动窗口的改进LSTM模型能进一步提高铁路运输碳排放量预测准确性，融合动态政策的情景分析可为未来铁路运输低碳发展提供可行路径。

版权所有《交通信息与安全》编辑部鄂ICP备05003336号-2

通信地址：湖北省武汉市武昌区和平大道1178号，武汉理工大学余家头校区 (430063)

联系电话：027-86580355电子邮箱：jtjsj@vip.163.com

本系统由 北京仁和汇智信息技术有限公司 开发