基于隐马尔可夫模型的危险跟驰行为识别研究

随着汽车智能化发展,碰撞危险预警已成为主动安全技术中的重要研究内容。进行碰撞危险预警的关键是对车辆危险驾驶行为如危险换道、危险跟驰等进行高效和准确的识别与分析。基于此,本文以危险跟驰行为作为研究对象,通过对高速公路交通流特征参数的分析,提出了考虑行驶速度和车辆碰撞时间(time to collision, TTC)的危险跟驰行为分类标准及标定方法。通过使用前向–后向算法降低计算复杂度并利用Baum-Welch算法进行含隐状态的参数学习,构建了基于隐马尔可夫(HMM)模型的危险跟驰行为识别方法。结果分析和案例验证表明,本文所提出的HMM模型对于危险跟驰行为的识别精度较高,可以用于危险跟驰的碰撞预警,提升道路交通安全。

面向人机混驾环境的交叉口车辆通行控制策略

依据网联自动驾驶车辆(connected and autonomous driving vehicle,CAV)与人工驾驶车辆(human driving vehicle,HV)的特点,针对人机混驾交通环境,基于通行锁法和可插车间隙理论建立交叉口车辆通行控制策略,利用城市交通仿真(simulation of urban mobility,SUMO)平台构建仿真环境对策略进行效果评估,以交通量和CAV渗透率为输入变量,进行了共计6种情景的52组交叉实验.结果表明:在CAV渗透率一定时,随着交通流量的增加,交叉口内可供CAV利用的通行机会减少,策略对于延误的降低效果逐渐减小;在交通流量一定时,策略的实施效果对于CAV渗透率变化较为敏感,高渗透率下CAV获得闲置时空资源的机会更大,交叉口车辆平均延误降低效果更明显;相较于传统信控策略,所提策略在低交通流量的低、中、高渗透率,中等交通流量的中、高渗透率,以及高交通流量的高渗透率情况下,均能够降低10%以上的车辆平均延误.所提出的策略可以作为人机混驾环境下交叉口常规信控策略的补充,对完全智能网联自动驾驶环境下的交叉口组织优化与管理也具有参考意义.

面向新一代智能交通系统的车联网仿真技术

车联网仿真技术是智能交通系统以及车联网领域发展的重要测试手段,然而,已有的车联网仿真平台基于固定模型构建业务场景,如车辆跟驰模型、静态业务优先级模型等,这种模型驱动的仿真方法难以适应新一代智能交通系统特征。因此,提出了一种数据驱动的车联网仿真技术,基于海量路网信息数据、动态学习和标定典型智能交通场景下的业务特征,为车联网仿真提供柔性动态的业务适配,满足新一代智能交通系统需求。

方差伽玛分布的可加性及其在金融分析中的应用(英文)

在现代金融数据分析中,金融收益率数据的一个重要性质——在较长时间服从同一类分布——与收益率数据的其他典型特征:非对称性,尖峰厚尾,波动群聚性等有着同样的重要性.本文研究了方差伽玛分布的可加性及其在金融数据分析上的应用,并运用其验证了金融数据收益率数据满足上面的性质.作者采用贝叶斯方法对分布的参数进行了估计,并与R软件中的ghyp程序包的结果进行了比较,最后也对贝叶斯方法产生的Markov链的收敛性运用CODA软件进行了诊断.

用股指期货对ETF基金进行套期保值的研究

本文用沪深300股指期货为工具,分别研究三种指数基金:50ETF、100ETF、180ETF的套期保值策略,套保率的选取分别由静态的Ederington模型和动态的状态空间模型给出.在不同的市场趋势下,对两种套期保值策略的优劣做比较.结果表明,在控制风险(方差)上,后者总优于前者;而在获得绝对收益上,后者只能在市场趋势明确的时候有优势.