考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建...考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型(Identifiable Vehicle Type Car-Following Model,IVT-CF)。在不同前车车型的跟车场景中仿真发现,IVT-CF模型仿真车辆的速度和位移的均方误差(Mean Square Error,MSE)比不分车型的LSTM模型分别降低了23.8%、31.7%,比IDM模型分别降低了15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。展开更多
现有的电压暂降严重程度评估方法大多仅考虑暂降幅值和持续时间等技术指标,较少涉及对经济指标的研究,导致评估结果无法体现不同敏感用户对于电压暂降治理的差异化需求。针对此问题,提出一种计及经济损失指标的敏感用户电压暂降严重程...现有的电压暂降严重程度评估方法大多仅考虑暂降幅值和持续时间等技术指标,较少涉及对经济指标的研究,导致评估结果无法体现不同敏感用户对于电压暂降治理的差异化需求。针对此问题,提出一种计及经济损失指标的敏感用户电压暂降严重程度评估方法。在电压暂降幅值和持续时间两个指标的基础上,引入电压暂降经济损失指标,建立电压暂降严重程度评估指标体系。基于层次分析法与熵权法的组合赋权法计算各指标权重,进而结合TOPSIS(technique for order preference by similarity to an ideal solution,TOPSIS)法和灰色评价法得到各用户电压暂降严重程度评价排序。仿真结果表明,通过所提方法得到的评估结果能凸显不同敏感用户的差异化需求,从而为确定电压暂降治理的先后顺序及具体措施提供更科学的参考。展开更多
文摘考虑到跟驰车流中前车车型对智能汽车跟车行为的影响,采用长短期记忆(Long Short Term Memory,LSTM)神经网络,基于NGSIM数据集,通过One-Hot方法编码车型特征,并引入注意力机制(Attention Mechanism)生成输入特征的注意力权重,训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型(Identifiable Vehicle Type Car-Following Model,IVT-CF)。在不同前车车型的跟车场景中仿真发现,IVT-CF模型仿真车辆的速度和位移的均方误差(Mean Square Error,MSE)比不分车型的LSTM模型分别降低了23.8%、31.7%,比IDM模型分别降低了15.8%、18.7%,仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现,交通流速度和车头间距的收敛时间为92 s,该模型能较快收敛,具有较好的稳定性和抗干扰能力。
文摘现有的电压暂降严重程度评估方法大多仅考虑暂降幅值和持续时间等技术指标,较少涉及对经济指标的研究,导致评估结果无法体现不同敏感用户对于电压暂降治理的差异化需求。针对此问题,提出一种计及经济损失指标的敏感用户电压暂降严重程度评估方法。在电压暂降幅值和持续时间两个指标的基础上,引入电压暂降经济损失指标,建立电压暂降严重程度评估指标体系。基于层次分析法与熵权法的组合赋权法计算各指标权重,进而结合TOPSIS(technique for order preference by similarity to an ideal solution,TOPSIS)法和灰色评价法得到各用户电压暂降严重程度评价排序。仿真结果表明,通过所提方法得到的评估结果能凸显不同敏感用户的差异化需求,从而为确定电压暂降治理的先后顺序及具体措施提供更科学的参考。