基于递归框架的高速公路交通流量实时预测方法

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。

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间—空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明:在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.

考虑公交线路偏好的乡村游客出行行为

为了探索游客出行行为机理并鼓励旅游公交的使用,实现乡村地区旅游需求与交通供给的动态平衡,基于出行链和出行方式选择分析了乡村游客的公交线路偏好.利用2021年于南京溧水采集的546份乡村旅游调查数据,标定了以出行链模式为上层、旅游方式选择为中层、公交路线偏好为下层的nested logit模型.研究结果表明:出行方式选择会显著影响游客对包含特色乡村旅游景点的复杂出行链的选择,选择私家车的游客对公交路线偏好的反馈较为明显;阐述了游客的社会人口属性、旅游出行特征和公交出行意愿对模型3个选择层次的影响.最后,针对类似于南京溧水的地区提出了提高乡村旅游公交运营效率和服务质量的政策建议.

杨氏双缝干涉条纹的空间分布及理论模拟

杨氏双缝干涉实验中,观察屏上条纹的分布是授课的重点内容.现有的大学物理教材,大都通过分析经过近似的光程差表达式,得出观察屏上干涉条纹是等间距的直条纹的结论,但该结论并不能真实反映条纹的空间分布情况.本文结合立体几何知识,在未经任何近似情况下,推导出了干涉明、暗纹的空间分布所满足的双叶旋转双曲面方程,并在该方程基础上对传播空间和观察屏上明纹分布进行了理论模拟,模拟结果形象直观,有助于学生对干涉条纹特点的整体理解和掌握.

大数据背景下的路径选择行为建模

路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况。基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景。研究结果表明:随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机性方法生成的选择集中选择路径,包括多项Logit(MNL)模型以及更先进的MNL修正模型、广义极值(GEV)模型、混合Logit模型和非GEV分布模型,后者以路段为基本选项,动态地求解路径选择问题,无需生成选择集,包括各种递归Logit模型;路径选择模型的参数估计可使用有标签数据或无标签数据,前者通过地图匹配在交通网络中重构出真实路径,后者则依概率考虑一系列可能的路径。近年来,基于机器学习的路径选择模型因具有更优的预测性能而受到广泛关注。在未来的路径选择研究中,应进一步结合离散选择模型和机器学习模型,使两者优势互补。