针对智能网联汽车(Connected and Automated Vehicle,CAV)的加入所引发的交通震荡问题,以不同CAV市场渗透率的异质交通流为研究对象,引入CAV车队规模和强度,对异质车队组成进行划分并仿真复现交通震荡现象,采用时空轨迹图和加减速波传...针对智能网联汽车(Connected and Automated Vehicle,CAV)的加入所引发的交通震荡问题,以不同CAV市场渗透率的异质交通流为研究对象,引入CAV车队规模和强度,对异质车队组成进行划分并仿真复现交通震荡现象,采用时空轨迹图和加减速波传播速度可视化交通震荡的演变情况,同时选用加速、减速持续时间衡量交通震荡周期,速度标准差衡量交通震荡振幅.通过设计考虑CAV车队规模、强度和渗透率因素以及头车不同变速模式的交互实验,探究CAV车队要素和头车不同变速模式对交通震荡的影响.研究结果表明:CAV车队规模、强度和渗透率的提高均对震荡周期的减小具有积极影响;车队规模的扩大会增加震荡振幅,而车队强度的增强会减小震荡振幅;随着CAV渗透率的提高,震荡振幅先上升再下降,当渗透率为0.5~0.6时,震荡振幅达到峰值;头车急减速-急加速模式下的交通震荡周期和振幅最小,头车缓慢减速-缓慢加速模式下的交通震荡周期和振幅最大.展开更多
对外客运需求预测研究中相关影响因素之间存在相关性关系,常使用神经网络等方法进行回归。但神经网络训练过程中常出现局部极值、梯度弥散以及少样本量下过拟合等问题,进而导致网络回归预测精度低。引入深度学习理论中噪声自编码(Denois...对外客运需求预测研究中相关影响因素之间存在相关性关系,常使用神经网络等方法进行回归。但神经网络训练过程中常出现局部极值、梯度弥散以及少样本量下过拟合等问题,进而导致网络回归预测精度低。引入深度学习理论中噪声自编码(Denoising Auto Encoder,DAE)方法,通过数据的逐层自编码、解码过程获得良好的网络初始化参数,解决了局部极值与梯度弥散问题。人工主动随机噪声使得训练的网络鲁棒性、泛化能力更强,不易过拟合。并以北京市为实例验证,模型精度良好,方法可用于城市中远期对外客运需求预测。展开更多
文摘针对智能网联汽车(Connected and Automated Vehicle,CAV)的加入所引发的交通震荡问题,以不同CAV市场渗透率的异质交通流为研究对象,引入CAV车队规模和强度,对异质车队组成进行划分并仿真复现交通震荡现象,采用时空轨迹图和加减速波传播速度可视化交通震荡的演变情况,同时选用加速、减速持续时间衡量交通震荡周期,速度标准差衡量交通震荡振幅.通过设计考虑CAV车队规模、强度和渗透率因素以及头车不同变速模式的交互实验,探究CAV车队要素和头车不同变速模式对交通震荡的影响.研究结果表明:CAV车队规模、强度和渗透率的提高均对震荡周期的减小具有积极影响;车队规模的扩大会增加震荡振幅,而车队强度的增强会减小震荡振幅;随着CAV渗透率的提高,震荡振幅先上升再下降,当渗透率为0.5~0.6时,震荡振幅达到峰值;头车急减速-急加速模式下的交通震荡周期和振幅最小,头车缓慢减速-缓慢加速模式下的交通震荡周期和振幅最大.
文摘对外客运需求预测研究中相关影响因素之间存在相关性关系,常使用神经网络等方法进行回归。但神经网络训练过程中常出现局部极值、梯度弥散以及少样本量下过拟合等问题,进而导致网络回归预测精度低。引入深度学习理论中噪声自编码(Denoising Auto Encoder,DAE)方法,通过数据的逐层自编码、解码过程获得良好的网络初始化参数,解决了局部极值与梯度弥散问题。人工主动随机噪声使得训练的网络鲁棒性、泛化能力更强,不易过拟合。并以北京市为实例验证,模型精度良好,方法可用于城市中远期对外客运需求预测。
