Having criticized the current architecture of Advanced Traveler Information Systems （ATISs）, this work discusses a new base of requirements to develop a new paradigm for traffic information systems. It mainly integr...Having criticized the current architecture of Advanced Traveler Information Systems （ATISs）, this work discusses a new base of requirements to develop a new paradigm for traffic information systems. It mainly integrates three dimensions within a traffic system： drivers＇ pattern of behavior and preferences, urban traffic desires, and capabilities of traffic information service providers. Based on the above, functional segments from several related backgrounds are brought together to structure a new architecture, called Interactive Traveler Information System （ITIS）. The main interactive feature of this new architecture is a two-way communication track between drivers and the traffic information system provider-in fact, a decision on choosing a road at a particular time for an individual will be made based on the utility of both sides. This new configuration consists of driver-side smartphone application, centric traffic prediction, and decision-maker units, which will shape a new approach of decision-making processes. These all work together to satisfy the designated goal of ITIS, which is preserving the Wardrop equilibrium condition in the traffic network level. Finally, we concentrate on a comparison study, which shows a differentiation between performance of the proposed ITIS and the current ATIS model in a real situation. This has been done with simulations of analogical scenarios. The most noticeable advantage of the proposed architecture is not being limited to a saturation limit, and the positive effect of increasing system penetration in the performance of the newly introduced information system. In conclusion, new research subjects are suggested to be carried out.展开更多
物理信息深度学习(physics-informed deep learning, PIDL)是一种将深度学习与物理学先验知识相结合的新兴范式,该范式在智能交通领域,尤其在交通状态估计应用中,展现出了巨大潜力。为进一步优化物理信息深度学习模型在交通状态估计问...物理信息深度学习(physics-informed deep learning, PIDL)是一种将深度学习与物理学先验知识相结合的新兴范式,该范式在智能交通领域,尤其在交通状态估计应用中,展现出了巨大潜力。为进一步优化物理信息深度学习模型在交通状态估计问题上的准确度与收敛速度,构建了一个结合Aw-Rascle宏观交通流模型的物理信息自适应深度学习模型(physics-informed adaptive deep learning with Aw-Rascle, PIAdapDL-AR),依据有限与局部的交通检测数据,实时准确估计全局交通流状态。主要的改进包括两部分,一是在PIDL框架中的物理部分引入高阶Aw-Rascle交通流模型作为物理约束条件,引导并规范神经网络的训练过程;二是在神经网络部分融合自适应激活函数,替代固定的非线性激活函数,以动态优化神经网络性能。基于NGSIM数据集生成模拟的固定检测器数据和移动检测器数据,进行实验以验证模型有效性。实验结果表明:在不同覆盖率的固定检测数据场景下,PIAdapDL-AR的相对误差相比于基线模型PIDL-LWR降低了34.38%~45.24%;在不同渗透率的移动检测数据场景下,PIAdapDL-AR的相对误差相比于PIDL-LWR降低了18.33%~34.95%;融合自适应激活函数的PIAdapDL-AR的收敛速度优于配置固定激活函数的PIDL-AR,且收敛速度和估计精度均随着自适应激活函数中比例因子的增大而提升。展开更多
在人工智能和信息化技术发展大背景下,优化算法、大数据、物联网等技术推动预制构件供应链管理向系统化、智能化、信息化方向发展。为系统梳理人工智能和信息化技术与装配式建筑预制构件供应链管理融合发展现状,以Web of Science核心合...在人工智能和信息化技术发展大背景下,优化算法、大数据、物联网等技术推动预制构件供应链管理向系统化、智能化、信息化方向发展。为系统梳理人工智能和信息化技术与装配式建筑预制构件供应链管理融合发展现状,以Web of Science核心合集数据库为基础,检索并筛选出2007—2022年预制构件供应链管理相关领域文献,从年载文量、权威期刊、国家或地区等方面进行文献归纳分析,阐述人工智能和信息化技术与预制构件供应链中生产、运输、库存部分的结合应用情况。结果表明,人工智能和信息化技术与预制构件供应链融合应用可解决多目标优化、资源配置、物流实时跟踪、场地布局规划等问题,实现预制构件生产线的管理优化、资源合理分配,运输过程实时管控、准时制管理、路线寻优和库存高效管理与场地布置优化,同时针对预制构件供应链管理主要部分的不足之处给出合理建议,以期不断促进装配式建筑预制构件供应链的高质量发展。展开更多
长期以来,作为城市规划研究热点,城市土地利用和交通之间相互影响的研究相对脱节.近年来,该状况逐渐得到改观,研究人员开始将交通规划与城市用地布局方式相联系.本研究主要模拟给定城市区域土地利用的时空变化过程,帮助正确认识及处理...长期以来,作为城市规划研究热点,城市土地利用和交通之间相互影响的研究相对脱节.近年来,该状况逐渐得到改观,研究人员开始将交通规划与城市用地布局方式相联系.本研究主要模拟给定城市区域土地利用的时空变化过程,帮助正确认识及处理城市交通发展与土地利用的相互关系.研究针对美国佛罗里达州Orange County 1990年与2000年土地利用类型的变化,利用元胞自动机(CA)在微观土地利用,空间格局等方面的优势,采用地理信息系统动态模型来实现海量数据的获取、储存以及更新.同时,借助MatLAB软件的数学计算能力,开发出基于逻辑回归的元胞自动机土地预测模型.基于实际土地利用的模拟结果表明,该模型充分利用元胞自动机的特点及优势,合理考虑土地利用系统中时空变量的复杂性,结果可靠,为正确理解土地利用变化提供了很好的帮助.展开更多
文摘Having criticized the current architecture of Advanced Traveler Information Systems （ATISs）, this work discusses a new base of requirements to develop a new paradigm for traffic information systems. It mainly integrates three dimensions within a traffic system： drivers＇ pattern of behavior and preferences, urban traffic desires, and capabilities of traffic information service providers. Based on the above, functional segments from several related backgrounds are brought together to structure a new architecture, called Interactive Traveler Information System （ITIS）. The main interactive feature of this new architecture is a two-way communication track between drivers and the traffic information system provider-in fact, a decision on choosing a road at a particular time for an individual will be made based on the utility of both sides. This new configuration consists of driver-side smartphone application, centric traffic prediction, and decision-maker units, which will shape a new approach of decision-making processes. These all work together to satisfy the designated goal of ITIS, which is preserving the Wardrop equilibrium condition in the traffic network level. Finally, we concentrate on a comparison study, which shows a differentiation between performance of the proposed ITIS and the current ATIS model in a real situation. This has been done with simulations of analogical scenarios. The most noticeable advantage of the proposed architecture is not being limited to a saturation limit, and the positive effect of increasing system penetration in the performance of the newly introduced information system. In conclusion, new research subjects are suggested to be carried out.
文摘物理信息深度学习(physics-informed deep learning, PIDL)是一种将深度学习与物理学先验知识相结合的新兴范式,该范式在智能交通领域,尤其在交通状态估计应用中,展现出了巨大潜力。为进一步优化物理信息深度学习模型在交通状态估计问题上的准确度与收敛速度,构建了一个结合Aw-Rascle宏观交通流模型的物理信息自适应深度学习模型(physics-informed adaptive deep learning with Aw-Rascle, PIAdapDL-AR),依据有限与局部的交通检测数据,实时准确估计全局交通流状态。主要的改进包括两部分,一是在PIDL框架中的物理部分引入高阶Aw-Rascle交通流模型作为物理约束条件,引导并规范神经网络的训练过程;二是在神经网络部分融合自适应激活函数,替代固定的非线性激活函数,以动态优化神经网络性能。基于NGSIM数据集生成模拟的固定检测器数据和移动检测器数据,进行实验以验证模型有效性。实验结果表明:在不同覆盖率的固定检测数据场景下,PIAdapDL-AR的相对误差相比于基线模型PIDL-LWR降低了34.38%~45.24%;在不同渗透率的移动检测数据场景下,PIAdapDL-AR的相对误差相比于PIDL-LWR降低了18.33%~34.95%;融合自适应激活函数的PIAdapDL-AR的收敛速度优于配置固定激活函数的PIDL-AR,且收敛速度和估计精度均随着自适应激活函数中比例因子的增大而提升。
文摘在人工智能和信息化技术发展大背景下,优化算法、大数据、物联网等技术推动预制构件供应链管理向系统化、智能化、信息化方向发展。为系统梳理人工智能和信息化技术与装配式建筑预制构件供应链管理融合发展现状,以Web of Science核心合集数据库为基础,检索并筛选出2007—2022年预制构件供应链管理相关领域文献,从年载文量、权威期刊、国家或地区等方面进行文献归纳分析,阐述人工智能和信息化技术与预制构件供应链中生产、运输、库存部分的结合应用情况。结果表明,人工智能和信息化技术与预制构件供应链融合应用可解决多目标优化、资源配置、物流实时跟踪、场地布局规划等问题,实现预制构件生产线的管理优化、资源合理分配,运输过程实时管控、准时制管理、路线寻优和库存高效管理与场地布置优化,同时针对预制构件供应链管理主要部分的不足之处给出合理建议,以期不断促进装配式建筑预制构件供应链的高质量发展。
文摘长期以来,作为城市规划研究热点,城市土地利用和交通之间相互影响的研究相对脱节.近年来,该状况逐渐得到改观,研究人员开始将交通规划与城市用地布局方式相联系.本研究主要模拟给定城市区域土地利用的时空变化过程,帮助正确认识及处理城市交通发展与土地利用的相互关系.研究针对美国佛罗里达州Orange County 1990年与2000年土地利用类型的变化,利用元胞自动机(CA)在微观土地利用,空间格局等方面的优势,采用地理信息系统动态模型来实现海量数据的获取、储存以及更新.同时,借助MatLAB软件的数学计算能力,开发出基于逻辑回归的元胞自动机土地预测模型.基于实际土地利用的模拟结果表明,该模型充分利用元胞自动机的特点及优势,合理考虑土地利用系统中时空变量的复杂性,结果可靠,为正确理解土地利用变化提供了很好的帮助.
