为克服现有方法在交织流量表征和影响因素量化方面的不足,本文融合微观仿真与机器学习方法,构建从仿真标定和影响因素作用机制分析到通行能力估计的研究框架。提出结合DBSCAN(DensityBased Spatial Clustering of Applications with Noi...为克服现有方法在交织流量表征和影响因素量化方面的不足,本文融合微观仿真与机器学习方法,构建从仿真标定和影响因素作用机制分析到通行能力估计的研究框架。提出结合DBSCAN(DensityBased Spatial Clustering of Applications with Noise)聚类、信息熵与遗传算法的DIEGA(DBSCAN Information Entropy Genetic Algorithm)仿真标定改进方法;通过仿真实验分析交织区长度(L_(W))、驶入流量(Q_(RF))、驶出流量(Q_(FR))与通行能力的关联关系;同时,构建基于堆叠策略的通行能力估计模型,并结合SHAP(SHapley Additive Explanation)方法剖析各影响因素的作用机制。结果表明:DIEGA标定方法可将交织区各流向延误误差控制在3%以内,较传统遗传算法的收敛速度提升22.2%;在总交织流量相同的情况下,Q_(RF)与Q_(FR)的不同占比会导致通行能力在约15%范围内波动,且Q_(RF)、Q_(FR)与L_(W)之间存在非线性耦合关系;基于堆叠策略的随机森林机器学习(ML_(RF))模型(R^(2)=0.969)表现最佳,优于其他基线模型;SHAP分析显示,当Q_(RF)/Q_(FR)占比接近1,且L_(W)的范围为250~350 m时,可实现4635~4860 pcu·h^(-1)的峰值通行能力。展开更多
文摘为克服现有方法在交织流量表征和影响因素量化方面的不足,本文融合微观仿真与机器学习方法,构建从仿真标定和影响因素作用机制分析到通行能力估计的研究框架。提出结合DBSCAN(DensityBased Spatial Clustering of Applications with Noise)聚类、信息熵与遗传算法的DIEGA(DBSCAN Information Entropy Genetic Algorithm)仿真标定改进方法;通过仿真实验分析交织区长度(L_(W))、驶入流量(Q_(RF))、驶出流量(Q_(FR))与通行能力的关联关系;同时,构建基于堆叠策略的通行能力估计模型,并结合SHAP(SHapley Additive Explanation)方法剖析各影响因素的作用机制。结果表明:DIEGA标定方法可将交织区各流向延误误差控制在3%以内,较传统遗传算法的收敛速度提升22.2%;在总交织流量相同的情况下,Q_(RF)与Q_(FR)的不同占比会导致通行能力在约15%范围内波动,且Q_(RF)、Q_(FR)与L_(W)之间存在非线性耦合关系;基于堆叠策略的随机森林机器学习(ML_(RF))模型(R^(2)=0.969)表现最佳,优于其他基线模型;SHAP分析显示,当Q_(RF)/Q_(FR)占比接近1,且L_(W)的范围为250~350 m时,可实现4635~4860 pcu·h^(-1)的峰值通行能力。
