期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
城市轨道交通运营安全管理智慧平台建设研究 被引量:6
1
作者 李志刚 王敬儒 +2 位作者 刘杰 王亚群 周波 《都市快轨交通》 北大核心 2024年第5期130-135,共6页
为提高城市轨道交通运营企业的安全管理水平,设计了安全管理智慧平台,并在乌鲁木齐地铁1号线进行了实践验证。平台以双重预防机制为核心,构建了10个功能模块,实现了风险预测预警、整体安全态势评估、安全监督检查、应急辅助决策和资源... 为提高城市轨道交通运营企业的安全管理水平,设计了安全管理智慧平台,并在乌鲁木齐地铁1号线进行了实践验证。平台以双重预防机制为核心,构建了10个功能模块,实现了风险预测预警、整体安全态势评估、安全监督检查、应急辅助决策和资源共享等功能。分析结果以可视化图形在平台界面展现,提高了安全生产管理效率,研究成果可以为其他城市轨道交通企业的安全管理数字化建设工作,提供借鉴和参考。 展开更多
关键词 城市轨道交通 安全管理 智慧平台 数字化建设
在线阅读 下载PDF
城市道路错位交叉口信号协调控制方法研究 被引量:4
2
作者 何春光 刘小勇 +1 位作者 孙亮 王小艳 《重庆交通大学学报(自然科学版)》 CAS 北大核心 2013年第6期1224-1227,共4页
针对错位交叉口交通特点,根据交叉口的交通组织、交通流特性及道路交通条件,提出了协调主要车流、以错位交叉口中主要的T形交叉口相位设计为基础的相位方案,以及着重考虑交通安全的信号协调控制方法;通过VISSIM软件对错位交叉口信号协... 针对错位交叉口交通特点,根据交叉口的交通组织、交通流特性及道路交通条件,提出了协调主要车流、以错位交叉口中主要的T形交叉口相位设计为基础的相位方案,以及着重考虑交通安全的信号协调控制方法;通过VISSIM软件对错位交叉口信号协调控制进行仿真分析。研究表明:在采用信号协调控制方案后,交叉口各进口的平均延误均有所下降;同时减少交叉口的冲突点数量,有利于减少交叉口延误和改善交通安全。 展开更多
关键词 错位交叉口 协调控制 VISSIM 仿真
在线阅读 下载PDF
轨迹数据驱动的车辆出行特征及类别研判
3
作者 董春娇 赵天意 +2 位作者 卢玲玉 谢坤 陈元朵 《北京交通大学学报》 北大核心 2025年第2期78-85,共8页
针对混合车型全球定位系统(Global Positioning System,GPS)轨迹数据难以有效支撑精细化交通需求分析建模的问题,构建基于高斯隐马尔可夫模型(Gaussian Hidden Markov Model,Gaussian HMM)的车辆类别研判模型.首先,基于车辆轨迹数据,从... 针对混合车型全球定位系统(Global Positioning System,GPS)轨迹数据难以有效支撑精细化交通需求分析建模的问题,构建基于高斯隐马尔可夫模型(Gaussian Hidden Markov Model,Gaussian HMM)的车辆类别研判模型.首先,基于车辆轨迹数据,从时空两个维度提取车辆出行特征指标,对比分析货车与私家车出行差异性,选取车辆车型特征指标.然后,结合鲍姆-韦尔奇(Baum-Welch,BW)算法和维特比(Viterbi)算法训练及测试模型,设计基于出行特征的车辆类别研判模型求解算法.最后,以北京市货车和私家车出行轨迹数据为例,进行了实证研究.研究结果表明:货车与私家车在出行开始时间、出行结束时间、总运行时长、平均停留时长、平均行程时间、出行次数及出行距离7个指标存在明显的差异性;构建的基于Gaussian HMM的车辆类别研判模型对私家车的查准率为83%,货车的查全率为82%,模型的准确率为79%,能够较好地实现车辆类别的研判.研究成果可为精细化碳排放测算、差异化需求管理政策制定及精细化交通管理提供支持. 展开更多
关键词 交通工程 车辆类别研判 高斯隐马尔可夫模型 出行特征指标 货车与私家车
在线阅读 下载PDF
轨迹数据驱动的职住地识别及出行活动特征分类方法
4
作者 谢坤 邢馨元 +2 位作者 董宏辉 董春娇 陈元朵 《华南理工大学学报(自然科学版)》 北大核心 2025年第6期131-139,共9页
车辆行驶轨迹蕴含丰富的出行特征信息,通过研判轨迹中的职住地及出行兴趣点(POI),可以深度分析出行活动特征和规律。该文以每日出行活动第1个起点和最后1个讫点构成的点集作为居住地的可能点集,其余起讫点构成工作地与兴趣地可能点集。... 车辆行驶轨迹蕴含丰富的出行特征信息,通过研判轨迹中的职住地及出行兴趣点(POI),可以深度分析出行活动特征和规律。该文以每日出行活动第1个起点和最后1个讫点构成的点集作为居住地的可能点集,其余起讫点构成工作地与兴趣地可能点集。在可能点集的基础上,提出了基于均值偏移聚类和时空双重约束的职住地识别方法,结合簇密度、簇内点平均停留时间和出行时间范围3个条件,识别居住地、工作地和兴趣地坐标。基于KD-Tree算法为每一类地点坐标匹配邻近POI数据,得到职住地具体位置与名称。在职住地和出行兴趣点识别的基础上,结合出行次数、出行距离和出行时间表征出行活跃度,以稳定性和差异指标表征出行规律性,采用K-means++聚类分析算法,研判出行活动特征类别。以北京市连续34d均有出行活动的1708辆私家车行驶轨迹数据为例进行实证研究,结果表明:构建的职住地识别方法研判的职住地分布特征与现实规律相符,具有较高的精度和可靠性;基于K-means++算法的出行活动特征分类表明特大城市的出行活动以活跃型为主,占比达59.84%,其中多次出行活跃型占比最大,为31.09%;活跃型的出行活动在工作日以规律性出行为主、在非工作日以非规律性出行为主。该研究可为交通基础设施布局优化提供理论支撑。 展开更多
关键词 城市交通 职住地 出行活动 轨迹数据 聚类算法
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部