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
为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNL...为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。展开更多
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.
文摘为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。
