利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出...利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出一种以运输平均速度和站点POI (Point of Interest)位置为决策变量的高速铁路、普速铁路和公路多方式划分算法。在最短路搜索方面,设计一种基于双向A*算法的最短路径搜索算法。在通道识别方面,基于行政边界划分通道区段并以运输量为综合运输通道区段判别参数。以京津冀城市群为例进行实证分析,结果表明,本文方法能够有效处理城市群手机信令数据,并识别出6条综合运输通道,验证了方法的可行性和准确性。在案例数据下,京津冀城市群公路和铁路的运输量占比分别为81.87%和18.13%,公路的短程运输客流较铁路更多;节假日因素显著提高了综合运输通道的客流量,平均运输量增加62.6%,平均客流周转量提升61.2%。展开更多
智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定...智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定性控制算法.该控制算法根据队列中多前车信息新鲜度来调整其对队列车辆车头间距影响的权重,同时依据时变时延信息预测队列中跟驰车辆与前车的车头间距,队列车辆按照请求周期向路侧单元(road side unit, RSU)实时发送请求,RSU依据车辆间距从小到大依次回应请求队列中的各个车辆,以控制其因时变时延可能造成的碰撞.数值仿真结果显示,相对智能驾驶员模型(intelligent driver model, IDM)而言,所提出的队列纵向稳定性控制算法具有更好的控制效果.针对时变时延发生概率20%的车车通信,队列车辆车头间距偏差的降低比例达6.4%,平均峰值信息新鲜度的降低比例达8.7%.同时,分析了队列车辆请求周期和回应请求车辆数量对队列纵向稳定性的影响,随着两者数值增加,控制算法给出的队列纵向稳定性分别呈现降低和增加的趋势.最后,实车测试了队列切出场景下车辆行驶数据和车辆接收信息的时延数据,将其引入数值仿真实验中.结果表明,车头间距偏差降低比例达15%.展开更多
文摘利用出行特征数据识别综合交通运输通道是合理布局城市群综合运输通道的关键技术。本文基于城市群手机信令数据,提出一种综合运输通道识别四阶段方法框架,即数据准备、运输方式划分、最短路径搜索和通道识别。在运输方式划分方面,提出一种以运输平均速度和站点POI (Point of Interest)位置为决策变量的高速铁路、普速铁路和公路多方式划分算法。在最短路搜索方面,设计一种基于双向A*算法的最短路径搜索算法。在通道识别方面,基于行政边界划分通道区段并以运输量为综合运输通道区段判别参数。以京津冀城市群为例进行实证分析,结果表明,本文方法能够有效处理城市群手机信令数据,并识别出6条综合运输通道,验证了方法的可行性和准确性。在案例数据下,京津冀城市群公路和铁路的运输量占比分别为81.87%和18.13%,公路的短程运输客流较铁路更多;节假日因素显著提高了综合运输通道的客流量,平均运输量增加62.6%,平均客流周转量提升61.2%。
文摘智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定性控制算法.该控制算法根据队列中多前车信息新鲜度来调整其对队列车辆车头间距影响的权重,同时依据时变时延信息预测队列中跟驰车辆与前车的车头间距,队列车辆按照请求周期向路侧单元(road side unit, RSU)实时发送请求,RSU依据车辆间距从小到大依次回应请求队列中的各个车辆,以控制其因时变时延可能造成的碰撞.数值仿真结果显示,相对智能驾驶员模型(intelligent driver model, IDM)而言,所提出的队列纵向稳定性控制算法具有更好的控制效果.针对时变时延发生概率20%的车车通信,队列车辆车头间距偏差的降低比例达6.4%,平均峰值信息新鲜度的降低比例达8.7%.同时,分析了队列车辆请求周期和回应请求车辆数量对队列纵向稳定性的影响,随着两者数值增加,控制算法给出的队列纵向稳定性分别呈现降低和增加的趋势.最后,实车测试了队列切出场景下车辆行驶数据和车辆接收信息的时延数据,将其引入数值仿真实验中.结果表明,车头间距偏差降低比例达15%.
