跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数...跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数作为因变量,将速度、加速度、加速度差分等微观特性变量作为自变量,并设定4种阈值回归分析。结果表明:对跟驰行为由安全状态变为危险状态,影响最大的因素为前后车速度差,前后车平均车头间距次之,但当存在大量跟驰行为时,前后车平均车头间距的影响更大,后车的微观特征对此产生的影响多于前车;为使跟驰行为保持在安全状态,应增加前车的速度、加速度、加速度差分和前后车平均车头间距,同时应减小后车的加速度、加速度差分和前后车速度差值;考虑到车流连续性,整体而言应使前后车保持相近的速度,避免突然加速或减速,且应保持适当的车头间距,并加强后车的管控。展开更多
为解决因运行时间不确定性导致的公交到发时间不准点问题,本文基于公交线路双方向发车趟次和运营时间的不对称特征,提出一种可变行车计划优化问题。以最小化车辆使用数和乘客等待时间为目标,考虑车次链的行程接续和电动公交车辆电量等约...为解决因运行时间不确定性导致的公交到发时间不准点问题,本文基于公交线路双方向发车趟次和运营时间的不对称特征,提出一种可变行车计划优化问题。以最小化车辆使用数和乘客等待时间为目标,考虑车次链的行程接续和电动公交车辆电量等约束,构建公交时刻表和车辆排班一体化优化模型。根据可变行车计划优化问题特性设计改进的粒子群算法(Modified Particle Swarm Optimization for Timetabling and Scheduling,MPSO-TS)进行求解,定制粒子编码和子代更新方式。采用“基于优势车次链”的子代更新机制,以“车次链”为纽带最大程度地保留父代被继承信息中时刻表与车辆调度方案之间的关联性。使用连云港市某公交线路验证模型和算法,案例结果表明:可变行车计划能够有效保证车辆到发准点性,通过更紧密的排班计划将使用车数由35辆减少至31辆,车辆使用效率提升了28.1%;所提出的MPSO-TS算法求解效率较高,具有较好的稳定性,可有效避免计算结果陷入“局部最优”。展开更多
文摘跟驰行为是微观交通流中最基本的交通行为之一,选用NGSIM轨迹数据对车辆跟驰行为的微观特性进行研究,分析跟驰行为由安全状态变为危险状态的影响因素及原因。选取碰撞时间(time to collision,TTC)为安全指标,将TTC处于不同状态下的帧数作为因变量,将速度、加速度、加速度差分等微观特性变量作为自变量,并设定4种阈值回归分析。结果表明:对跟驰行为由安全状态变为危险状态,影响最大的因素为前后车速度差,前后车平均车头间距次之,但当存在大量跟驰行为时,前后车平均车头间距的影响更大,后车的微观特征对此产生的影响多于前车;为使跟驰行为保持在安全状态,应增加前车的速度、加速度、加速度差分和前后车平均车头间距,同时应减小后车的加速度、加速度差分和前后车速度差值;考虑到车流连续性,整体而言应使前后车保持相近的速度,避免突然加速或减速,且应保持适当的车头间距,并加强后车的管控。
文摘为解决因运行时间不确定性导致的公交到发时间不准点问题,本文基于公交线路双方向发车趟次和运营时间的不对称特征,提出一种可变行车计划优化问题。以最小化车辆使用数和乘客等待时间为目标,考虑车次链的行程接续和电动公交车辆电量等约束,构建公交时刻表和车辆排班一体化优化模型。根据可变行车计划优化问题特性设计改进的粒子群算法(Modified Particle Swarm Optimization for Timetabling and Scheduling,MPSO-TS)进行求解,定制粒子编码和子代更新方式。采用“基于优势车次链”的子代更新机制,以“车次链”为纽带最大程度地保留父代被继承信息中时刻表与车辆调度方案之间的关联性。使用连云港市某公交线路验证模型和算法,案例结果表明:可变行车计划能够有效保证车辆到发准点性,通过更紧密的排班计划将使用车数由35辆减少至31辆,车辆使用效率提升了28.1%;所提出的MPSO-TS算法求解效率较高,具有较好的稳定性,可有效避免计算结果陷入“局部最优”。
