摘要：为改善公交拥挤状况,提高车内舒适度,基于站点OD(origin destination)信息已知的基础上,提出了一种公交线网优化方法.首先,以最大路线长度和换乘次数为约束,构建以人均舒适度最大为目标的公交线网优化模型;其次,采用隶属度函数计算乘客舒适度,并绘制舒适度随乘客数变化的关系图像,以验证优化方法的合理性;最后,运用爬山算法思想,使用交换路线法与邻近线路分担法,按照"由低到高,逐段优化"的原则优化线网,通过调整路线来平衡客流,均衡不同线路公交的利用率.研究结果表明:拥挤线路各站点间舒适度标准偏差由优化前的0.24减小为0.09,站点间的客流不均衡现象得到明显改善;乘客人均舒适度由原来的0.84提高到0.91,提升了8.3%.

摘要：标志速度作为约束驾驶行为的安全性指标,是城市道路限速管理的主要依据,标志速度的取值是否合理将直接影响城市道路的交通安全和通行效率。目前国内城市道路的标志速度大多直接套用其设计速度,这种做法在一定程度上造成了道路资源的浪费。从两种指标的含义和关系入手,研究以设计速度作为标志速度可能存在的问题。以杭州市为例,对城市道路标志速度调整方案的研究过程进行了介绍,并对提速一年后的运行效果进行评估,结果表明道路流量和运行车速均有不同程度提升,周边衔接路网运行稳定,交通安全情况未发生显著变化。

摘要：限制速度作为约束驾驶行为的安全性指标,是城市道路车速管理的主要依据,限制速度的取值是否合理将直接影响城市道路的交通安全和通行效率。目前国内城市道路的限制速度大多直接套用其设计速度,这种做法在一定程度上造成了道路资源的浪费。本文从两种指标的含义和关系入手,研究以设计速度作为限制速度可能存在的问题,并以杭州市为例,对城市道路限制速度调整方案的研究过程进行介绍,并对提速一年后的运行效果进行评估,结果表明道路流量和运行车速均有不同程度提升,周边衔接路网运行稳定,交通安全情况未发生显著变化。

摘要：考虑合流区域主线和匝道的交通流运行状态,提出了一种基于深度强化学习的鲁棒自适应匝道控制模型——DRLARM模型。根据交通流运行特征,构造了平衡主线交通效率和匝道排队长度的强化学习奖励函数;为适应动态变化的交通环境,采用多交通流场景混合训练控制模型,在不同拥堵成因、不同拥堵时长、不同需求分布等测试场景下开展仿真实验,对比分析了无控制及DRLARM、ALINEA和PI-ALINEA模型控制的车辆平均行程时间A、车道占有率o、匝道排队长度W和匝道损失时间比P等评价指标。研究表明:DRLARM模型控制的平均行程时间A相比无控工况节省了22%,略好于ALINEA模型,与PI-ALINEA模型控制效果相当;DRLARM模型在不同测试场景下产生的匝道损失时间比P较稳定,匝道排队长度W绝对值相较于ALINEA模型和PI-ALINEA模型均缩短了约16%;深度强化学习方法兼顾了通行效率和路权公平性,训练所得DRLARM模型在动态交通条件下表现出良好的鲁棒性。