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：综合考虑公共充电设施与私人充电设施特性,根据行程时间、排队时间、等待时间、充电费用等计算车辆充电成本.采用Logit模型刻画用户的充电设施选择行为,得到各交通小区到各公共充电站、私人充电桩的出行分布量.以充电总成本最小化为目标,建立城市区域充电设施网络配置优化模型,设计充电设施的布局位置和容量;所得模型为非线性优化模型,可采用现有的求解器(如:Matlab优化工具箱中的相关函数)直接进行求解.基于杭州市区内的局部路网构建2套算例,来验证提出的充电设施配置优化方法的可行性,并讨论研究区域内外公共充电设施与私人充电设施之间的交互影响.算例结果显示:所建立的模型可为城市电动汽车充电设施的选址布局和容量设计提供定量决策参考.

摘要：为评价混行交叉口网联自动车专用道的布设方案,分析了不同专用道布设情况下网联自动车流和人工车流在交叉口内的各种冲突,根据是否受专用道布设位置影响,将其分为基本冲突、左冲突和右冲突。在此基础上,以混行交叉口通行能力最大为目标,构建了一套混合整数线性规划模型,包括车道渠化、流量分配和信号配时相应约束,在给定的专用道布设方案下,协同优化专用道和普通车道的渠化方案以及相应的信号配时方案,消除上述3种车流冲突。以典型四车道十字交叉口为例,选取5种不同的专用道布设方案进行比较,分析网联自动车占比、交通量水平和左右转车流比例3个因素对不同专用道布设方案下交叉口最大通行能力的影响。结果表明:网联自动车专用道数量和位置的改变,及由此带来的最优渠化方案和信号配时方案的改变,都将影响交叉口的最大通行能力;当网联自动车占比较小时,专用道数量越少则交叉口最大通行能力越大;当网联自动车占比较大时,专用道数量越多则交叉口最大通行能力越大;交通量水平影响不同专用道布设方案下最大通行能力的差值大小,但不影响不同布设方案的优劣顺序;交叉口车流转向比例发生变化后,不同专用道布设方案下交叉口最大通行能力以及优劣顺序均会发生改变。

摘要：近几年,智慧高速公路建设已成为高速公路发展的主要方向、交通“新基建”的重要内容。为了更好地指导智慧高速公路建设,交通运输部于2018年组织北京、河北等9个省(市、区)开展智慧高速公路建设试点工作,各地交通运输系统也结合自身特点开展了有益探索。经过几年实践,各地积累了一定经验,但也发现了一些问题。以京雄、延崇智慧高速公路为研究对象,基于实际调研,通过现状梳理、经验总结、问题剖析,针对性地提出了智慧高速公路发展对策,旨在为智慧高速公路顶层设计、落地实施提供经验借鉴,促进我国智慧高速公路建设高质量、高水平发展。

摘要：文中针对感应信号控制的城市干线,以最大化双向绿波带宽为目标,建立干线控制子区划分模型;采用基于场景的鲁棒协调配时模型计算各子区的感应协调配时参数,并分析感应配时参数对最优子区划分方案控制效果的影响.利用CORSIM对不同配时方案仿真,选取平均延误、平均速度和停车率进行方案控制效果评价.结果表明:相比于SYNCHRO计算的配时方案,文中提出的算法计算的配时方案产生更小的停车率、具有更好的鲁棒性,同时并不会恶化与延误有关的性能指标.

摘要：对道路运输效率科学认识的缺乏,会导致设计理念的偏颇、道路资源配置的实际作用与其设计初衷的差异和交通问题的加剧。针对道路运输效率进行分析,认为合理减少出行时耗是提高道路运输效率的关键。在国内外干、支路车道资源配置,主、辅路车道资源配置,以及干、支路衔接模式的研究基础上,指出国内将提高通行能力和保障干路车速作为交通改善目的的逻辑性错误是导致路网结构失调,干、支路衔接不便的重要原因。最后,通过车道边际效用分析,以及干、支路,主、辅路车道资源增减对交通及城市功能的影响分析,得到车道资源合理配置的一般性方法。

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。