为了刻画以短视频形式传播的交通事件舆情对公众情绪的导向，通过文本情感分析和多模态生理信号特征提取，构建生理特征图谱. 爬取抖音平台136个高赞视频及38 805条评论，以所有视频为文档集，单个视频为文档，评论为单词，采用隐狄利克雷分布主题模型进行主题挖掘，获得不同主题的评论单词分布和不同视频的主题分布. 使用基于朴素贝叶斯的SnowNLP计算评论单词的情感分数，分析不同舆情主题表达的情感倾向. 开展神经科学实验，采集脑电、眼动、心电和呼吸等多模态生理信号及情绪评分. 统计检验结果表明，不同情感倾向的视频会诱发不同情绪，不同情绪下脑电的相对谱功率、眨眼频率、呼吸标准差和心电极低频功率等多模态生理特征具有特异性，评论文本中蕴含的情感语义会在视频诱发情绪的基础上对公众情绪造成不同方式的影响.
为了削弱和消除短期交通流预测普遍存在的时空幻影现象，基于Transformer网络和自监督预训练-全监督训练框架，提出新型预训练长短时空交错Transformer模型. 采用自监督预训练的方式获得长期时空异质性，设计时空交错模块进行交互获得长期时空异质交互性. 设计短时空循环Transformer，将短期时空序列循环压缩提取至能够表现整个短期时空序列独特时空特征的空间片上. 在长期时空交错的时空异质交互性指导下，将未来时间与近似特征匹配，重建未来短期时空序列. 比较不同交通流预测模型在4个交通流标准数据集和2个交通速度数据集上的预测精度和多步长. 实验结果表明，相比当前先进模型，所提模型提升了交通数据预测的精确性.
使用改进的Hybrid III 5th假人对影响下潜的约束系统参数进行敏感性分析，提出6种防止智能驾驶汽车乘员在后倾座椅工况下发生下潜的保护方案. 通过碰撞车速为48 km/h的正面碰撞有限元分析和台车碰撞试验验证所提方案的有效性. 结果表明，后倾工况在增加乘员下潜风险的同时，增大了乘员头部、颈部和腰椎的伤害风险. 所有防下潜方案均导致腰椎轴向力增加，提示防下潜措施会增加腰椎损伤风险，表明防下潜与腰椎损伤之间存在矛盾关系. 肩带限力器与安全带单向锁止器的组合、髋部气囊、卷收器预紧器与锁扣预紧器的组合，可以消除乘员在后倾工况中的下潜现象，保护腰椎，乘员头部、颈部、胸部和腿部的伤害指标均符合FMVSS 208的限值要求.
为了快速、准确检测车轮扁疤，提出以不同结构数据为驱动载体的车轮扁疤定量识别方法. 将合成的扁疤车轮数据作为车轮不圆激励输入地铁车辆?轨道刚柔耦合动力学模型，获取不同工况下的轴箱振动响应. 对轴箱振动响应进行数据规整，制成不同结构形式的样本集，将它与速度信号融合输入多输入卷积神经网络（MCNN）模型进行训练，探究MCNN模型在不同数据结构输入下的性能差异. 结果表明：相较于设置的其他输入数据结构，输入数据结构为时域、频域和时频域组合的MCNN模型识别性能最佳，平均绝对百分比误差与拟合度（R2）分别为1.947%和0.9978，耗时相对较低，单个样本为0.157 9 ms. 经典模型对比实验、速度信息消融实验和实测数据迁移学习实验的结果表明，输入数据结构为时域、频域和时频域组合的MCNN模型具有工程应用价值.
为了研究城市快速路长距离交织区对交通流运行特性的影响，建立多车道元胞自动机模型. 根据长距离交织区内不同位置的换道车辆，考虑其各自换道行为和换道需求强度，引入3种不同换道规则，并对长距离交织区进行分段设定. 基于动态安全间距、车流管理策略双重要素，构建不同管理策略下的多车道元胞模型. 仿真结果表明，长距离交织区内的强制性驶出换道行为容易引发局部拥堵，形成出入口瓶颈. 虽然双虚线型策略能够提供更多驶出车辆换道机会，但随着占有率的增加，这种优势逐渐减弱，相比之下，虚实线型策略更加合理. 虚实线型策略-主路优先机制保证主路驶出车辆换道路权，不可避免会牺牲部分辅路通行效率. 考虑到辅路的间断交通流特性，虚实线型策略1（先出后入）仍具备一定的实施价值.
当前行人轨迹预测研究面临两大挑战：1）如何有效提取行人前后帧之间的时空相关性；2）如何避免在轨迹采样过程中受到采样偏差的影响而导致性能下降. 针对以上问题，提出基于双重注意力时空图卷积网络与目的抽样网络的行人轨迹预测模型. 利用时间注意力捕获行人前后帧的关联性，利用空间注意力获取周围行人之间的相关性，通过时空图卷积进一步提取行人之间的时空相关性. 引入可学习的抽样网络解决随机抽样导致的分布不均匀的问题. 大量实验表明，在ETH和UCY数据集上，新方法的精度与当前最先进的方法相当，且模型参数量减少1.65×104，推理时间缩短0.147 s；在SDD数据集上精度虽略有下降，但模型参数量减少了3.46×104，展现出良好的性能平衡，能为行人轨迹预测提供新的有效途径.
针对路面病害生成和恶化的预测问题，提出应用图卷积神经网络的路面病害态势预测方法. 通过聚类算法建立拓扑网络，选取目标病害在演化过程中的主要影响因素；为了增强图神经网络对病害信息的表达能力，采用图拓扑增强的方法，从静态和动态方面分别构造与病害信息相关的视图；采用图神经网络(GNN)架构增强的方法，在视图维度上应用注意力机制调整不同视图的影响力，并在时间维度上应用Transformer和GRU模块，增强模型在长时间序列中对病害状态的预测性能. 设计模型的内部调整测试，经消融试验、多样本测试和超参数对照组的验证，证明所提模型的适用性和稳定性. 针对大型稀疏的路面病害数据集，此模型的平均绝对误差均值收敛在4.0以内，综合性能优于传统预测算法.
为了兼顾无信号交叉口处智能网联车辆通行效率和舒适性要求，提出基于深度强化学习的车辆运动规划算法. 结合时间卷积网络(TCN)和Transformer算法构建周围车辆行驶意图预测模型，通过多层卷积和自注意力机制提高车辆运动特征捕捉能力；利用双延迟深度确定性策略梯度 (TD3)强化学习算法构建车辆运动规划模型，综合考虑周围车辆行驶意图、驾驶风格、交互风险以及自车舒适性等因素设计状态空间和奖励函数以增强对动态环境的理解；通过延迟策略更新和平滑目标策略提高算法稳定性，实时输出期望加速度. 实验结果表明，所提运动规划算法能够根据周围车辆的行驶意图实时感知潜在的交互风险，生成的运动规划策略满足通行效率、安全性和舒适性要求，且对不同风格的周围车辆和密集交互场景均有良好的适应能力，不同场景下成功率均高于92.1%.
为了解决智能网联车(ICVs)和人驾车辆(HDVs)混行交叉口的排队估计问题，提出基于概率统计和贝叶斯定理的排队长度估计模型. 综合考虑队列中智能网联车位置、速度和渗透率等因素，分别构建可观测队列排队长度估计模型、不可观测队列排队长度估计模型和渗透率估计模型，通过迭代实现排队长度和渗透率的实时估计. 利用随机种子模拟不同渗透率条件下智能网联车在队列中的分布特征，分析不同交通条件下模型的估计精度. 与已有模型的对比表明，在智能网联车低渗透率(10%)条件下，在非高峰时段，本研究模型、已有模型的平均绝对百分比误差(MAPE)分别为29.35%、59.68%；在高峰时段，本研究模型、已有模型的MAPE分别为26.50%、34.66%. 在智能网联车高渗透率条件下(90%)，在非高峰时段，本研究模型、已有模型的MAPE分别为6.90%、17.85%；在高峰时段，本研究模型、已有模型的MAPE分别为1.45%、1.05%，误差接近. 本研究所提出的排队估计模型在低渗透率和高渗透率条件下均具有更好的估计精度.
为了解析站点分布密集的大型城市轨道交通网络级联失效传播机理，提出改进的耦合映射格子模型. 该模型结合大型城市轨道交通网络站点分布密集特征，量化耦合站点间客流演化及耦合站点抵抗力. 为了衡量级联失效在大型城市轨道交通网络中的传播过程与结果，提出失效站点数量比与网络效率比指标. 以上海市城市轨道交通网络为例，验证该模型的可行性. 结果表明：当节点度高或进站客流量大的站点失效后，耦合站点间的级联失效规模是邻接站点间的约2倍，且由于耦合站点间的级联失效的影响，介数中心性大的站点失效所引起的级联失效传播速度最快. 在考虑耦合站点间级联失效时，客流对大型城市轨道交通网络级联失效的作用力是拓扑结构的约9倍. 研究结论可以为城市轨道交通网络的规划设计与事故管控提供科学的建议.
为了研究不同公共交通乘客在出行过程中换乘决策行为的异质性，采用结构方程模型（SEM）分析公共交通乘客的换乘意向与其他潜变量的关系，采用潜在类别模型（LCM）从乘客的心理感知因素视角和社会经济属性视角划分乘客类别. 构建公共交通乘客换乘决策模型（SEM-LCM），分析不同潜在类别公共交通乘客的换乘决策行为. 结果表明：相比SEM-Logit，SEM-LCM拟合效果更好；公共交通乘客分为换乘体验敏感型和换乘优惠敏感型2类，2类公共交通乘客所占比例分别为70.3%和29.7%；“换乘体验敏感型”和“换乘优惠敏感型”选择换乘的概率分别为51.1%和85.9%；年龄、家庭结构、私家车拥有情况、出行目的、换乘经历和出行模式6个变量表现出显著的异质性. 研究结果可以为相关部门优化公交线网衔接、制定换乘优惠政策提供理论支撑.
针对深度强化学习信号控制方法存在训练不稳定、收敛慢以及相位频繁改变的问题，基于双决斗深度Q网络(3DQN)算法引入预训练模块和相位绿灯时间计算模块，提出结合领域经验的信号控制方法. 通过优化双重Q学习损失、监督式边际分类损失和正则化损失，使预训练模块引导3DQN智能体模仿Max-Pressure方法的策略，以稳定并加快智能体的训练过程. 相位绿灯时间计算模块基于平均车头时距和排队长度动态调整相位绿灯时间以减少绿灯损失. 以杭州市萧山区机场城市大道和博奥路交叉口为例，在仿真平台SUMO上对所提方法进行验证. 实验结果表明，所提方法能有效改进传统3DQN算法的训练速度. 相比于传统控制方法，所提方法明显缩短了车辆平均旅行时间，提高了交叉口运行效率.
针对地铁钢轨波磨问题，采用粒子群优化算法对概率神经网络进行优化，提出粒子概率神经网络（PPNN）算法. 使用PPNN算法在一定数值范围内对概率神经网络的平滑因子进行随机初始化，为了保证算法的全局搜索能力和计算效率，选用凹函数递减惯性权值实现平滑因子的更新迭代，得出分类准确率最高的平滑因子最优解. 为了说明PPNN算法的有效性，对钢轨粗糙度以及车内噪声进行现场测试，提取与钢轨波磨相关的车内噪声特征，分析该算法的种群规模和进化次数对波磨识别准确率的影响，对比不同智能分类算法的识别效果. 结果表明：与地铁钢轨波磨相关的车内噪声特征为 315、400、500、630、800、1000 Hz 中心频率处的A计权声压级；相比于决策树、高斯朴素贝叶斯、支持向量机、K近邻等主流智能分类算法，PPNN算法具有显著的优势，其波磨识别准确率达到98.582%.
某轴重25 t运煤重载铁路半径580~1000 m的曲线入/出缓和段钢轨存在明显的滚动接触疲劳（RCF）差异现象，出缓和段的疲劳更严重. 在轮轨现场观测和列车参数调研的基础上，使用Simpack建立包含2节内重联机车与108节货车的重载列车动力学模型，利用损伤函数模型数值分析入/出缓和段RCF差异的机理和主要影响因素. 结果表明，RCF差异由货车曲线通过行为主导，货车中转向架导向轮对的贡献最显著，非导向轮对与机车的贡献相对轻微. 在标准轮轨廓形匹配工况下，RCF差异不显著；待货车车轮磨耗失形后，钢轨磨耗失形对RCF差异的影响并不显著，轮轨蠕滑率/力在出缓和段比在入缓和段高是导致RCF差异的根本原因. 磨耗后的货车转向架导向轮对与磨耗轨在小半径曲线上频繁地相互作用，是导致入/出缓和段钢轨RCF差异的主要原因.
基于随机效用最大化理论，提出电动汽车充电平台用户端的用户行为决策模型. 在满足车辆服务需求和充电站约束条件下，分别推导企业利润最大化和社会福利最大化目标函数下的卡罗需-库恩-塔克（KKT）条件、最优数量和最优价格，通过数值实验分析参数敏感性. 最优化结果表明，合适的充电价格和充电桩数量决定用户前往不同区域充电的意愿，充电价格和充电桩数量在多区域多时段都有最优解. 模型结果表明：在空间上，价格和数量随距离增加呈现递减趋势，且递减幅度增大；在时间上，高峰期的定价高于低谷期的定价，低谷期的区域间定价差异大于高峰期的区域间定价差异. 对比不同目标，社会福利最大化目标下的最优充电价格普遍低于利润最大化目标下的价格，社会福利最大化下的最优充电桩数量多于利润最大化下的充电桩数量. 敏感性参数分析结果表明，电池容量、单位电池容量的充电时长、多项Logit（MNL）模型中的敏感度均与目标结果呈现负相关，与感知效用呈正相关.
采用最大信息系数相关性检验遴选行车风险度量指标，提出基于信息熵理论的行车风险多指标度量与融合方法；构建以获取行车风险熵最大为目标，考虑系统建设成本、设备检测范围的路侧感知设备布设优化模型. 基于多车道高速公路车辆行驶轨迹，通过算例获得在不同预算约束条件下的最优路侧设备布设方案，分析设备选型、传统的等间距设备布设方法、原始数据噪声等因素对路侧感知系统获取道路行车风险能力的影响. 结果表明，路侧感知系统建设经费增加与系统行车风险获取能力提升呈现边际效用递减规律，相较于设备数量过多或过少的情况，设置数量适中的路侧感知设备费效比更高，优化后的设备布设方案的费效比比等间距布设方案的费效比高，原始数据测量误差不超过10%不会影响设备优化布设方案的计算结果.
针对随机流量波动较大的交叉口，提出优化感应控制策略，采用正交试验方法获取最优控制参数组合. 将最大排队长度作为通行需求阈值来优化感应控制逻辑，将设置的3种相位切换机制（优先排队、优先延误和固定顺序）加入感应控制参数组合中. 在SUMO仿真中，模拟北京市北辰西路与科荟南路交叉口环境，采用正交试验方法筛选出不同交通流量下感应控制的最优参数组合. 设计对比实验验证最优参数组合的有效性，将最优参数组合应用在深度Q学习（DQN）算法中进一步优化感应控制. 结果表明，正交试验方法能够快速有效地获取最优参数组合；在低、中等交通流量下，与未使用最优参数组合的DQN算法相比，使用最优参数组合的DQN算法的收敛速度分别增加了48.14%、38.89%，平均累计车均延误分别减少了8.45%、7.09%.
针对现有目标检测方法仅适用于大尺寸、少量特定种类交通标志的检测，且对复杂交通场景图像检测效果不佳的问题，以抗退化性能较强的ResNet101为基础网络，增加若干卷积层构建残差单发多框检测器（SSD）模型，对高分辨率的交通图像进行多尺度分块检测。为了加快检测速度，采取由粗到精的策略，省略对纯背景图像块的预测. 利用中等尺度图像块的初检结果缩小目标范围；对目标范围内的其他图像块进行检测；将所有图像块结果映射回原图像，并结合非极大值抑制实现精准识别。实验结果表明，该模型在公开的交通标志数据集Tsinghua-Tencent 100K上取得了94%的总体准确率和95%的总体召回率，对多分辨率图像中不同大小和形态的交通标志都具有良好的检测能力，鲁棒性较强。
为了优化现有控制子区划分方法，以区域协调控制为目标，提出基于改进的Newman社团快速划分的动态子区划分方法. 综合考虑路网中相邻交叉口之间的距离、交通流量、行程时间、车流离散特性、信号周期和路段交通流密度等因素，定量分析交叉口关联性；分别计算相邻交叉口的流量关联系数、信号周期关联系数和路段交通流密度关联系数，建立相邻交叉口的总关联度模型；对传统Newman算法进行改进，引入交叉口关联度，依据不同交通特性对区域路网进行动态子区划分；选取实际区域路网，进行模型验证分析. 结果表明：Newman算法子区划分结果不能随着交通特性的改变而改变；与之相比，所提出模型的子区划分结果更加细致，更加符合实际交通流特性，且可以依据不同时段交通特性实现动态子区划分，可以为信号控制方案制定提供良好基础.
