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.
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.
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.
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.
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.
