基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

自适应模型预测控制的车道保持控制策略

建立车辆侧向动力学模块、车辆传感模块、道路曲率预瞄模块.在传统模型预测控制(MPC)算法的基础上,利用辛普森法则,结合车道保持优化性能指标和系统约束,设计基于自适应模型预测控制的车道保持控制策略.在Simulink环境下,将其与基于传统模型预测控制器进行比较分析.仿真结果表明:相较于模型预测控制,自适应MPC能够在各控制周期实现车辆模型更新,在强非线性工况下具备较好的鲁棒性,进而能够保证行车安全的前提下,获取较好的乘坐舒适性.     

基于城市干道的纯电动汽车多目标优化

纯电动汽车技术逐渐成熟,在城市工况中行驶也不断增加。为提高纯电动汽车在城市工况下的运行效率。研究某纯电动汽车在城市双向四车道交叉口场景下四种运行轨迹的安全、节能、舒适多目标问题,建立纯电动汽车安全、节能、和舒适多目标数学模型,并结合Advisor2002中的美国城市驱动工况(CYC_UDDS)仿真验证整车性能参数的影响,利用含有精英策略的NSGA-Ⅱ算法对车速、加速度、总加权加速度均方根值等约束条件下进行优化,得到最优解。结果表明,该多目标函数很好兼顾了纯电动汽车安全、节能、舒适性,提出了纯电动汽车在双向四车道交叉口下的最优运行轨迹和最佳道路宽度,为纯电动汽车检测提供了一种依据。