从静态和动态两方面综合分析我国城市轨道交通的碳排放效率,以探索高效、绿色的城市轨道交通发展路径。首先,利用“自上而下”的方法测算城市轨道交通系统的碳排放量,构建涵盖车辆、人力、能源、环境、运输效益的要素体系;然后,运用考虑非期望产出的超效率SBM(Slack Based Model)模型测度我国23个省会城市轨道交通碳排放效率,利用方向性距离函数构建GML(Global Malmquist-Luenberger)指数分析碳排放效率的动态变化特性;最后,采用面板模型厘清碳排放效率的影响因素。模型计算结果表明:城市轨道交通碳排放效率总体呈现与网络规模正相关的差异化态势,不同类型城市轨道交通碳排放效率GML及其分解指数的变化特征有所差异;规模效率、技术进步对城市轨道交通碳排放效率具有提升作用,规模效率、技术进步指数每上升1%,碳排放效率GML指数分别提高1.906%、2.338%,火力发电比例对碳排放效率的提升有一定的抑制作用;随着城市轨道交通网络的发展,碳排放效率的提升仍需要技术进步的推动。最后,针对不同类型城市轨道交通提出了提升碳排放效率的策略要点。
随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道...
详细信息
随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.
暂无评论