为加强危险货物道路运输风险源头管控,以危货运输车辆行驶轨迹数据为分析对象,研究安全、经济且符合企业自身偏好的道路运输路径优化选择问题,提出了基于偏好、上下文感知的危险货物道路运输个性化路径推荐方法。首先对危货运输车辆历史轨迹数据进行处理,通过提取路径安全和经济性特征学习危货运输企业的路径偏好,在此基础上,综合考虑偏好向量间的距离和方向相似性,提出了改进的K-means偏好聚类算法(improved K-means clustering algorithm based on distance and direction similarity measurement,DDM-K-means),获取了路径偏好类别;其次,依据运输任务执行的时间、天气、运距三方面信息,建立了路径上下文向量,并运用Rock聚类算法划分路径的上下文类别,与路径偏好类别共同构成路径信息;最终,基于神经协同过滤提出了危险货物道路运输路径选择优化算法(optimal route selection algorithm based on neural collaborative filtering,NCF-ORS),得到了危货运输企业对各路径类别的偏好排序,从而为企业推荐最优路径。与基线算法比较分析,结果表明危险货物道路运输个性化路径推荐方法,平均绝对百分比误差最低。研究结果有助于挖掘车辆轨迹数据中更多的潜在信息,提升个性化路径推荐能力,可为危货运输企业的选线问题提供决策支持。
智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定...
详细信息
智能网联车辆队列行驶面临复杂的交通环境,所引发的时延、丢包等信息传输问题将导致队列车辆行驶稳定性降低而亟待解决.针对复杂交通环境,引入信息新鲜度(age of information, AoI)并提出了一种适应时变时延的智能网联车辆队列行驶稳定性控制算法.该控制算法根据队列中多前车信息新鲜度来调整其对队列车辆车头间距影响的权重,同时依据时变时延信息预测队列中跟驰车辆与前车的车头间距,队列车辆按照请求周期向路侧单元(road side unit, RSU)实时发送请求,RSU依据车辆间距从小到大依次回应请求队列中的各个车辆,以控制其因时变时延可能造成的碰撞.数值仿真结果显示,相对智能驾驶员模型(intelligent driver model, IDM)而言,所提出的队列纵向稳定性控制算法具有更好的控制效果.针对时变时延发生概率20%的车车通信,队列车辆车头间距偏差的降低比例达6.4%,平均峰值信息新鲜度的降低比例达8.7%.同时,分析了队列车辆请求周期和回应请求车辆数量对队列纵向稳定性的影响,随着两者数值增加,控制算法给出的队列纵向稳定性分别呈现降低和增加的趋势.最后,实车测试了队列切出场景下车辆行驶数据和车辆接收信息的时延数据,将其引入数值仿真实验中.结果表明,车头间距偏差降低比例达15%.
暂无评论