在“双碳”政策背景下，维护生态平衡，减少碳排放势在必行。现如今，准确测算大范围路网车辆碳排放指标十分关键。为此，本研究提出了一种基于多源数据融合的高速公路网车辆碳排放测算方法。首先提出面向碳排放统计的基础数据清洗方法，对后续碳排放测算所需基础数据进行清洗。其次建立高速公路碳排放测算模型，进而设计相关的计算流程。最后以广东省高速公路网为例，测算了2020年9月至2021年6月的车辆碳排放量，并与中国碳核算数据库进行对比、验证所提出方法的科学性与可靠性。研究表明：虽然微型小型客车车均碳排放量较小，但总碳排放量在各车型中占比最大，达到52.1%；汽油车碳排放总量占比达到了49.8%，高于柴油车的45.4%和其它类型能源车的4.8%，大力推广新能源汽车能有效地降低高速公路碳排放量；此外，研究发现“新冠疫情”下不同车辆的出行规律存在明显的差异，但对交通运输经济的整体影响有限。

准确识别交通事故风险和及时掌握交通事故风险的变化对于交通事故的主动防控和减少交通事故的发生具有重要意义。现有的交通事故风险识别研究大多基于交通流、交通冲突等实时、动态参数，同时受以往数据采集技术的制约，风险驾驶行为在交通事故风险识别研究中的应用受到限制。为了更加准确的识别道路交通事故风险，本研究引入风险驾驶行为和交通流等大数据，提取急加速、急减速、急转弯、急并道以及交通流量、平均速度、拥堵指数等变量，结合事故数据构建交通事故风险识别模型。基于逻辑回归算法计算交通事故发生概率，对交通事故识别模型进行评价，一方面量化风险驾驶行为在交通事故风险识别中的贡献，另一方面分析事故发生前后，交通事故发生概率的变化趋势。研究结果表明，同时考虑交通运行状态和风险驾驶行为的交通事故风险识别模型的敏感度和AUC值分别提高5.00%和0.03，误报率和漏报率分别降低1.78%和5.00%，模型的拟合效果更好。此外，在交通事故发生前后，交通事故风险概率呈现明显上升趋势，是交通事故防控的重点时段，应在相应的路段及时采取防控措施降低交通事故风险的概率，避免发生交通事故。本研究可为交通事故的预防预警以及主动防控提供直观的依据。

本文对应用于可更换连梁中的小位移下即可开始耗能的电涡流连梁阻尼器的阻尼特性展开研究。基于磁路理论分析，提出了电涡流阻尼器中最优的永磁体磁极布置方式，即平行导体运动方向交替布置，垂直导体运动方向同向布置。鉴于此，设计了两种新型电涡流阻尼器，一是导体板在磁场中平动的板式电涡流阻尼器，二是利用齿轮-齿条机构放大导体板在磁场中定轴转动速度的旋转式电涡流阻尼器。将两种电涡流阻尼器运用于可更换连梁中，对安装于可更换连梁上的新型电涡流连梁阻尼器进行有限元仿真，揭示了电涡流阻尼的非线性力学行为。其阻尼系数及刚度系数具有较强的频率相关性，加载频率越大，耗能效率越低，结构动刚度越大，因此电涡流阻尼器更加适用于低频的工作条件。此时电涡流阻尼器的阻尼系数大，耗能效率高，且刚度系数较小，基本不会改变结构的自振特性，具有良好的实际工程应用价值。

为了探究高速公路路侧环境对驾驶员注意力的影响，优化路侧景观和交通标志设置，提高行车安全性，通过量化分析驾驶员的注意力分布确定了路侧环境风险等级区间。根据路侧环境实际状态选择四类典型路段场景，开展实地驾驶试验采集驾驶员的眼动参数、心率等数据，并分析对应路段上驾驶员眼动规律，包括注视行为、扫视行为和眨眼行为，在此基础上确定表征驾驶员的注意力的显著眼动指标为注视参数。根据驾驶员注视点对应的实际景物并结合注视落点在视野平面中的位置，划分驾驶员的视野区域为路侧环境区（S区）、前方道路区（W区）和车身仪表区（C区），构建驾驶员注意力分布模型，确定以路侧环境注意力占比值量化表达路侧环境，建立其与驾驶员心率增长率之间的关系模型并划分风险等级区间。结果显示：路侧环境的复杂程度对驾驶员的眼动行为有明显影响，相对于扫视和眨眼，驾驶员的注视参数可显著表征驾驶员的注意力状态，行车过程中驾驶员的关注点在视野平面内移动，路侧环境注意力占比值为S区的累计注视时间和S区与W区注视总时间的比值，其安全区间为［9.93%，62.10%］，风险区间为［6.44%，9.93%）和（62.10%，76.93%］，危险区间为［0，6.44%）和（76.93%，100%］。研究结果可以为路侧景观和标志设计的安全性评价和改善决策提供参考依据。

为解决行驶在超高速公路上的高速智能车与前方低速车辆碰撞的安全问题，用联合仿真的方法研究了车辆制动避撞系统。通过CarSim软件建立车辆动力学模型，并设置前方车辆参数、道路参数和传感器参数，在MATLAB/Simulink中建立基于车间距和车速的控制模型，通过CarSim软件的输入与输出参数接口模块建立信号连接。当前车车速为100、120和140 km/h，智能车车速为140、160和180 km/h时，控制模型通过传感器采集到的实时距离与速度对智能车发出制动减速信号，建立超高速公路行驶车辆紧急制动避撞策略。研究结果表明：当道路附着系数为0.60，超高速公路汽车行驶在平坦的直线路段上进行制动时，最佳轮缸压力为7 MPa，此时，车辆速度为160 km/h时汽车的制动距离为170.3 m，前车以速度100、120和140 km/h匀速行驶，智能车车速分别以140、160和180 km/h制动到与前车车速一样时，所需要的相对距离分别为10.8、10.7和10.5 m。设置路面附着系数为0.60，前车车速分别为100、120和140 km/h，初始轮缸压力为1 MPa，智能车制动减速到与前车车速一样时，智能车前悬距前车后悬距离分别为3.1、3.5和3.8 m，其他条件不变，当初始轮缸压力为3 MPa，智能车制动到与前车车速相同时，智能车前悬距前车后悬距离分别为7.0、7.3和7.7 m。通过搭建的CarSim/Simulink汽车紧急制动避撞控制联合仿真平台，验证了超高速公路制动避撞模型的有效性和准确性，可以提高超高速公路行车的安全性。

为丰富地铁内部换乘客流预测理论，更好地制定地铁运营计划，提出了一种基于时间序列分解方法（STL）与门控循环单元（GRU）的地铁换乘客流预测模型。该模型将预测过程分为3个阶段，第1阶段为原始地铁刷卡数据预处理，采用基于图的深度优先搜索算法识别乘客的出行路径，构建换乘客流时间序列；第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量，并利用3σ原则对余量进行异常值的剔除与填充；第3阶段基于深度学习库Keras，完成GRU模型的搭建、训练及预测。以北京地铁西直门站的换乘客流数据为研究对象，对模型的有效性进行了验证，结果表明：与长短时记忆神经网络（LSTM）、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型（STL-LSTM）相比，STL-GRU组合预测模型可提升工作日（不含周五）、周五、休息日的换乘客流预测精度，预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点。

随着居民的出行需求增加，对公交的运营效率与服务质量有了更高的要求。但公交运营企业通常采用单线调度方式，易出现断面客流与运力投入不匹配，公交运营服务水平与资源利用效率不高的情况，亟需一种更加高效的调度优化方法。组合调度模式中多线路共用人车资源，有助于整合现有公交资源，提高运力供需匹配程度和公交运营效率。本文提出了基于客流特征的跨线调度线路组的识别规则和跨线车辆数的确定方法，以乘客出行成本和公交运营成本之和最小为优化目标，构建了加入跨线车辆的公交跨线组合调度优化模型，以发车类型和发车间隔进行编码，设计了改进遗传算法进行求解。研究选取北京市668路和122路的跨线组合为案例验证优化模型，引入乘客平均候车时间、线路满载率、运能匹配度、客流强度等指标，评估公交跨线组合调度优化的有效性。结果表明在公交跨线联合调度条件下，被支援公交线路的乘客平均候车时间缩短了11.8%，线路满载率减少了9.8%，运能匹配度和客流强度分别增加7.7%和8.7%，乘客出行成本与公交运营成本分别下降了15%和6%。

为了缓解停车矛盾，更加均衡地利用停车资源，实现对停车需求的动态响应，以多个相邻的路外停车场为研究对象，构建了多车场共享车位动态预约与分配的整数规划模型。模型以充分利用停车资源与节约用户停车成本为目标，采用线性加权将目标进行组合，根据实时的停车请求数量，自适应选取动态权重系数。通过对未到达的停车请求进行调整，迭代优化分配结果。引入动态定价机制均衡各车场的车位利用情况。采用车位利用率、停车请求接受率、平均步行距离和停车域均衡度4个指标对模型进行评价。设置仿真实验对模型进行验证。结果表明，相较于传统的不调整模型，提出的模型通过对未到达的停车请求进行迭代优化可使得利用率和接受率平均分别提升10.70%和20.08%，利用率的提升程度随着停车请求数量呈现先增大后减小的趋势，用户平均步行距离增大10 m左右，但仍满足用户出行需求。嵌入动态权重后的模型相较于静态权重模型利用率与接受率平均分别提升2.2%和10.88%，且动态权重模型能更好的适应停车需求的动态变化，使停车资源在高峰时段得到充分利用。相较于静态定价模型，引入动态定价机制使得车辆均匀的分配至各停车场，停车域均衡度平均降低0.074，实现停车资源的均衡利用。模型可为共享停车平台的停车分配与管理决策提供理论参考，缓解城市停车难问题。

为了研究大型车换道行为特性及其风险状况，基于无人机拍摄与图像识别技术，采集快速路合流区大型车运动轨迹数据，并对其换道特性和时空风险进行分析。结果表明：大型车换道持续时间的平均值为5.28s，前半时间平均值为2.60s，后半时间平均值为2.68s，纵向换道行驶距离平均值为78.12m，均服从Weibull分布，且均与换道速度显著相关，大型车换道持续时间及前半时间均和与原车道前车间距、与目标车道前车间距显著相关，前半时间还与沿车道线距离显著相关；75.40%的大型车在合流区瓶颈路段前100m内开始变道，且由外侧车道向内侧车道依次扩散；大型车与原车道前车的车间距和相对速度平均值最小，分别为22.91m、-0.90m/s，若换道间隙较小，驾驶员更倾向于在换道间隙缩小缓慢或不断扩大时换道；大型车换道时与原车道前车的碰撞风险最高，约有15.32%大型车换道时与前车处于不安全状态。

为精确识别常发性拥堵传播路径，分析其传播机理，以达到疏导拥堵源头，阻断传播路径的目的，提出一种基于出租车GPS数据的拥堵传播机理研究方法。首先，在城市路网时空立方体数据模型框架下，采用车辆轨迹数与速度指标识别交通拥堵区域，基于常发性拥堵的相对时空稳定性，提出分时段的常发性交通拥堵网格识别方法；其次，建立拥堵时空传播树，针对交通拥堵传播的动态性，提出以频率加权的频繁传播关系集挖掘方法，构建频繁拥堵传播子树；再次，引入动态贝叶斯网络，通过贝叶斯估计进行参数学习，获取拥堵传播概率；最后，以西安市南二环路东段区域为例，运用所提出的方法进行实证分析，探讨拥堵传播路径及其概率。研究结果表明：基于时空立方体模型，采用车辆轨迹数与行程速度指标共同识别各时间帧内常发性拥堵网格，为拥堵传播机理的准确分析奠定了基础；利用STC算法构建拥堵传播树，提出考虑拥堵传播在时间上复现性特征的频繁项集挖掘方法，用以重构频繁拥堵传播子树、明确常发性拥堵传播路径；基于动态贝叶斯网络量化分析网格间拥堵传播可能性，为动态寻找拥堵传播网络中的关键路段，科学合理的制定缓堵方案及任务时序提供理论依据。

为了研究人车碰撞事故中影响行人伤亡的因素，提出了基于聚类方法与BP神经网络的行人碰撞后伤亡风险预测模型。首先，以国家车辆事故深度调查体系（NAIS）数据库内2018—2019年间的372起人车碰撞事故数据为研究对象，对其进行统计分析，得到关于车辆、行人和碰撞状态3个维度的9项事故特征参数；然后，结合各事故特征特性，对连续特征值选用K均值聚类方法，对离散特征值选用层次聚类法，分析行人的伤亡风险与各特征参数间的关联性；最后，建立BP神经网络预测模型，根据事故特征预测行人伤亡情况。结果表明建立的行人伤亡风险预测模型的成功率为86%。

随着自动驾驶技术的不断进步和普及，道路上将会出现越来越多具有自动驾驶技术的汽车，交通标线的服务对象将逐渐从驾驶员向自动驾驶汽车过渡。现有的交通标线使用状况评估方法不但需要耗费大量的人力去巡查、测量和评估，而且评估指标也是基于生物视觉研究而得，不符合基于机器视觉的自动驾驶汽车的特点；针对上述的问题，文中提出了一种面向自动驾驶汽车的交通标线使用状况评估方法。首先，基于自动驾驶汽车的特性，运用查阅文献、类比推理和逻辑推理等方法初步确定峰值信噪比（PSNR）作为评估指标；其次，为了快速且准确地获取峰值信噪比，提出了基于图像修复的峰值信噪比的计算方法，该方法先利用基于条件生成对抗网络的DeblurGAN模型在图像层面复原破损的交通标线，进而利用破损和复原后的交通标线图像计算出峰值信噪比，同时，文中提出了一种可以真实地合成破损的交通标线图像的数据增强方法去提高图像修复模型的性能。然后，以AlexNet网络为基准模型设计对照实验去研究峰值信噪比与交通标线的识别准确率的关系；最后，将研究成果应用到实际的交通标线使用状况的评估工作中，并与现行规范的评估方法比较。实验结果表明：与基于人工修复图像的峰值信噪比的计算方法对比，文中所提的方法得到的平均峰值信噪比只相差约2.24%，但获取速度却提高了约418倍；峰值信噪比影响交通标线的识别准确率，当平均PSNR相差约43.66%时，平均识别准确率相差了约36.27%，峰值信噪比可以衡量交通标线的使用状况；文中所提出的评估方法使工作效率约提高了6.5倍且耗费更少的人力，也更符合自动驾驶汽车的特点，但规范中的评估方法更加详尽。