路侧传感器已大量部署在高速公路上，用来实时采集路段全样本车辆轨迹数据，为交通流全时空管控、微观驾驶行为分析等提供数据支持，但数据质量的快速评估一直是困扰行业管理部门的难题。现有的车辆轨迹数据评估方法大多存在操作复杂、维度单一等问题，难以满足对动态交通流中实时产生的车辆轨迹数据的评价需求。为快速判别路侧毫米波雷达车辆轨迹数据的质量，文中通过挖掘数据自身信息提出了一种数据质量评价方法。首先，在分析实测轨迹数据典型问题的基础上，从轨迹完整性、一致性、准确性及有效性4个维度建立了9个二级评价指标；然后，基于CRITIC赋权法计算综合指标；最后，针对4种不同场景的3 549条毫米波雷达实测轨迹进行了实证分析。结果表明，毫米波雷达的安装方式、型号等会显著影响车辆轨迹数据的质量，所提出的数据质量评价方法能够量化不同车辆轨迹数据的质量差异。文中研究结果可为路侧传感器采集数据性能衰变的短时监测及数据采集设备的选型提供支持，也可为车辆轨迹数据质量的提升提供方法参考。

为解决既有静态无线充电（Static Wireless Charging，SWC）设施布局方案容易忽略电池老化成本的问题，提出了计及电池老化特征的电动公交车SWC设施布局优化方法。首先考虑机会充电模式下电动公交车的运行特征，建立兼顾充电设施布设成本与电池老化成本的SWC设施布局优化模型，将电池荷电状态变化区间对电池老化速率的作用机理融入模型，同时引入累积能耗约束以确保SWC设施布局方案满足公交线路运营需求；然后针对模型的计算复杂性，提出一种改进禁忌搜索（Tabu Search，TS）算法对模型进行求解，依据模型特点构造算法的初始解及邻域结构；最后设计数值算例对模型和算法进行验证。研究结果表明：SWC设施布局对电池老化具有显著影响，相比不考虑电池老化特征的常规模型，文中提出的模型可以使年均总成本降低3.8%；在现阶段电池技术与成本条件下，电池老化成本占年均总成本的比例高达72.3%；文中提出的改进TS算法较原始TS算法在求解效率上有显著提升。文中还通过灵敏度分析探讨了模型的多个关键参数对优化结果的影响，发现电池荷电状态值上界、SWC设施充电功率与年均总成本呈显著的负相关，而电池单位容量成本、SWC设施布设成本、车辆单位行驶能耗与年均总成本呈不同程度的正相关。

为及时识别、预测车辆的换道行为，综合考虑目标车辆及周边车辆的时空交互关系，结合时间卷积网络（Temporal Convolutional Network，TCN）的时序处理能力和长短期记忆（Long Short Term Memory，LSTM）神经网络的门控记忆机制，构建了基于TCN-LSTM网络的车辆换道意图识别模型。首先，将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型，从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据，并利用中值滤波算法获得车辆运行状态指标。其次，针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题，提出利用膨胀卷积技术提取时间序列的时序特征，采用门控记忆单元捕捉时序特征的长期依赖关系，并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量，以车辆的换道意图为输出变量，构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后，对比分析了不同输入时间步长下TCN、支持向量机（Support Vector Machines，SVM）、LSTM和TCN-LSTM模型的识别精度。结果表明：输入时间序列长度为150帧时，TCN-LSTM模型的识别精度达到最高值96.67%；从整体分类精度来看，相比LSTM、TCN和SVM模型，TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点，展现出了更高的分类性能。

为进一步厘清不同出租车路径选择行为的差异性，采用频繁序列挖掘方法提取了同一个OD对间的频繁路径，构建路径选择集，分别从静态和动态两个角度分析路径集的相似特性。以西安市出租车的轨迹数据为研究对象，通过栅格划分与路网匹配，获得了不同OD对之间的路径集合。重新定义了频繁路径，采用PrefixSpan演变算法，在得到频繁子序列的基础上引入动态阈值和频繁度指标挖掘频繁路径，提取了最短路径和其他路径，完成了3类有效路径集的构建，并分析了路径集的一般属性。其后，将路径上二维时间序列（轨迹）间的相似度表示为动态相似度，将一维有向序列（路段）间的相似度表示为静态相似度，基于改进的最长公共子序列和动态时间规整算法对3类路径进行了相似性分析。结果表明：频繁路径与最短路径的相似度较高，意味着大多数出租车仍然选择具有最低出行时间的路段，但不一定会选择最短路径；时间和距离仍是出行者选择路径时主要考虑的因素，但出行者并不完全追求时间最短或距离最短；试验得到的动态相似度计算结果显著高于静态相似度计算结果，说明路径上的二维时序相似度高于一维形状相似度；两种方法下频繁路径和最短路径的相似度均最高，最短路径和其他路径的相似度均最低，比较结果的一致性说明可以用动态轨迹的相似度来大致度量静态路径的相似度。文中的频繁路径挖掘算法具有一定的可靠性，可为城市交通管理者进行路径推荐、道路规划等提供支持。

目前，我国拼车出行交通模式的市场份额相对较低，在缓解交通拥堵、节能减排方面仍有巨大潜力未被充分挖掘。基于奖励的交通需求管理策略可以提高民众拼车出行意愿，但奖励方案的设置与拼车出行的市场渗透率高度相关，不合理的奖励方案容易导致成本增加，甚至项目破产。为进一步激发拼车需求，合理利用交通资源，文中提出一种基于路段的拼车奖励方案优化模型，以拼车为支点，以奖励为杠杆，实现社会出行总成本的降低。其中，上层模型旨在寻找最优拼车奖励方案以最小化社会出行总成本，下层模型为相应奖励方案下的拼车出行车辆和单人驾驶车辆用户均衡流量分配模型。采用嵌套Frank-Wolfe算法的遗传算法求解该模型，并以Sioux Falls路网和Nguyen Dupuis路网为算例对模型的可行性及有效性进行了验证。结果表明：不符合市场渗透率的预算投入会导致社会总成本大幅上涨；在最优拼车奖励方案下，社会出行总成本降低约24.53%，50%的拥堵路段的拥堵得到缓解，出行公平性问题得到缓和。文中提出的模型可为道路管理者设置科学、合理的拼车奖励方案提供理论基础。

随着自动驾驶技术的发展，视觉同步建图与定位（SLAM）技术受到越来越多的关注。在记忆泊车场景中，需要对停车场场景建立先验地图，待汽车再次驶入相同的停车场时，使用视觉SLAM进行场景建图与定位。为使SLAM所建地图的鲁棒性更好、精度和效率更高，文中首先使用轻量化的深度学习算法改善传统特征提取算法在不同场景下鲁棒性较差的不足，用深度可分离卷积代替普通卷积结构，从而大大提升了特征提取效率；接着基于ResNet网络改进Patch-NetVLAD算法，并在MSLS数据集上对改进的残差网络和原始VGG网络进行重新训练，使用图像检索进行粗定位，挑选出候选图像帧，再通过精定位求解相机位姿，完成全局初始化的重定位；在此基础上，使用改进后的词袋算法重新训练不同停车场场景下的图像，将所有算法移植到OpenVSLAM架构中完成实际场景的建图与定位。实验结果表明，文中设计的视觉SLAM系统能够完成地上停车场、地下停车场以及室外半封闭园区道路等多场景的建图，平均纵向定位误差为8.42 cm，平均横向定位误差为8.30 cm，均达到工程要求。

选择性催化还原技术（SCR）是降低重型柴油车氮氧化物（NO _x ）排放的常用技术之一，且SCR系统内的NO _x 转化率与尾气温度密切相关。然而，现有的NO _x 排放测算模型主要考虑车辆行驶工况，缺少与排气温度的关联分析，从而增加了NO _x 排放测算结果的不确定性，对排放清单的建立和减排政策的评估提出了挑战。本研究基于车辆实际运行工况和实测排放数据，建立NO _x 排放速率库和NO _x 排放率模型。随后，建立基于机动车比功率（VSP）和热损失系数的尾气温度模型。在此基础上，根据SCR系统中的化学反应原理，建立基于尾气温度的NO _x 排放模型。最后，利用建立的NO _x 模型和MOVES模型（移动源排放测算模型）分别估算NO _x 排放量，并与实际排放情况进行比较分析。结果表明，本研究所提出的考虑实际路况下尾气温度的NO _x 排放模型可以有效提高NO _x 排放测算的准确性，在3辆重型柴油公交车上的NO _x 测算相对误差分别为9.1%、3.9%和3.3%。相较于MOVES模型，相对误差分别降低了24.0、13.1和16.3个百分点。对不同运行工况下的NO _x 排放特性分析表明，重型柴油货车的平均NO _x 转化率比柴油公交车高39.2个百分点。

为提高交叉口自动驾驶汽车和行人的管理水平，进而改善交通流的运行效率和稳定性，文中基于最大压强控制和自动驾驶汽车轨迹规划方法构建了交叉口自动驾驶汽车和行人管理方法。首先，综合考虑行人到达率、人行横道尺寸、等待时间和行人到达分布规律等对行人的影响，利用概率分布函数对行人排队长度进行建模，并利用估计的行人排队长度，基于最大压强控制方法构建了交叉口自动驾驶汽车和行人排队长度管理方法；然后，为帮助交叉口内部自动驾驶汽车避免碰撞并获取最佳运动轨迹，结合最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划方法，在控制交叉口自动驾驶汽车和行人排队长度的基础上，同时对自动驾驶汽车轨迹进行规划；最后，利用Python联合SUMO开源交通仿真软件对模型进行验证，仿真持续2 h。仿真结果表明，在不同自动驾驶汽车和行人需求条件下，该自动驾驶汽车和行人管理方法的加入不仅能够实现对自动驾驶汽车运动轨迹的规划控制，而且能够迅速稳定和降低它们的延误与排队长度，并能改善交叉口运行效率。

运动出行（Active Travel或Active Mobility，AT或AM）是一种以出行者自我为驱动的出行方式，由于其占用道路面积小、机动性强、可持续性好，因此对缓解城市交通压力、改善城市交通的时空不合理性起着至关重要的作用。文中首先研究了运动出行的定义和内涵；其次从影响运动出行的时空条件出发，以点和线的视角将时间与空间拆分成出发时间、出行时间、出行距离与建成环境4类约束条件，依次阐述不同类型的时空条件特征，并对运动出行与时空约束间的潜在联系进行分析；接着以单一约束和多种时空组合作为切入点，分析其对运动出行的影响；通过归纳发现，时空约束对运动出行的影响比传统认知中更为复杂，主要呈非线性关系且存在相应的理论阈值；最后提出当前理论研究中的不足之处及未来的研究方向。文章旨在归纳时空对运动出行的制约作用，展示不同时空约束作用下运动出行的具体变化规律，以期改变城市出行者的固有思维，提高运动出行的分担率，促进城市交通出行结构的进一步优化。

网约车平台算法个性化定价产生了复杂的市场影响，相比传统出租车服务，网约车乘客违约率达30%左右，因此算法个性化定价对乘客违约率的影响机制以及乘客是否履约的关键特征值得探索。文中尝试运用矩形Hotelling模型建立算法个性化定价与乘客违约率的因果关联机制，以两个网约车平台之间的Stackelberg博弈模型揭示歧视性定价、乘客违约率与平台之间竞争强度的关系。进一步运用网约车平台订单大数据，以Bhattacharyya距离、提升决策树及改进拉斯维加斯方法（包裹法）等归纳学习工具对网约车平台百万量级订单进行数据挖掘，找出决定乘客是否履约的关键特征。分析结果表明，平台进行个性化定价时乘客的最终消费选择主要取决于价格因素；而改进车辆匹配、派单策略及减少乘客候车时间可显著提高订单履约率。研究结果对网约车平台完善定价及运营策略以维持双边市场用户数量、保证平台持续成功运营具有重要参考价值，也为反垄断部门干预平台个性化定价提供了理论依据。

针对需求高峰期乘客以红包或调度费等形式激励网约车司机以实现网约车自我调度这一问题，研究了乘客-网约车匹配决策与激励策略选择间的交互关系。基于网约车合乘模式下的均衡匹配状态，以乘客总剩余最大化为目标，考虑匹配、均衡、成本等约束条件，构建了考虑奖励策略的乘客-网约车均衡匹配模型，从乘客视角设计了乘客激励策略、网约车激励策略、乘客和网约车激励策略，并将3种激励策略嵌入到列生成算法对模型进行求解，以实现匹配均衡和价格均衡。以大连市出租车数据为对象进行实证分析，研究结果表明，相比于仅以随机调度费等形式从供给侧激励司机，同时从需求侧和供给侧实施激励策略可以促成更多合乘出行，乘客剩余可提高12.6%；当需求大于供给时，26%的激励在乘客间转移以实现更多的合乘出行；合乘折扣系数也会影响激励流向，同时使用激励策略和合乘折扣策略调节供需可以避免司机恶意竞争和乘客无效激励，在降低乘客出行成本的同时提高司机收益，促成更多合乘出行。