城市交通系统的承载能力是基于各种交通容量,不同车辆的平均承载能力是不同的,和交通量的单位交通量也不同。个人汽车所需的资源共享更比其他类型的流量。共享方式的情况表明,基于资源利用的效率非常低。同时,对不同的车辆,由于平均承载能力的差异和环境污染和能源消耗等技术指标,它将导致不同的自然资源消耗的单位运输。对于某些交通旅行总需求和困难的道路改建和扩建,大容量交通模式的分享份额的居民出行影响更持久和有效的管理交通问题比扩大交通供给的方法( 18]。控制交通问题是更持久的影响比盲目扩大交通供给和有效的,也是更有效的在促进人与自然的和谐发展,如图 1。

实现可持续发展目标的历史街区交通和历史街区交通结构,以满足社会的需求,街区的历史文化特点及其可持续性的总和。本文的目的是建立之间的关系microindividual出行方式选择行为和居民出行特征的历史街区,街区的交通政策,不同的交通模式块的特点。从宏观和微观方面研究的进化机制的交通结构建立适当的交通结构块基于可持续发展的社会、经济和环境系统。提出的评价体系和方法的优化交通结构的历史街区,绿色的重要的参考是可持续发展。

城市公共交通系统是一个城市公共客运交通系统组成的各种模式。它主要包括两个方面,即公共交通手段和设施和公共交通规划和操作。公共交通方式主要包括传统的公交车,快速轨道交通、郊区铁路,公共交通站。城市公共交通系统具有独特的特征,其他城市客运交通工具没有。

的能力,公共交通和轨道交通在城市公共交通的数十甚至数百倍普通运输。广泛的服务提供了大量的客户群体为实现大容量的服务。因此,是否从公共交通的角度本身或其服务组织的角度来看,大量的基本特征是城市公共交通系统的发展。

这个功能是补充大量的功能。在一定数量的公共交通车辆、大容量、覆盖广泛的操作线能有效满足客户需求的情况下减少操作时间,提高道路利用率,节省道路空间。司机的技术水平在城市公共交通系统是由运输部门严格控制的城市公共交通系统,有效地保证车辆的安全运行。此外,公共客运交通的练习场范围内的交通控制部门计划,确保道路安全的公共客运( 19]。每个总线必须停在公交车站,将多个行,和经常有队列等待上车。不断停下来怠速扩展总线操作期间的空闲时间。这是反过来产生更多的污染物排放。公交车需要停止在特定的公交车站和交通信号持续在许多十字路口,他们需要不断放缓,开始,加速。增加公共汽车的起始频率实现过程,在此过程中产生的污染物的排放也将增加。

交通系统的本质是一个三维空间曲线和几何不变性。自由活动帧通常用于分析三维空间曲线的几何特征空间微分几何。对于任何三维空间曲线 r( 年代在任何弧长) 年代切向量,一个单元 T、单位主要的法向量 N,单位低于正常的向量 B可以确定。形成Frenet移动帧移动和旋转弧长 年代。三个坐标平面由Frenet框架密切平面,正常的飞机,和第二架飞机,在弧长单位向量之间的关系 年代计算如下: (1) 米 年代 = r 。 年代 = d r d 年代 , 。 N 年代 = T 。 年代 , B 年代 = 米 年代 ∗ N 年代 。

Frenet框架与弧长变化 年代。Frenet-Serret公式表达这种变化: (2) 米 年代 = κ 。 年代 N 年代 , 。 Y 年代 = T 。 年代 κ 。 年代 N 年代 , B 年代 = − 米 年代 ∗ N 年代 。

因此,有一个曲率和挠度的计算公式,为空间曲线的弧长 年代: (3) κ 。 年代 = d T d 年代 = r 年代 × r 米 r n 6 。

曲率和挠度作为基本描述指标的空间曲线。前者代表的切向量的旋转速度曲线的弧长,即曲线的弯曲程度。后者描述第二个法向量的旋转速度曲线的弧长,即曲线的扭转程度( 20.]。当偏转率为0,它代表一个平面曲线。Frenet帧的变化在任意点在曲线上可以唯一确定曲线的曲率和挠率;即当曲率的表达式和扭转的弧长和曲线的起点,Frenet框架确定的变化曲线。相应的曲线的几何形状决定。

道路环境的一个重要因素影响司机的驾驶行为。连续的单调的景观将促使司机疲劳驾驶,和复杂多变的景观会增加司机的驾驶负荷。然而,环境因素是目前很少提取参数,所以很少有定量分析环境因素之间的关系和事故。为此,本研究利用计算机视觉技术对驾驶视频和执行图像处理得到特征指标的环境因素在实际驾驶司机的形象,包括天空规模指数、路面规模指数、路边规模指数和亮度指数。本节详细介绍了提取过程的每一个环境因素特征指数,如图 2。

比较不同的公交规划方案是在同一个城市。如果城市尚未建立了公共交通网络,它还在规划阶段,一个决策单元是几个规划方案。如果城市本身已经建立了一个公共交通网络,决策单元是当前基本计划和其他计划方案。比较不同城市之间的公共交通系统在不同的年份在同一个城市。这种情况主要是评估公共交通对城市发展的适应性和道路网络水平。决策单元的综合交通运输系统是不同的城市或同一城市的综合交通系统在不同的年。

第二步是确定DEA的输入和输出系统,主要取决于选择的评价维度决策者。假设决策者选择 米输入指标和 年代指标,这些指标之间的对比。判断矩阵C和B提供 n决策单位。输入和输出值是已知的索引值 X代表输入索引值。 Yn代表输出指标的价值。输入和输出的重量指标作为变量,然后飞机决策单元的效率指数 (4) β j = U T Y j V T X j 。

添加了AHP偏好锥约束和CCR模型如下: (5) H = 墨西哥人 E 0 ∑ 我 = 0 ∞ α 我 H 我 1 − δ 1 − δ − l t 1 + φ 1 + φ , K t = 1 − ϕ 1 1 / ϕ K F , t p − 1 / p p − 1 / p , 民族主义者行动党(MHP) 落下帷幕 我 d = TTM 我 问 − 中医 我 n 中医 我 问 + 中医 我 n − 4 , − κ t φ + η t W 我 , t = 0 , G t ∗ = 1 − ϕ 1 1 / ϕ 米 F , t p − 1 / p + 1 − γ 1 / ϕ 米 F , t p − 1 / p 2 。

G_t对应的能量值, p参数的值吗 P, t代表时间。这个公式意味着每个决策单元的重量值决定,决策单元的最大效率指数,和所有决策单元的效率指数不大于1。经过一系列的线变化,得到等价的线性规划问题,通过编程解决。许多编程语言和库来解决线性规划问题。作为一个函数的输入参数,可以获得一个线性规划问题的解决方案。

本文中的模型根据用户需求变化,也就是说,指标体系的选择和判断矩阵属于输入变量。用户需要设置的重要性指标的选择输入和输出指标体系。重要性水平和分配如表所示。有 米输入指标和 年代指标选择的评估场景的用户表所示 1。

与基于用户输入的判断矩阵一致性检验也需要确认没有矛盾之前和之后用户的重要输入,检查指标的重要性之间的协调。

在tranStar平台,采用上一级的组织形式。如图 3,这种方法允许用户快速生成解决方案基于现有项目。在实际工程项目中,设计师往往有多个方面的规划方案,希望得到不仅几个方案的实施效果,而且比较不同方案的影响,和几个方案都基于同一道路网络数据库。考虑这样一个场景中,软件建立了项目文件组织方法,可以有多个项目文件夹下一个项目,它提供了方便的生成新的项目和项目之间的比较。本文建立一个评价与决策模块是基于这样一个multiproject项目系统的组织形式。在程序设计中,有必要快速阅读的基本道路网络数据,公共交通网络数据,和客流分布tranStar格式的数据文件,将读取到的数据转换成可计算的变量。

每个工具都有一个事件记录功能,如智能车载智能探测器,可以记录事件,如车辆点火,速度,和节流阀的压力。biopsychological探测器可以定义事件标记通过数据收集平台记录车辆点火,车辆开始,车辆通过整个桩部分,车辆通过隧道开通,和其他活动。眼球追踪器和驾驶记录仪录像和录音功能,也可以记录事件,如车辆点火,车辆通过整个桩部分,和车辆通过隧道开放部分。因此,相同的事件记录时间是由事件记录功能,每个基准测试的仪器来完成各种数据的时间对齐。自仪器采样频率最低的在所有的仪器是一个智能框的开车,采样频率是2赫兹。因此,time-aligning每个仪器采集的数据后,时间序列数据的输出在0.5秒的时间步骤。

评估决策模块的输入有两个部分。一个是用户的输入的参数设置界面。软件将读取用户的输入并将其存储在DEA模型参数表。投入产出的DEA模型参数表主要指标和体重选择判断矩阵。内置的软件将每一个指标,所以参数表是所有数字,第一行是输入索引号,第二行是输出索引号,第三行是输入体重指数判断矩阵,和第四行是输出指标权重的判断矩阵。输入的第二部分取决于虚拟交通系统的一键多方案的仿真结果。它将输入路段的交通量预测为每个运输模式,公共汽车线路的客流分布网络,在公交车站和红色。这些平台的其他模块的输出和输入的评估决策模块。我们读这些相关文件计算评价指标和输出他们整个城市交通评价报告每个程序的函数。

输入和输出指标的决策选择指数报告的每个程序,使用DEA模型的参数表和每个项目的投入产出指标的值作为输入的DEA模型,然后计算和软件然后输出每个解决方案和解决方案的效率指数排名结果文件供用户参考[指数报告 21]。未来城市空间的发展方向可以引导城市的扩张,和城市交通是一个重要的支持城市空间的发展。大型铁路客运车站区域与多个运输模式更容易比其他地区的城市。未来发展前景也更大。同时,城市发展普遍集中更好的资源对未来城市的发展方向。因此,铁路客运站的位置应与城市空间和交通协调控制,并应优先考虑城市空间未来的发展方向或集中分布的交通点,促进综合客运站与城市的发展。

验证的操作影响SD模型,即模型的操作是否可以保持在不同的时间步骤,操作模型可以保持稳定。模型是专门的操作步长设置,设置步骤0.25年,0.5年,1年,如图 4。

的步骤大小的0.25,0.5,1年,模型运行有一定区别,除了运行的数量,和数值结果几乎重叠。在这三个场景中,这个模型的公共交通污染物测量结果大致相同的实际污染物测量的趋势。因此,该模型符合实际的要求。因此,一般来说,变化趋势中步长下的仿真结果往往是一致的,符合的需求模型的稳定性。

当回归模型应用到实际的项目中,研究者们最关心是否回归模型预测的可靠性易出事故的部分。的核心任务是公路事故分析和预测控制和消除频繁的事故部分。只有当事故预测模型可以有效地用于预测事故频繁的部分,它可以扮演一个好的角色在提高安全水平的高速公路。为此,我们获得易出事故的部分在测试部分通过传统的事故统计分析方法。之间的匹配度,通过比较回归模型的预测结果与实际易出事故的部分,回归模型的工程实用性。如图 5根据累积频率曲线的方法,可以得出的结论是,道路段单位超过事故在测试道路段应当被视为公路段事故频发。

旅游链的分布特征可以反映历史街区的旅游旺季,游客的普遍的生活方式,旅游法律、可以更好地帮助确定峰值的时间旅行。时间分布特征影响出行链的旅游链模式,和出行链的生成模式直接关系到旅行者的日常活动。发生旅游链中的每一个旅行时间旅行的目的有关,和旅行者执行一个旅行旅游链分别根据自己的日常活动安排( 22]。以电脑为例,每日上下班的通勤时间是相对固定的。城市居民的日常午休时间也相对固定,所以各个时期有一定的旅游需求趋势和法律由于居民的旅游目的和生活习惯。

如图 6基于家庭旅行,整个呈现出强大的高峰,高峰持续时间很长,峰很大,及其旅游需求达到最高价值7:30,这类似于整体的旅游需求高峰时间样本。一致,家庭旅游,旅游需求持续6:30上午10:30点,表明除了大多数通勤需求。历史街区的居民也有相当部分的购物或休闲旅游的需求。享有单位旅行,旅行时间显示峰值大小2趋势的山峰,它显示了一个中午小高峰,作为旅行者必须中午回家。午休时间的需求是大多数上下班的通勤时间,恰逢整个旅行晚高峰的样本。

开车期间道路和环境的变化过程是刺激信息的动态变化过程的特性指数集。换句话说,任何特性指数的知觉反应层受到刺激信息层作为一个整体。当建立VAR模型的刺激信息层和感知反应层,刺激信息层被认为是一个整体,和整个变化的影响因素讨论知觉反应层( 23]。因此,它是必要的,以确定最优滞后阶之间的VAR模型的整个刺激信息层和不同的感官反应层特性指标。它由最多的选择标准滞后订单作为最优滞后阶,与相应的VAR模型的建立。如图 7当滞后订单是10,VAR模型获得的刺激信息层的滞后顺序正常路段和个别特性的知觉反应层指标,如我,LR,消防工程,AIC和SC。

VAR模型滞后算子多项式的根应该小于1。基于“增大化现实”技术特征根测试用来测试稳定的刺激信息layer-perceptual响应层VAR模型在正常道路部分。每个VAR模型选择相应的秩序。介绍了AR根图来直观地说明每个VAR模型的稳定性结果。如图 8,VAR模型是稳定的单一特征指数的刺激信息layer-perception反应层。

当自变量的VAR模型通过格兰杰检验为因变量,它可以解释说,刺激信息层的相应特征指数的格兰杰原因知觉反应层,同时也表明,刺激信息层的滞后变化滞后变化的预测能力。目前,VAR模型可以用来分析因素刺激信息层使用脉冲响应函数和方差分解方法,它是有意义的分析结果如何影响知觉反应的特征指标层。

协调响应函数分析主要用于定量分析的影响上层的特征指数的变化对下一层的特征指数。该方法应用单位标准差脉冲一个上层的某些特征指数调查下一层的响应特征指数的变化。因此,脉冲响应函数分析是对每个特征索引执行正常的道路刺激信息层和感知反应层,通过格兰杰检验。如图 9心率、皮肤电反应,固定比例,固定时间知觉反应层。

它展示了链接的法曲率正脉冲标准差。当曲率增加,驾驶员的心率会增加,因为曲率增加迅速,弯曲的程度的司机所在路段增加,增加了司机的压力自然会增加驾驶员的心率。然而,总的来说,司机的自体心理学调整将心率恢复到一个稳定的水平。调整期是12期。换句话说,司机可以调整自我调节消散曲率的空间造成的空间曲率旅行500米范围内。标准差最大振幅降低;然后在前三周期振幅迅速减少,收敛于0。当亮度增加,驾驶员的心率会减少因为亮度的增加将提高司机的观测环境,减少司机的压力造成的环境,和自然减少驾驶员的心率。然而,脉冲亮度对驾驶员的心率的影响消散在150 m的旅行。

如图 10,差异的四个污染物暴露水平的三个人口相对稳定。带点₁₀为例,分析发现点的接触水平的差异₁₀是2016年的3.07,但它的性能值是2.972有了些许的变化。其中,一氧化碳和氮氧化物的区别很大,都是在24.25 - -37.37,和点之间的区别_2.5和点₁₀很小。

相比之下,氮氧化物低速发展和最大的暴露水平差异最小的性能的高速发展。PM2.5和PM10不同人群暴露水平三种情况下是相同的。此外,从这个图中,我们可以看到四个污染物暴露水平的变化对不同群体逐渐成为小,表明四种污染物的暴露水平的差异对不同组的人逐渐减少( 24]。原因在于,一方面,随着暴露水平继续下降,不同人群暴露水平的差异相应减少。中小学生的出行频率和老人也增加,使不同类型的居民的健康风风险差异继续减少。