创刊时间：2003
出版周期：季 刊
主管单位：中华人民共和国
主办单位：西南交通大学
主 编：刘晓波 贺正冰
邮 箱：jtt@swjtu.edu.cn
IS S N ：1672-4747
C N ：51-1652/U
影响因子学科排序：11/154
CI 学 科 排 序：31/154 所 属 分 区：Q1 复合类影响因子：2.479 复合类即年指标：0.574
【背景】驾驶行为不仅是个体特征的体现，还深受地区文化、交通环境和社会习惯等因素的影响，进而形成不同的驾驶文化，深入研究不同文化背景下驾驶文化差异能为自动驾驶的跨文化应用提供支持。【目标】从安全、效率和舒适三个维度系统揭示中国和美国驾驶员的微观驾驶行为特性差异，为构建文化自适应的自动驾驶优化策略提供依据。【方法】基于“数据预处理-宏观交通状态匹配-三维指标体系构建-微观驾驶行为对比”的框架，从安全、效率和舒适维度提取6项指标，对中美的微观驾驶行为进行系统对比和定量分析。【数据】整合中国Citysim与美国NGSIM的高速公路车辆轨迹数据集开展实证分析，累计车辆轨迹数超过2.8万。【结论】中美两国在微观驾驶行为的安全、效率和舒适方面均表现出显著差异：相同交通状态下，中国驾驶员的安全性更高，美国驾驶员的风险暴露时间相比中国驾驶员增幅达到105.3%，风险暴露强度也更高，增幅达到95.0%；中国驾驶员的驾驶效率更高，其相对期望速度偏差相比美国驾驶员下降了3.2%～7.8%，更倾向按照期望速度驾驶，并且平均车头时距下降8.48%～35.48%，能够更有效地利用道路资源；此外，中国驾驶员驾驶舒适性显著高于美国，平均绝对急动度下降了19.72%～50.68%，且加速和减速事件频率更低，驾驶行为更加平稳。【应用】揭示了中西方微观驾驶行为的文化差异，提出的文化差异量化框架对自动驾驶算法的本地化优化和全球化部署具有重要意义。
【背景】随着地铁网络大规模建设与成网运营格局的不断完善，地铁客流量迅速增长，乘客出行需求与模式日益复杂多变，给地铁的运营管理带来新的挑战。【目标】依托手机信令数据连续追踪用户出行轨迹的优势，根据基站布设位置和辐射范围确定地铁站点内产生的信令数据，结合出行活动时间等关键阈值识别单次地铁出行，进而挖掘地铁出行模式，为优化地铁服务提供支撑。【方法】基于地铁网络拓扑模型并结合Dijkstra算法，重构乘客出行路径，进而获得全过程逐日出行数据，并采用两步分类方法挖掘乘客出行行为异质性，根据出行频次将用户分为高频用户和低频用户，从出行时间、空间和路径使用特征等维度提出时间规律性、典型出行、路径混合熵等指标，再使用K-means++聚类算法对高频和低频用户进一步细分。【数据】上海市2019年5月共包含448万名地铁用户产生的4亿条手机信令数据。【结论】提取到383万位用户的3009万次出行，18%的高频用户贡献了67%的出行，而82%的低频用户仅贡献了33%的出行。其中高频用户可分为单一路径依赖型通勤群体、路径选择灵活型通勤群体、非通勤目的日常出行群体3类；低频用户可分为商务出行群体、休闲娱乐出行群体、单日游或过境出行群体3类。研究成果可为优化地铁资源配置、制定精准营销策略以及提升地铁运行管理效率提供依据。
【背景】尽管当前城市轨道交通线网持续扩展，但在城市出行服务中仍存在覆盖盲区。网约车凭借灵活高效的特点，已成为衔接地铁出行“前一公里/最后一公里”的重要方式。【目标】准确识别网约车与地铁间的接驳出行，科学划定其服务范围，为提升网约车接驳效率、优化平台资源调度提供依据。【方法】依托起讫点详细地址字段匹配精准识别地铁接驳出行的网约车订单，进而利用点聚合与层次聚类算法构建接驳缓冲区，探讨不同方法对地铁空间服务范围刻画的有效性及差异。【数据】采用天津市网约车订单数据，内含起讫点详细地址字段，支持地铁接驳出行的精准识别与实证分析。【结果】层次聚类算法在刻画网约车接驳地铁的空间服务范围方面具有更高的准确性，特别在处理复杂空间格局时优势明显，能够灵活适应不同区域的接驳需求，构建出的缓冲区更符合实际出行分布。【结论】市中心地铁站的接驳需求主要集中在短距离出行，缓冲区面积较大但出行密度较低；而郊区地铁站倾向于长距离接驳，缓冲区面积较小但出行密度较高。以上结论表明，市中心与郊区需实行差异化的接驳管理策略，应依据服务范围合理优化接驳点布局与调度方案，进而提升公共交通系统的接驳效率与服务质量。
【背景】物联网和智能设备技术的快速发展，为个体出行轨迹数据的监测提供了技术基础，但GPS等定位设备存在的原始定位误差，导致记录点位偏离实际位置，特别在城市密集路网中，无法精准还原真实的出行路径。【目标】提出一种路网约束下基于动态速度模拟的个体级轨迹重构方法，旨在解决离散GPS轨迹数据在城市道路网络中的连续映射问题，生成长时间、高精度的车辆或个体在路网中的连续移动轨迹。【方法】通过融合最短路径搜索、动态速度模型和时间驱动插值技术，构建包含空间映射-路径规划-速度采样-时间插值的四级重构机制。【数据】以上海市5万用户的手机信令数据为实验对象，并结合了上海市路网拓扑数据。【结论】轨迹重构结果显示：对比三类主流方法，本方法在平均轨迹误差方面分别提升33.3%、21.1%、12.5%，可精准刻画高精轨迹。轨迹数据能准确捕捉城市交通的时空特征，例如早晚高峰流量变化、虹桥枢纽等多中心区域的辐射模式等。进一步在北京和厦门的应用验证表明，该方法具有跨城市的适用性，可为交通流量预测、出行起讫点（OD）分析等智慧交通应用提供可靠的数据基础和技术支持。
【背景】由于轨道交通线网的不断完善，城市地铁站点数量也随之增多，轨道交通公司需要对数百个客流特征不同的站点训练各自的客流预测模型。传统方法是对站点逐个进行训练，耗费时间长，无法满足高时效性的要求。【目标】通过研究客流预测模型迁移学习方法，仅对少数站点进行客流预测模型训练，其余站点进行模型迁移学习训练，提升全线网站点的预测效率。【方法】考虑波动特征相似度的预测模型迁移学习，通过提取每个站点的客流波动特征，计算当前站点与其他站点的波动特征相似度，为每个站点匹配与其相似度最高的站点作为迁移学习对象站点，实现“一站一方案”。该方法仅需对少数站点进行正常的预测模型训练，其他站点都可以使用迁移学习的方式训练各自的预测模型。【数据】以成都市地铁为例，选取1、2、3、4号线路上部分站点2022年5月到8月的进出站客流数据进行案例分析。【结论】选取四类不同的深度学习客流预测模型，在使用迁移学习方法进行训练后有效地减少了各类模型的训练时间，所选取站点的训练时间平均减少62.68%，部分站点训练时间能减少80%以上，并且在减少训练时间基础上，四类预测模型的预测精度仍有小幅提升，验证了该方法具有可行性。
【背景】随着城镇化进程的加快，城市轨道交通压力越来越大，准确的地铁客流预测对于优化列车时刻表、减少高峰时段拥堵、提高地铁系统服务水平具有重要的作用。【目标】综合考虑地铁客流的时空特性，充分利用多时间粒度客流数据，提高较大时间粒度客流预测任务的准确性。【方方法法】分析不同时间粒度的地铁客流数据之间的相关性，确定多时间粒度融合机制。提出一种Resnet-GCN-Transformer模型：利用图卷积神经网络（Graph Convolutional Neural Network,GCN）提取不同站点客流的空间相关性；利用残差块构建深度卷积神经网络，对不同时间粒度的数据从小到大进行聚合，得到多时间粒度的多通道特征图；利用Transformer Encoder对客流数据的长时间依赖特性进行建模，并通过多个由全连接层构成的预测头输出预测结果。同时基于Optuna框架进行超参数优化，得到最优的超参数组合。【数据】对杭州市地铁刷卡数据集进行降噪处理并构建不同时间粒度的地铁客流数据集，基于10 min和30 min的数据集对模型进行验证。【结果】在两组不同目标时间粒度的数据集上，所提模型的平均绝对百分比误差分别为12.62%和10.61%，均优于6个基线模型，表明融合多时间粒度的特征在地铁客流预测任务中的重要性，模型能够充分捕捉多时间粒度的客流特征，地铁站点的连通关系，以及客流数据的时间依赖关系，从而显著提升客流预测效果。
【背景】随着共享单车在城市交通中的普及，供需失衡问题日益突出，精准预测其骑行时空需求是解决该问题的关键，而现有研究在捕捉共享单车需求的时空关联方面仍存在不足。【目标】构建一种融合时空特征关联的图卷积神经网络（Graph Convolutional Neural Networks,GCN）模型，以提升共享单车骑行需求的预测精度，为运营商提供科学的调度依据。【方法】以上海市2018年摩拜单车订单数据为基础，引入骑行时序特征矩阵，并结合地理空间、土地利用及需求序列相似性构建邻接矩阵，刻画研究区域内不同位置间的关联。【结果】融合时空特征关联的GCN模型在R2、RMSE、MAE和WMAPE等指标上均显著优于长短期记忆神经网络模型，其中基于土地利用的GCN模型预测效果最优，借车与还车需求的R2分别达到0.86和0.85，证实土地利用是影响需求分布的核心因素。【应用】本研究可为共享单车的精准需求预测提供技术支持，助力运营商实现高效调度与运维，提升共享单车系统的服务效率与用户满意度。
【背景】随着城市现代化进程的推进，智能交通系统已成为其必不可少的一部分，而通过使用准确的交通流预测来降低城市道路的拥堵则是智能交通系统发挥效能的关键所在。【目标】综合考虑交通数据的时空特性，动态捕获交通数据复杂的空间相关性以及时间相关性，有效提高交通预测任务的准确性。【方法】通过分析交通流数据时间和空间信息的相关性，实现时空特征的融合和交互，本文提出一种融合自适应图（DGC）与Transformer的预测模型，旨在动态捕获交通数据的时空相关性。模型首先利用多层感知机（MLP）投影和时间嵌入来捕捉周期性时间模式。在Sandwich块中，一个Transformer编码器负责捕捉长距离时间依赖性；随后，DGC模块捕捉数据驱动的隐藏空间依赖性；接着，图卷积网络（GCN）模块利用自适应邻接矩阵聚合空间信息；最后，第二个Transformer模块对融合了空间上下文的特征进行再次时间建模。整个架构堆叠两个Sandwich块，通过残差连接增强模型表达能力并确保训练稳定性，最后通过MLP投影层输出预测结果。【数据】加州交通局性能测量系统（PeMS）收集的四个广泛使用的交通预测数据集。【结果】在四个公开的数据集上，DGC-Transformer模型的平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）几乎全面优于所对比的五个基线以及十个模型，表明动态捕获交通数据时空相关性的重要性，使交通流预测效果得到显著提升。
【背景】轨道交通系统中的突发事件处置不当，将会严重扰乱列车运行秩序，甚至导致乘客伤亡与巨额经济损失。【目标】构建一种融合本地知识库的应急管理大语言模型（EM-LLM），为城市轨道交通行车调度员提供复杂环境下快速且精准的决策支持，保障城市轨道交通系统的安稳运行。【方法】通过文本切分及向量化等技术构建本地知识库，定义统一的“prompt”作为模型响应的全局引导指令，结合LangChain框架构建并部署本地EM-LLM。设计人机现场对抗实验验证EM-LLM的有效性，安排有经验的调度员与通用LLM、EM-LLM在34种典型故障场景下进行同步决策，从真实调度指令的生成质量、响应时效、方案完整性等维度进行多维对比。【数据】收集约1 000万字符的国家、行业及企业行车调度相关标准和突发事件处置历史数据构建为本地知识库。【结果】通用LLM在故障类型判断方面较人工调度员具有一定优势，但在生成长文本形式的事故处置方案时表现不足；相比之下EM-LLM能更有效地应对复杂突发事故场景。【结论】EM-LLM能够为轨道交通系统在动态场景下的智能调度提供可靠支撑，有助于提升系统在突发事件中的应急处置能力与运营组织效率。
【背景】随着自动驾驶车辆（Autonomous Vehicles, AVs）逐步融入交通系统，人工驾驶车辆（Human-Driven Vehicles, HDVs）与AVs构成的混合交通流在匝道合流区日益普遍。然而单车智能方法在实时响应与系统整合方面仍存在局限，且混合交通流的整体特性与综合影响尚待深入研究。【目标】旨在解决混合交通流在匝道合流区的控制难题，提升整体交通系统的效率与安全性。【方法】提出一种基于近端策略优化（Proximal Policy Optimization, PPO）深度强化学习（Deep Reinforcement Learning, DRL）算法的AVs控制策略，用于实现车辆的跟驰与换道控制。该策略通过引入换道惩罚和固定步长负奖励机制，以抑制频繁换道并避免过于保守的驾驶行为。通过仿真，验证基于DRL的AVs对混合交通流造成的影响。【结果】随着AV渗透率的提升，该策略能显著提高交通效率与安全性。与DRL基线（DRL-B）和基于规则（Rule Based, RB）的策略相比，本文策略使整体交通效率和两类安全性能（基于TTC与DRAC）分别提升了2.31%、17.3%、3.1%与4.57%、10.7%、0.34%；混合交通流运行效率在中等车辆到达率条件下相较于RB策略提升更为显著，在高车辆到达率条件下相较于DRL-B策略提升更为显著；在中等AV渗透率区间，安全性提升效果最为显著。【应用】本研究验证了DRL方法在提升匝道合流区混合交通流效率与安全方面的有效性，为AVs在匝道合流区的推广应用提供了参考。
<正>《交通运输工程与信息学报》为双月刊，双月20号出刊，主要关注交通运输系统（包括道路、铁路、航空、航海等各种交通方式）运营管理与信息化相关创新理论方法研究。尤其鼓励面向国家重大需求与领域热点的探索与创新，如：国家综合立体交通网、交通强国、川藏铁路、碳中和与碳达峰、自动驾驶、大数据与机器学习等。本刊采取双盲审方式审稿，审稿人从以下几个方面对稿件打分：（1）研究内容（参考国内高水平期刊）：创新价值、方法先进性、论证充分性；（2）文字表达：论文题目、中文摘要、英文摘要、文献综述、研究动机与贡献、文字表述。本刊编辑部本着严谨的科学态度认真对待每一份投稿，力争在两周内完成一轮审稿（请及时查询），并给出处理意见和建议。