领域1: 交通韧性建模及应急疏散优化方法

  课题组专注于探索交通韧性与应急管理领域的交叉核心问题，主要包括交通网络韧性建模方法、城市群应急交通疏散优化技术与突发事件下的交通行为。

l  交通网络韧性建模方法

   课题组基于交通韧性理论，提出了交通网络韧性模型与仿真方法，主要包括基于宏观交通基本图和元胞传输模型的新型动态交通仿真模型，交通韧性投资的平衡曲线模型，并进一步完善了交通韧性建模理论与方法。

交通韧性平衡曲线模型

l  城市群应急交通疏散优化技术

  课题组基于交通韧性理论，进一步研究应急交通疏散优化模型，实现大规模突发事件下的城市群应急交通管控优化，针对应急交通流在时间和空间上的不均匀性质，提出了应急交通流时空均匀疏散最优控制定理，证明了时间上均匀疏散可以达到系统全局最优；此外，该研究方向还提出了两种疏散交通控制策略，解决了特大城市群的交通疏散策略优化问题。

城市群疏散时空交通流优化结果

l  突发事件下的交通行为模型

  基于交通韧性属性变化和应急交通流分布规律，课题组进一步挖掘突发事件下的交通行为：结合人车流、航空流量等时空大数据，挖掘人员流动规律及交通管控有效性，并提出交通管控政策建议，课题组发现了突发事件下的交通流溢出效应和涟漪效应。

 

新冠疫情湖北交通流量溢出效应             全国航空交通流量涟漪效应

领域2: 交通大模型技术与应用

课题组专注于人工智能方法在交通领域的垂直应用，将大语言模型与交通专业模型结合，构建交通大模型，实现人与交通大模型的自然语言交互和模型的自动演化。

交通大模型技术框架

我们开发的交通大模型TrafficGPT可以实现零代码，以问答的方式实现交通的闭环管理。

TrafficGPT以问答式提出交通管控方案

领域3: 自动驾驶下的交通感知与控制技术

  课题组专注于探索自动驾驶与交通控制的交叉核心问题，主要包括车辆行为预测模型、交通状态感知与估计模型、基于机器学习的交通控制技术。

l  车辆行为预测模型

   课题组聚焦驾驶行为预测问题，提出了自适应换道预测模型，能在不同的道路条件下不断调整预测阈值，提升精度，为自动驾驶交通控制的实时调整提供了技术和方法。

自适应换道预测模型应用场景

l  交通状态感知与估计模型

   基于驾驶行为预测结果，课题组提出一种面向智能网联环境的交通状态感知与估计模型，可以实现低网联车渗透率环境下的交通状态的精准感知和估计，为城市道路场景和高速公路场景下的交通状态估计与交通控制提供模型和方法。

基于低渗透率网联车轨迹数据的交叉口流量估计模型

l  基于机器学习的交通控制技术

   基于交通状态估计结果，课题组提出了基于机器学习的交通控制技术，实现了在城市道路环境的交通信号灯智能调控和高速公路环境下的CACC智能控制，相关模型和技术在柳州、天津等城市实现了落地应用。

基于深度强化学习的交通信号控制模型