Los viajeros realizan actividades a bordo utilizando las herramientas que llevan consigo para convertir parte de su tiempo de viaje en tiempo productivo. El tiempo de viaje productivo contribuye a reducir la desutilidad del tiempo de viaje. Este artículo analiza la influencia de las actividades a bordo de los viajeros y de las herramientas que llevan consigo en el tiempo de viaje percibido. En este trabajo se presentan y estudian 10 actividades a bordo y 12 herramientas que llevan los viajeros. Se realiza un cuestionario centrado en el viaje principal de cada encuestado en zonas urbanas, en el que se recoge una muestra de 525 participantes. Se aplican métodos estadísticos como la tendencia central, el chi-cuadrado, el análisis factorial exploratorio (AFE), la prueba no paramétrica basada en rangos y el análisis multivariante de la varianza (MANOVA). Las principales conclusiones son las siguientes: casi todas las actividades a bordo y las herramientas que llevan los viajeros influyen positivamente en la duración del viaje (es decir, la percepción aumenta). Para cada modo de transporte, se obtienen las actividades a bordo más frecuentes que repercuten positivamente en la duración del viaje, y se encuentra la conexión entre cada actividad a bordo y cada herramienta que llevan los viajeros (es decir, asociación de moderada a fuerte). El EPT descubre la relación subyacente entre esas actividades a bordo y esas herramientas que llevan los viajeros y que influyen en la percepción de los viajeros. En este caso, en lugar de la lista completa, se producen menos actividades a bordo y herramientas llevadas por los viajeros para simplificar el hallazgo de sus impactos en el tiempo de viaje percibido. La participación en actividades a bordo se clasifica en función de determinados grupos, por ejemplo, la tendencia de las mujeres a participar en actividades a bordo es superior a la de los hombres. En cuanto al impacto positivo en la duración del viaje, se demuestra una diferencia estadística entre grupos, donde el uso de las herramientas que llevan los viajeros varía según el modo de transporte, el motivo del viaje y la duración del viaje, el sexo, la edad, la educación y la variable del trabajo. Además, la participación en actividades a bordo depende estadísticamente del modo de transporte, el sexo, los ingresos y la propiedad del coche. Los resultados de este estudio ayudan a los responsables de la toma de decisiones y a los planificadores de la movilidad a comprender con más detalle el comportamiento de los viajeros a bordo, como la disponibilidad de herramientas a bordo que afectan a la elección del modo de transporte.

Las imágenes marítimas captadas bajo un entorno de niebla suelen tener un efecto visual terrible, lo que facilita que se pase por alto información importante. Para evitar el fallo en la detección de embarcaciones causado por la niebla, es necesario preprocesar las imágenes captadas con niebla para recuperar información vital. En este artículo, se propone un nuevo marco para la eliminación de la niebla mediante CNN, que consta de dos subredes: el módulo de extracción de características gruesas (C-FEM) y el módulo de fusión de características finas (F-FFM). En concreto, el C-FEM es una red multiescala de extracción de características de bruma, que puede aprender información de tres escalas. Por su parte, F-FFM es una red codificadora-decodificadora mejorada para fusionar la información multiescala obtenida por C-FEM y mejorar el efecto visual del resultado final. Mientras tanto, se diseña una función de pérdida híbrida para controlar simultáneamente la salida multiescala de C-FEM y el resultado final de F-FFM. Vale la pena mencionar que las imágenes marítimas masivas se consideran el conjunto de datos de entrenamiento para adaptar aún más la tarea de detección de buques en un entorno brumoso. Experimentos exhaustivos con imágenes sintéticas y realistas han verificado la eficacia y robustez superiores de nuestro marco de desdibujamiento de visibilidad basado en CNN en comparación con varios métodos del estado de la técnica. Nuestro método preprocesa las imágenes antes de la detección de buques para demostrar que nuestro marco tiene la capacidad de promover la videovigilancia marítima.

Una evacuación eficaz y oportuna es fundamental para paliar el impacto de los huracanes. Por ello, a menudo se buscan modelos de evacuación para apoyar la preparación de las evacuaciones. Una tarea importante en el proceso de modelización es evaluar los factores exógenos que causan la pérdida de capacidad del sistema de transporte durante la evacuación. Los factores típicos incluyen el daño directo a la red de carreteras debido a la marejada ciclónica y los impactos en cascada debidos a fallos en otras instalaciones. Por ejemplo, el corte del suministro eléctrico puede provocar el fallo de las señales y la suspensión del metro. El objetivo de este trabajo es desarrollar un enfoque macroscópico basado en la simulación para estudiar la pérdida de capacidad de la red viaria en caso de evacuación debido a la pérdida de señales como consecuencia de un corte de suministro eléctrico. En particular, para simular el caso en el que las señales de tráfico pierden potencia, se desarrolló y calibró un modelo de reducción de capacidad de intersecciones señalizadas a intersecciones no señalizadas (control de parada en todos los sentidos) utilizando un modelo microscópico creado en SUMO y Synchro. Se utilizó el centro de Manhattan como zona de estudio y se creó una red eléctrica hipotética por barrios. Se construyeron seis escenarios para simular la pérdida de potencia de distintos barrios. Los resultados de la simulación muestran cómo los fallos en cascada de la red eléctrica afectan a la red viaria y al proceso de evacuación.

Se realizó un experimento de conducción real en la sección Wen-Ma de la autopista G4217 Rong-Chang, situada en la provincia de Sichuan, para investigar la ley de impacto del diámetro pupilar de los conductores en grupos de túneles en la autopista montañosa. Se recogieron los datos de movimiento ocular de los conductores y se utilizó la variable de porcentaje de diámetro pupilar (PPDV) como índice de características visuales. El análisis del cambio global en el PPDV de los conductores en las secciones experimentales demostró que el PPDV en los grupos de túnel difería significativamente entre las secciones sin túnel y las secciones de túnel único. Posteriormente, se estableció un modelo relacionado para el VPPD de los conductores y la longitud de la zona de conexión entre túneles, se evaluó su fiabilidad y se obtuvo el valor de mutación suave sobre la base de la teoría de la mutación. A continuación, se elaboró una norma de definición de grupos de túneles basada en el efecto visual de los conductores. Se ideó un enfoque de seis zonas para el análisis de los grupos de túneles, y el resultado reveló que las distintas zonas del grupo de túneles tienen un impacto diferente en el VPPD de los conductores. Los resultados revelaron que las distintas zonas del grupo de túneles tienen un impacto diferente en el VPPD de los conductores. Además, en la sección de salida del túnel deberían establecerse instalaciones de iluminación de transición. El VPPD de los conductores se correlacionó negativamente con la longitud de la zona de conexión de los grupos de túneles, y 100 m es el umbral de longitud de seguridad recomendado para la zona de conexión de los grupos de túneles.

Los ferrocarriles chinos de alta velocidad han implantado la explotación de redes a gran escala con una necesidad urgente de mejora de la capacidad. El concepto de acoplamiento virtual parece ser una solución prometedora que ofrece un nuevo escenario operativo para el ferrocarril de alta velocidad, en el que los trenes forman un convoy cooperativo y circulan de forma sincronizada con pequeños intervalos entre trenes. Los principios de seguimiento de los trenes con la señalización de acoplamiento virtual son muy diferentes de los de los sistemas convencionales de control de trenes. Por lo tanto, es necesario realizar un análisis de la distancia entre trenes en diferentes escenarios operativos para garantizar la seguridad ferroviaria y evaluar las ventajas de capacidad que aporta el acoplamiento virtual. Este artículo propone una posible arquitectura de acoplamiento virtual con referencia a las especificaciones ETCS/ERTMS. Se comparan modelos de tiempo de bloqueo bajo diferentes sistemas de control de trenes y se investigan ocho escenarios típicos de seguimiento de trenes para el acoplamiento virtual, incluyendo casos de llegada y salida de trenes. Se proporciona un análisis detallado de la distancia entre trenes basado en múltiples escenarios y basado en la infraestructura microscópica de la estación y las características tecnológicas del acoplamiento virtual. Todos los resultados computacionales se basan en el modelo de movimiento dinámico del tren. En el estudio de caso se ofrece un análisis comparativo de las cabeceras de los trenes con acoplamiento virtual y CTCS-3. Los resultados muestran que las cabeceras de los trenes pueden reducirse con el acoplamiento virtual. Los resultados muestran que los intervalos entre trenes pueden reducirse sustancialmente con el acoplamiento virtual y están relacionados con la disposición de la infraestructura de la estación.

Para reducir el riesgo de desbordamiento de colas en la carretera urbana menor en la intersección bajo sobresaturación donde la capacidad de las carreteras arteriales y menores muestra una disparidad extrema, reducir los efectos adversos causados por las largas colas de vehículos en la carretera menor, y equilibrar de forma integral los requisitos multiobjetivo como la prioridad de la carretera principal, se establecieron el modelo de colas en carreteras secundarias al final de la vía roja, un modelo de capacidad restante de la carretera y un modelo de control de señales coordinado multiparamétrico, y se utilizó un algoritmo genético multiobjetivo para optimizar esta solución. A modo de ejemplo, la estrategia de control coordinado multiparámetro redujo el retraso por vehículo en aproximadamente un 17y la longitud de la cola en aproximadamente un 30%-50% en la carretera secundaria y aumentó ligeramente el retraso por vehículo en la intersección y la longitud de la cola en la carretera principal. Esta estrategia de control puede aprovechar al máximo la capacidad de la carretera principal para controlar la longitud de la cola en la carretera secundaria, reducir eficazmente el riesgo de que el desbordamiento de la cola de la carretera secundaria bloquee el funcionamiento del tráfico de la red de carreteras locales y equilibrar ampliamente la demanda de tráfico entre las carreteras arteriales y secundarias. Proporciona un método de control de referencia para hacer frente a la transferencia de la contradicción de tráfico principal bajo el estado sobresaturado de la intersección de carreteras con gran disparidad.

El cruce de zonas de obras es un área importante en los proyectos de reconstrucción y ampliación de autopistas porque afecta profundamente a la seguridad del tráfico y a la eficiencia de las obras. Esta investigación establece las diferentes anchuras de apertura de la mediana en el experimento de simulación de conducción, recoge los parámetros de la señal de control de vehículos durante el by-pass de entrada y el by-pass de salida, y analiza las características de conducción en estas secciones. También se han comparado las características de conducción entre el experimento de simulación y la conducción real con la misma anchura de mediana. Debemos establecer la anchura de la mediana por separado porque los resultados muestran que los comportamientos de conducción difieren significativamente entre el by-pass de entrada y el by-pass de salida. Cuando la anchura de apertura de la mediana es de 70 m, el experimento de simulación de conducción y las características de conducción real son bastante diferentes. Sin embargo, ambos muestran que los factores de conducción del by-pass de entrada y de salida no son los mismos. Cuando hay dos carriles en la zona de control del tráfico y el límite de velocidad es de 60 km/h, deberíamos fijar la anchura de la mediana en 90 m para garantizar la seguridad del transporte.

Presentamos un estudio sobre la detección de objetos marinos basado en enfoques de redes neuronales profundas, que son enfoques de vanguardia para el desarrollo de la navegación autónoma de buques, la vigilancia marítima, la gestión del transporte marítimo y otras aplicaciones de sistemas de transporte inteligentes en el futuro. La tarea fundamental de la vigilancia del transporte marítimo y la navegación autónoma de buques es construir un sistema de percepción visual alcanzable que requiera una alta eficiencia y una alta precisión en la detección de objetos marinos. Por lo tanto, es necesario resumir los algoritmos de alto rendimiento basados en el aprendizaje profundo y los conjuntos de datos de alta calidad relacionados con la navegación marítima. Este estudio se centra en resumir los métodos y escenarios de aplicación de la detección de objetos marítimos, analiza las características de diferentes conjuntos de datos relacionados con el mar, destaca la aplicación de detección marina del modelo de la serie YOLO y también analiza las limitaciones actuales de la detección de objetos basada en el aprendizaje profundo y las posibles direcciones de avance. El entrenamiento de redes neuronales industrializadas a gran escala y en múltiples escenarios es un eslabón indispensable para resolver la aplicación práctica de la detección de objetos marinos. Debe proponerse un conjunto de datos de verificación de objetos marinos a gran escala ampliamente aceptado y estandarizado.

En vista de que el algoritmo de agrupación basado en la densidad es sensible a los datos de entrada, lo que se traduce en una limitación del espacio informático y una escasa puntualidad, se propone un nuevo método basado en el algoritmo de agrupación de entropía de la información de cuadrícula para la extracción de puntos calientes de pasajeros de taxi. Este documento selecciona zonas geográficas representativas de Nanjing y Pekín como áreas de investigación y utiliza la entropía de la información y el grado de agregación para analizar la distribución de los puntos de pasajeros. Este algoritmo utiliza una cuadrícula en lugar de los datos de trayectoria originales para calcular y excavar los puntos calientes de pasajeros de taxi. Mediante la comparación y el análisis de los datos de los puntos de carga de taxis en Nanjing y Pekín, se comprueba que los resultados experimentales coinciden con los puntos calientes de pasajeros urbanos reales, lo que verifica la eficacia del algoritmo. Supera las deficiencias de un algoritmo de agrupación basado en la densidad que está limitado por el espacio informático y la escasa puntualidad, reduce el tamaño de los datos necesarios para ser procesados y tiene mayor flexibilidad para procesar y analizar datos masivos. Los resultados de la investigación pueden proporcionar una importante base científica para la orientación del tráfico urbano y la gestión urbana.

Este artículo presenta un método de predicción del tráfico a corto plazo que tiene en cuenta los datos históricos de los puntos anteriores y del propio punto de predicción, así como sus características espaciotemporales. En primer lugar, se propone el modelo de mezcla gaussiana (GMM) basado en la divergencia de Kullback-Leibler y el coeficiente de análisis de relación gris calculado por los datos del periodo correspondiente. Puede seleccionar los puntos aguas arriba que tienen un gran impacto en el punto de predicción para reducir el cálculo y aumentar la precisión en el siguiente trabajo de predicción. En segundo lugar, se discute el modelo híbrido construido por el algoritmo de memoria a largo plazo y vecino más próximo K (LSTM-KNN) utilizando la optimización del lobo gris transformado. En esta parte se utiliza la computación paralela para reducir la complejidad. En tercer lugar, se llevan a cabo algunos experimentos significativos utilizando datos reales con diferentes puntos anteriores, pasos temporales y estructuras de modelos de predicción. Los resultados muestran que el GMM puede mejorar la precisión de los modelos multifactoriales, como las máquinas de vectores soporte, el KNN y el multi-LSTM. En comparación con otros modelos convencionales, el modelo de predicción TGWO-LSTM-KNN presenta una mayor precisión y estabilidad. Dado que el método propuesto es capaz de exportar simultáneamente el conjunto de datos de predicción de puntos ascendentes y de predicción, puede aplicarse a la gestión colaborativa y también tiene buenas perspectivas potenciales de aplicación en redes de autopistas.