东北海陆大通道涉及众多运输节点，各类风险事件不仅会直接影响节点的正常运转，还会通过货流在节点间转移引发网络级联失效，影响通道的高效运行。因此，本文基于复杂网络理论，研究东北海陆大通道运输网络的抗毁性。首先，基于东北海陆大通道多种运输方式的实际，构建多层复合网络，分析网络拓扑结构；其次，选取度中心性、接近中心性、介数中心性、特征向量中心性、聚集系数等指标，构建节点重要度评价体系，设计融入信息熵的改进相关性赋权法——优劣解距离法（CRITIC-TOPSIS），量化节点重要度；最后，基于节点重要度等因素，构建了负载-容量级联失效模型，仿真分析不同参数和攻击模式对网络抗毁性的影响。研究结果表明：当节点重要度排名前10节点失效时，东北海陆大通道运输网络全局效率下降58%，网络连通性下降30%；当节点负载参数α=2、节点容量系数 β=1.4，γ=1.6时，网络应对不同攻击的抗毁性较强。

海峡航道作为船舶运输的重要通道，据国际海事组织统计，其交通事故发生率明显高于其他水域，且呈现显著的时空分布特征。本文针对船舶交通风险的时空差异性特点，综合运用船舶自动识别系统（Automatic Identification System, AIS）数据，融合物元可拓理论与栅格法，构建海峡航道动态风险量化评估体系。在此基础上，以船队运营收益最大化为目标，以总航行风险控制为约束条件，建立混合整数规划模型。该模型能够优化船舶航速配置，运输路径选择，特别是海峡航道的精细化路径规划，并采用Gurobi求解器进行高效求解。基于某航运公司原油运输实际数据的案例，分析验证了模型的有效性：通过动态航速调整和替代路径选择策略，能够有效规避高风险时段和海域；风险阈值与船队总运营收益呈正相关关系；货物运输延误惩罚系数从0增至5%时，总运营收益降幅达7.04%，而从5%增至30%时，降幅仅为3.54%，呈现边际递减效应；低风险阈值条件下，系统对运输需求波动的敏感性相应降低；运输价格每提升5%，总运营收益平均增长率约为5.5%。研究成果可为航运企业制定基于风险偏好的海峡通航策略和运营决策提供科学依据和优化方案。

为提高铁路在“白货”市场的分担率及运输企业利润，本文综合考虑不同货物品类的密度与价值特征，构建门到门铁路与公路运输的效用函数，并考虑托运人的有限理性特征，采用累积前景值刻画其感知效用。在此基础上，建立以铁路运输企业利润最大化和托运人感知广义费用最小化为目标的双层规划模型，结合典型货运通道的算例，采用嵌套累积前景理论-Logit概率分配方法的遗传算法求解得到差异化定价与开行优化方案。研究发现：在[-15%,10%]的运价率浮动区间内，差异化定价结合货物品类的密度与价值特征实施针对性调整，使铁路运输企业总利润提升约26%，市场总分担率提高约5.6%，在利润与市场份额间实现了协同优化。该策略通过对高密度低价值货物实施适度降价与规模化班列组织扩大承运规模，对中密度高价值货物维持较高运价率并依托装载效率优势稳定份额，对低密度货物在需求弹性有限的前提下通过略高运价和合理运力配置提升收益，从而实现针对不同货类特征的精细化调控，既增强了托运人选择铁路的意愿，又提升了企业整体收益。

针对无人机在复杂地形下进行支线运输与末端配送的瓶颈，本文研究由支线无人机机场与配送中心构成的两级物流网络选址-路径优化问题。现有研究多忽略支线与末端无人机功能与成本异质性。为此，本文构建以设施建设、两级差异化运输和时间惩罚成本最小化为目标的混合整数规划模型，联合优化两级设施分布、无人机配送路径和客户服务时效，并设计混合算法，其中，遗传算法用于全局选址与分配，变邻域禁忌搜索用于局部路径优化。通过云南省云龙县实例分析表明，相较于分步决策，所提联合优化方法可使系统总成本降低88.3%；与单级直流网络相比，客户准时送达率提升至91.9%，实现了成本与服务质量平衡。该研究为无人机分布式物流网络规划与运营提供了有效的决策模型与方法。

智能网联车辆（Connected and Automated Vehicle, CAV）为交通信号控制提供了新的数据源与优化机遇。然而，现有方法普遍存在两大局限：其一，多采用固定决策间隔，难以适应交通流的动态变化，导致控制策略的全局最优性不足；其二，缺乏对低渗透率场景下混合交通流复杂交互特征的深入建模，限制了实际应用的鲁棒性。为此，本文提出一种基于近端策略优化（Proximal Policy Optimization,PPO）的动态决策间隔信号控制方法。首先，利用卷积神经网络与多头注意力机制，构建融合CAV与常规车辆（Regular Vehicle, RV）的多源交通状态表征；进而，设计融合动态决策间隔与相位选择的多离散动作空间，自适应生成信号控制策略，平衡决策效率与控制灵活性。在奖励函数设计中，引入累计延误、排队长度与延误标准差的多目标自适应加权机制，协同优化通行效率与公平性。基于实际路网仿真测试模型控制效果，结果表明：在不同交通需求下，本文方法相较于传统离散控制方法，平均等待时间和平均排队长度均降低8.50%以上；尤其在CAV渗透率低至20%时，本文方法仍能保持稳定的控制性能，验证了其在混合交通环境中的有效性与强适应性。

针对城市干线多路径交通需求时变，传统的OD估计方法难以满足信号协调控制对精度与实时性的要求，本文提出一种基于等式约束卡尔曼滤波的干线动态OD估计方法。模型首先建立干线中转向流量与OD之间的时空映射关系，分析信控交叉口上游信号配时对下游车流量到达的关系，增加额外等式关系引入观测方程以提高模型准确性。为确保状态估计满足流量守恒等物理约束，采用带等式约束的卡尔曼滤波方法，并基于最小均方误差原则推导状态修正机制并求解模型。以大连市山东路干线交通为应用案例，结果表明：关键路径OD的平均绝对百分比误差（MAPE）分别为12.3%和17.5%。与传统转向流量模型相比，所提方法在精度上具有一定提升，能更好地捕捉OD流量的时变特征，可以为干线多路径信号协调控制提供可靠的实时输入。

为平衡高速公路合流区网联自动驾驶车辆（CAV）与人工驾驶车辆（HDV）协同控制的安全与效率问题，本文以多智能体近端策略优化（Multi-Agent Proximal Policy Optimization, MAPPO）算法为基础，引入静态与动态双层动作掩码过滤规则，建立基于任务紧迫性、空间临界性和时间风险性的优先级指数，并采用近端策略优化（Proximal Policy Optimization, PPO）裁剪与广义优势估计（Generalized Advantage Estimation,GAE）长程收益估计优化“策略-价值网络”协同机制，提出融合优先级安全监管与动作掩码的混合交通协同合流多智能体近端策略优化算法——Priority-SAAM MAPPO。仿真结果表明，Priority-SAAM MAPPO在基础及复杂异构场景中的学习收敛性好，策略与价值网络协同优化稳定；安全性能方面，基础异构场景碰撞风险率低于4%，较MAPPO下降了50%，复杂异构场景碰撞风险率约8%，优于MAPPO（12%）和QMIX（一种基于单调价值函数分解的深度多智能体强化学习算法，18%）；效率表现上，平均奖励均高于基准算法，且合流区时空密度从无序波动转为规则分布，交通流有序性显著增强，验证了其在合流区混合交通流协同控制中的有效性和鲁棒性。进一步分析表明，Priority-SAAM MAPPO适用于高交通密度和HDV行为异构性强的混合交通流合流控制。

为系统分析不同共乘参与程度对异构自动驾驶车队规模的影响，本文针对由容量为2和容量为4的混合车型组成的异构车队，提出一种基于乘客不同共乘参与程度的共享自动驾驶车辆（Shared Autonomous Vehicles, SAV）调度优化方法，在保障服务质量的前提下，实现资源利用效率与乘客满意度的协同提升。首先，构建请求间可共享性网络，并采用带花树算法求解2人共乘的最大权重匹配问题；然后，引入图论中边收缩概念，将共乘关系进一步扩展至4人，通过重构网络结构得到至多4人共乘的最大权重匹配方案；在此基础上，采用Kuhn-Munkres算法求解最小车队规模问题，获得车辆调度方案。基于成都市真实路网和出租车订单数据的实例结果表明，异构车队有效减少了车队规模，提高了资源利用效率，并降低了燃油消耗与运营成本。敏感性分析表明，随着共乘参与比例从10%提升至90%，异构车队的总规模呈下降趋势，由1174辆下降至331辆，其中，车辆构成由0.94∶0.06逐渐转变为0.05∶0.95；整体车队的行驶时间、行驶里程及耗油量均呈下降趋势，而平均行驶时间、平均行驶里程及平均耗油量均呈上升趋势。此外，共乘通过乘客间的成本分摊有效降低了出行费用，并且平均等待时间与延误时间也始终保持在乘客可接受范围内。

为缓解逆向可变车道交叉口左转流压力导致的通行效率低、运行不稳定及能耗问题，本文考虑不同自动化水平下自动驾驶车辆（Autonomous Vehicle,AV）与网联自动驾驶车辆（Connected and Autonomous Vehicle, CAV）的混行趋势，构建一种可变车道背景下左转车辆的轨迹控制方法。在控制时域内建立以通行效率最大化与能耗最小化为目标的多目标轨迹优化模型，引入AV与CAV在信息感知和协同能力上的差异，实现动态调控车队加减速和变道行为，并采用分支定界算法求解变道信息与行驶轨迹。进一步设计持续型、集中型与均衡型3类典型交通情境，结合不同CAV渗透率进行数值模拟分析。结果表明：轨迹优化控制模型能够有效改善车队的纵向时空分布，降低停车次数与队列波动；在持续型、集中型与均衡型情境下，分别在CAV渗透率为20%、50%与100%时效果最佳，相较于能耗优先与效率优先方法，持续型场景综合指标分别下降约51.5%与38.9%，集中型分别下降16.2%与40.8%，均衡型情境分别下降10.7%与33.2%；同时，轨迹控制模型在车头时距与可变车道长度变化下表现出较强的鲁棒性。

自动车辆识别（Automatic Vehicle Identification, AVI）轨迹数据是构建智能交通系统的重要数据基础，但实际应用中常受限于错检和漏检造成的轨迹缺失问题。针对现有轨迹重构方法难以关注全局时间背景与局部边界信息的问题，本文提出一种融合时序感知与边界损失的车辆轨迹重构方法。该方法以Transformer编码器-解码器架构为主体框架，首先，设计时间嵌入模块，融合车辆轨迹序列结构与全局时间背景信息，形成统一向量表示；然后，利用编码器-解码器捕捉轨迹序列的深层依赖关系，并以自回归方式生成重构结果；最后，引入双向边界损失并与标准解码损失进行联合优化，强化模型对缺失轨迹边界强约束信息的关注。在近42万条真实车辆轨迹数据上的实验结果表明，本文方法在缺失率为10%、30%和50%这3种情况下，轨迹重构准确率分别达到95.57%、93.62%和86.36%，各项重构性能指标均优于多种对比基线方法。研究结果表明，全局时间背景感知与局部边界信息约束相结合的策略，能提升深度学习模型在车辆轨迹重构任务中的性能，提高智能交通系统数据完整性。

为提高智能驾驶车辆途经公路作业区时的行驶安全性，本文提出一种针对智能驾驶感知特性的动态路径规划算法。首先，针对公路作业区段的道路环境，基于势场理论构建道路边界势场、车道线势场、车辆势场以及公路作业区势场；然后，基于建立的多源势场，通过归一化和权重分配，构建公路作业区路段融合势场，并提出基于时间滑动的动态低势场通道路径规划算法（D-LPC）；最后，通过仿真实验评估路径轨迹、速度曲线、最小作业区距离、加速度曲线、Jerk指标、路径曲率和通行效率等关键指标，并与典型路径规划模型进行对比，验证D-LPC算法在安全性、舒适性及通行效率方面的优越能力。结果显示，车辆在作业区的最大和最小速度分别为118.80km·h^-1和60.12km·h^-1，与作业区的最小距离为2.85m，总通行时间为272s，平均速度61.81 km·h^-1，在保证安全的同时维持了高效的通行效率。研究成果可为智能驾驶车辆在作业区场景下的实时安全动态路径规划策略提供理论和技术支撑，对提升自动驾驶车辆在非结构化环境中的适应能力与自主规划能力具有重要意义。

为提升智能汽车在低能见度条件下的紧急避障性能，本文基于无人机现场实测交通流数据，构建低能见度环境下的轨迹规划与自适应优化模型。首先，建立融合连续评分与监督学习的转向决策机制。结果表明，在低能见度条件下，模型方向判定一致率达93%，较传统阈值法提升39.6%，平均响应时间为0.12s，避撞条件触发的准确率达96%。其次，分别采用五次多项式法与分段式四阶贝塞尔法进行1000次轨迹生成仿真。对比结果显示，前者平均运行时间为0.0461s，后者为0.0385s，计算效率提高16.45%；贝塞尔法的最大曲率变化率为0.003m^-2，显著低于五次多项式法的0.094m^-2，表明其轨迹平滑性与实时性更优。进一步，提出能见度与附着系数双因子微调机制实现动态修正。当能见度为440~490m、附着系数为0.54~0.60时，中段控制点修正最为显著，横向偏移增幅约3.8%；当h_vis≥470m、μ≥0.57时，曲率变化率稳定在0.027 m^-1·s^-1以内，系统响应时间小于0.12s。研究结果验证了双因子自适应优化模型在低能见度与低附着工况下的有效性与鲁棒性，可为复杂气象条件下智能汽车的轨迹控制与安全避障提供可工程化的实现路径。

智能网联汽车（Connected and Automated Vehicles, CAVs）可实时获取周边车辆行驶状态信息，能在保障公交车辆优先通行的基础上充分利用道路设施资源。本文首先剖析混行交通流跟驰模式，并利用Waymo数据集进行参数标定；提出融合风险感知的CAV换道模型，构建城市干道混行交通流仿真模型，分析动态公交专用道场景下混行交通流运行效率与风险特征；进一步考虑CAV渗透率、普通车道交通需求，以及公交站点位置变化的影响，探讨车道管控策略的适应性。研究结果表明，考虑风险的智能专道场景，公交车行程时间增加了4.8%，交通流人均行程时间降低了23.1%，CAV换道次数较无风险智能专道场景减少了50.8%。当CAV渗透率在[0.5,0.8)、普通车道流量在[600,900]pcu·h^-1及公交站点位置位于[50,250]m范围内，或当CAV渗透率处于[0.8,1.0]且普通车辆流量在(900,1400]pcu·h^-1及公交站点位置位于[50,450]m时，智联专道管控策略具有更好的交通流运行效益。

编制动车组乘务交路计划是高速铁路运输组织的关键技术环节，编制质量直接影响运营乘务成本和乘务员工作效率。针对单基地固定区段动车组乘务交路计划编制问题，提出“少班快转、便乘优先和过夜均衡”优化编制策略，构建兼顾降低运营乘务成本，提高乘务员工作效率及尽可能满足乘务员工作偏好的多目标两阶段优化模型和算法。第1阶段，实施“少班快转”优化策略，构建以最大化乘务区段接续数量和最小化乘务区段总接续时间为双层优化目标的数学模型，设计融合基于帕累托前沿的信息素增量分配策略和混合精英策略的改进蚁群算法，求解获得乘务员数量最少的初始乘务区段接续组合；第2阶段，实施“便乘优先和过夜均衡”优化策略，以第1阶段的优化结果为基础，建立以最小化便乘和异地过夜补贴总费用为优化目标的数学模型，设计启发式算法求解，获得综合最优的乘务交路计划。以兰州局管辖的徐兰高铁动车组开行方案数据为实例，测试模型和算法，求解结果验证了所提出方法能快速求出动车组列车成对开行和非成对开行情形下的乘务交路计划。所提出的优化策略和编制方法可为优化动车组乘务调度提供兼顾经济效益与人员满意度的决策支持，对同类资源优化调度问题也具有参考价值。

随车机械师日常运用中存在大量加开交路、学习、请假等可预知的任务变动，导致乘务排班计划频繁调整。然而，传统方法的调整能力较弱，难以满足计划稳定性和工作量均衡的需求。因此，本文针对随车机械师的工作特性，构建乘务排班计划优化模型。该模型以任务调整数量最小为主要优化目标，以工作量均衡为次要目标，并引入工时上限、大休安排、多日任务接续等多种约束条件以确保计划的可行性和合理性。此外，模型还针对异地机械师调度问题进行扩展，考虑便乘时间对任务安排的影响。通过线性化技术，将模型转化为线性的0-1规划问题。案例基于青岛北动车所真实数据进行研究，并利用商业求解器GUROBI求解。结果表明：当发生36次可预知任务变动时，本文模型仅引发32次任务调整，而传统方法则需352次，调整次数仅为传统方法的9.09%；同时，模型将随车机械师工作量的最大偏差控制在单个值乘任务范围内，为1645，仅为传统方法的38.7%。

为提升高铁快运服务通达范围和服务效能，在载客动车组捎带模式下，从高铁网络的视角全局优化高铁快运服务方案。通过构建时空扩展网络，准确刻画快件在高铁网络中的服务作业要求和流程。将实际的快件运达期限约束、装载时间约束及列车服务能力约束等转化为时空扩展网络的弧段以及节点的制约关系，并构建以快件运输时间最短为优化目标的快件服务方案多商品流模型。为打破传统分解算法对偶解的对称性问题，设计基于交替方向乘子法的对偶分解算法框架，将快件在高铁网络中的服务方案优化问题分解为关于单个快件在时空扩展网络中的最短路径问题。以银西高铁、西成高铁和郑西高铁等7条高铁线路及动车组列车组成的运营网络为背景，验证高铁快运服务方案优化模型的正确性及算法的高效性。案例结果表明：网络模式相对于单线模式减少了约45.7%的快件滞留量，跨线快件的运输效率提升尤为显著，滞留量降低了92.5%，大幅度提升了快件的运达效率和服务范围。研究成果为高铁快运的网络化运营实践提供了重要理论支撑。

针对既有高铁动态定价研究中预售时段划分方式较为单一的问题（主要采用“一刀切”方式），本文提出考虑不同列车购票时段分布差异的高铁列车差异化动态定价与席位分配协同优化方法。考虑到预售期内各列车购票时段分布差异性，将分布特征相似的列车归为一类，针对不同类型列车设置差异化的动态定价时段划分方案，同类列车采用相同预售时段划分方案。为预售期每天建立旅客弹性需求函数，考虑列车席位能力、需求及票价上下界等约束，以最大化铁路客票总收益为目标，建立高铁列车差异化动态定价与席位分配协同优化非线性混合整数模型，并通过线性松弛和外近似技术对其进行线性化处理，利用Gurobi求解。采用广深高铁实际算例验证所提出优化模型和方法的有效性，相较于不划分预售时段和不采取动态定价的传统固定价格模式，优化后铁路客票总收益和旅客周转量分别提高13.49%和4.79%。本文可为铁路部门制定动态定价方案提供理论支持与实践参考，助力实现高铁收益最大化目标。

利用高铁客运非高峰期的运能开展高铁快运已成为铁路快捷货运发展新趋势。然而，高铁快运的定价与货流分配相互耦合，共同影响高铁快运系统的运营效率和经济效益。针对运价与需求的弹性关系以及需求不确定性带来的挑战，本文研究高铁快运定价与货流分配协同优化问题，构建考虑弹性需求、随机需求、运价上下界、列车运能和车站装卸能力等约束的两阶段随机非凸非线性规划模型，以最大化高铁快运系统期望净利润。采用外部分段近似线性化和双线性化等技术，将该模型转化为凸二次约束规划模型，并提出结合原始搜索策略的Benders分解算法进行求解。算例结果表明：与确定性模型相比，所提模型在降低运输成本的同时实现更高利润与收益，且各项指标的标准差更低，鲁棒性更强。与求解器的对比实验表明，所提算法在求解效率和质量上具有优越性能：在中小规模的5组算例中，所提算法与求解器的目标函数值之间的相对差值均在1×10^-4以内；在大规模算例中，所提算法在683.6s内获得结果，而求解器无法在规定时间内完成求解。在郑西高铁线路的应用中，所提方法实现期望净利润1465.35万元，验证了所提方法通过吸引更多快递需求，并合理分配快递到运能有限的列车上，实现需求与运输资源的有效匹配，从而显著提高了系统的运营利润。

以燃油车为主导的旅游客运车辆具有高频运行、长时间载客与能耗显著等特征，其能耗机理与城市公交车和货运车辆存在本质差异。为实现旅游客运车辆生态驾驶的精确能耗测算与策略优化，本文提出一种基于灰色关联分析-极端梯度提升（GRA-XGBoost）建模与强化学习优化相结合的多目标生态驾驶方法。首先，基于实测运行数据构建能耗特征数据库，采用灰色关联分析筛选关键影响因子，建立高精度能耗测算模型；其次，基于近端策略优化算法设计生态驾驶策略的状态空间、动作空间和奖励函数，构建涵盖经济性、舒适性、安全性与效率的多目标优化框架，引入安全避撞模块强化决策安全约束；最后，在SUMO仿真平台验证模型有效性。结果表明，本文构建的能耗测算模型均方根误差为0.0061，平均绝对百分比误差为3.1%，相较基准跟驰模型（Krauss）与换道模型（LC2013），低交通流量场景下车辆能耗降低16.88%，高交通流量场景下降低8.86%，且行车平稳性与安全性均显著提升。本文研究为旅游客运车辆的生态驾驶控制与节能优化提供了有益的参考与技术支撑。

为提升需求响应定制公交吸引力，本文探讨考虑乘客偏好的两阶段需求响应定制公交线路优化问题。静态阶段，在时空聚类算法基础上挖掘乘客偏好车辆服务类型，并用外生参数表征站点乘客偏好，将其融入需求响应定制公交线路优化模型中。该模型以最小化车辆固定成本、车辆可变成本、运行时间成本和未提供乘客服务的惩罚成本之和为目标，同时，优化车辆线路、车辆到站时间和车辆服务站点后的乘客数量，并设计自适应大邻域搜索算法（ALNS）生成静态阶段初始解。动态阶段，从在车乘客自主决策接送需求视角出发，引入群体决策函数判定车辆是否接送动态请求，并设计动态请求分配算法，在满足乘客偏好、时间窗约束和车辆容量约束下，更新静态阶段生成的初始线路。最后，以北京市公交出行数据为实例验证分析，结果表明：与单阶段静态模型相比，两阶段需求响应定制公交网络设计模型，上车人数增加2.78%；与时空聚类策略相比，融合乘客偏好聚类策略使车辆总运行成本仅增加17.23%，就能满足静态阶段乘客偏好；与不考虑群体决策相比，在群体决策框架下，需求响应定制公交绕行距离减少33.33%，该方法能够为需求响应定制公交线路规划提供决策支持。

针对定制客运中乘降点与车辆路线分步优化导致的效率损失问题，本文提出一种动态乘降点与车辆路线联合优化的方法。首先，构建多目标联合优化模型，以最小化乘客出行成本、最大化企业运营效益为目标，在约束中限定乘客需求点仅能通过接驳或车辆路线进行连接，并引入多车型容量限制，同步优化乘客上下车时空安排与车辆服务计划；然后，设计一种混合启发式算法，以NSGA-III（Non-dominated Sorting Genetic Algorithm III）为框架，融合差分进化和自适应大邻域搜索，协同实现全局探索与局部精修；此外，同时集成ST-DBSCAN（Spatial-Temporal Density-Based Spatial Clustering of Applications with Noise）算法，从需求点中识别动态乘降点并引导种群进化；最后，以重庆主城至铜梁区为例进行验证。结果表明：所构建的联合优化模型能在不同需求规模下自适应选择最优车型配置，并协同优化服务效率与运营效益；所提算法能表现出更优的收敛性能与解集分布质量。实际运营中，联合优化使乘客平均接驳距离大约降低至未联合优化的1/10，单次运营利润增加31.62元，载客率提升2.77%。

即时消费需求的快速增长使外卖配送成为城市居民日常生活的重要保障。以电动自行车为主的外卖配送在雨天面临效率骤降、订单延迟与履约率下降等问题。有限的研究分析外卖配送系统韧性并解决。本文提出基于链路可靠性与系统恢复概率的建模方法度量降雨扰动下的外卖配送系统韧性。根据服务效率与恢复时间构建配送链路韧性指标，刻画单次配送任务在降雨扰动下的性能变化与恢复特征；引入链路失效概率与系统恢复时间，建立配送系统韧性度量模型，量化不同降雨强度下外卖配送系统韧性。本文以广州市为例，采集624.37万条有效的外卖配送轨迹与订单数据。研究结果表明，降雨条件下，平均配送速度为10.8km·h^-1，较无降雨下降22.3%；平均配送时间为13.2min，延长16.3%；在小雨、中雨和大雨条件下，配送链路韧性分别下降16%、18%和22%，其中，晚高峰降幅较其他时段低12.4%；降雨强度每增加10mm，系统韧性下降约1.4%；居住区周边外卖配送对降雨扰动最为敏感，其韧性下降幅度较其他区域平均高出50%以上。

针对稀疏与低质量轨迹数据所引发的路径跳变、匹配歧义和通行时间估计不准等问题，本文提出一种基于结构-行为联合建模的生成式路径推理框架。该框架通过3个核心模块实现端到端推理：首先，采用变分自编码器从原始轨迹中学习风格潜变量，以刻画个体在路径选择与通行速度上的行为偏好；其次，设计双头Transformer解码器，在风格变量与上下文注意力机制的协同引导下，同步生成完整路径结构与逐段通行时间；最后，引入不动点理论构建路径-时间闭环映射，通过残差约束确保输出结果的物理一致性与结构稳定性。在波尔图出租车数据集与成都数据集上的实验结果表明，在30~180s的稀疏采样条件下，本文方法在路径匹配准确率上显著优于隐马尔可夫模型、深度匹配模型和学习生成地图匹配模型等基线模型。在极端稀疏场景下平均提升超10个百分点，且推理延迟始终低于0.11s。消融实验揭示了各组件的不可或缺性：风格建模是行为一致性的核心，不动点调优保障了拓扑合理性，而多注意力机制则直接决定了时间预测的精度。

为解决道路交通事故数据中普遍存在的样本不平衡问题，并精准识别事故严重程度的关键致因，本文提出一种基于混合采样与可解释机器学习的分析框架。针对传统模型在非平衡数据下对少数类（严重事故）预测性能差的缺陷，本文先采用ADASYN（Adaptive Synthetic Sampling）过采样与Tomek Links欠采样相结合的混合方法对美国Kaggle交通事故数据集进行平衡处理；随后，分别构建基于逻辑回归、K近邻、决策树和随机森林4种机器学习预测模型；引入混淆矩阵作为评价体系，评估模型对各类事故严重程度的预测能力；最后，应用SHAP（SHapley Additive exPlanations）算法对模型关键影响因素进行分析。结果显示：混合采样显著提升了模型性能，随机森林模型表现最优，其F1值达到0.798，较非平衡数据下提升25.7%；随机森林模型特征重要度分析结果表明，交通事故的主要影响因素为昼夜情况、温度、湿度、能见度和风速，且低能见度、高湿度情况下易引起较严重的交通事故。结论表明，本文采用的混合采样方法能有效提升模型对严重事故的识别精度；SHAP分析进一步揭示夜间、低能见度和高湿度等环境组合是诱发严重事故的关键风险场景，为交通安全精准预警与干预提供科学支撑。

为精准评估人机混驾环境下交织区的交通安全水平，本文提出一种基于交通冲突的改进灰色定权聚类评价方法。首先，通过无人机高空定点航拍采集缓行与畅行两种交通状态下的车辆运行视频数据，通过轨迹提取与清洗，提取速度、加速度、换道行为及追尾冲突等核心特征参数；基于实测数据在SUMO仿真平台构建仿真场景，完成人工驾驶与自动驾驶车辆的行为参数标定。其次，选取小时交通量、自动驾驶渗透率、大车比、交织比、交织流量比、交织长度、道路纵坡这7个交通冲突影响因素，设计正交仿真实验，采用负二项回归方法构建交通冲突计算模型；以交通冲突发生率为评价指标，基于灰色定权聚类方法，结合组合赋权与正弦曲线型可能度函数，提出一种改进的安全评价方法。最后，以重庆市某典型交织区为实例开展仿真样本对比验证，选取改进的灰色定权聚类、直线型灰色变权聚类、直线型灰色定权聚类这3种评价方法进行性能对比。结果表明：改进评价方法的安全等级判定准确率达98%，直线型灰色变权聚类与直线型灰色定权聚类的判定准确率分别为78%和94%；相较于后两种方法，改进方法的安全等级判定精度更高，适用性更优。总体而言，本文提出的评价方法可为自动驾驶准入等政策制定提供支撑。

进口集装箱堆存问题因卸船顺序与提箱顺序的矛盾以及堆场资源约束而呈现高度复杂性。针对这一挑战，本文面向自动化垂直布局堆场，提出一种基于深度强化学习的两阶段堆存决策方法。该方法将堆存过程建模为马尔可夫决策过程，在框架上引入“堆区决策-堆位决策”的分阶段结构，有效降低状态与动作空间的维度，并结合差异化奖励函数，将均衡堆区利用率、翻箱次数和提箱移动距离作为优化目标。算法设计上，第1阶段采用深度Q网络（DQN）实现堆区选择，第2阶段引入对偶深度Q网络（DuelingDQN）提升复杂状态下的堆位选择效率。实验结果表明，该方法能够在全堆场范围内形成均衡的堆存策略：在不同堆场密度和集装箱批量场景下均表现出稳定适应性，平均翻箱率控制在15%~27%，平均移动贝位数最大值为3.84贝·箱^-1，分别较实际数据降低约61.5%与38.7%。与单阶段DQN、两阶段近端策略优化（PPO）和启发式算法相比，本文方法在收敛效率、决策效果和鲁棒性方面均具有明显优势。本文不仅验证了分阶段建模与差异化奖励机制在复杂堆存问题中的有效性，还为大规模自动化堆场的调度与资源优化提供了具有推广性的解决方案。

集装箱港口能源与物流协同调度是推动港口可持续发展的重要抓手。为应对风光发电波动性，通过拉丁超立方抽样和k-means聚类方法生成风光出力随机场景，综合考虑船舶到港计划、港口作业设备状态、能源供需平衡及氢能集卡引入，以港口用能成本与碳排放成本最小化为目标，建立考虑条件风险价值（CVaR）的能源-物流协同调度模型。仿真结果表明：所提调度策略不仅不影响船舶靠离港时间，且显著降低系统运行成本29.65%和碳排放成本12%；引入氢能集卡有助于提升调度灵活性并降低运营成本，但当电氢能集卡配比高于1∶2时，氢能集卡的增加将不再带来成本效益；CVaR协同调度方法能够有效控制极端场景下运营成本风险，为港口实现可靠、经济且低碳的运营目标提供了科学依据。

超充设施可满足配备大容量电池组电动集卡的快速补能需求，同时具有良好的技术成熟度和设施通用性，是推动港口集疏运领域电动化转型的关键支撑。然而，超充设施大规模部署不仅涉及交通系统内部效率优化，高功率充电负荷还可能对配电网形成显著冲击。本文提出考虑交通-电力两网交互的电动集卡超充设施协同规划方法。首先，针对多类型集装箱运输任务的能耗异质性特征，构建充电需求空间分布模型，准确刻画进出口和重空箱等不同运输模式下车队充电调度决策；其次，建立充电站容量配置双层优化框架，上层协调运输企业、充电运营商和电力公司等多方利益，下层刻画集卡车队充电选择均衡与电力系统运行均衡，并通过节点边际电价（LMP）实现两网交互。实例分析表明：本文方法使社会总成本降低7.66%，平均LMP降低54.53%，有效缓解了集中充电负荷对配电网冲击；优化后充电设施呈现多中心网络化布局，铁路枢纽和内陆集散区域成为充电中心，实现充电便利性与电网经济性平衡；在中等需求水平下协同规划方法效果显著，且能准确识别投资边际收益递减点。

交通流预测是智能交通系统的核心能力，可支撑交通管理部门的实时调度与路网优化。然而，高速公路交通流在时间上变化剧烈，在空间上呈现动态关联，使得静态拓扑难以准确刻画路段间的依赖关系，同时预测视距增加时误差易快速累积，进一步加大建模难度。为此，本文提出两级自适应时空网络模型（TLASTN）。模型首先通过多尺度卷积与双向门控循环单元（BiGRU）提取时间序列特征，捕捉多尺度时序模式；随后在逐帧动态图上进行两级空间建模：第1级以路段特征相似为主，结合路网拓扑距离进行约束，从而生成稀疏化动态邻接并形成掩码，用于筛选物理合理的候选邻居；第2级在该掩码约束下采用图注意力机制，对候选邻居分配动态权重，以刻画不同交通状态下的精细化空间依赖。预测框架采用共享编码器与独立卷积预测头的分层结构，可同时支持5、15、30、60min多视距预测。在福建省G15沈海高速和G25长深高速电子收费系统（ETC）门架数据上的实验表明，TLASTN在所有视距上均取得最优性能，其中，在G15上，相比先进基线模型的平均绝对百分比误差（MAPE）指标降低3.0%~5.9%。研究表明，在逐帧动态图上采用两级空间建模能够有效提升动态场景下的交通流预测精度，为高速公路运行管理与决策提供可行技术方案。

为明确驾驶人通过城市地下道路接入口时的眼动特性，选取重庆市渝中区解放碑地下环道，利用Tobii-Glasses-2可穿戴式眼动仪，采集40名驾驶人通过8类接入口时的眼动特征，统计驾驶人瞳孔面积、眨眼频率和扫视幅度等指标，并按接入口功能与方位分类，进行DEA（DataEnvelopmentAnalysis）评价，明确影响地下道路接入口布局对驾驶行为影响的重要指标。研究结果表明：弯道接入口驾驶人瞳孔直径均值达4.401 mm，显著高于直线段（4.183mm）和相邻接入口（4.123mm）；联络道接入口视觉效率最佳，其综合效率为DEA强有效，水平扫视速度均值为261.698pixel∙s^-1，高于其他类型接入口；直线段左侧接入口瞳孔直径均值（4.213mm）高于右侧（4.078mm），且综合效率小于1；组合型接入口综合效率为DEA强有效，其眨眼频率为0.607次∙s^-1，高于接入口S（0.587次∙s^-1）和接入口C（0.591次∙s^-1），且瞳孔直径为4.123mm低于接入口C（4.401 mm）和接入口S（4.183mm）。研究结果揭示了地下道路接入口布局对驾驶行为的影响机制，可为优化城市地下道路接入口布局及提升行车安全提供更全面的理论支持。

为科学评估城市轨道交通网络脆弱性，保障城市交通系统安全、稳定及高效运行，本文提出一种融合交通社区结构和实际客流分布的网络脆弱性评估框架，弥补现有方法缺乏考虑社区结构特征的缺陷。首先，本文构建考虑换乘站影响力增强的改进Louvain算法（Transit-Enhanced Louvain,TEL）划分轨道交通网络社区，引入换乘边权重调节函数，动态优化社区划分的紧密性；其次，基于社区划分结果，设计以站点社区重要度、社区间重要度和社区内重要度为核心的节点社区性指标，将其与节点客流强度融合，构建累计综合重要度（Cumulative Comprehensive Importance, CCI），实现准确识别关键节点；最后，利用北京市城市轨道交通的真实数据集进行实例验证，从网络效率、相对连通子图和客流绕行比例3个方面，评估蓄意攻击下城市轨道交通网络的性能变化趋势。结果表明，当换乘站影响力增强系数为1.4时，TEL算法所得模块度最高为0.8223，优于其他基线模型；基于CCI指标的站点序列蓄意攻击，Top10%站点失效将导致全网网络效率下降78.1%，相对连通子图下降83.3%，客流绕行比例上升86%，网络失效效率显著高于传统方法，验证了本文模型的有效性，为识别网络关键节点及城市轨道交通系统韧性提升提供科学的决策依据。

为系统评估共享单车实际调度从而开展精细化运营，本文引入共享单车内循环区作为基本空间单元，提出调度评估与分类管控框架，并对上海市进行实证研究。首先，利用共享单车开关锁数据识别骑行和调度行为，并结合社区发现算法和空间邻近性识别出共享单车内循环区。其次，构建包含跨区调度占比、批量调度占比、长距离调度占比、平均调度距离和调度强度的多维评估指标体系，量化调度行为的运营效率和空间结构。在此基础上，运用k-means聚类算法对共享单车内循环区进行分类。结果表明，研究区域被划分为200余个共享单车内循环区，其调度模式呈现显著的空间异质性，例如，中心城区与外环路周边的跨区调度占比较高，而西南市郊区域则是批量调度占比与调度强度较高。此外，通过聚类得到“市区成熟型”“零散长调度型”“市郊拓展型”“郊区低效型”这4类区域，并针对各自调度特征提出稳定维护增效、优化投放策略、集约模式调整和精准缩减运营等差异化管控策略。

针对国省干线人因交通事故的异质性特点，提出一种事故链式因果推断方法，实现交通事故因果机制辨识与交互效应量化的同步解析。首先，采集新疆11条国省干线近年交通事故信息构建数据集，利用K-prototype 聚类算法将事故严重程度分为3类；其次，基于结构因果模型、因果森林及SHAP（SHapley Additive exPlanation）算法构建链式因果推断模型，推理出事故关键致因链、多维诱因交互效应及事故类别概率预测值，解析“场景组合-人为要素-事故类别”的链式传导特征及异质性特点；最后，基于SHAP值分析多维要素贡献度，并结合因果效应强度划分行为致因类别，辨识出事故关键人为致因，提出具有针对性的事故防控策略。结果表明：本文所提方法的加权平均F1得分与宏平均AUC（Area Under Curve）值分别为0.86与0.82，相对高于常用的机器学习算法，且克服了传统关联模型难以实现多因素交互作用机制刻画与效应量化的局限，适宜人因事故异质机理解构分析；由致因链分析可知，人为要素为事故主要致因，天气和时段等环境要素对事故后果均有显著影响，恶劣环境与危险行为的综合作用对事故程度升级具有非线性影响作用；超速行驶、疲劳驾驶、跟车过近与观察不周为核心行为致因，营运类车辆出现上述行为后事故严重程度相对较高，严重型事故占比超过50%，应重点进行事故监测与防控。