Zhengbing He
贺正冰
For any discussion, please feel free to contact me:
he dot zb at hotmail dot com
励志做一名德艺双馨的老学究,曲高和寡
Zhengbing He
Research Interests
Academic Service
Guest Edited Issues
Published Journal Papers
First-author papers have been published in many journals, including
Corresponding-author papers
To download the papers, please go to my ResearchGate page: https://www.researchgate.net/profile/Zhengbing_He/contributions
Accepted/Online
2023
2022 [24]
2021 [17]
2020 [16]
2019 [11]
2018 [11]
2017 [15]
2016 [4]
2015 [6]
2014 [4]
2013 [6]
< 2012 [7]
路网监测-1:城市道路
Zhengbing He, Geqi Qi, Lili Lu, Yanyan Chen, Network-wide Identification of Turn-level Intersection Congestion Using Only Low-frequency Probe Vehicle Data, Transportation Research Part C, 108 (2019) 320-339, 2019
基于浮动车大数据的路网交叉口状态快速检测:首先将城市空间分格,利用道路交叉口前通常存在大量走走停停交通流的特征,通过空间聚类,重构易发生拥堵的道路交叉口。通过浮动车轨迹与网格的映射(与交叉口的匹配),识别转弯方向车辆轨迹,并提取交通状态信息,实现路网交叉口转弯方向交通拥堵的快速诊断,辅助城市交通管理部门进行堵点定位。该方法具有简单、快速、无须GIS地图等特点,适用于大数据条件下对交通拥堵的快速识别需求,以及信控公司、交管部门等的前期市场调研。
路网监测-2:高速公路
Zhengbing He, Zheng Liang, Peng Chen, Wei Guan, Mapping to cells: a simple method to extract traffic dynamics from probe vehicle data, Computer-Aided Civil and Infrastructure Engineering. 32(3):252–267, 2017
基于浮动车大数据的快速路网状态快速检测:首先将城市空间分格,然后通过浮动车轨迹选取、构造对应于实际快速路/高速公路网络的格子网络,并据此构造交通拥堵时空图,进而识别拥堵的时空特征。该方法具有简单、快速、无须GIS地图等特点,适用于大数据条件下对交通拥堵的快速识别需求。
交通时空图-1:超分辨率
Zhengbing He*, Refining time-space traffic diagrams: A multiple linear regression model
April 2022, DOI: 10.48550/arXiv.2204.04457
时空图精炼方法:由于原始数据限制,大多数交通时空图分辨率并不高,经常难以清晰的呈现重要交通现象(如走走停停交通波与交通波方向)。为了提高交通时空图分辨率,提出了一种简单的基于多元线性回归的时空图精炼方法。并且利用来自不同时段、不同路段、以及不同国家的交通数据,开展了详尽深入的验证测试(1-4和1-4-16测试),有力地说明了方法的有效性与可移植性。实现了“骑兵下马”的目标✌️
交通时空图-2:构造方法
Zhengbing He, Ying Lv, Lili Lu, Wei Guan, Constructing spatiotemporal speed contour diagrams: using rectangular or non-rectangular parallelogram cells? Transportmetrica B: Transport Dynamics, 7(1):44-60, 2019
考虑交通波速度的交通时空图构造方法:交通(速度)时空图是进行拥堵分析与瓶颈识别时基础且重要的可视化工具。一般以矩形格子为基本单元进行时空图的构造。该研究通过一系列实证分析发现:以平行于交通波方向的平行四边形为基本单元构造交通时空图,可以更准确地还原交通流时空动态特征。由于交通时空图的重要性,该成果的实际应用前景及影响非常可观。
交通时空图-3:排放估计
Zhengbing He, Wenyi Zhang, Ning Jia, Estimating Carbon Dioxide Emissions of Freeway Traffic: A Spatiotemporal Cell-based Model, IEEE Transactions on Intelligent Transportation Systems, 21(5):1976-1986, 2020
中观交通排放模型:现有交通排放估计模型主要分为两类:基于车的微观排放模型(对数据精度要求高,数据采集难度大)及基于交通指数的宏观模型(未考虑细节交通动态,所以估计精度差)。因此,本研究提出了一种介于两者之间的基于交通时空图的中观交通(二氧化碳)排放估计模型。该模型可以给出交通时空图对应的交通二氧化碳排放,不但很好的考虑了交通流动态性而且具有输入数据易获得的优点。由于各种数据(如路侧检测器、浮动车数据)均可用于交通时空图的构造,因此,可以说:本研究提出的基于交通时空图的交通排放估计模型打开了一扇从各种数据去估计交通排放的“门”,具有重要的实践意义。
数据驱动交通流-1:跟驰
Zhengbing He, Liang Zheng, Wei Guan, A simple nonparametric car-following model driven by field data. Transportation Research Part B. 80:185-201, 2015
非参数跟驰模型:传统交通流模型,均使用数学公式描述车辆的行驶过程。本研究,创造性地直接从车辆轨迹数据库中提取典型驾驶行为,通过搜索历史数据库、匹配相似驾驶场景,得到最可能的驾驶行为,作为模型输出;最终构造完全由数据驱动的车辆跟驰模型。该模型的特点如下:
数据驱动交通流-2:换道
Dongfan Xie, Zhe-Zhe Fang, Bin Jia, Zhengbing He*, A data-driven lane-changing model based on deep learning, Transportation Research Part C, 106(2019): 41-60, 2019
深度学习换道模型:换道是最基础、最重要的车辆行为之一。因此,车辆换道模型也是最重要的交通流模型之一。传统基于数学的方法较难准确刻画涉及变量众多的车辆换道过程。因此,本文应用深度学习技术,分别构造了基于Deep Belief Network和Long Short-Term Memory的车辆换道决策模型与车辆换道过程模型。实验结果不但说明了该模型的高准确性,同时发现了:“目标车道上前车的位置”是影响车辆换道决策的最重要变量。
智能网联自动驾驶-1:无换道交通系统
Zhengbing He, Lili Lu, Liang Zheng, Wei Guan, Erasing lane changes from roads: A design of future intersections, IEEE Transactions on Intelligent Vehicles, 3(2):173-184, 2018
无换道协同交叉口:在未来,当无人驾驶实现后,信号灯将不再是交叉口控制的主要方式;取而代之的可能是车辆间自行协调路权,实现交叉口内的完美“擦肩而过”,即自动交叉口。本文创新性地提出了一种不带转向车道的自动交叉口,即车辆在左转车道上亦可进行右转。未来车辆在这样的路网中行驶,不需要任何换道行为,便可到达目的地。提高效率与安全的同时,有可能(因为不再需要自动换道模型)大大简化自动驾驶技术。 论文不只有苟且,还有诗和远方。致敬《星球大战》!
出匝道
智能网联自动驾驶-2:缓堵
Zhengbing He, Liang Zheng, Liying Song, Ning Zhu, A jam-absorption driving strategy for mitigating traffic oscillations, IEEE Transactions on Intelligent Transportation Systems
吸收交通波驾驶策略:传统缓解交通拥堵的手段主要有匝道控制、交通诱导、可变限速以及需求管理,鲜有新技术与新方法的突破。本研究为了缓解交通拥堵,让车辆反其道而行之,即有目的的引导车辆在到达拥堵点前,慢速行驶,以阻止高密度交通波的传播,为缓解交通拥堵,提供了全新的思路。
智能网联自动驾驶-3:混合交通流
Dongfan Xie, Xiaomei Zhao, Zhengbing He*, Heterogeneous Traffic Mixing Regular and Connected Vehicles: Modelling and Stabilization, IEEE Transactions on Intelligent Transportation Systems, 20(6):2060-2071, 2019
人驾/机驾混合交通流稳定性与驾驶策略:不难想象,未来几年,装有辅助驾驶系统的智能车辆或者辆联网车辆将大量出现在我们的身边。在这样的背景下,本文首先根据联网车辆的特点建立了联网车辆与常规车辆统一跟驰模型,随后通过系统的模型分析,研究联网车辆对交通流稳定性和系统效率的影响。在此基础上,设计了自动控制器(辅助驾驶系统ADAS),通过应用控制器,有效地保持了交通流的快速稳定。
智能网联自动驾驶-4:运动轨迹预测
Kunpeng Zhang, Xiaoliang Feng, Lan Wu, Zhengbing He*, Trajectory Prediction for Autonomous Driving Using Spatial-Temporal Graph Attention Transformer, IEEE Transactions on Intelligent Transportation Systems, 23(11):22343-22353, 2022
自动驾驶车辆周边物体运动轨迹预测:对自动驾驶汽车而言,感知和预测周边物体的运动轨迹至关重要。本研究考虑物体运动过程中彼此的时空交互作用,提出一种图注意力转换器(Graph Attention Transformer)表征交通场景,利用图注意力网络(Graph Attention Network)提取核心特征,并通过Transformer网络预测物体运动轨迹。选取Lyft数据集验证本方法,通过与目前的主流方法对比,说明了本方法在预测精度与计算时间上的优越性。
智能网联自动驾驶-5:换道影响
Jia He, Jie Qu, Jian Zhang, Zhengbing He*, The impact of a single discretionary lane change on surrounding traffic: An analytic investigation, IEEE Transactions on Intelligent Transportation Systems, 10.1109/TITS.2022.3209668
车辆换道对交通的影响:为了计算车辆自由换道(以提高效率为目标的换道)对交通系统运行效率的影响,本研究提出了基于轨迹数据的车辆反应时间计算模型和基于特征点的换道模式分析模型。通过分析ZenTraffic高精度轨迹数据,发现:在换道车辆车速为6-20 m/s的时候,(1)自由换道通常会影响4或5辆车;(2)平均影响时间是12-13秒,并且与“换道车与后车间距”关系较小;(3)车辆换道方向(向左/右)与换道影响车辆数关系较为密切。
大数据:网约车出行特征
Zhengbing He, Portraying ride-hailing mobility using multi-day trip order data: A case study of Beijing, China, Transportation Research Part A, 146:152-169, 2021
基于多天数据的网约车画像:以北京为例,深度挖掘多天网约车订单数据,从区域出行需求以及网约车司机服务选择两个角度对网约车出行进行画像,发现了一系列重要的特征与规律,包括城市使用网约车的时空韵律、网约车出行分布、网约车司机提供服务的时空特征、网约车司机分类等。成果对理解基于网约车的出行活动、预测网约车需求、网约策司机特征建模、网约车管理等具有重要意义。
路径诱导策略
Zhengbing He, Wei Guan, Shoufeng Ma. A traffic-condition-based route guidance strategy for a single destination road network. Transportation Research Part C, 32:89-102, 2013
Zhengbing He, Liang Zheng, Wei Guan, Baohua Mao. A self-regulation traffic-condition-based route guidance strategy with realistic considerations: overlapping routes, stochastic traffic and signalized intersections, Journal of Intelligent Transportation Systems, 20 (6):545-558, 2016.
基于交通状态的路径诱导策略:可变交通信息板是发布路况信息的重要渠道。但受限于城市道路的复杂的拓扑结构,目前的信息发布策略仍无法有效准确的传递令人满意的交通信息。针对该现状,本研究提出了基于交通状态(拥堵程度,而非行驶时间)的路径诱导策略,以满足目前只能发布有限种路段交通状态的可变交通诱导信息板的实际需求。
可持续发展交通:车辆尾号限号
Ning Jia, Yidan Zhao, Zhengbing He*, Geng Li, Commuters' acceptance of and behavior reactions to license plate restriction policy: A case study of Tianjin, China, Transportation Research Part D, 52:428–440, 2017
居民对车辆尾号限号政策态度:以天津市为例,在实行限号措施数月后,发放1000份问卷,调查市民对该措施的态度。通过实证分析,说明了公众接受度对限号政策效果的重要作用,发现了影响该接受度的重要因素,为政策制定者和设计者提供了重要的实证依据与建议
科研项目
教学工作
发明专利与标准
奖励
写在最后
我的研究方向比较多元和交叉,大体可以概括为:站在交通流理论上,交通流理论是我工作的重要基础,保证了研究的理论性与正统出身;以城市拥堵为研究对象,主要关注与城市拥堵直接关联的问题,比如瓶颈、出行时间、交通流特征等,偶尔扯一下间接相关的环境污染与驾驶安全等;左手做智能网联与无人驾驶,入行之初,重点关注的就是车、驾驶行为以及交通流特征,自然向新技术靠拢,也在这个方向上已经取得了一定成果,这是持续关注的研究方向;右手做交通大数据与城市活动性,现今丰富的数据资源也触动了我的神经,2015年以来,做了不少浮动车数据相关的研究,也积累的一定的经验,期望在未来一段时间,通过引入复杂网络等方法与理论走向更综合的研究领域。