Big data is becoming a research focus in intelligent transportation systems (ITS), which can be seen in many projects around the world. Intelligent transportation systems will produce a large amount of data. The produced big data will have profound impacts on the design and application of intelligent transportation systems, which makes ITS safer, more efficient, and profitable. Studying big data analytics in ITS is a flourishing field. This paper first reviews the history and characteristics of big data and intelligent transportation systems. The framework of conducting big data analytics in ITS is discussed next, where the data source and collection methods, data analytics methods and platforms, and big data analytics application categories are summarized. Several case studies of big data analytics applications in intelligent transportation systems, including road traffic accidents analysis, road traffic flow prediction, public transportation service plan, personal travel route plan, rail transportation management and control, and assets maintenance are introduced. Finally, this paper discusses some open challenges of using big data analytics in ITS.

Given rising energy prices and environmental concerns, train energy-efficient operation techniques are paid more attention as one of the effective methods to reduce operation costs and energy consumption. Generally speaking, the energy-efficient operation technique includes two levels, which optimize the timetable and the speed profiles among successive stations, respectively. To achieve better performance, this paper proposes to optimize the integrated timetable, which includes both the timetable and the speed profiles. First, we provide an analytical formulation to calculate the optimal speed profile with fixed trip time for each section. Second, we design a numerical algorithm to distribute the total trip time among different sections and prove the optimality of the distribution algorithm. Furthermore, we extend the algorithm to generate the integrated timetable. Finally, we present some numerical examples based on the operation data from the Beijing Yizhuang subway line. The simulation results show that energy reduction for the entire route is 14.5%. The computation time for finding the optimal solution is 0.15 s, which implies that the algorithm is fast enough to be used in the automatic train operation (ATO) system for real-time control.

Due to rising energy prices and environmental concerns, the energy efficiency of urban rail transit has attracted much attention from both researchers and practitioners in recent years. Timetable optimization and energy-efficient driving, as two mainly used train operation methods in relation to the tractive energy saving, make major contributions in reducing the energy consumption that has been studied for a long time. Generally speaking, timetable optimization synchronizes the accelerating and braking actions of trains to maximize the utilization of regenerative energy, and energy-efficient driving optimizes the speed profile at each section to minimize the tractive energy consumption. In this paper, we present a fully comprehensive survey on energy-efficient train operation for urban rail transit. First, a general energy consumption distribution of urban rail trains is described. Second, the current literature on timetable optimization and energy-efficient driving is reviewed. Finally, according to the review work, it is concluded that the integrated optimization method jointly optimizing the timetable and speed profile has become a new tendency and ought to be paid more attention in future research.

In subway systems, the energy put into accelerating trains can be reconverted into electric energy by using the motors as generators during the braking phase. In general, except for a small part that is used for onboard purposes, most of the recovery energy is transmitted backward along the conversion chain and fed back into the overhead contact line. To improve the utilization of recovery energy, this paper proposes a cooperative scheduling approach to optimize the timetable so that the recovery energy that is generated by the braking train can directly be used by the accelerating train. The recovery that is generated by the braking train is less than the required energy for the accelerating train; therefore, only the synchronization between successive trains is considered. First, we propose the cooperative scheduling rules and define the overlapping time between the accelerating and braking trains for a peak-hours scenario and an off-peak-hours scenario, respectively. Second, we formulate an integer programming model to maximize the overlapping time with the headway time and dwell time control. Furthermore, we design a genetic algorithm with binary encoding to solve the optimal timetable. Last, we present six numerical examples based on the operation data from the Beijing Yizhuang subway line in China. The results illustrate that the proposed model can significantly improve the overlapping time by 22.06% at peak hours and 15.19% at off-peak hours.

Current Predictive Adaptive Cruise Control (PACC) systems pose significant challenges. These include poor collaborative optimisation between economic velocity and the powertrain system, conservative energy-saving strategies and underutilisation of map data due to real-time constraints. A computationally efficient collaborative optimisation method is proposed for economic following velocity and gear shifting based on Bi-level optimisation theory. Based on the Bi-level theory, economic following velocity and gear shifting are decoupled and hierarchically planned. The lower-level subproblem constructs the objective function based on a dynamic-weight safety distance model within the Model Predictive Control (MPC) framework, solving the economic following velocity by the Continuous Generalized Minimal Residual Method (C/GMRES). The upper-level subproblem solves the economic gear shifting by the optimal control law based on the economic following velocity. Finally, comparative experiments are conducted between the proposed PACC algorithm, a standard Adaptive Cruise Control (ACC) algorithm, and a benchmark Dynamic Programming-Model Predictive Control (DP-MPC) PACC algorithm. The results show that the proposed PACC algorithm reduces fuel consumption by approximately 5.76% compared to the ACC. Compared to the benchmark algorithm, the proposed PACC algorithm also demonstrates significantly improved computational efficiency while achieving comparable energy savings.