区域路网交通信息提取方法

为提取区域路网交通信息,基于物元分析理论提出了道路交通状态的判别方法．将交通状态的判别结果作为决策属性,综合考虑道路等级、时间及交通参数,构造区域路网的交通流特征信息表．用粗糙集方法提取交通流特征．用区域路网交通流特征提取示例验证了提出的方法的有效性．该方法可实际应用于在线交通状态判别和历史数据库的交通信息提取．     

基于粒度计算的交通管理决策支持

将粒度计算理论运用于交通管理决策支持,给出了交通信息颗粒及其粒度的定义,并建立了基于粒度计算的交通管理决策逻辑框架.以一个示例路网探讨了交通流信息颗粒的构造方法及其粒度层次,验证了粒度计算可以整合现有交通信息处理方法,并满足交通管理决策需要.     

河南省客运需求预测与分析

本文在对影响河南省旅客运输需求相关因素定性分析的基础上,采用组合预测方法对河南省旅客运输需求总量及各运输方式分担量作出预测。并从宏观角度出发,对未来河南省旅客运输发展对策作了分析。     

某型轿车盘式制动器制动噪声的控制

对某型轿车盘式制动器进行了台架试验,发现该制动器主要制动噪声频率在3kHz附近。采用有限元FEA分析手段对制动盘、制动钳壳体、制动钳支架和摩擦片进行了振动特性分析。结果表明,制动钳支架的7阶振动模态是导致制动噪声产生的原因之一。对制动钳支架结构设计进行了改进,并对装有改进后制动钳支架的盘式制动器进行了台架试验。结果表明,制动器冷态制动噪声从100.5 dB下降为73.4 dB,达到了该车型对制动器噪声的限值要求。     

����SEM�ļ�ʻԱ������Ϣ��Ѱ��Ϊ����

出行信息的搜寻与获取是驾驶员出行决策的重要依据.为获取驾驶员的出行信息搜寻行为特征,以昆明市412个样本数据库为基础,建立驾驶员出行信息搜寻行为的因果和过程结构方程模型(SEM),并拟合各变量之间的路径关系.其中,驾驶员出行信息搜寻的因果结构方程模型重点分析个体属性、信息源因素及环境因素与搜寻行为之间的关系;驾驶员出行信息搜寻的过程结构方程模型则模拟驾驶员的出行信息搜寻过程.结果表明：驾驶员由于自身属性的不同在信息源与搜寻行为上存在显著差异,搜寻行为中驾驶员对出行信息的认知及信息源的选择是重要的影响因素.此外,驾驶员出行信息搜寻过程模型主要受到个体属性与信息需求的影响.     

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率.采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公...     

高速综合检测车铝合金司机室的结构设计

通过新型流线型司机室空气动力学的数值分析和风洞试验,对高速综合检测车司机室气动外形进行了优选,使优美、流畅的气动外形同时兼具低阻力、低噪声的特点.在此基础上,通过对司机室的静强度计算和试验数据的分析,验证了试验车体及司机室的强度符合欧洲标准EN 12663,能够满足产品的安全可靠性需求.     

加强创新为企业发展提供人力资源保障

用科学发展观推进公交人力资源管理工作创新，结合我市公交企业实际，当前应从以下几方面着手。     

二级公路交通流特征对事故严重程度的影响

为有效管控二级公路的交通安全,定量刻画二级公路事故严重程度与交通流特征之间的关系,以元(谋)-双(柏)公路为研究对象,基于长期监测的交通事故数据及交通流数据,利用结构方程中的测量模型实现事故严重程度的量化计算,并运用Spearman分析法、决策树算法及随机森林模型选取影响事故严重程度的关键交通流参数,进一步采用多变量多项式比率法建立关键交通流参数与事故严重程度之间的关系方程,获取二级公路交通流特征对事故严重程度的影响关系。研究结果表明:①相比于事故率、受伤人数、死亡人数等指标,事故规模更能准确且全面地表征事故严重程度;②大车(指大客车、中型货车、大型货车、特大型货车、拖挂货车、集装箱车)平均日交通量、轻型车(指拖拉机、摩托车)平均日交通量、v/c、车速变异系数是影响二级公路事故严重程度的4个关键交通流参数;③各交通流参数之间存在相互作用关系,且不同参数对事故规模的影响程度不同;④当大车平均日交通量、轻型车平均日交通量、v/c、车速变异系数分别取200~340veh·d-1,200~380veh·d-1,0~0.1及0.7~0.77,0~0.15及0.6~1时,二级公路的事故规模较小;当大车平均日交通量、轻型车平均日交通量、v/c、车速变异系数分别取0~200veh·d-1,0~190veh·d-1,0.32~0.63,0.16~0.2及0.4~0.6时,二级公路事故规模较大。