改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于半监督SVM的交通方式特征分析和识别

为解决基于手机信令数据识别大规模用户交通方式问题,多维度分析出行方式特征,提出结合主动学习和Tri-training的半监督支持向量机算法。以手机信令出行链为基础,将出行特征划分为距离、时间、速度、出行者属性等四类,并进一步研究多维度特征及其计算方法 ,基于有向无环图设计一种结合主动学习与基于Tri-training的半监督多分类支持向量机。运用HY市手机信令数据构建样本集并训练该分类器,与多种监督学习分类算法进行比较。结果表明主动学习构造的富含信息的已标记样本集可以减少半监督学习的迭代次数,Tri-training半监督支持向量机可以通过大量未标记样本提升分类器准确率,结合主动学习与Tri-training半监督支持向量机算法可以有效地识别手机信令数据出行链的交通方式。     

基于图像分割的船舶吃水深度检测方法

针对传统的船舶吃水深度检测方法精准度低的情况,提出基于图像分割的船舶吃水深度检测方法。以得到精准的舰船吃水值为出发点,采集舰船吃水图像,并进行动态模板匹配,减少舰船晃动对吃水深度检测的影响,在此基础上,对船舶水尺图像字符进行校正,计算吃水线位置,得到舰船吃水深度,以此实现船舶吃水深度检测。实验对比结果表明,此次设计的基于图像分割的船舶吃水深度检测方法比传统的吃水深度检测精准度高,具有一定的实际应用意义。     

多年冻土区隧道施工过程中围岩融化圈变化规律研究

多年冻土区隧道在施工过程中围岩受施工热源的影响形成融化圈,在季节性冻融作用下,会造成衬砌表面开裂、剥落、覆冰等冻害.因此,减少施工对冻土原始地温场的扰动是寒区隧道施工的重要控制因素之一.本文以青藏高原风火山隧道为背景,结合实际施工工况、环境温度及地温数据,基于传热学理论,利用数值仿真开展隧道开挖暴露时间、初支施作时机、贯通后有无保温层、气候变暖等因素下隧道围岩融化圈变化规律研究.结果表明:与无支护阶段相比,有初期支护隧道围岩融化圈深度在30 d内减少了25.6％,融化圈发生时间推迟了6d左右,及时施作初支可有效减小隧道融化范围;隧道围岩融化圈呈月牙形分布,内侧线扩大速率大于外侧线减小速率,施工引起的热扰动对隧道围岩的回冻有显著影响.考虑气候变暖因素,提出铺设5 cm厚保温层能有效抑制围岩出现季节性冻融圈.     

海上风电大直径单桩基础固有频率影响因素的数值分析

针对海上风电整机结构其低阶固有频率的控制问题,基于有限元分析技术开展小直径桩土相互作用的数值模拟分析,与试验结果、API规范计算结果进行对比,验证了数值模型的适用性,分析大直径单桩结构桩内土芯、冲刷深度、表层土置换措施对整机固有频率的影响,结果表明,基于有限元实体单元计算所得一、二阶整机固有频率要明显大于传统p-y方法计算结果;桩内土芯对一、二阶整机固有频率影响很小;在一定范围内,随着泥面冲刷深度的增加,一、二阶固有频率降低不明显,认为传统p-y方法对于大直径单桩的适用性有待研究;在实际工程设计中,桩内土芯的影响可忽略;对于大直径单桩,在一定范围内可以忽略冲刷的影响。     

基于手机信令数据的居住地人口分布辨识改进方法

针对传统的基于手机信令数据的居住地人口分布分析方法的不足,通过建立一种基于手机信令数据和问卷调查数据的多源数据融合手段,利用有监督机器学习方法,实现对居住地人口分布现状的分析.首先通过问卷调查数据获取志愿者的实际居住地位置及其所使用的通信运营商相关信息,并进行样本筛选.其次,在通信运营商内部机房建立志愿者用户实际居住地位置与手机信令数据位置信息之间的对应关系.最后,利用手机信令数据,通过获取志愿者在居住地网格位置的停留特征以及非居住地网格位置的停留特征训练朴素贝叶斯分类器模型,继而完成机器学习方法的建立并应用到其他手机用户实际居住地的识别.分析结果表明:基于有监督学习方法的人口分布辨识方法较传统的阈值判断方法预测精度有明显提升.     

米非司酮改善不可预计性慢性应激所致大鼠学习和记忆功能损伤

目的探索米非司酮对不可预计性慢性应激(UCS)所致大鼠学习和记忆损伤的保护作用。方法雄性Wistar大鼠40只分为对照组、模型组、治疗组(分大、中、小剂量3组),每组8只。对照组不给予特殊处理;模型组给予21 d UCS;治疗组在给予UCS的同时,每天分别给予50、100、200 mg/kg的米非司酮。处理前后分别做电迷宫和物体识别实验,检测血促肾上腺皮质激素(ACTH)、皮质酮(CORT)浓度。结果处理前各组在电迷宫和物体识别实验中的指标无明显差异。处理后,模型组和小剂量治疗组的正确反应次数、辨别指数均明显降低且低于对照组(P<0.01);大、中剂量组较前变化不明显但显著高于模型组(P<0.01)。模型组和小剂量治疗组的总反应时间明显延长且长于对照组,但大、中剂量治疗组总反应时间延长不明显且明显短于模型组(P<0.01)。处理前各组血ACTH和CORT浓度无明显差异,处理后模型组和各治疗组均明显升高(P<0.01),且高于对照组(P<0.01)。结论米非司酮可在一定程度上拮抗UCS所致的大鼠学习和记忆损伤,并呈现出剂量依赖性。     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性，提高交通流参数估计精度，基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵，利用卷积神经网络捕捉交通流的空间特性，使用长短期记忆和门控循环神经网络挖掘交通流的时间特性，组合3 种深度学习方法所得输出，得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明：新方法的性能优于已有各种方法，使估计误差降低 5.72%~33.29%；新组合方法具有较高的准确性和可靠性，能为智能交通系统运营与管理提供高质量的基础数据。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。