全文获取类型
收费全文 | 10664篇 |
免费 | 186篇 |
专业分类
公路运输 | 8532篇 |
综合类 | 1171篇 |
水路运输 | 737篇 |
铁路运输 | 232篇 |
综合运输 | 178篇 |
出版年
2024年 | 3篇 |
2023年 | 125篇 |
2022年 | 195篇 |
2021年 | 176篇 |
2020年 | 288篇 |
2019年 | 107篇 |
2018年 | 36篇 |
2017年 | 52篇 |
2016年 | 68篇 |
2015年 | 119篇 |
2014年 | 540篇 |
2013年 | 501篇 |
2012年 | 826篇 |
2011年 | 846篇 |
2010年 | 772篇 |
2009年 | 994篇 |
2008年 | 889篇 |
2007年 | 531篇 |
2006年 | 551篇 |
2005年 | 431篇 |
2004年 | 701篇 |
2003年 | 556篇 |
2002年 | 345篇 |
2001年 | 224篇 |
2000年 | 225篇 |
1999年 | 132篇 |
1998年 | 142篇 |
1997年 | 112篇 |
1996年 | 83篇 |
1995年 | 54篇 |
1994年 | 51篇 |
1993年 | 41篇 |
1992年 | 27篇 |
1991年 | 42篇 |
1990年 | 31篇 |
1989年 | 33篇 |
1986年 | 1篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
1.
危险感知能力对驾驶人的驾驶行为模式具有重要影响。为准确评估驾驶人的危险感知能力、提升危险感知水平判别的准确度,提出了基于模拟驾驶技术的危险感知能力影响分析方法和基于极端梯度提升树(XGBoost)算法的危险感知水平判别模型。通过设计3种常见交通冲突场景,采集模拟驾驶中驾驶人的多维度驾驶行为特征数据,并分析危险感知能力与驾驶行为的相关关系。通过模拟实验发现:驾驶人对行人的危险感知能力较弱,易发生碰撞事故;驾驶人在危险场景中的车速(p=0.01)、制动反应位置(p < 0.01)以及反应时间(p < 0.01)与危险感知水平之间存在显著负相关关系。在相关性分析的基础上,利用XGBoost算法识别能反映驾驶人危险感知能力的重要特征变量,并构建以制动反应位置、反应时间、车速、刹车深度,以及加速度为指标的驾驶人危险感知水平判别模型;通过与LightGBM、支持向量机(SVM),以及逻辑回归(LR)等算法分类预测性能的对比分析,评价危险感知模型的判别精度,结果表明:基于XGBoost算法的危险感知水平判别模型的判别准确率为84.8%、F1值为83.4%、AUC值为0.959,优于LightGBM(准确率为78.8%、F1值为76.7%、AUC值为0.924)、SVM(准确率为57.6%、F1值为42.2%、AUC值为0.859),以及LR算法(准确率为69.7%、F1值为65.5%、AUC值为0.836)。所提方法可为判别驾驶人危险感知能力及其对驾驶行为模式的影响提供可靠手段。 相似文献
2.
为解决驾驶员在隧道中间段因驾驶疲劳带来的行车安全问题,对隧道驾驶疲劳唤醒段设置长度进行研究。首先,建立疲劳唤醒段的刺激量与其产生疲劳唤醒后对驾驶员的唤醒程度以及唤醒维持时间的相互关系;
然后,进行蓝、紫、青3种色彩,3种亮度及5种刺激持续时间共45种不同刺激量组合下疲劳唤醒段的静态唤醒试验,研究隧道疲劳唤醒段不同刺激量对被试驾驶员唤醒程度的影响规律,建立刺激量与唤醒程度的相关关系模型,得到疲劳唤醒段刺激量应不低于8.84 cd·s/m2;
最后,分析不同刺激量的疲劳唤醒段对驾驶员唤醒的维持时间,建立不同运行速度条件下疲劳唤醒段刺激量与唤醒维持时间的相关关系模型,根据不同运行速度下隧道疲劳唤醒段侧壁可设置的最高亮度,得到不同运行速度下隧道疲劳唤醒段应设置的长度。当设计速度为60、80、100 km/h时,第x(x∈[1, N-1])处疲劳唤醒段的设置长度分别为160、200、220 m,第N处疲劳唤醒段的设置长度应保证剩余路段驾驶员的正常驾驶,且不低于65、80、90 m。 相似文献
3.
自动驾驶技术和共享经济融合产生的共享自动驾驶汽车(SAV)可为人们提供优质的出行服务。为探究出行者选择SAV的行为特性,对受访者的社会经济属性、历史出行特性、行为态度特征进行调查,并采用正交试验设计出行方式选择意向调查问卷,收集到311份有效数据。为充分考虑个体异质性,利用潜在类别分析探究SAV使用者的潜在类别,并将所得潜在类别作为变量融入离散选择Logit模型,建立SAV使用意向的潜在类别-Logit模型。结合多项或混合Logit模型以及划分的3个潜在类别,根据4个合理的模型标定的性别、交通模式、SAV使用人群类型、等待时间等59个变量的参数,识别SAV使用意向的显著性影响因素,并采用7个拟合优度指标评价多项Logit、混合Logit、潜在类别-Logit等8个模型。利用边际效应分析,探讨出行方式属性对SAV使用意向的具体影响。结果表明:涉及3个潜在类别的离散选择Logit模型具有更强的解释性,这3个潜在类别可分别描述为冲动的积极创新者、矛盾的保守创新者和理智的保守使用者;不同潜在类别人群的显著性因素存在明显差异,SAV使用人群类型是不同潜在类别人群共有的显著性因素,其中SAV创新者在各个模型中的显著性水平值均小于0.1;潜在类别-Logit模型的第1类和第2类预测正确率比其他Logit模型分别高出5.9%~28.3% 和5.4%~18.5%,可以更好地解释出行者对SAV的使用意向;出行等待时间对出行者选择SAV的影响最大;当SAV选择概率接近于0.5时,轻微降低SAV人均出行费用最易引起选择私人小汽车的出行者转而选择SAV。 相似文献
4.
从L1、L2驾驶辅助到L4、L5自动驾驶,各项智能及网联技术的发展,推进了自动驾驶产业的进程。在这个过程中,仿真测试是新技术研发必不可少的环节。针对目前自动驾驶研发中,对于真实仿真场景测试的需求,是德科技推出了雷达场景仿真器,用于雷达传感器和算法研发。汽车制造商可以在实验室中测试复杂的真实场景,从而加快自动驾驶研发进程。 相似文献
5.
针对自动驾驶汽车状态和故障估计问题,基于自适应扩展卡尔曼滤波(AEKF)理论提出了一种矩阵加权多传感器信息融合估计方法。首先,将自动驾驶汽车运动学模型进行离散化处理;然后,以极小化多传感器量测估计误差向量均方和为目标,采用拉格朗日极值求解方法设计了矩阵加权多传感器信息融合方法;最后,在低精度传感器、高精度传感器、融合估计3种条件下仿真验证该方法的正确性。结果表明,与单个传感器情形相比较,所提出的方法能较好地估计自动驾驶汽车的位置、航向角、速度信息以及执行机构故障信息,为自动避障、自动泊车等精准测控任务提供参考。 相似文献
6.
日前,奥迪发布了R8 V10 RWD两种型号车型。作为奥迪旗下知名高性能旗舰豪华超跑,奥迪R8 V10 RWD是奥迪公司后轮驱动跑车的运动型新尖端产品。奥迪运动有限公司总经理塞巴斯蒂安·格拉姆表示:‘奥迪R8 V10 RWD从一开始就以其源自R8LMS赛车的后轮驱动和动态性能打动了客户的心。现在,它又增加了30hp的动力和10N·m的转矩,其驾驶体验将会提升到一个全新的高度。’全新奥迪R8 V10 RWD将会给客户带来更大的动力和更多的乐趣,并将诠释‘性能’一词的真正含义。 相似文献
7.
8.
市场经济迅速发展以及人们生活水平的提高,汽车已经成为了人们日常出行必不可少的交通工具之一。随着汽车保有量的持续增加,社会各界对高速公路行车安全的关注度也随之越来越高。所以,加强高速公路行车安全驾驶技术分析研究的力度,制定切实可行的安全驾驶技术控制措施,才能从根本上促进高速公路行车安全水平的有效提升。文章主要是就高速公路行车安全驾驶技术控制进行了简单的阐述和分析。 相似文献
9.
重型工程车行驶过程中事故风险大,发生恶性事故的概率高,易造成重大生命和经济损失,其运输安全管理问题面临挑战。为探究重型工程车驾驶人驾驶稳定性与相关影响因素之间的关系,开展重型工程车自然驾驶试验,提取车辆运动学、道路条件、驾驶人状态和工作时间等数据;采用速度均值和速度标准差表征驾驶人驾驶稳定性,以睡眠模式、道路线形、道路类型、交叉口影响区、载重量和工作时间作为解释变量,构建考虑驾驶人个体异质性的广义线性混合模型(GLMM)。模型结果表明:通过与线性模型比较,速度均值模型需考虑随机效应,睡眠模式、道路线形、道路类型以及载重量对速度均值均存在显著影响,睡眠模式为“差”的驾驶人更倾向于较低的速度;速度标准差模型排除驾驶人个体异质性,道路线形、交叉口影响区、道路类型、载重量以及工作时间均对速度标准差影响显著;为提高重型工程车驾驶人驾驶稳定性,建议驾驶人形成健康良好的睡眠模式,关注道路线形变化带来的潜在风险,在经过交叉口影响区、空载状态或白天行驶时需更加谨慎。研究结果可为重型工程车驾驶人的危险驾驶行为矫正以及工作调度管理提供一定的理论基础。 相似文献
10.
分析了HighD和NGSIM两个开放的自然驾驶数据集中交通流参数(如速度和流量)与安全指标(如车头空距(DHW)、车头时距(THW)和碰撞时间(TTC))的异同。首先针对两个数据集分析了交通状态、不同车道和车辆类型等参数对交通流参数的影响。然后,针对车辆跟驰情况,研究了基于不同车道和不同车型的安全指标分布,探讨了安全指标与车辆行驶速度的关系。结果表明:(1)各车道平均车速与最小DHW和THW呈显著正相关,速度分布受交通状态、不同车道和车型的影响;(2)不同车道、不同车型对DHW和THW分布有显著影响;(3)THW适合于高速场景下跟驰状态的安全评价,THW和TTC的组合可以用来对低速场景进行安全评价。 相似文献