高速公路多心卵形曲线路段行车风险分析

为分析高速公路多心卵形曲线路段的行车风险，依托西部地区5条高速公路的交通事故数据资料，选取平面设计指标和车速作为行车风险分析的主要影响因素，利用UC-win/Road软件进行驾驶仿真试验；以车辆横向轨迹偏移值期望作为评价指标，基于数理统计理论分析各因素的显著性；最后运用MATLAB软件，建立多心卵形曲线路段行车风险评价模型。研究结果表明：圆曲线半径组合方式、车速、中间圆曲线半径、回旋线参数与半径比值和相邻圆曲线半径比值的影响显著性逐渐降低；当车辆横向偏移值期望大于205 mm时，可认为该多心卵形曲线路段处于危险状态。     

路基非饱和粉土的力学特性研究

利用重塑土样开展了土体的水土特征曲线试验和直剪试验，分析压实度、干密度、含水率及法向应力指标对非饱和粉土力学特性的影响规律。研究结果表明:非饱和粉土的水土特征曲线有典型滞后规律，尤其当土体压实度较低时，滞后规律更为显著；法向应力及含水率提升，非饱和粉土由早期剪切变形表现为软化，逐步转化表现为硬化特征，这一特征随土体干密度的提升而更加明显；随土体样本含水率提升，非饱和粉土黏聚力逐步下降，将这一规律进行线形拟合，整体拟合曲线表现为折线特征，且转折点与最佳含水率高度重合；含水率与内摩擦角间无明显相关影响规律，同等含水率水平下，土样干密度越大，内摩擦角也相对更大。     

局部载荷作用下四边固支矩形板弹性解答及其应用

针对局部横向载荷作用下四边刚性固定矩形板,运用能量法推导出板中挠度解答方程组,利用Matlab编程求解,可计算得到任意矩形板尺寸及横向载荷尺寸下弹性阶段的变形,将结果与有限元数值解进行对比,证明了该方法的精确与快速性,并将该公式应用于极地船舶冰区加强区域外板强度的快速校核中。     

斜坡式护岸越浪量分析

根据掩护功能不同对护岸允许越浪量进行分类规定是越浪量研究的方向之一，探索最大单波越浪量的量化计算对护岸后方排水设计具有重要参考意义。对国内外常用越浪量控制标准和计算公式进行总结对比，并以沙特海尔港南护岸越浪量计算为例量化探讨肩台宽度和参数相关性对越浪量计算的影响。结果表明，欧洲和美国规范规定的越浪量标准比中国和日本规范规定的越浪量标准严格；设置肩台可以有效降低越浪量计算值，考虑波高和水位的相关性也可以有效降低越浪量计算值；越浪量计算对波高和水位比较敏感，允许越浪量可以采用数量级梯度进行分级；对于允许越浪量要求比较严苛的海外现汇项目，适当考虑肩台和参数相关性对越浪量计算值的降低作用，可以提高承包商设计方案的竞争力。     

基于多点线圈联合数据的高速公路匝道影响范围识别

为准确识别高速公路匝道对主线车流的影响等级和范围，本文提出基于速度波动特性的高速公路匝道影响量化方法。通过建立改进加权速度排列熵指标以量化各服务水平下匝道对高速公路主线车流的影响，对建立的指标进行谱聚类分析来确定匝道的影响阈值。应用京昆高速及二广高速的99个平行式合流匝道和直接式分流匝道多点主线线圈检测器数据的分析结果表 明，所提出方法可识别高速公路主线车流受匝道的影响程度。合流匝道对主线最外侧车道的影响比次外侧车道高4%~69%；A~C级服务水平下，分流匝道对上游主线最外侧车道影响程度比次 外侧车道高6%~29%，D~F级服务水平下，最外侧车道受影响程度比次外侧车道低10%~13%。合流匝道的影响范围是合流点上游350m至下游550m；其中上游160m至下游100m和下游180~ 270m为核心影响范围。分流匝道影响范围为分流点至主线上游850m，其中750~850m、450~ 600m、100~300m为核心影响范围。研究成果可为高速公路匝道交通设计、管控策略和提升仿真可靠性提供依据，可有效降低设置匝道带来的影响。     

缓和曲线取值在高速公路设计中的分析与研究

缓和曲线是公路平面线形中的3种要素之一，结合高速公路设计中缓和曲线取值要求，从超高渐变、驾驶员反应时间、行驶舒适度、视觉所需长度、规范规定等几个方面进行分析计算，并结合设计实例总结进行论述，给出缓和曲线长度取值推荐，为高速公路设计提供借鉴与参考。     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。