高速公路紧急电话系统在IP环境下实时语音远程传输的实现

本文讨论了高速公路紧急电话系统在IP环境下实时语音远程传输的实现,从而为紧急电话系统实时语音远程传输提供了一种可靠的解决方法.     

汽车零部件企业跨地区重组当地企业的合问题探索

跨地区重组当地企业后,能否快速地达到相互融合,这是重组成败的关键之一.针对存在的问题,采取了一系列措施:如抓住共同的目标、开展项目活动；充实人员、调整机构；统一管理模式；引导群体思路与舆论；激发职工认同感、归属感、参与感、使命感,以使企业能顺利地同化、融合.     

基于扁平化架构的高速公路综合管理业务研究

文章主要对山东济菏高速公路的监控调度中心扁平化管理的综合业务进行研究。监控调度中心可以直接面向业务,具体负责实施交通流量和交通运行监视,对关键路段实施交通适时控制,及时发现各种异常情况,协调联动相关部门并下发指令。通过对监控调度中心扁平化管理的综合业务进行透彻的分析,以实现高速公路经营业务管理的系统化和规范化。     

汽车零部件企业跨地区重组当地企业的融合问题探索

跨地区重组当地企业后,能否快速地达到相互融合,这是重组成败的关键之一。针对存在的问题,采取了一系列措施：如抓住共同的目标、开展项目活动;充实人员、调整机构;统一管理模式;引导群体思路与舆论;激发职工认同感、归属感、参与感、使命感,以使企业能顺利地同化、融合。     

公路网管理与应急处置服务技术研究

随着公路网规模逐步延伸庞大,公众跨区域出行和物资流动迅猛发展、交通突发事件呈现递增现象,建设公路网管理、应急处置和信息服务系统为必然趋势。分析了公路网日常管理、突发事件应急处置、出行信息服务及基础数据支撑的系统功能需求,以省域公路网为研究对象,基于逻辑框架方法,设计了融合日常监控、突发事件预警监测、资源调配与指挥、多方信息联动等多功能的综合性集成平台系统方案,并给出了突发交通应急事件处置流程。研究表明,所构建系统能够掌握实时全面交通信息,实现全路网的协调管理,有效提升应急处置能力和服务水平。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

检测数据缺失条件下的交通流估计方法研究

城市路网中部分交通量检测器失效会导致路段的交通流观测数据缺失,从而影响路段实时交通拥堵状况的辨识和分析.基于路网交通流数据的时空分布特性和道路交通流特征,研究了一种改进重构算法,对缺失的交通量数据进行估计.构建了交通量时空数据的三维张量模型;综合考虑道路交通流分布与环境特性,提出了基于T ucker重构模型的目标优化函数,进而求解得到检测器失效路段的交通量估计值;对改进重构算法、T ucker重构算法和时空插值算法在不同交通量数据缺失情况下的估计效果进行了比较.实验结果表明,在6条路段组成的实验路网中,早高峰交叉口进口道实时观测交通量随机缺失50% 或其中3条道路完全缺失的情况下,估计结果的平均绝对误差(MA E)分别为13.9614和14.2763,均方根误差(RMSE)分别为18.7648和18.7070.相较于Tucker重构算法,MA E分别下降了32.29% 和44.26%,RMSE分别下降了31.73% 和48.57%.      

多网联范围下的智能网联车换道决策组合模型研究

为提升不同网联范围下智能网联车(Intelligent Connected Vehicles, ICV)的换道效率,结合深度强化学习和分子动力学理论,提出一种融合掩码机制和注意力机制的双深度Q网络(MaskAttention-DDQN, MAQ)换道决策模型。首先,在SUMO (Simulation of Urban Mobility)仿真环境中采集网联范围内ICV及人工驾驶车辆(Human Drive Vehicles, HDV)的行驶状态信息。其次,搭建MAQ模型,采用掩码机制和注意力机制方法,实现固定模型输入大小,以及实现置换不变性。第三,为实现车辆间影响程度的数值化,以车辆间相对速度和相对位置为参数,使用分子动力学理论为网联范围内HDV信息赋予权重。最后,分别在不同交通密度仿真环境中对不同换道决策模型和赋权方法进行对比,并测试ICV在不同网联范围(80~330 m,以50 m为间隔)下的换道决策效果。仿真结果表明,以40辆HDV、100m网联范围为例,MAQ模型比DeepSet-Q模型拟合精度提高了90.2%;分子动力学赋权方法相比线性权重赋权方法总奖励值提高了5.5%,ICV平均车速提高了4.8%;ICV平均车速随着网联范围的扩大,呈现出先增大、再减小、后趋于平稳的变化规律。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。