全文获取类型
收费全文 | 1489篇 |
免费 | 55篇 |
专业分类
公路运输 | 431篇 |
综合类 | 385篇 |
水路运输 | 394篇 |
铁路运输 | 285篇 |
综合运输 | 49篇 |
出版年
2024年 | 2篇 |
2023年 | 7篇 |
2022年 | 30篇 |
2021年 | 39篇 |
2020年 | 47篇 |
2019年 | 17篇 |
2018年 | 17篇 |
2017年 | 15篇 |
2016年 | 21篇 |
2015年 | 38篇 |
2014年 | 59篇 |
2013年 | 77篇 |
2012年 | 102篇 |
2011年 | 93篇 |
2010年 | 152篇 |
2009年 | 143篇 |
2008年 | 113篇 |
2007年 | 147篇 |
2006年 | 150篇 |
2005年 | 96篇 |
2004年 | 29篇 |
2003年 | 20篇 |
2002年 | 20篇 |
2001年 | 35篇 |
2000年 | 20篇 |
1999年 | 12篇 |
1998年 | 4篇 |
1997年 | 8篇 |
1996年 | 9篇 |
1995年 | 2篇 |
1994年 | 8篇 |
1993年 | 1篇 |
1992年 | 1篇 |
1991年 | 5篇 |
1989年 | 2篇 |
1988年 | 1篇 |
1986年 | 2篇 |
排序方式: 共有1544条查询结果,搜索用时 31 毫秒
31.
32.
33.
34.
35.
为了提高排阵式交叉口这一非常规信号交叉口的运行效率,对其延误和最佳周期进行分析。首先针对先直行后左转、先左转后直行和直行左转交替通行3种信号相位相序,通过对排序区内车辆驶入、驶离、受信号控制阻滞等车流运行情况的分析,构建可反映排阵式交叉口车辆2次停车启动的车均延误计算模型。通过仿真对比可知,左转和直行延误估算误差均在10%范围内。在此基础上,以交叉口总延误最小为目标,考虑清空时长、主、预信号相位差、绿灯时长等约束条件,建立排阵式交叉口最佳周期理论模型。针对不同排阵式控制进口道数量设置的情况,通过对最佳周期的拟合分析,建立最佳周期简化模型。与理论模型相比,最佳周期简化模型的拟合优度在0.935~0.972范围内。通过模型对比和案例分析,对最佳周期简化模型的优化效益和稳定性进行检验。研究结果表明:在非饱和状态下,建立的最佳周期模型的平均误差和均方误差分别为2.13%和2.39%,均小于Webster模型和HCM2010模型的计算结果,具有较高的准确性和稳定性,案例中可降低车均延误36.46%;相较于传统信号控制交叉口,建议排阵式交叉口采用较小的周期时长,且当关键流量比大于0.6时尤为显著,分析中发现最佳周期减小14.53%~34.65%。 相似文献
36.
驾驶员的记忆影响视觉搜索及路径规划等驾驶行为,进而影响道路通行效率与交通安全.为了描述重复驾驶条件下驾驶员记忆变化的特征,设计模拟驾驶实验,研究同一场景下重复驾驶对驾驶员记忆的累积刺激.通过场景记忆量表衡量驾驶员的记忆程度,分析了驾驶员记忆增长与重复驾驶次数的动态变化关系,分别采用单分子式、修正Weibull方程及Richards方程建立累积刺激作用下驾驶员记忆增长模型,并以误差平方和、均方根误差和调整 R2为评价指标对模型精度进行对比分析.结果表明,3种模型均能对驾驶员记忆增长特性进行描述,其中 Richards模型精度最高,其平均调整R2为0.9884.Richards模型揭示了记忆的同化与异化作用的本质,更适合建立重复驾驶条件下驾驶员对场景的记忆增长模型. 相似文献
37.
针对传统区域交通控制技术无法应对机非冲突干扰的问题, 结合中国城市道路混合交通流的特点, 研究了交叉口与路段非机动车对机动车的干扰。分析了区域路网机动车交通特征, 确定了混合交通特性相似的区域。基于路段非机动车的阻滞作用, 分析了交叉口通行能力的折减与相邻交叉口相位差的优化。以区域路网机动车总延误为优化目标, 建立了非机动车影响条件下的区域交通信号控制优化模型, 优化了信号周期时长、绿信比和相位差等参数, 并利用遗传算法求解模型。利用VISSIM仿真软件, 以上海市杨浦区五角场环形区域路网为例对优化模型进行验证。验证结果表明: 现状信号控制方案下区域路网7个交叉口机动车的车均延误为24.5~42.9s, 平均为35.99s, 路网总延误为256.39h, 优化后交叉口的车均延误为21.8~36.4s, 平均为30.12s, 路网总延误为214.57h, 7个交叉口车均延误减少了10%~24%, 平均为16.31%。可见, 优化模型能够显著降低区域路网车均延误与总延误, 提高区域路网通行效率。 相似文献
38.
由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络(long short-term memory,LSTM)跟驰模型的基础上,采用迁移学习(transfer learning,TL)方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下(源域)的跟驰样本与100组雾天下(目标域)的跟驰样本。提出了基于最长公共子序列(longest common sequence solution,LCSS)的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明:直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。 相似文献
39.
40.