基于深度强化学习的道路交叉口生态驾驶策略研究

在互联和自动驾驶环境下,生态驾驶具有显著的潜力,可提高交通效率并降低能源消耗和排放。本文探讨一种基于深度强化学习算法的生态驾驶策略,该算法可优化互联自动驾驶汽车(CAV)的纵向操纵和横向决策;将状态空间分为与车辆动态特性相关的局部变量,以及与信号交叉口相关的全局变量,确保CAV与环境之间的充分互动;奖励函数综合考虑了车辆的驾驶要求,与信号灯的协同作用以及全局节能激励因素;此外,设计一个典型的城市道路场景训练模型。结果表明,在信号灯和智能体输出协同控制下,本文提出的策略可以实现CAV的生态驾驶,并确保CAV准确驶入目标车道;在动态交通环境下进行仿真显示,通过控制多辆CAV引导人工驾驶车辆,本文方法可将交叉路口的通行能力提高约17.90%,并将交通系统的燃料消耗和污染物排放降低约8.76%。     

挖泥船泥浆浓度模糊PID控制器的设计研究

文章针对传统的PID控制难以快速响应保证产量和效率稳定的问题,提出了基于模糊PID控制理论的泥浆浓度控制方法。首先介绍了模糊PID控制器的原理,然后确定了模糊语言变量和隶属函数,并制定了模糊规则和反模糊化方法。在Matlab仿真平台中设计了模糊PID控制器,对泥浆输送系统进行仿真。仿真结果表明:模糊PID控制器相较于PID控制器对于泥浆浓度控制的时域性能具有一定的改善作用,并能提高泥浆浓度的稳定性,进而保证挖泥船产量和效率的稳定性。     

弹性复合阻振接头在邮轮通风管道中的减振性能研究

为探究弹性复合阻振接头在邮轮通风管道中的减振性能,利用弹性橡胶与质量阻振相结合的质量—阻尼复合阻振技术,设计开发了应用于通风管道中的弹性复合阻振接头,通过风机激励试验研究其在通风管道中的减振性能,得到弹性复合阻振接头在通风管道中的减振效果。试验结果表明：6款弹性复合阻振接头均能有效提高管道结构振动的阻振效果并拓宽阻振频率范围,并且能够降低激励源与管路系统之间的振动传递;在100-5000Hz频率范围内,弹性复合阻振接头的振动传递损失基本在10dB以上,在某些频段下能达到30dB以上,其中双橡胶复合阻振接头在低频中的减振效果最好。试验研究结果对于船舶通风管道的减振设计具有参考价值。     

基于QFD的场景化新能源汽车满意度提升研究

随着近年来新能源汽车的迅猛发展,消费者对新能源汽车的使用场景更加多样化,随之而来则引发了消费者在不同使用场景下对新能源汽车的诸多不满和多种需求。文章从搜索到的车评语句出发,选取评价指标并构建用车场景,对车评语句进行指标划分归类;然后利用情感算法和语句指标提及率分别计算满意度和重视度,并通过减法模型获取待优化改进指标;最后利用QFD模型研究用户在不同场景下的新能源汽车满意度情况和潜在需求,输出优化提升的改进方向。文章的研究成果在一定程度上反映了当前新能源汽车行业的满意度发展趋势,深度挖掘了新能源汽车消费者在不同使用场景下的车辆痛点,并准确把握其需求,对车企改进提升新能源汽车产品满意度以及未来开发新产品提供参考性建议。     

广东开平市邑美侨路交旅融合探索与实践

依托广东省开平市邑美侨路前期工程，根据开平市的旅游及其他资源，创新打造交旅融合开平模式，提出了交旅融合规划目标，以碉楼资源和侨乡文化为核心开展了“一主三支七射线”的路网体系研究，以全域产业资源为导向开展了旅游服务设施布局研究。依托前期工程规划建设，不仅完善开平市域旅游通道网络，增强旅游资源的通达性，更是带动沿线产业经济发展，支撑开平世界级休闲度假目的地建设，促进广东省区域协调发展。     

基于联邦学习的城市轨道交通列车智能控制方法研究

针对城市轨道交通智能驾驶策略优化问题，提出联邦学习方法；学习代理采用基于支持向量机（SVM）的控制模型，通过构建一个多项式和径向基核函数组成的混合核函数，使用随列车速度变化的动态权重因子来提高模型精度；利用北京地铁昌平、燕房、亦庄及16号线数据，在联邦学习的框架下，仿真完成列车智能驾驶模型的训练。仿真结果表明：该方法训练出的模型具有良好的预测效率和预测准确度。基于联邦学习的列车智能控制可为列车自动驾驶的优化与改进提供有力的实践依据。     

某SUV路面噪声原因分析与控制

本文以某SUV车型为整改对象，利用模态分析、轮胎力传递率等试验方法，对车型激励源、路径、响应进行详细排查，分析车型路噪产生原因并制定优化措施，以提升整车路噪性能，改善其噪声品质。     

柔性路面级配碎石底基层施工质量控制措施

结合佛开高速公路施工实践，介绍柔性路面级配碎石底基层施工质量控制的做法和经验。     

时空特征深度融合下的城市轨道交通站点客流预测

探索挖掘URT站点客流时空特征并精准预测运营高峰期的站点客流，对提高URT系统客流组织效率、保障乘客出行安全具有重要意义。针对传统模型对于时空特征挖掘不够以及在多步短时客流预测的精度上有待提升等问题，引入时段相关性及站点关联度以量化客流隐式时空特征，并建立一种结合双层图卷积神经网络（GCN）与门控循环单元（GRU）的dmGCN-GRU短时进站客流预测模型，随后以杭州地铁为例，对工作日数据和非工作日数据分别进行了仿真实验。结果表明，dmGCN-GRU模型能够深度融合时段相关性、站点关联度、站间OD、邻接矩阵等多重时空特征，可在增加一定训练时长的前提下提高预测精度、模型稳定性。随预测步长增加，模型性能虽有所下降，例如工作日数据拟合优度从94.68%降至94.27%，但性能仍优于SVR、GRU、GCN以及GCN-LSTM等模型。