西部地区高速公路发展规划生态环境影响评价——指标体系构建及评价方法探讨

在探讨战略环境评价意义的基础上，按照战略环境评价指标体系构建的一般步骤，针对高速公路规划自然生态环境的影响因素，建立了公路交通发展的战略性生态环境评价的可选指标集，并根据指标的特点给出了一种基于GIS技术的评价方法。这种构建指标体系的方法简单易行，评价要素明确，层次分明，构建的可选指标集可为西部地区高速公路发展规划生态环境评价提供参考。     

城市客运交通走廊判定方法研究

如何正确判定城市客运交通走廊是进行城市大运量客运交通方式规划首先需要解决的问题。通过分析城市客运交通走廊对交通源和交通方式的集聚效应特点,提出采用效应场和场中介质的概念来模拟交通走廊对交通流和交通源的吸引作用。应用衰减函数或磁感函数作为效应场函数模拟分析城市客运交通走廊对附近范围产生的集聚效应,采用人口密度、出行生成密度或潜力密度作为介质函数来表现走廊附近范围的土地利用形态,提出了一种直接根据用地来确定城市客运交通走廊的方法。     

车载定位技术在出租车调度系统中的应用

介绍了出租车调度系统的构成及其功能。调度指挥中心系统作为调度系统的核心,能够实现卫星定位、查询管理、电招、报警等功能。而车载定位导航系统主要是借助GPS(GlobalPositionSystem)全球定位系统来实现的。GPS全球定位系统是全球性、全天候、连续的卫星无线电导航系统,它可提供实时的三维位置,三维速度和高精度的时间和信息。出租车调度系统的建立可有效地提高出租车行业的服务水平和城市文明形象。     

悍马车用柴油机的控制内容与特性试验研究

介绍了GM-L65电控柴油机的控制内容及控制参数,阐述了柴油机的部分油门特性与变速器换挡规律之间的联系。根据总功率试验数据,采用曲面拟合的方法,利用MATLAB软件的数据处理和三维曲面功能,求出了GM-L65柴油机的万有特性,为动力传动系统的一体化控制以及换挡规律设计提供了依据。     

货车驾驶室结构动力模型修改

本文利用货车驾驶室的测试模态参数来修正其有限元动力分析模型。文中主要论述货车驾驶室模态参数识别、动力分析模型单元组合修正法和货车驾驶室动力模型修改。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

隧道建设活动对地表植被群落动态的影响——以武昆高速公路象鼻岭隧道为例

通过典型样地法对云南武昆高速公路象鼻岭隧道洞身地表区的优势自然植被进行重要值和生物多样性调查,探究隧道建设活动对植被群落动态产生的影响.研究发现,隧道建设中人为活动及临时工程修建等对隧道上方植被会产生一定的影响,部分阳生物种和入侵物种的重要值增大,群落各层的多样性指数有所下降,且影响程度与植被质量和干扰强度有关.     

港口与城市环境及资源的协调发展度研究

随着我国港口和城市建设的不断发展,在生态环境和资源利用方面港城间的矛盾日益明显,如何协调两者之间的发展已成为目前迫切需要解决的课题。为此,以大连市为例,从建立港城协调发展度模型入手,对港口与环境及资源之间协调的程度进行评判,从而为指导港口和城市的可持续发展提供了决策依据。     

散化船洗舱水接收设施配备和管理的现状及建议

文中介绍了洗舱水接收设施的配备要求和客观需求,找出洗舱水接收设施配备和管理中存在的主要问题,并深入剖析,提出了针对性的建议。     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。