高架桥预制拼装承台抗震性能数值模拟研究

城市中大部分高架桥基础承台施工以现浇为主,施工工期长,施工风险较大.针对上海市济阳路快速化改建工程二标项目,提出采用预制承台施工代替传统现浇承台施工.通过FLAC3D数值模拟软件建立了预制承台的三维计算模型,模拟了预制承台在受到地震荷载作用时,承台配筋率、桩基直径、轴压比以及桩基插入承台深度对预制承台抗震性能的影响.结...     

基于深度学习的司机疲劳驾驶检测方法研究

针对传统基于机器视觉的司机疲劳检测模型对硬件系统要求较高、检测准确率和效率较低等问题,提出一种基于MTCNN-PFLD-LSTM深度学习模型的疲劳驾驶检测算法.通过多任务卷积神经网络MTCNN进行人脸区域检测;利用PFLD模型检测人脸眼部、嘴部和头部的关键点及空间姿态角;计算出基于时间序列的人脸疲劳特征参数矩阵并输入长...     

基于多步LSTM模型融合的铁路客票订单量预测方法

根据铁路客票订单量的周期性特征,提出一种基于多步LSTM模型融合的铁路客票订单量预测方法.首先构造多个LSTM模型作为第一层预测模型,并采用贝叶斯优化方法训练LSTM模型,得到候选超参数集合;对验证集以候选最优超参数集合代入LSTM模型进行预测,可得到LSTM模型的最优参数集合,再分别以加权求和、线性回归和LightG...     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明：GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。     

基于深度约束的水下稠密立体匹配

  目的  针对水下双目图像特征点稀疏、极线约束模型失效等难题,提出一种基于自适应深度约束的水下图像特征匹配(ADC-UFM)算法。  方法  结合FAST算子与SIFT描述子,提高图像匹配精度;提出基于水下折射因子的特征匹配约束模型（MCM）,有效剔除误匹配点;提出自适应阈值选取（ATC）方法,最大限度地保留复杂水下环境下的图像特征信息。  结果  实验结果显示,ADC-UFM算法优于现有的SIFT,SURF和UCC-SIFT等典型方法,匹配准确率可达85.2%,满足实时匹配需求。  结论  研究成果可为基于双目视觉系统的水下三维重建提供关键技术支撑。     

三一重工智能碾压系统在路面施工中应用研究

三一重工研发的智能碾压技术是通过在压路机上安装智能监测与控制体系,实时获得路面碾压各项数据,实现对路面压实度、渗水、构造深度均匀性进行控制.对溧高高速公路路面智能碾压段中间带边缘、路肩边缘和行超车道内随机取样,其渗水系数、构造深度均值、方差假设检验P值均大于0.05,说明其渗水、构造深度均值、方差均相等,表明路面碾压均...     

济南公交:让服务更加贴近乘客需求

济南公共交通集团有限公司(以下简称:济南公交集团)是市属国有一级企业,至今已有70余年的历史.截至目前,拥有职工13000余人,运营车辆5800余辆,客运出租车1700余辆,公交线路340余条,日均运送乘客200万人次.     

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。     

仿驾驶员DDPG汽车纵向自动驾驶决策方法

汽车纵向自动驾驶的决策层根据车辆当前运动状态与环境信息,决策出理想的动作指令.目前如何在自动驾驶决策策略中考虑人类驾驶员的行为成为研究热点.在纵向自动驾驶决策策略中传统的基于规则的决策策略难以运用到复杂的场景中,而当前使用强化学习和深度强化学习的决策方法大多通过设计安全性、舒适性、经济性相关公式构建奖励函数,得到的决策...     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型,是交通流理论 的基础。近年来,信息感知与获取、大数据、人工智能等技术快速发展,推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型,是以真实的车辆行驶数据为基础,利用数据科学与机器学习等 理论和方法,通过样本数据的训练、学习、迭代、进化,挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮,归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型,并分别介绍了其中的典型代表。分析数据源发现,尽管各 种高精度轨迹数据不断涌现,目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据,模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量,是否有必要考虑更多行为变量,现有输入、输出 是否可替换。在模型测试与验证方面,发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后,探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理,帮助研究者更好地了解数据驱动跟驰模型的过去与现状,促进相关研究的快 速发展。