提高沥青路面抗滑性能的措施

通过对影响沥青路面抗滑性能因素的分析 ,进而提出建好抗滑表层的关键措施。     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

车联网:交通和信息业深度融合的动力

从GSM到3G网络,中国的通信业在过去十年中得到了飞速的发展。现在,新一代的移动通信技术TD-LTE已经向我们走来。随着网络数据业务能力的高速增长,移动通信已经从话音通信、数据通信、移动互联网发展到了物联网,网络通信基础设施正在把人、计算机、社会及世界万物连接在一起。同时,移动业务的概念也已经从在终端移动的情况下保持通信     

STX造船获1＋4艘超深水钻井船订单

11月20日．韩国STX造船从挪威SigmaDrillingAS公司获得1＋4艘BT—UDS型超深水钻井船交钥匙（Turn—Key）建造合同。其中，合同确定的一艘超深水钻井船合同金额为672亿美元，加上4艘备选船舶，总金额将达到35亿美元。◎看点：BT—uDs型超深水钻井船总长230米，型宽38米，高12米，设计作业水深12000英尺，最大钻井深度40000英尺。该钻井船还配备了2套15000psi防喷器，并可升级至2000psi。     

基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提，故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先，通过降噪图变分自编码器提取路网缺失数据 的时空特征，使其能最大程度捕获原始路网信息；其次，基于该时空特征利用生成对抗网络生成 路网数据，加入重建损失并优化生成对抗网络的目标函数，实现对缺失数据的有效插补；最后，采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集，针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时，Seattle 数据集的 MAE 指标在 2.38~3.25 之间， PEMS04 数据集的 MAE 指标在 1.46~2.38 之间；当聚集缺失率在 10%~70%时，Seattle 数据集的 MAE指标在2.51~2.82之间，PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明，本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。     

降雨入渗对隧道的影响数值分析

降雨入渗会降低其影响范围内土体中基质吸力,引起土体软化,强度参数降低,对隧道稳定性产生较大影响。采用有限差分软件FLAC3D对隧道的降雨入渗过程进行模拟,研究降雨影响深度以及降雨对土体软化效应的影响,并与顶部产生积水坑的工况进行比较。研究结果表明,降雨入渗较大程度地减小了非饱和区基质吸力以及土体强度参数;考虑顶部形成积水坑后,降雨入渗深度显著增大,非饱和区基质吸力及土体强度参数减小明显,隧道不稳定性显著增加。     

基于极限学习机与旋转森林相结合的栈式深度学习分类方法

大数据时代的到来导致简单机器学习所建立起来的单一模型往往不能充分挖掘大样本数据所承载的丰富信息,同时在学习能力上也略显不足.在此背景下,文中将旋转森林算法(rotation-forest, ROF)与极限学习机(extreme learning machine, ELM)相结合,构建一个基础神经元单元,然后通过栈式泛化原理进行逐层构建,形成一种快速保持源域空间特征的深度学习模型(D-R-ELM).D-R-ELM由多个基础神经元构成,这些基础神经元通过一种特殊的栈式构造方式,既保证了较好的学习能力,同时也减少了训练成本.实验结果表明:D-R-ELM的深层结构模型,在大样本数据上相比于Adaboosting、Bagging、ELM、ROF和Rotboost传统分类器表现出更好的分类性能、稳定性与泛化性能.     

地铁综合监控系统深度集成火灾报警系统的应用

介绍了综合监控系统的特点,以及综合监控系统深度集成火灾报警系统应用方案的集成架构及主要特点。分析了深度集成模式对综合监控系统的影响。综合监控系统深度集成火灾报警系统方案,突破了火灾报警系统独立设置的局限性,构建了一套适合地铁特点的综合监控防火保障体系。     

基于深度特征聚类的高排放移动污染源自动识别

传统的高排放移动源识别方式是将采集的尾气数据与预先设定的排放阈值进行比较判 定，但是，排放阈值的设定很大程度上取决于人为标准，并且忽视了外部因素对尾气排放的影响， 无法真正反映移动源排放水平。针对此问题，本文结合机器学习算法，提出一种基于深度特征聚 类的高排放移动源识别方法。首先，利用随机森林算法筛选出不同污染物(CO、HC、NO)排放的 主要影响特征；其次，对多维影响特征进行聚类分析，获取高排放类别标签；最后，训练得到基于 深度森林的移动污染源分类模型，自动识别高排放目标源。通过对比实验，在合肥市机动车污染 遥测数据集上验证了所提方法的有效性。     

多矢量推进水下航行器深度分组控制数学建模分析

传统水下航行器控制模型分析算法缺少对矢量动力参数的模型分析计算逻辑,因此造成控制模型分组参量关系分析不足,导致水下航行器控制动力输出量出现偏差的问题。因此,提出多矢量推进水下航行器深度分组控制数学建模分析。通过引入非线性适量运动算法,对水下航行器矢量推进下的运动进行数学模型建立分析;得到运动参数后,引入动力分组控制算法,根据计算得到的运动参数,对水下航行器进行深度分组控制模型的建立计算,从而得到准确的控制参量。最后,通过设计的仿真实验对上述分析结果进行准确性验证,证明提出方法的可行性。