首届公交“十佳驾乘明星”揭晓

2月6日，由市广电集团（总台）、市公交集团主办；广电移动电视、华龙网、公交促进会承办的“千万市民文明行动”系列活动之首届公交“十佳驾乘明星”评选活动颁奖仪式在广电彩电中心800平米演播厅举行，     

基于工作过程系统化的汽车车身修复技术课程设计

本文以基于工作过程系统化思想,对汽车车身修复技术课程进行了设计.阐述了本课程基于工作过程系统化的课程设计思路、学习情境设计、课程教学方法及考核方法设计.     

公交热线到市民服务热线参观学习

为了提升济南公交热线服务质量和整体服务水平，总公司客服中心工作人员到12345市民服务热线参观学习。     

基于强化学习的平行航班动态定价

由于平行航班之间的竞争越来越激烈,为提高航空公司收益,对机票销售系统中的航班和旅客分别建模。将航班的动态定价问题建模成马尔可夫博弈过程,对混合类型旅客建立Logit选择模型。利用多Agent的强化学习算法对实例进行求解,结果表明WoLF-PHC算法收敛所需迭代的次数大于Nash-Q算法,但在计算速度上WoLF-PHC算法优势明显,且具有较强的适应能力。此外,航空机票的定价策略与其他易逝品有所不同,整体呈现上升趋势。而旅客环境参数的变化,也会影响定价策略。基于WoLF-PHC算法得到的定价策略对于收益提升具有积极作用。     

基于移动应用的铁道信号智能监测系统

为解决传统铁路信号监测系统中存在的互联性较低、数据共享不足、智能化程度较低等问题,结合4G无线通信、云计算、大数据等技术,设计了一种基于移动应用的铁道信号智能监测系统,该系统将既有的信号监测系统进行了移动端的智能延伸,并且具有实时报警、智能故障预测与诊断、报警管理、监测数据查看等基本功能。系统在成都铁路局投入应用,结果表明:该系统实现了信号系统监测数据报警的实时传递,提升了监测系统的实用性和智能化程度。     

基于深度学习的机器视觉技术在造船中的应用

近年来,以人工智能为代表的新兴技术日渐成为了传统行业生产力提升的增倍器.在船舶建造领域,为了实现高质量发展,智能制造技术的推广势在必行.由于其显著的特性,基于深度学习的机器视觉技术正应用于越来越多的造船工艺流程中,为提高生产效率、提升产品质量做出越来越重大的贡献.     

Seltrac 40系统STC故障情况下的行车组织分析

本文介绍了基于环线通信的移动闭塞信号设计思想,分析该思想下的追踪原理,并着重以广州地铁三号线为现有条件,重点阐述了STC(车站控制器)故障情况下的行车组织方案,并分析了此种情况下的行车通过能力。     

基于半监督SVM的交通方式特征分析和识别

为解决基于手机信令数据识别大规模用户交通方式问题,多维度分析出行方式特征,提出结合主动学习和Tri-training的半监督支持向量机算法。以手机信令出行链为基础,将出行特征划分为距离、时间、速度、出行者属性等四类,并进一步研究多维度特征及其计算方法 ,基于有向无环图设计一种结合主动学习与基于Tri-training的半监督多分类支持向量机。运用HY市手机信令数据构建样本集并训练该分类器,与多种监督学习分类算法进行比较。结果表明主动学习构造的富含信息的已标记样本集可以减少半监督学习的迭代次数,Tri-training半监督支持向量机可以通过大量未标记样本提升分类器准确率,结合主动学习与Tri-training半监督支持向量机算法可以有效地识别手机信令数据出行链的交通方式。     

基于深度强化学习的智能船舶航迹跟踪控制

[目的]智能船舶的航迹跟踪控制问题往往面临着控制环境复杂、控制器稳定性不高以及大量的算法计算等问题。为实现对航迹跟踪的精准控制,提出一种引入深度强化学习技术的航向控制器。[方法]首先,结合视线(LOS)算法制导,以船舶的操纵特性和控制要求为基础,将航迹跟踪问题建模成马尔可夫决策过程,设计其状态空间、动作空间、奖励函数;然后,使用深度确定性策略梯度(DDPG)算法作为控制器的实现,采用离线学习方法对控制器进行训练;最后,将训练完成的控制器与BP-PID控制器进行对比研究,分析控制效果。[结果]仿真结果表明,设计的深度强化学习控制器可以从训练学习过程中快速收敛达到控制要求,训练后的网络与BP-PID控制器相比跟踪迅速,具有偏航误差小、舵角变化频率小等优点。[结论]研究成果可为智能船舶航迹跟踪控制提供参考。     

移动闭塞系统区间通过能力分析及参数计算

移动闭塞条件下“闭塞分区”呈现出“移动”和“长度变化”的特征,其区间通过能力的计算较固定闭塞系统更加复杂。本文建立了移动闭塞系统区间通过能力的数学模型,对区间通过能力与列车追踪运行速度、跟驰车距和列车性能等参数之间的相互关系进行了定性、定量分析,并就关鍵参数的计算方法进行了深入的讨论,对移动闭塞条件下的列车运行控制与行车组织有一定的参考价值。