“三步一强五环节”构建高职网店运营课程岗课赛证融通模式

作为网店运营推广职业技能等级证书试点院校,惠州工程职业学院为响应职教改革号召,从岗位需求和职业技能等级标准出发,创新构建了“三步一强五环节”高职网店运营课程岗课赛证融通模式。在深入校企合作的基础上,文章结合惠州工程职业学院的实际情况进行了SWOT分析,判定学院应紧跟职业教育改革步伐,尽快加入课证融通的改革行列,以培养出精通业务、技能娴熟的高素质复合型数字化人才。     

高速铁路道岔可动心轨辙叉拆分修技术研究及应用

随着列车高速、高密运行,道岔钢轨病害逐渐显现并不断加剧,其中可动心轨辙叉区钢轨部件伤损尤为严重、频繁,严重影响列车的平稳安全运行,需要及时进行更换处理。为节约道岔更换成本、解决轨道车吊装能力不足等问题,文章开展可动心轨辙叉拆分更换相关技术研究,结合中国铁路广州局集团有限公司管内京广高铁铺设使用的客专系列、CN系列1/18道岔,对可动心轨辙叉拆分更换技术可行性与操作流程进行了分析研究;依托相关工程案例,介绍了辙叉拆分修技术的施工准备工作、技术操作流程、应急处置预案和关键操作步骤等;现场实际应用中也取得了预期的效果。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

终端区空域结构调整对进场交通流的影响

根据终端区空域运行规则, 采用网络理论建立了终端区空域网络模型, 基于终端区航空器微观行为建立了空中交通流跟驰模型和等待模型, 基于NetLogo仿真平台进行了仿真试验, 分析了不同入度分布的空域结构对交通流的影响。仿真结果表明: 当密度小于等于0.075架次·km^-1, 速度大于等于0.04 km·s^-1时, 交通流处于自由相; 当密度为0.075~0.200架次·km-1且速度大于等于0.04 km·s^-1时, 交通流处于畅行相; 当密度大于0.200架次·km^-1, 小于最大密度时, 交通流处于拥塞相; 随着航班波作用的减弱, 交通流进入反向畅行相, 之后进入反向自由相; 当进场交通流分布一定, 入度值依次为2、3、1时, 交通流速度小, 密度大, 拥塞消散最慢, 入度值依次为3、2、1时, 交通流速度大, 密度小, 拥塞消散最快。可知, 增大空域网络上游关键节点的入度, 使进场交通流提前完成汇聚, 有利于交通流快速运行, 增大交通流量; 减小空域网络下游关键节点的入度, 有利于交通流在达到拥塞相后快速完成消散。     

高速公路意外事件影响下的车辆跟驰模型

应用智能主体技术, 针对双向四车道高速公路意外事件影响下的车辆跟驰行为, 建立了基于智能主体的车辆跟驰模型, 利用西部高速公路交通调查统计的数据, 对车辆主体的间距愿望进行了定量分析, 利用比例微分控制确定车辆主体的加速度响应, 建立了不同加速度队列的逻辑意图, 使模型的加速度响应符合车辆的动力特性。利用开发的EAD-Simulation系统, 在特定和随机两种不同过程下对模型进行的测试表明: 利用智能主体技术描述高速公路意外事件影响下的跟驰行为, 可充分发挥其个性、自治性和自适应性的特点, 在主体的属性描述中利用比例微分控制“类阻尼”的特性, 可有效地对车辆主体的稳定性进行控制。     

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,并就关键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。     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,网联自动驾驶车辆(CAV)、自动驾驶车辆(AV)和常规人驾车辆混行的交通流将在未来长时间存在.建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型,考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素,并进行典型...     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明：基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s^-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。     

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性,在考虑后视效应的基础上,融合多辆前车速度与加速度等状态信息,以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型;在此基础上,研究了前后方车辆数和状态信息完整度对模型稳定性的影响,结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析,并确定了模型最优参数;利用混合交通环境特性,在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略,并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中,全部车辆的停止波速最大提高了26.1%;在车辆启动场景中,启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓;在环形道路场景中,当混合交通流中CAV渗透率由40%提高至100%时,在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见,在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下,该跟驰模型和策略可用于车辆跟驰仿真与特定场景下的测试验证,能够有效保障混合交通环境中的交通流扰动吸收和车队稳定行驶。