高速公路路网运行指数评估模型应用研究

由于高速公路路网交通流量分布不均衡,往往会造成部分节点或区域拥堵,而量化评估路网运行状态能快速确定交通拥堵位置。提出了一种基于波动率和机器学习的路网运行指数评估模型:首先选取合适的机器学习算法确定路网各节点的基准值;然后运用波动率理论构建各节点的运行指数评估模型;之后利用广东省高速公路若干节点路段的真实数据对模型进行了验证,并与阈值进行对比。研究结果表明:本文提出的路网运行指数评估模型能在各类场景下及时准确地定位交通拥堵节点,为缓解交通拥堵问题提供一定的参考意义。     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传统的GRU、GCN、DGC-LSTM模型相比,DGC-GRU模型能够将MAE和MAPE指数分别降低33.01%、5.76%、1.32%和27.75%、1.15%、7.76%,表明DGC-GRU交通流预测模型能够有效挖掘城市快速路网中的交通流时空分布特征,具有良好的预测精度与效率。     

职业学校汽车钣金专业对混合式学习的新需求

国民经济不断发展,汽车保有量增加,对汽车售后钣金专业人才需求量不停增长,这需要职业学校为行业提供高质量的专业人才。同时科学技术迅猛发展,国外混合式学习在国内得以迅速推广。基于网络教学资源构建的混合式学习弥补了传统课堂教学的不足,提升了教学质量。有的汽车企业为了提高贴合实际的生产需求,提升员工专业技能,建立了混合式学习教学资源。在此大环境下,如何利用现有资源进行混合式学习,让学生从学校到岗位无缝衔接,这需要我们深入探究本专业对混合式学习的新需求。     

AUV水下着陆策略研究

  目的  水底着陆是自主式水下机器人（AUV）实现水下长期潜伏、定点观测的一种手段,有利于更好地掌握海洋环境的变化。  方法  介绍基于油囊式浮力调节系统的作业型AUV的基本组成结构及主要功能,提出控制浮力垂直下潜着陆和航行下潜控制浮力垂直着陆这2种水下着陆策略,分析AUV目标点偏离、能耗和离底情况,并开展湖上着陆试验验证。  结果  试验结果表明,依靠该浮力调节系统,AUV能够在水下稳定着陆并安全离底;航行下潜控制浮力垂直着陆策略比控制浮力垂直下潜着陆策略更节省能源,且着陆目标点更为准确。  结论  因此,航行下潜控制浮力垂直着陆策略更符合未来实际应用的需求。     

基于ASAE深度学习预测海洋气象对船舶航速的影响

为了有效地预测海洋气象对船舶航速的影响, 在稀疏自编码(SAE) 网络模型的基础上提出交替稀疏自编码(ASAE) 网络模型; 构建了海洋气象对船舶航速影响的预测框架, 利用关联规则方法对航行数据进行特征选择, 挖掘了船速影响因素及其隐含关系; 整合了中国远洋海运集团有限公司提供的船舶航行数据以及美国国家海洋和大气管理局提供的气象数据, 用训练样本对ASAE网络模型进行训练, 用测试样本对ASAE网络模型进行验证, 并与支持向量回归(SVR) 模型、反向传播神经网络(BPNN) 模型、深度信念网络(DBN) 模型及SAE网络模型的预测结果进行了对比。研究结果表明: ASAE网络模型的训练时间和海洋气象对船舶航速影响预测值的均方根误差分别为8.2s和0.287 3kn, 与SVR模型、BPNN模型、DBN模型及SAE网络模型相比, 训练时间分别缩短了1 683.1、66.9、2.0、1.5s, 预测准确度分别提高了0.045 5、0.296 9、0.153 4、0.178 6kn; ASAE网络模型的预测结果更符合实际海况, 可动态掌握海洋气象对船舶航速的影响; 通过预测的航速影响值来推算实际航速可为气象导航优化船舶运输过程起到辅助作用, 在进行航线规划、航速推荐等航行优化策略时能准确考虑海洋气象所产生的复杂影响, 从而改善船舶运营能效指标, 实现节能、低碳、绿色航行的宗旨。     

自主学习在高校网球教学中应用的实验研究

自主学习是当代学校教育的重要课题.本文通过在高校体育课上应用自主学习的教学实验,得出结果表明:实验组学生在网球技术掌握和自主学习能力上都强于对照组.     

Improving the robustness of an MPC-based obstacle avoidance algorithm to parametric uncertainty using worst-case scenarios

Previous work by the authors focused on obstacle avoidance in large, high-speed autonomous ground vehicles within unknown and unstructured environments. This work resulted in a nonlinear model predictive control based algorithm that simultaneously optimises both the speed and steering commands. The algorithm can exploit the dynamic limits of the vehicle to navigate it to a target position as quickly as possible without compromising safety. In the algorithm, a model of the vehicle is used explicitly to predict and optimise future actions, but in practice the model parameter values are not known exactly. Thus, in this paper, the robustness of the algorithm to parametric uncertainty is evaluated. It is first demonstrated that using nominal parameter values in the algorithm leads to safety issues in 24% of the evaluated scenarios with the considered parametric uncertainty distributions. To improve the algorithm's robustness, a novel double-worst-case formulation is developed that simultaneously accounts for the robust satisfaction of the two safety requirements of high-speed obstacle avoidance: collision-free and no-wheel-lift-off. Results from simulations with stratified random scenarios and worst-case scenarios show that the double-worst-case formulation renders the algorithm robust to all uncertainty realisations tested. The trade-off between robustness and the task completion performance is also quantified.     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标;采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级;结合集成学习算法构建航路网络航段交通拥挤状态识别模型,实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%,采用决策树基学习器优于k 近邻基学习器,且增加的集成学习基学习器数量可提升模型的识别精度;集成学习识别模型的识别性能优于BP神经网络模型,识别方法符合实际且具有应用价值.     

考虑博弈的多智能体强化学习分布式信号控制

交通需求的不均衡和波动会增加分布式信号控制优化的难度. 由于现有独立动作的多智能体强化学习(IA-MARL)仅基于自身的历史经验做出决策,基于IA-MARL的分布式信号控制难以及时缓解交通需求不均衡和波动的影响. 本文融入博弈论的混合策略纳什均衡概念,改进IA-MARL的决策过程,提出考虑博弈的多智能体强化学习(G-MARL)框架. 在采用带有泊松到达率的道路网络流量不均衡输入的格子网络中,分别对基于IA-MARL 和GMARL 的分布式控制方法进行数值模拟,获取单位行程时间和单位车均延误曲线. 结果显示,与IA-MARL相比,G-MARL在单位行程时间和单位车均延误方面分别改善59.94%和81.45%. 证明G-MARL适用于不饱和且交通需求不均衡和波动的分布式信号控制.     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.