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。     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

Fully autonomous vehicles: analyzing transportation network performance and operating scenarios in the Greater Toronto Area,Canada

Fully autonomous vehicles (AVs) have the potential to considerably change urban mobility in the future. This study simulates potential AV operating scenarios in the Greater Toronto Area (GTA), Canada, and assesses transportation system performance on a regional level. For each scenario, the base capacities of certain types of road links are modified to simulate the theoretical increase in throughput enabled by AV driving behavior. Another scenario examines driverless parking operations in downtown Toronto. Simulation results indicate that the increased attractiveness of freeways relative to other routes leads to slightly increased average travel distance as vehicles divert to access higher capacity road links. Average travel time is found to decrease by up to one-fifth at the 90% AV market penetration level. Concurrently, localized increases in congestion suggest that proactive transportation planning will be needed to mitigate negative consequences of AV adoption, especially in relation to induced demand for personal automobile travel.     

多媒体网络环境下学生自主学习能力研究

在建构主义的指导下,研究发现多媒体及网络技术在教学过程中的广泛应用,既提高了学生的学习效率,又培养了学生的自主学习能力.在学习过程中,学生自己支配的时间增加,学习场所变得更加灵活,学习更富有自主性.同时,学习资源得到有机整合与充分利用.     

水手工艺课程部分项目互动教学探索与实践

介绍了互动教学模式的特点,探讨了互动教学的实施方法,指出互动教学有利于全面推进素质教育改革,培养高素质的专业人才.     

ONE PROBABLE MECHANISM OF THE LEARNING-MEMORY DAMAGE BY LEAD:THE CHANGES OF NOS IN HIPPOCAMPUS

Leadtoxicityremainsapublicproblemintheworld ,especiallyinthedevelopingcountries.Chronicleadexposurecancauseimpairmentofcog nitivefunctionandsignificantdelaysinbehavioraldevelopment.However ,themechanismsunderly ingtheseimpairmentshavenotbeendefined .Long term potentiation (LTP)isthoughttobeavalidmodeloflearningandmemoryatthelevelofthesynapse[1] .Recently ,nitricoxidesynthase (NOS)hasbeenshowntobeanimportantfactorforforma tionandlastingofLTP[2 ,3 ] .Theremightbesomerelationsamonglead ,LTP…     

神经网络内燃机排放模型学习样本的选定

研究神经网络理论用于内燃机排放预测模型时学习样本的选取方法，针对内燃机工况变化的特点，对传统的正交设计法进行了改进，提出并验证了用考虑因素边界变化的正交设计法选取样本的可行性。研究结果表明，模型的预测精度随着正交表位级的增加而提高，即使只有3位级的正交表设计样本，也能建立预测误差低于5．7％的内燃机稳态排放特性预测模型，具有试验工作量小、简便易行的特点。     

智能控制技术在汽车AMT中的应用

针对汽车AMT系统中节气门控制、离合器接合点及最佳动力性换档规律的确定等问题 ,讨论了采用多模式控制、模糊控制和自学习控制等智能控制的具体方法 .实际应用表明 ,这些方法切实可行 ,同时 ,也体现了智能控制技术在车辆控制系统中的实用性和先进性     

基于自律分散的城市轨道交通信号研究

为满足对轨道交通信号系统高效率、高安全性的发展需求,引入自律分散的技术,介绍自律分散系统的构成、特点、内部结构及其工作机制。以现行移动闭塞条件下列车控制系统为基础,提出基于自律分散的城市轨道交通信号系统的数据域结构设计、数据单元格的设计以及行车安全子系统的设计,为城市轨道交通信号系统的设计提供一种新的思路和方法。     

基于监督学习的轨道车辆车轴裂纹扩展预测方法研究

传统裂纹扩展分析需要精确的数学模型以及校准参数,但现实中的复杂形状裂纹扩展过程难以进行精准建模,而通过有限元软件对裂纹扩展过程进行分析需大量的运算时间。因此,文章提出了基于监督学习的轨道车辆车轴裂纹扩展方法,该方法无需进行数学建模,可通过结构健康监测数据以及初始裂纹数据直接预测裂纹的扩展趋势。经验证,该方法预测准确率较高,能够较好地拟合裂纹扩展趋势。