事故多发点鉴别及其成因分析

对比分析了事故多发点鉴别及其成因方法,归纳总结了各种方法的优缺点及适用条件。提出了基于BP神经网络的高速公路事故多发点鉴别方法,并应用实际高速公路交通事故数据,标定了网络的权值矩阵和偏置向量,该方法能有效解决矩阵法中人为确定边界的不足。针对事故多发点的突出事故诱导因素问题,提出了基于动态模糊聚类的多发点成因分析方法,该方法能将众多的事故诱导因素聚类为从主要原因到隐患原因等4个类别,进而得出较客观的成因分类结果。     

汽车销售4S模式研究

阐述了我国汽车销售模式及其经营现状,结合国际上汽车销售模式的经验,重点分析了我圉目前汽车销售4S模式中存在的问题及探讨了其发展趋势进行。     

考虑潜在类别的老年行人交通事故严重程度致因分析

人口老龄化问题日益突出，老年行人的出行安全同样引起各界重视。本文基于潜在类别聚类分析和随机参数Logit模型相结合的两步法深入探究影响老年行人交通事故严重程度的诱因。对北卡罗来纳州2007—2019年65岁及以上老年行人与机动车的碰撞数据进行清洗。为消除碰撞数据中固有的未观察到的异质性，首先进行潜在类别聚类分析，依据拟合优度指标确定最佳聚类数，将数据分成3个集群，分别对每个集群进行特征描述。然后，分别对每个集群建立随机参数Logit模型，以进一步探索集群内部未观察到的异质性，同时计算各显著变量的边际效应，量化其对事故严重程度概率的影响。结果显示，随机参数Logit模型具有更好的拟合优度；不同集群参数估计结果有所差异，一些变量只在特定集群内是显著的；集群1中，“救护车援助”为随机变量，集群2中“事故发生在城市”为随机变量，集群3中未发现随机变量，退化为多项Logit模型。本文研究结果可为交通工程师和政策制定者提供更可靠准确的老年行人交通事故严重程度诱因信息，为老年行人出行安全改善方案的制定提供理论支撑和技术支持。     

溢出效应与集群企业创新时间的选择

为考察溢出效应对产业集群企业创新时间的影响，将溢出效应系数引入创新时间和投入之间的线性函数以及创新成功时间的概率函数中，建立了集群企业创新期望净收益函数．将该收益函数对创新时间和溢出效应系数变量求出二阶偏导数以建立最优创新时间和溢出效应系数之间的一阶导数关系．对一阶导数符号的分析显示，当竞争企业数量较大时，无论创新类型、资金成本、研发风险参数如何变化，最优创新时间都随技术溢出效应的增强而缩短．     

客运节点等级划分方法及列车开行方案求解策略研究

针对开行方案编制模型复杂、求解困难的特点,从制定开行方案求解策略出发,以客运站所在城市为节点,研究快速客运网客运节点的等级划分方法。以节点的定量和定性属性作为聚类分析参数,采用变量聚类选取合适的分类变量,再通过样本聚类将节点进行分类,并以2008年日均旅客发送量前100位的客运节点为例进行分类,结合客运专线规划和既有线的实际运营情况修正聚类分析结果,最后制定基于节点等级的旅客列车开行原则,为开行方案设计奠定基础,降低问题的求解规模和难度。     

ZooKeeper在复杂事件处理系统中的应用

复杂事件的分布式计算处理与协调一直是分布式计算的难题,尤其是基于低成本的高可用性技术实践.提出了把ZooKeeper应用于以Esper为核心的复杂事件处理系统的一种技术解决方案.该方案通过ZooKeeper协调多个复杂事件处理引擎,并作为控制台和复杂事件处理引擎的交互媒介,能够实现复杂事件处理分布式计算的集群技术应用,可提高系统的可用性和实时性.所提出的方案在3台PC机搭建的仿真实验平台进行了验证,说明是可行的.     

基于MFCM的改进聚类算法及其在交通中的应用

在交通流状态模糊化的过程中,对已有的交通模糊控制研究引入了太多的主观因素.为了解决这个问题,提出了一种基于MFCM算法的分级递减聚类算法,利用MFCM算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类别数数据集的聚类.将改进算法应用到交通流状态聚类中,可以更科学地确定交通流状态的聚类数和各类模糊隶属度函数的结构等,最后,通过算例,说明了该算法对于未知聚类数及服从高斯分布的数据集具有聚类效果好、收敛速度快的特点.     

车辆行驶工况运动学水平的研究

为提炼车辆行驶的数字特征,把速度时间记录看作运动学片段的集合.从运动学片段入手,运用主成分分析提取关键特征用于聚类分析,重点论述聚类分析技术对车辆行驶数字特征进行分类,研究了车辆运动的各个不同层次的水平,探讨能够体现交通特征的分类方法.聚类结果符合客观事实,是行之有效的分类方法,研究有利于合成反映实际交通状况的行驶工况.     

A cluster analysis approach for differentiating transportation modes using Bluetooth sensor data

A variety of automatic data collection technologies have been used to gather road and highway system data. The majority of these automatic data collection technologies are designed to collect vehicle-based data and either do not have the capability to collect other travel mode data (e.g., bicycles and pedestrians), or may need to be deployed differently to support this capability.

One type of wireless-based data collection system that has been deployed recently is based on Bluetooth technology. A key feature of Bluetooth-based data collection systems that makes travel mode identification feasible is that the Bluetooth-enabled devices within vehicles are also present on bicyclists and pedestrians. This research explores the effectiveness of applying cluster analysis methods when processing data collected via Bluetooth technology from vehicles, bicyclists, and pedestrians to automatically identify the associated travel modes. The results of several experiments utilizing multiple Bluetooth-based data collection units arranged linearly and in relatively close proximity on a simulated intersection demonstrate the potential of cluster analysis to accurately differentiate transportation modes from the collected data.     

一种水下无线网络安全机制关键技术

针对目前水下无线通信网络安全存在的问题,在对网络拓扑结构和拓扑控制进行研究的基础上,分析现有成簇策略的特点及不足,然后提出基于信任和能量的成簇方法。本方法通过对成簇方式进行分段控制,在初始化阶段采用最小能耗策略实现全网成簇,在簇头重选阶段以能量因子和信任因子作为综合评价依据选取信任簇头,在拓扑维护阶段对簇内节点进行监控和维护,实现降低能耗和提高安全的目标。最终在模拟仿真中,通过与LEACH算法对比发现,本算法在能耗和安全性上都有很大的提升。