基于图卷积网络的多信息融合驾驶员分心行为检测

为减少由驾驶员分心造成的交通事故,并检测驾驶员在自动驾驶情况下的分心状态以判断驾驶员是否有接管车辆的能力,提出了一种基于图卷积的多信息融合驾驶员分心行为检测方法。通过分析驾驶员分心行为和姿态特征,设计了驾驶员姿态估计图,基于图卷积网络对驾驶员姿态估计图进行特征提取,使用全连接层对所提取特征进行行为分类,同时融合手机等关键物体信息对驾驶员分心行为进行再判断。实验结果表明,本文提出的方法在SrateFarm数据集和自制数据集上分别达到了90%和93%的准确率,检测速度约为20帧/s,准确性和实时性均达到检测要求。     

纳米金属Ni的塑性变形机制

为了深入探讨纳米金属的力学性能特别是塑性变形机制，对纳米金属Ni进行了不同程度的冷轧变形．通过x射线衍射分析和透射电镜观察对纳米金属Ni的微观结构和变形机制进行了研究，并对不同变形量下的晶格常数进行了计算．研究表明，随变形量增大，纳米晶体的晶粒尺寸逐渐增大，从最初的16．6nm增大到28．7nm，这种增长是由于部分方向（区域）晶粒长大的结果；变形量较小（小于30％）时，位错的活动与晶粒旋转是的变形主要方式，变形量较大（超过30％）时，晶界发射不全位错与孪晶的交互作用协调变形；纳米Ni的平均晶格常数为0．3533nm，略高于粗晶Ni的晶格常数．     

冷藏集装箱船舶运输管理

冷藏集装箱船舶运输是综合物流链中非常重要的一环，而且其运输环境恶劣，修理条件和技术设备受到限制，这就要求船员必须充分了解、掌握冷藏集装箱基础知识并具备管理及应急修理能力。     

三线扭摆系统测量刚体转动惯量试验方法改进

获取汽车零部件总成刚体转动惯量是汽车系统设计的重要前提之一。从三线扭摆法测量刚体转动惯量的原理出发,分析引起试验误差的主要因素,总结了一套更为方便、可靠的测量三线摆周期的方法。其关键技术有:(1)由加速度传感器和数据采集系统获取三线摆圆盘切向加速度的时间历程信号;(2)通过计数和频谱分析分别得到三线摆周期并进行比较分析。试验过程中容易引起误差的环节较多,通过规则体质量块试验验证和大量的汽车零部件总成转动惯量识别试验,证明这一方法的准确性和实用性。     

塞块专用检具的设计及应用

用通用量具检测铝活塞切槽的几何尺寸效率太低,不能满足批量生产铝活塞的需要,为了提高铝活塞精切槽的检测效率,需自制高精度的塞块进行检测。为缩短塞块的制作和检定周期,本文设计了塞块专用检具,将机械测微比较仪微型化,便于塞块制作者和检验人员进行辅助测量。     

强夯在尾矿地基处理中的应用

长深公路遵化(承唐界)至南小营段高速公路LJ-1合同段起讫桩号为K0+000～K6+000,路线全长6.00km。路线周围分布大量铁矿选矿厂,并堆集了多年废矿渣,施工时要采取合理的处理措施,采用对其予以强夯处理的方案,取得了较好的效果,为今后类似工程提供了一定的借鉴。     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

基于广义时空图卷积网络的交通群体运动态势预测

针对当前高速公路与城市快速路交通拥堵现象愈发严重,为交通管理与控制造成巨大困难的问题,提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型;基于交通数据自身具有的复杂时空特性,定义了广义交通数据图结构,同时构建了广义图的邻接关系;基于图卷积网络基础理论,采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本,建立了广义图卷积算子;结合广义图卷积模块、标准卷积模块与线性全连接层,提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型;利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器,在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据,测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明:相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型,GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外,GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见,GSTGCN模型能够有效处理复杂交通时空数据结构,准确预测交通速度,并为交通管控提供交通群体的运动态势信息。