游走于时空的边缘 玛莎拉蒂总裁全球荣誉版

时近黄昏,昏昏欲睡的我有些寂寞地坐在被alcantara材质和各种镀铬装饰所包围的驾驶舱内,随着机场辅路混乱的车流慢慢向前蠕动。开着这样一辆车,在这个时段行驶在这样的路上,让人有些时空错乱的感觉,车内的静谧、奢华和车外的嘈杂、混乱形成了强烈的对比,让我分不清这是现实还是梦境。     

车型速查

为了便于比较不同车型的价格，我们为大家设计了车价分布图，它相当于后面车型数据的目录。通过它你可以快速地找到符合你购车预算的车型系列。注意页面两侧的坐标轴，那上面标明了价格的范围。     

基于MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。     

基于多视图时空卷积的交通流量预测模型

交通流量预测一直是智能交通系统的首要任务。由于交通流量序列具有复杂的时空依赖性,使得对其准确预测变得极具挑战性。现有很多工作主要基于循环神经网络、图网络以及Transformer模型构建交通流量预测模型。考虑到卷积网络具有计算效率高以及特征提取能力强等优点,提出基于多视图时空卷积的交通流量预测模型。模型在输入编码层对序列数据进行表示学习,并引入了位置信息和时间信息。在时空特征表示学习层,考虑到序列具有不同的周期模式,设计了多个表示学习模块。每个时空表示学习模块,基于一维卷积完成局部时空特征挖掘,然后基于因果卷积实现全局时空特征挖掘。在预测层,引入通道注意力机制提升模型对时空特征利用的有效性。在2个真实交通数据集上的实验结果,验证了MSTC模型在交通流预测任务上的有效性。     

地铁区间浅埋暗挖隧道地表沉降的控制标准

基于浅埋暗挖隧道施工引起地表沉降的时空效应和沉降机理分析,综合运用模糊聚类分析方法对北京地铁5号线和10号线24个区间隧道的1497个地表沉降测点的数据进行统计分析,得出了地铁区间浅埋暗挖隧道地表沉降值的分布规律和地表沉降槽宽度参数反弯点距离、地层损失率的一般特征,给出了地表沉降槽曲线反弯点距离与等效轴向埋深的关系,提出了较为合理可行的地标沉降控制标准,并提出预警、报警、极限3级控制的管理方法.研究成果为认识地铁区间浅埋暗挖隧道地表沉降及地表沉降控制标准制定等具有一定的参考价值.     

地下工程深基坑开挖技术分析

随着我国城市建设的发展,地下深基坑工程施工对周围环境的影响很大,需要采取合理措施对其进行保护。就深基坑工程中的基坑时空效应、降水基坑外的地面沉降等施工引起的环境问题进行讨论,并提出环境保护措施。     

基于 FCD 的城市路网常发性拥堵路段识别方法研究

常发性拥堵严重影响了城市路网运行效率,准确识别常发性拥堵是交通部门解决交通拥堵问题的重要任务。研究选取浮动车数据作为基础,确定了数据分析的时间粒度,从常发性拥堵的时空特性角度出发,建立拥堵阈值、时段拥堵时长比和常发频度3级判别指标,并运用 GIS 技术,结合指标体系设计了常发性拥堵时空分布的筛选平台。以北京为例,针对早高峰常发性拥堵路段进行识别。通过对识别结果的分析和相关数据对比,成果可反映常发拥堵的特征,以及北京近年来的缓堵工作效果。      

基于时空消耗理论的多航站楼机场车道边 容量评估

为克服传统车道边容量评估方法应用于多航站楼机场时数据采集困难的问题,基于数据采 集容易、计算精度高的原则,利用时空消耗理论建立了车道边容量模型。首先,建立了单一车型 运行下的容量模型;其次,分析了混合车流运行情况,通过参数标定,建立了基于时空消耗理论 的多航站楼车道边容量模型;再次,利用现场调查数据,将模型应用于天津机场T1 和T2 航站楼 车道边,结果表明,目前天津机场车道边流量仅为其容量的1/3 左右,大量资源处于闲置状态; 最后,依据实际情况给出几点车道边容量提升策略。利用该模型能够在仅利用基础设施的基础数 据的情况下,快速、准确地计算出多航站楼机场车道边的总容量,并能够根据时空消耗理论证明 公共交通的运载能力远大于私家车或出租车,机场相关部门可据此采取相应措施。     

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

北京市出租汽车智能召车分析及评价方法研究

利用打车APP软件通过智能手机进行出租汽车预约是近来北京市使用较为广泛的出租汽车用车方式.为了解这一新兴用车方式时间和空间分布的特点,本文通过构建订单数据处理模型,对智能召车软件订单数据进行分析,揭示出智能召车的时空分布特性,包括夜间用车高峰明显、周六为每周订单数量低谷、用车即时性强,以及中心城区订单数量随环路变化呈线性增长趋势,核密度空间分布不均匀等特点.并根据智能召车与出租汽车行业运营管理基础指标的对比分析,提出了一种智能召车软件评价方法,并以两个周期为例对智能召车软件应用效果进行了评价.