AIS数据分析和可视化展示的应用

通过AIS数据分析和可视化展示结果,分析其在海上助航设施配布和调整、海上施工作业选点和通航安全论证、桥梁通航论证和防撞效能评估、船舶异常行为分析等案例的典型应用场景,为进一步挖掘AIS大数据潜能,提升航海保障服务质量和效率,赋能水上智慧监管和航运企业智慧经营提供参考。     

基于流变学的BF-SBS改性沥青胶浆性能研究

为研究玄武岩纤维(BF)对SBS改性沥青流变性能的影响,制备了不同掺量(质量分数为0%、0.2%、0.4%、0.6%、0.8%、1%)玄武岩纤维-(质量分数为4.5%)SBS改性沥青。采用动态剪切流变仪(DSR)对BF-SBS改性沥青进行温度扫描和多重应力蠕变恢复试验(MSCR)以评价其高温流变性能;通过弯曲梁流变试验(BBR)测得的蠕变劲度s、蠕变速率m等指标分析沥青的低温流变性能。结果表明：随着试验温度上升,各掺量BF-SBS改性沥青胶浆的复数剪切模量G~*降低,相位角δ增大,表明BF-SBS改性沥青胶浆拥有更好的弹性特性。在各应力水平下,随着BF掺量增加,BF-SBS改性沥青胶浆的不可恢复蠕变量J_nr不断降低,当掺量达到0.4%时,J_nr值降至最低。而R值高于基质沥青与SBS改性沥青胶浆,表明BF能够有效提升SBS改性沥青胶浆在高应力作用下的高温变形恢复能力。蠕变劲度模量s、蠕变速率m低温指标测值表明适量玄武岩纤维对沥青胶浆低温性能有一定提升,其中掺量为0.4%的BF-SBS改性沥青表现出最佳的高、低温流变性能。     

引进绩效管理提高档案工作整体水平

随着社会经济市场的日益竞争的激烈,企业为了规范自身行为,增强竞争力,激发企业员工的潜能,在人力资源管理上引进了全新的绩效管理系统。     

高低墩大跨连续刚构桥受力分析

为研究高低墩大跨连续刚构桥梁受力特点,文章基于Midas Civil有限元软件,分析了不同桥墩型式对主梁弯矩的影响,并研究了等高桥墩、高低墩两种状态及墩高差较大情况下连续刚构桥受力行为的差异,为类似桥梁设计提供参考。     

基于SEM-Logit模型的互联网租赁电动自行车使用行为研究

为了解居民对互联网租赁电动自行车的使用意向和决策行为,对居民对互联网租赁电动自行车的使用行为偏好进行探究。首先,通过调查问卷了解居民对互联网租赁电动自行车的态度认知。然后,采用结构方程模型（Structural Equation Modelling, SEM）分析居民对于互联网租赁电动自行车使用意向的影响因素,并采用SEM-Logit模型分析居民对于互联网租赁电动自行车的选择决策行为。最后,以西安市为例进行实证研究,以弥补以往仅从定性角度分析互联网租赁电动自行车使用行为的不足。结果表明：男性、固定职业者、中等收入者、短距离出行者更愿意选择使用互联网租赁电动自行车;态度、感知有用性和感知易用性作为心理潜变量也会影响居民对互联网租赁电动自行车的使用行为;与非高峰期相比,受访者在高峰期对互联网租赁电动自行车的使用意愿更高,高峰期和非高峰期使用互联网租赁电动自行车的比例分别为19.58%和14.42%。根据研究结果,引入互联网租赁电动自行车对西安市居民现有的出行结构会产生一定影响,但影响程度不大。因此,建议政府相关管理部门统筹协调,提前谋划、制定互联网租赁电动自行车的发展路径。     

基于ETC门架数据的高速公路车辆行驶特征画像方法

为合理评估高速公路车辆驾驶行为风险和通行费稽查状态异常程度,进而对风险车辆进行提前预警,提出了一种基于ETC门架数据的车辆行驶特征画像方法。首先,通过分析车辆风险驾驶行为和通行费稽查状态,构建了以超速驾驶行为、疲劳驾驶行为、门架状态异常情况、收费状态异常情况、路径状态异常情况为指标的车辆行驶特征画像指标体系;然后,利用熵权-TOPSIS法和熵权-灰色关联分析建立综合熵权法确定各指标权重;最后,选取8辆车作为实验对象生成车辆行驶特征雷达图来验证该方法的有效性。研究结果表明：在4辆1类客车中,有3辆存在超速驾驶行为,其超速驾驶指数趋于0.8,其余的行驶特征指数均趋于0;在4辆6类货车中,有2辆在疲劳驾驶指数上表现异常,其疲劳驾驶指数趋于0.4,还有1辆的收费状态异常指数趋于0.4,可能存在偷逃费风险。可以看出,该方法能有效区分不同车型的风险类型,在高速公路管理中可用于有针对性的风险决策制定。     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

驾驶行为与驾驶风险国际研究进展

驾驶人在驾驶车辆的过程中总会面临由自身或外界条件所带来的或高或低的风险,即驾驶风险,通过对驾驶风险进行识别、分析及评估是对风险进行管理的有效对策,明确由人为因素（即驾驶人个体特征及驾驶行为）所带来的驾驶风险并对驾驶人进行安全管理尤为重要。为了全面了解各类危险驾驶行为和各种驾驶人群体的驾驶风险行为研究进展,对驾驶风险领域重点问题进行了总体概述。从驾驶人个体特征及驾驶行为的角度出发,探究了驾驶风险领域目前的研究现状,并利用科学知识图谱展示驾驶风险领域研究的发展进程与结构关系。通过Web of Science核心合集数据库获取了3 406篇在1986~2020年（截至2020年2月29日）间出版的驾驶风险研究相关英文文献,共涵盖8 684位作者及6 018个关键词,基于科学知识图谱对该领域文献进行梳理与分析。结果表明：驾驶风险领域的国外研究在驾驶人选择方面主要从年轻驾驶人、老年驾驶人、新手驾驶人及职业驾驶人的角度进行切入,重点围绕酒驾、药驾、分心驾驶及疲劳驾驶等主题开展研究。与国外研究相比,中国在分心驾驶、疲劳驾驶领域的研究相对丰富,而针对酒驾、药驾的研究试验手段较为单一,研究不够全面;在研究对象的选取上,有必要进一步增加老年驾驶人及新手驾驶人的深入研究,包括老年驾驶人适驾性评估与教育培训,以及新手驾驶人驾照分级制度的可行性探索。在研究方法方面,国外常见研究方法包括问卷调查、驾驶模拟器试验、实车试验以及自然驾驶研究等,而中国在自然驾驶研究领域尚未充分开发利用;未来应考虑多种方法相结合并从不同角度促进对驾驶行为及驾驶风险的全面理解。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

城市道路环境下自动驾驶车辆接管绩效分析（双语出版）

为了分析城市道路环境下高度自动驾驶中非驾驶相关任务和接管紧迫度对接管绩效的影响,基于驾驶模拟器设计了自动驾驶紧急接管场景并开展驾驶模拟试验,接管请求时间分别设定为3,4,5 s,非驾驶相关任务为读新闻、看视频、玩游戏,自动驾驶车速为50 km·h^-1,试验中共招募了49名被试（男性30名,女性19名）,被试的平均年龄为31.06岁（标准差为7.1岁）,驾驶人在自动驾驶阶段始终执行非驾驶相关任务,听到接管请求提示后需要接管车辆的控制权,并实施紧急避让操作。研究结果表明：在紧急接管情况下,接管紧迫度对合成加速度和最小TTC有影响,而对接管时间无影响,与5 s的接管请求时间条件相比,3,4 s的接管请求时间条件下的合成加速度明显增加,而最小TTC则随接管请求时间的减少而降低;非驾驶相关任务对接管时间和最小TTC有影响,而对合成加速度无影响,与无非驾驶相关任务相比,非驾驶相关任务会显著增加接管时间和降低最小TTC;碰撞几乎都发生在3 s和4 s的接管请求时间下,5 s的接管请求时间能够基本保证接管的安全性。