半潜式起重船波浪载荷预报

采用数值分析软件Sesam/HydroD对某半潜式起重船在航行状态和起重作业状态下的波浪载荷进行长期预报和短期预报.在航行状态下,预报得到的最大波浪弯矩和剪力分别为规范值的1.4倍和2.0倍,用于进行结构疲劳评估(超越概率为10-2)的波浪弯矩最大预报值约为用于进行结构强度评估(超越概率为10-8)的波浪弯矩最大预报值...     

基于问卷调查的公众交通安全意识评价方法

为了评价公众交通安全意识,进而明确不同年龄、不同受教育程度、不同职业和不同出行方式的公众群体交通安全意识的差异性,对公众交通安全意识调查数据进行了量化分析。首先,基于自主编制的公众交通安全意识问卷对5 029名参与者进行了调查;其次,对回收的问卷进行因子分析和信度、效度检验,得到了交通安全行为、交通安全态度和交通管理认知3个因子;最后,选取上述因子作为3个一级评价指标,因子所含条目作为17个二级评价指标,对公众交通安全意识进行评价,采用主成分分析法计算因子得分,并应用熵值法确定一级评价指标权重,再通过灰色关联分析计算灰色关联度,最终根据模糊综合评价得出不同公众群体的交通安全意识水平。研究结果表明：不同年龄段的公众中,18~40岁群体交通安全意识水平最高（b=0.79）,41~65岁（b=0.44）和65岁以上（b=0.45）群体交通安全意识水平较低;不同受教育程度的公众中,专科学历群体的交通安全意识水平最高（b=1）,小学及以下学历群体其交通安全意识水平较低（b=0.33）;不同职业的公众中,事业单位人员群体的交通安全意识水平最高（b=0.93）,农民群体的交通安全意识水平较低（b=0.33）;不同出行方式的公众中,以公交车为主要出行方式的群体其交通安全意识水平最高（b=0.91）,而以三轮车（b=0.35）和自行车（b=0.36）为主要出行方式的群体其交通安全意识水平较低。研究结果可用于不同公众群体交通安全意识的度量,并为不同群体的交通安全意识提升方法制定提供理论依据。     

混凝土冻融破坏机理分析及寿命预测

为提高高寒地带混凝土的耐久性,对混凝土的冻融破坏机理进行了分析,并对受到冻融破坏后的混凝土寿命预测方法进行了简介。分析表明,目前混凝土冻融破坏应用比较成熟的理论为静水压理论和渗透压理论,静水压理论和渗透压理论的主要区别就在于未冻水的迁移方向。混凝土抗冻性影响因素主要有水胶比、含气量、粗集料和掺合料。每种影响因素作用的机理不同,但都共同影响着混凝上在冻融环境下的耐久性。既有研究建立的混凝土冻融寿命预测方面还仅停留于理论层面,能够指导工程实践应用的寿命预测模型仍有待进一步研究。     

上海市防汛能力建设调查及评价

上海位于长江入海口,低洼的地势使得上海遭受台风、暴雨、高潮、洪水(俗称“四碰头”)的袭击后易成灾,多年来上海已建设抵御灾害的防汛体系,且发挥了积极的作用。在对上海防汛能力建设体系开展调查的基础上,分析存在问题和不足。同时,结合科学的层次分析法理论构建评价指标体系,为后续防汛能力建设的进一步优化提供依据。     

基于偏最小二乘回归的疏浚产量预测方法

针对绞吸式挖泥船产量预测困难的问题,对挖泥船作业实时反馈的数据进行研究。利用Relief权重算法提取出影响挖泥船产量的主要工艺参量,并在此基础上采用偏最小二乘回归,建立主要工艺参量与产量之间的数学模型,实现对挖泥船产量的预测。结果表明,利用偏最小二乘回归建立的数学模型能够很好地对挖泥船的产量进行预测,可为预测挖泥船的产量提供一种有效的方法。     

航道改建工程中护岸结构形式优选

航道改建工程中,常因航道两岸环境复杂,须对护岸结构进行多方案的比选。而比选大多以定性分析的主观判断为主,往往存在一定局限性。以上海某航道综合整治工程一标段护岸结构的优选为例,针对典型段护岸,运用灰色关联层次分析法从中寻求安全可靠且经济合理的护岸结构方案。针对特殊段护岸,分析通常遇到的特殊环境条件情况,找出技术可行的较理想的护岸结构方案。研究成果可为类似工程提供借鉴。     

Assessment of factors associated with travel time reliability and prediction: an empirical analysis using probabilistic reasoning approach

Significant efforts have been made in modeling a travel time distribution and establishing measures of travel time reliability (TTR). However, the literature on evaluating the factors affecting TTR is not well established. Accordingly, this paper presents an empirical analysis to determine potential factors that are associated with TTR. This study mainly applies the Bayesian Networks model to assess the probabilistic association between road geometry, traffic data, and TTR. The results from this model reveal that land use characteristics, intersection factors, and posted speed limits are directly associated with TTR. Evaluating the strength of the association between TTR and the directly related variables, the log odds ratio analysis indicates that the land use factor has the highest impact (0.83) followed by the intersection factor (0.57). The findings from this study can provide valuable resources to planners and traffic operators in their decision-making to improve TTR with quantitative evidence.     

基于ANFIS的环境激励下桥梁结构应变响应预测分析

为准确预测复杂环境荷载作用下混凝土连续梁桥结构应变响应,基于结构健康监测系统长期实测数据,分析桥梁结构温度场变化规律,进而基于主成分分析及自适应神经网络模糊推理系统,建立桥梁结构温度场与桥梁结构应变响应的复杂非线性关系。首先,利用小波分解技术分离环境荷载及车辆荷载作用下的桥梁结构实测应变响应;然后利用平行坐标轴,分析混凝土连续梁桥结构温度场变化规律,并利用主成分分析提取结构温度场实测温度数据主成分;最后基于自适应神经网络模糊推理系统,以应变测点处温度数据、桥梁结构温度场实测温度数据主成分和采样时间点数据为输入数据,分别建立不同输入变量组合与应变响应的复杂非线性关系,并对比分析不同工况下结构应变响应的预测精度。结果表明：桥梁结构各测点处实测温度数据变化趋势基本一致,同侧测点实测温度数据高度相关,但桥梁结构上、下表面测点温度变化存在明显差异,仅考虑应变测点处温度变化,难以准确预测桥梁结构应变响应;当考虑桥梁结构温度场变化时,能更精确地建立温度与应变响应之间的关系模型,进而基于实测温度数据准确预测桥梁结构应变响应;当缺乏结构温度场实测温度数据时,将采样时间点作为反映桥梁结构温度场变化规律的参数,可取得较好效果。     

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。     

Bayesian network for red-light-running prediction at signalized intersections

Abstract

Red-light-running (RLR) is an important reason for the large number of intersection-related fatalities, injuries, and other losses. The accurate RLR prediction can effectively reduce crashes caused by RLR behavior. The RLR prediction is usually composed of two parts: the vehicle’s stop-or-go behavior and the arrival time when the vehicle reaches the stop line. Previous stop-or-go prediction models are usually based on embedded traffic sensors using machine learning algorithms. While based on the continuous trajectories collected by radar sensors, RLR prediction can be conducted more effectively. In this paper, a probabilistic stop-or-go prediction model based on the Bayesian network (BN) is proposed for RLR prediction. We extend the deterministic output into the probabilistic output, which provides decision-makers with greater autonomy. The causality of BN improves the interpretability of the prediction model. The BN model is calibrated and tested by the continuous trajectories data measured by radar sensors installed at a signalized intersection. We not only consider the movement measurements of individual vehicles (e.g., speed and acceleration), but also take into account the car-following behavior. As a comparison, different machine learning models and the model based on the inductive loop detection (ILD) are adopted. The results show that the proposed BN model has a high prediction accuracy and performs better in the feature interpretation. This paper provides a new way for probabilistic RLR prediction based on continuous trajectories, which will significantly improve traffic safety of signalized intersections.