职业培训与技能鉴定视阈下高职学生职业能力培养的探究

我国实行＂双证书＂制度,为了提高学生的职业技能和综合素质,增强就业创业能力,许多学校面向校内学生开展技能鉴定培训与考核。应将职业培训、技能鉴定与专业教学有效统一,研究职业培训与技能鉴定视阈下高职学生职业能力的培养原则与思路,切实提高学生职业技能水平和就业创业能力。     

GMDSS综合业务实训理实一体化评估方法研究

针对传统的GMDSS综合业务实训评估方法过于刚性的问题,结合实施"理实一体化"新教学模式,论文给出了新的GMDSS综合业务实训评估方法:评估主体采用多元化方式,并增加了平时成绩的考核,在专业技能评估时,采用新的评估方法和标准,并将评估结果改为百分制进行打分,通过加权求和得到最终评估结果。新的GMDSS综合业务实训评估方法不仅具有可行性和可操作性,而且能够反映学生掌握设备操作的实际情况和专业技能的差异性。     

道路路基与路面设计技巧探讨

结合某一级公路设计实例,通过分析路线设计、路基设计选择与土地有效利用的关系,总结公路设计所需考虑的因素,以确保土地的集约节约利用.     

高职暖通空调专业“准员工2＋1”人才培养模式的改革与实践

本文以高职暖通空调专业工学结合“准员工2＋1”人才培养模式的改革为例,确定暖通空调专业发展方向,制定人才培养目标,搭建专业课程体系,落实人才培养模式改革的保障体系。实践证明。该模式对暖通空调专业高素质技术技能型人才的培养具有一定参考价值和借鉴意义。     

轮机专业英语课程改革与实践

笔者从行业对轮机工程技术专业人才的职业能力要求入手,从教学对象特点、课程特色、教学方法和考核评价机制四个方面切入,进行轮机专业英语课程改革探索和总结。     

提高高职课堂教学学生学习参与度研究

提高高等职业院校的课堂教学质量,是高等职业院校加强内涵建设和实施素质教育的需要。高等职业院校的课堂教学质量受学生学习参与度的影响。找到高职课堂教学学生学习参与度的影响因素,应当能够梳理卅提高高等职业院校的课堂教学学生学习参与度的措施。     

A behavioral analysis of freight mode choice decisions

This paper develops a behavioral analysis of freight mode choice decisions that could provide a basis for an acceptable analytical tool for policy assessment. The paper specifically examines the way that truck and rail compete for commodity movement in the US. Two binary mode choice models are introduced in which some shipment-specific variables (e.g. distance, weight and value) and mode-specific variables (e.g. haul time and cost) are found to be determinants. The specifications of the non-selected choice are imputed in a machine learning module. Shipping cost is found to be a central factor for rail shipments, while road shipments are found to be more sensitive to haul time. Sensitivity of mode choice decisions is further analyzed under different fuel price fluctuation scenarios. A low level of mode choice sensitivity is found with respect to fuel price, such that even a 50% increase in fuel cost does not cause a significant modal shift between truck and rail.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

不确定时滞系统的PD型迭代学习控制算法

针对不确定时滞系统,在网络时滞范围已知情况下,采用改进PD型迭代学习控制算法补偿网络时滞.在初态是严格重复时,给出这类系统的极限轨迹和迭代输出收敛于该极限轨迹的充分条件.并与P型迭代学习控制算法进行比较.仿真结果表明改进后的PD型迭代学习控制算法能够有效地补偿此类时滞.当网络时滞范围变窄时,能够更加精确跟踪极限轨迹.在相同迭代次数情况下,PD型迭代学习控制算法比P型迭代学习控制算法能更快收敛于极限轨迹.