The role of alternative fuel vehicles: Using behavioral and sensor data to model hierarchies in travel

Greater adoption and use of alternative fuel vehicles (AFVs) can be environmentally beneficial and reduce dependence on gasoline. The use of AFVs vis-à-vis conventional gasoline vehicles is not well understood, especially when it comes to travel choices and short-term driving decisions. Using data that contains a sufficiently large number of early AFV adopters (who have overcome obstacles to adoption), this study explores differences in use of AFVs and conventional gasoline vehicles (and hybrid vehicles). The study analyzes large-scale behavioral data integrated with sensor data from global positioning system devices, representing advances in large-scale data analytics. Specifically, it makes sense of data containing 54,043,889 s of speed observations, and 65,652 trips made by 2908 drivers in 5 regions of California. The study answers important research questions about AFV use patterns (e.g., trip frequency and daily vehicle miles traveled) and driving practices. Driving volatility, as one measure of driving practice, is used as a key metric in this study to capture acceleration, and vehicular jerk decisions that exceed certain thresholds during a trip. The results show that AFVs cannot be viewed as monolithic; there are important differences within AFV use, i.e., between plug-in hybrids, battery electric, or compressed natural gas vehicles. Multi-level models are particularly appropriate for analysis, given that the data are nested, i.e., multiple trips are made by different drivers who reside in various regions. Using such models, the study also found that driving volatility varies significantly between trips, driver groups, and regions in California. Some alternative fuel vehicles are associated with calmer driving compared with conventional vehicles. The implications of the results for safety, informed consumer choices and large-scale data analytics are discussed.     

基于交通大数据的移动模式分析综述

交通大数据可为揭示交通主体显性出行行为背后的深层规律（即移动模式）提供重要基础。精确掌握大数据驱动下交通主体的移动模式，可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据。交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级，但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题。针对这些问题，利用科学知识图谱，对2010~2020年期间3 747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点进行归纳总结，结合常见的移动模式分析数据集，系统综述现有研究在移动模式常态分析、非常态分析、关联分析、预测分析和可视化分析方向上的阶段性进展。其中，移动模式常态分析综述了个体活动特性分析、出行类别划分、特定群体分析等应用的研究进展。移动模式非常态分析综述了基于模板匹配和数据驱动的非常态事件检测方法的发展脉络。移动模式关联分析综述了面向不同数据源的关联特性检测方法的发展近况。移动模式预测分析综述了基于数理统计和数据驱动的交通属性预测方法的发展状况。移动模式可视化分析综述了用户交互设计、移动模式宏观可视化、微观可视化和整体可视化的发展近况。最后，系统总结各个分支方向面临的主要问题与挑战，并从数据整合、模型创新、机制变革等角度提炼移动模式分析研究的未来发展趋势，期望为后续研究采用新理论技术开展移动模式分析提供参考。     

潜艇双层舷侧结构水下接触爆炸特性数值分析

为研究潜艇双层舷侧在水下接触爆炸作用下的破坏特性和抗爆性能,对潜艇舱段进行等比例实体建模,利用非线性有限元软件LS-DYNA作为工具进行仿真。归纳总结了舷侧主要结构的破坏模式及响应特点,并从吸能的角度探讨了各结构对抗爆性能的贡献度,结果可为结构的强度优化设计提供参考。     

基于图像熵的火灾烟雾识别

提出了一种基于图像熵的烟雾运动模式识别方法,用来实现对火灾烟雾的探测.通过对烟雾自由扩散模型的理论分析,得出了烟雾扩散熵增运动的特征.通过引入信号学中"图像熵"的理论,用来捕捉烟雾运动造成的熵变特征,进而实现火灾烟雾的检测.经过实验的验证和分析,并对图像熵值的变化进行傅立叶变换,得出了干扰运动和烟雾运动具有不同特征信号的结论,从而实现了烟雾的识别.与以往研究者通过研究视频烟雾的图像特征出发不同,文中从烟雾的热力学的性质和它在流体力学方面的运动特征,得出它与一般的刚体具有截然不同的运动模式的理论,以图像熵作为核心参量,得出一种实用高效的火灾烟雾检测算法.实验表明:这种检测算法受到环境的干扰较小,特别适合复杂环境的烟雾检测,并可以用于对火灾环境的评估.     

基于光纤光栅传感技术的周界入侵报警系统

介绍了一种基于光纤光栅传感技术的周界入侵报警系统,利用不同入侵模式信号时域及频域特征信号的差异性,采用时域与频域与信号结合的分析方法,实现对各种入侵信号的模式识别及报警判断,并通过模拟实验加以验证。实验结果表明,该系统能够实现对入侵行为的模式识别及对有害入侵模式实施报警的功能。     

改进的EM算法在分块灰度图像二值化中的应用

识别扫描得到的文本图像首先要进行二值化处理,以去掉冗余的信息.针对二值化过程中采取固定阈值会导致图像的背景和文本不能得到有效区分的问题,提出改进的分块EM算法,并应用在文本图像的二值化过程中,有效地分离了图像中的文本和背景信息,使识别的后续阶段提取的特征能够更好地代表要识别的模式.     

台风状态下码头护舷受力与吸能特点分析

分析了台风状态下的系泊船舶所受的环境力,并进一步建立了系泊状态下的平衡方程,采用模矢搜索法求解了平衡方程组,求解过程中,护舷的反力-变形曲线采用三次样条插值进行模拟,最终解出护舷的受力与吸能.在不同的波流夹角和不同的缆绳预张力的情况下,找出了护舷可能失效的波流夹角的危险区域,对护舷的受力规律进行了分析和总结,并计算了恶劣海况下,两种不同性能护舷的受力和吸能情况.     

提高城市轨道交通换乘效率分析

在分析城市轨道交通换乘模式的基础上,研究轨道交通在规划、建设和运营三个方面的不足及其对换乘的影响。借鉴国外轨道交通先进经验,提出提高我国城市轨道交通换乘效率的建议,为今后城市轨道交通换乘效率的提高做为参考依据。     

设计模式在实船训练系统软件设计中的应用

设计模式(Design Patterns)是人们在实践过程中总结出来的成功设计范例,在实船训练系统程序架构设计过程中引入设计模式可以提高系统框架的可复用性和可扩展性。首先简单介绍设计模式的概念和分类,然后将设计模式思想应用于解决在实船操作训练系统对象模型设计过程中遇到的问题,以此来说明设计模式在整个训练系统中的应用价值,为以后设计开发大型的设备监控软件提供新的思路。     

基于浮动车数据的交通事件参数特性研究

利用微观交通仿真软件Vissim搭建交通事件环境,对在不同堵塞程度和不同交通流量的交通事件情况下,浮动车采集的浮动车速、行程时间、浮动车位置等移动检测交通参数变化特性进行了分析比较,总结出交通事件情况下的浮动车移动检测各交通参数变化规律,并以此为基础对模式识别法、统计预测法、时间序列和智能算法等4种基于浮动车数据的交通事件检测算法进行了探讨,具有覆盖面广、成本低等特点。