改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

不同剂量硒对老年大鼠心肌构筑影响的形态学观察

本文报告了不同剂量硒对喂养22月增龄大鼠心肌构筑的形态学影响。低硒饲料（含Se0.887μmol/L）组大鼠心肌细胞萎缩变细,间质结缔组织增生,线粒体（Mi）增生,部分Mi肿胀、嵴走向紊乱、溶解、空泡化;M线不清或消失,肌浆网扩张。富硒饲料（含Se6.337μmol/L）组大鼠心肌细胞病变明显改善。上述病变显著减轻的机理可能与硒提高谷胱甘肽过氧化物酶（CSHpx）活性,以对抗过氧化损伤有关。     

交通仿真技术在高速公路改扩建保通中的应用

高速公路的改扩建约束条件较多,研究和制定高速公路改扩建工程施工期间交通保障方案具有重要意义。文中简述了交通仿真的基本概念,并以仿真软件TSIS中的FRESIM模型建立连霍高速公路(郑州段)交通仿真模型,分析研究连霍高速公路(郑州段)加宽扩建施工中的最合适限制车速。     

交通环境对交通安全的影响及对策

交通安全涉及人、车、道路及环境等诸多因素,对交通事故的成因分析表明,驾驶员的责任是主要影响因素,其次是车辆和道路因素。但不容忽视的是,目前关于交通环境对事故影响的研究尚不够充分;交通管理部门确定事故原因也主要从人、车2 因素入手,较少涉及交通环境因素。事实上,作为事故的间接原因,交通环境常常通过间接作用影响安全,亦即不良的交通环境诱发人的不安全行为,从而导致人员违章等交通事故的发生。     

开放体系结构应用研究

在以用户需求为核心的今天，分布式异构网络的解决方案应该是开放的。介绍了目前开放体系结构的技术规范，包括Web服务协议栈和Web服务体系结构堆栈等，以及开放体系在网络中心战中的应用。     

铁路货物运输的随机过程分析和及时送达概率估计

应用随机过程理论，分析铁路运输系统中货物及时送达的概率分布，得到货物运输延续时间的平均值，为实现用户要求的运到期限提供了合理保证，并可通过评估与货主商定的运到期限与实际货物送达时间误差的概率，来找到货物及时送达过程中的关键环节，改进货物送达流程。最后举例说明它的应用。     

Managing transportation during highway reconstruction: A recommended process

Major highway reconstruction can cause significant disruptions to existing travel patterns and economic activity. Reducing these impacts on travelers, shippers, businesses and residents requires that innovative and effective transportation management actions be developed and implemented. This paper reports the major findings and recommendations of a research study on managing transportation during highway, reconstruction. The primary objectives of the study were

城市轨道交通车地无线的网络架构及应用

基于目前城市轨道交通运营及安保对车地无线通信网络的需求,通过对WLAN(无线局域网络)及TD-LTE(时分长期演进)技术方案的对比分析,提出更为适用于城市轨道交通的TD-LTE车地无线技术方案.结合郑州市轨道交通1号线一期工程的实例,验证该方案能够实现高速移动状态下的大带宽传输、多业务承载,可解决轨道交通车地通信的瓶颈问题,满足承载需要.     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

排阵式交叉口几何设计与信号控制协同鲁棒优化

针对排阵式交叉口在实际交通波动环境中存在车辆滞留排序区,运行效率稳定性难以保障的问题,提出了鲁棒优化方法,平衡交叉口运行的效率和稳定性。在分析排阵式交叉口运行特性的基础上,指出了其运行效率波动性与交叉口几何设计、信号控制、交通需求、饱和流率和运行车速这5个因素有关。确定了将交通需求、饱和流率和运行车速这3个客观波动因素作为模型的输入参数,将几何设计和信号控制这2个可受设计人员控制的要素作为模型的优化控制变量进行协同优化的模型框架。在此基础上,以交叉口车均延误条件风险值最小为目标,考虑了各流向车道数、信号相位相序、排序区车辆清空等方面的约束条件,构建了基于情景的鲁棒优化模型,并建立了遗传算法对模型进行求解。通过案例分析,对鲁棒优化模型的置信水平取值和算法准确性进行了分析,证明了算法可以使目标函数收敛到最小值,并基于蒙特卡洛模拟对优化效益进行了检验。研究发现,所建立的几何设计与信号控制协同鲁棒优化模型可实现在交通需求和供给的波动下,对排阵式交叉口的车道功能、排序区长度以及主、预信号控制进行协同优化。相较于确定性的设计方法,在平均延误层面基本维持原有水平,但对延误标准差和最大值有着较为明显的改善,案例中分别减少了48%和23%。