基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤,具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题,提出一种改进的Cascade Mask RCNN( CMR)模型,使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力,在原始模型的基础上,增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明,该模型可实现不同场景下的铁路周界入侵检测,相较于原始模型,新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题,又有效地提高了视频智能分析对小目标检测的准确率.     

沿海地区填砂造陆工程实例

介绍在深圳艰湾港区3.5万吨级水泥、建材多用途码头陆域形成工程中,采用水上直接填砂造陆的施工工艺,通过合理的设计、严谨的施工,取得了投资省、质量好、收效快的工程成功实例。     

临近铁路深基坑开挖支护技术

结合某承台基坑支护选用支护桩方案的实例,对支护桩进行了详细的力学计算和配筋检算,施工实践说明支护桩在空间紧张的情况下,具有良好的防护功能,有效地保护了铁路安全,保证了施工的顺利进行。     

智慧交通与智慧物流

智慧交通和智慧物流是智慧城市建设的重要内容.智慧交通技术的创新和发展,促进了智能交通升级.解决大规模数据计算问题是物流智能化的基础.本次论坛以“智慧交通和智慧物流”为主题,介绍了安全驾驶统一集理论、实践及成果,探讨了新一代信息技术对智能交通发展与创新的推动作用,介绍了无人驾驶技术的总体框架、发展与应用,探讨了智慧物流所面临的大规模数据计算问题及解决方案.     

考虑施工荷载作用的软弱地层深基坑稳定性研究

临时盖板结构系统稳定性对地铁深基坑的安全起重要作用。依托福州长乐机场城际铁路祥谦站—首占站明挖区间深基坑工程,分别考虑限值施工荷载作用于两种厚度临时盖板,对临时盖板结构系统及基坑稳定性开展数值分析。结果表明,具有更大厚度的临时盖板在限值施工荷载作用下具有更强的抗变形能力,500与800 mm厚临时盖板在限值施工荷载作用下最大竖向变形分别为15.81与11.32 mm;在限值荷载作用下临时盖板对基坑结构造成的变形均小于3 mm,表明其可安全地作为普通车辆与渣土车辆通道或吊车及TBM运输通道。     

Collision-avoidance under COLREGS for unmanned surface vehicles via deep reinforcement learning

ABSTRACT

Collision avoidance for unmanned surface vehicles (USVs) is significant for the fulfillment of autonomous navigation. Generally, classical collision-avoidance algorithms are proposed for relatively simple encounter situation, in this scenario only two USVs are stressed. Furthermore, to generate the rational manoeuvre operations, it is necessary that USVs should abide by International Regulations for Preventing Collision at Sea (COLREGS). However, COLREGS has not paid attention to rules for multi-USV collision-avoidance problem. Furthermore, those collision-avoidance rules in COLREGS have not been quantified for USVs. Following that, this paper utilizes deep reinforcement learning (DRL) algorithm to resolve collision-avoidance for USVs even in complex encounter situations. Within our DRL algorithm, related COLREGS is quantified properly and integrated into the DRL model, and then encounter situation of USVs is formulated as environmental observation value, accordingly a set of decision making is reached by decision-making neural network, and the reward function is designed for updating network parameters iteratively. Consequently, collision avoidance for USVs can be achieved eventually. By employing our DRL algorithm, collision avoidance for USVs under generous complex scenarios are resolved with the aid of corresponding intelligent decision-making operations. Simulation results verify the effectiveness of our DRL algorithm.     

基于颗粒流理论的深海沉积物土力学特性研究

深海沉积物剪切与承载特性是决定深海采矿车行走稳定性重要参数。分析深海沉积物的物理力学性质, 基于颗粒流理论，建立了具有高孔隙比、高含水率和长条状等特性的深海沉积物颗粒流模型。开展不同深度下的十字板剪切和静力触探的数值模拟，获得了深海沉积物剪切应力-转角及贯入阻力-深度曲线，初步阐明深海沉积物剪切与贯入细观破坏机理。研究表明，深海沉积物的剪切应力-转角及贯入阻力-深度的模拟曲线与原位测试曲线吻合，验证了深海沉积物颗粒流模型及数值模拟方法的正确性。深海沉积物的剪切与贯入破坏形式主要为沉积物颗粒的挤压破坏，且应力集中于触地边缘。     

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.     

宁波市轨道交通海晏北路换乘站基坑支撑优化与分析

基于宁波市轨道交通海晏北路换乘站基坑实测数据对比,研究了液压伺服钢支撑与普通钢支撑的支撑效果。利用Plaxis 3D软件对第5道混凝土支撑替换为液压伺服钢支撑的设计方案进行了模拟分析。结果表明:相较于普通钢支撑段,相邻液压伺服钢支撑段围护结构的水平,变形小22%左右,液压伺服钢支撑的支撑效果优于普通钢支撑。通过发挥伺服系统低补偿的优势,将伺服支撑段的第5道混凝土撑替换为3000 kN或4000 kN轴力情况下的液压伺服钢支撑,均满足规范对变形的要求。采用伺服钢支撑代替第5道混凝土撑的方案具有可行性。