基于工程测量在路桥工程放样施工中的研究

随着国民经济的快速发展,为提高路桥工程建设的社会效益和经济效益,就必须对路桥工程放样施工实行科学、有效地工程测量工作,重视工程放样测量技术的应用。主要对路桥施工的特点及工程测量在路桥工程放样施工中的基本方式、应用进行了分析与探究。     

圆柱形RC桥墩的弯矩-曲率曲线的研究

在RC桥墩结构的抗震设计中,必须考虑结构进入弹塑性变形阶段后的动力特性和动力性能,对桥墩的弯矩曲率曲线的研究就非常必要。主要研究轴压比和箍筋的体积配筋率(即配箍率)对曲率和弯矩的影响,为圆柱形RC桥墩的抗震提供参考。     

基于Adams与Isight的某转向机构运动学仿真及多目标优化

针对东风某重型商用车在使用中存在的轮胎异常磨损问题,利用Adams/View对该样车双轴转向机构进行参数化建模与运动学仿真,仿真结果表明:各车轮实际转角关系与阿克曼理论转角关系存在一定误差,其中第二轴两车轮转角误差较大,导致该轴轮胎磨损严重。利用多学科优化软件Isight集成Adams/View建立了转向机构运动学仿真优化分析流程,采用正交数组DOE分析法和NCGA遗传算法实现了该转向机构的多目标优化。优化结果表明:优化后各车轮转角误差大大减小,有效解决了车轮异常磨损问题。     

城市老城区健康道路交通模式探讨

为解决城市老城区交通压力持续增大的问题,从道路系统、公共交通系统、慢行交通系统三个方面进行研究,基于健康城市理念,并借鉴国外城市老城区交通发展模式,提出国内城市老城区健康道路交通模式应具有道路网络"高密度、小街区、微循环",公共交通全覆盖、高效率,慢行交通空间连续、设施完善、与公共交通无缝衔接等特征,为老城区健康道路交通规划设计提供参考。     

以改革为动力 向管理要效益 全面提升公交保障能力和服务水平

<正>新年祝词砥砺奋进,再踏征程——2015年是西宁公交集团有限责任公司深化改革的关键之年。在建设"群众更加满意·政府更加放心"的新型公交企业道路上不断前行:2016年,西宁公交人将会为提升公交出行保障能力和安全服务水平更加努力奋斗。在此,祝愿全国公交同仁:身体健康、工作顺利,万事如意!王海洪     

上海铁路服务城市客运交通研究

<正>随着高速铁路、城际铁路的快速发展,上海地区铁路系统将逐步实现客货运输分离,铁路对外客运将主要由高速铁路、城际铁路承担,原有普速铁路运能将会得到释放并出现剩余。同时,随着上海城市用地布局的优化调整、产业转移,中心城区的工业用地逐渐外迁,位于中心城区的铁路货运线路运量已出现下降,运输能力也出现了不同程度的富余。另一方面,上海轨道交通制式单一,大部分郊区线路与中心城区线路采用同一模式,导致郊区轨道     

专车服务:介于出租汽车与汽车租赁之间

<正>在出现打车软件之前,出行若乘坐出租汽车,在高峰时期往往是靠抢的。打车软件出现后,突然发现不用路边抢车了,还能得到"滴滴"、"快的"给予的种种实惠;司机也能通过打车软件降低空驶率,提高收益。打车软件提供叫车便利,说到底是出租汽车叫车方式的改变,并不是出行方式的转变。随着生活水平的提高,仅仅叫车方便难以满足需求了。公车改革、中小创业者商务用车、对出行有品质追求的人的日常需求……于是"专车"便应运而生了。而且,现代专车服     

试论建设“责任-智慧-导航-快乐”的教师队伍

教师是教育事业发展的主导力量,是提高教育质量、实现教育目标、推动高校不断发展的主要因素。通过对浙江交通职业技术学院教师队伍建设目标的研究与探索,提出建设"责任—智慧—导航—快乐"的学校教师队伍建设目标,教师担负发自内心的责任、能够智慧教育、担当学生的专业、兴趣和职业的导师、快乐地实现人生价值。基于这样的建设目标,打造适应新形势下实现"培养交通未来建设与发展的领航者"育人目标的教师队伍。     

基于CIPP模式的高职教育人才培养质量评价体系研究

在高职教育人才培养中,以CIPP模式为基础,构建人才培养质量评价体系,使评价体系贯穿人才培养全过程。通过背景评价调整人才培养目标定位,使之更有针对性;通过输入评价完善人才培养方案,使之更具系统性;通过过程评价引导教学及管理活动,使之更有反馈性;通过成果评价评判人才培养的最终效果,使之更具发展性。     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。