Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

关于木材运输船安全运输的几点分析

木材船海上运输具有一定的风险,一旦积载和绑扎不当或管理不妥,造成货物滚动、移位、货垛倒塌,就会引发安全事故甚至导致船舶倾覆。因此,加强木材船的安全管理,落实各项安全保障措施,是确保木材船安全运输生产的重要举措。     

船舶通信英语口语与听力课程标准

结合船舶驾驶员的岗位职责,依照现代职业教育理论和成果,设计了船舶通信英语口语与听力课程标准.对该课程的课程概述、培养目标、与前后课程的联系、教学内容与学时分配、学习资源、教师要求、学习场地与设施要求、考核方式与标准、学习情境设计进行了设计和描述,将船舶通信中典型工作任务转化为学习型任务.     

加强教风学风建设 不断提高人才培养质量

在改革不断深入、经济社会深度转型的当下,大学生群体呈现出新的特点和个性。在新的形势下,要加强高校教风学风建设,更好的发挥高校培养人才的作用,促使人才培养质量提升。本文以辽宁省交通高等专科学校为例,着重从文化建设、教师育人能力提升、学生职业梦想等角度入手,提出了加强教风学风建设的具体举措和途径。     

泥浆悬浮砂粒能力分层测定试验研究

为实现泥浆悬浮砂粒能力的量化分析,提出一种分层测定方法,选取12%、15%和18%3种质量分数的试验泥浆,通过自行设计的分层取样装置进行试验研究,获取不同泥浆质量分数、沉降时间和砂粒粒径条件下的10个深度分段的砂粒质量分布,分析各参数影响下的砂粒沉降变化规律。结果表明:1)该分层测定方法可较好地获取不同深度分段的砂粒质量,弥补现有测定方法只能获取底层砂粒沉降质量的不足;2)试验所采用的3种质量分数的泥浆对0.1 mm以上粒径的砂粒悬浮能力均较差。根据砂粒沉降曲线分布特征,提出一种用于判别泥浆悬浮砂粒能力的方法,即砂粒沉降曲线越平缓,各层质量差异性越小,底层质量无明显拐点,不同沉降时间曲线越紧密,则泥浆悬浮砂粒能力越强。     

公路客运市场退出影响因素实证分析

通过对广东省公路客运企业和政府主管部门的问卷调查,采用因子分析方法,从影响客运市场退出的相关主体及相关行为中筛选出关键变量．运用非参数检验过程,就各关键变量对退出的影响程度进行比较,最终得出驾驶员和承包经营人的相关行为对公路客运市场退出最具影响的结论,为政府部门进行行业管理和政策制定提供了实证依据．     

行人微观仿真中的运动模型与行为模型——STEPS与NOMAD模型对比

为了解各类行人仿真模型的性能差异和适用范围,以选取适当模型进行交通枢纽行人仿真,对两种典型行人仿真模型进行研究。依据模型对行人行为描述的复杂程度,将行人仿真模型分为运动模型、部分行为模型、行为模型3类,并分别介绍了各自的特点。选取典型的运动模型软件STEPS和行为模型软件NOMAD,详细探讨其采用的数学模型,并通过4个仿真实例对比分析这两种模型的特点。分析结果得出两种模型在宏观与微观层面的异同点以及存在的问题。     

公交通行能力约束的智能调度优化模型

公交通行能力是解决城市交通拥堵问题、促进城市公共交通系统高效运行的要素之一。介绍了公交通行能力的计算要素,并针对目前我国城市由于盲目调度造成的公交系统运营效率、服务水平下降的问题,提出将公交通行能力作为约束条件对公交调度进行优化。鉴于公交企业制订调度方案时需兼顾公交服务水平和企业效益,将智能调度的目标确定为候车时间满意度、候车空间满意度、车内舒适满意度和企业满意度加权平均值最大,并给出了相应的计算方法。最后讨论了利用遗传算法对模型进行求解的过程。     

平交路口远引掉头设置方法分析

平交路口远引是解决路口流向禁限后车流转向问题的有效方法。通过对掉头地点的选址规划以及交叉口之间的协调控制进行研究,提出最佳掉头位置应满足的条件以及交叉口协调控制的相位差计算方法。通过对掉头通道通行能力的分析,提出实施掉头信号控制条件和具体实施方法。     

基于路网容量的商圈停车需求预测研究

分析商圈停车、交通拥堵与商圈持续繁荣的关系,商圈停车需求预测对商圈的可持续发展起着重要作用。为合理预见与科学估算商圈停车需求,结合路网容量、区位关系提出基于路网容量的停车需求预测模型。该模型一方面能平衡区域停车供需,缓解静态设施供需矛盾;另一方面能保证停车需求与路网容量相匹配,对动态交通起到必要的控制作用,缓解商圈周边路网的交通拥堵。最后,通过实例分析证明该模型的可行性。