汽车销售4S模式研究

阐述了我国汽车销售模式及其经营现状,结合国际上汽车销售模式的经验,重点分析了我圉目前汽车销售4S模式中存在的问题及探讨了其发展趋势进行。     

公共电动自行车系统运营模式设计模型

当前对传统公共自行车系统运营模式的研究主要是定性分析,各种方法标准不一,且研究结论与实际差别较大,不能直接用于资金、设施等要求更高的公共电动自行车系统的运营模式设计问题.因此,提出了一种定量设计模型,利用0-1混合整数规划模型对系统的经营主体进行筛选,再利用动态规划模型分配资源.利用算例进行模拟分析,结果表明:①与以资金多和收益好为优的常规的定性分析法相比,定量模型能更合理配置系统构成要素,降低政府的财政负担,分别为政府节省18.68%和23.09%的资金.②在公共电动自行车系统建设和运营过程中,宜采用政企合作模式.③相对于系统运营而言,系统建设期间对政府投入的资金反应更灵敏,因此政府有必要加大建设期的资金投入.     

重复驾驶条件下驾驶员记忆增长模型研究

驾驶员的记忆影响视觉搜索及路径规划等驾驶行为,进而影响道路通行效率与交通安全.为了描述重复驾驶条件下驾驶员记忆变化的特征,设计模拟驾驶实验,研究同一场景下重复驾驶对驾驶员记忆的累积刺激.通过场景记忆量表衡量驾驶员的记忆程度,分析了驾驶员记忆增长与重复驾驶次数的动态变化关系,分别采用单分子式、修正Weibull方程及Richards方程建立累积刺激作用下驾驶员记忆增长模型,并以误差平方和、均方根误差和调整 R2为评价指标对模型精度进行对比分析.结果表明,3种模型均能对驾驶员记忆增长特性进行描述,其中 Richards模型精度最高,其平均调整R2为0.9884.Richards模型揭示了记忆的同化与异化作用的本质,更适合建立重复驾驶条件下驾驶员对场景的记忆增长模型.     

混合交通流条件下区域交通信号控制优化模型

针对传统区域交通控制技术无法应对机非冲突干扰的问题, 结合中国城市道路混合交通流的特点, 研究了交叉口与路段非机动车对机动车的干扰。分析了区域路网机动车交通特征, 确定了混合交通特性相似的区域。基于路段非机动车的阻滞作用, 分析了交叉口通行能力的折减与相邻交叉口相位差的优化。以区域路网机动车总延误为优化目标, 建立了非机动车影响条件下的区域交通信号控制优化模型, 优化了信号周期时长、绿信比和相位差等参数, 并利用遗传算法求解模型。利用VISSIM仿真软件, 以上海市杨浦区五角场环形区域路网为例对优化模型进行验证。验证结果表明: 现状信号控制方案下区域路网7个交叉口机动车的车均延误为24.5~42.9s, 平均为35.99s, 路网总延误为256.39h, 优化后交叉口的车均延误为21.8~36.4s, 平均为30.12s, 路网总延误为214.57h, 7个交叉口车均延误减少了10%~24%, 平均为16.31%。可见, 优化模型能够显著降低区域路网车均延误与总延误, 提高区域路网通行效率。     

几何设计对快速路立交匝道行车安全性的影响

由于城市快速路转向交通流量大、线形设计标准低,快速路立交匝道成为交通事故的多发点。利用上海市快速路3年事故数据和交通流量检测数据,以上海市浦西地区快速路立交匝道为研究对象,根据车辆在匝道上的行驶特征以及车辆交互特性,将立交匝道划分成出口段、衔接段和入口段及左转匝道、右转匝道等5个研究单元,针对各单元分别建立负二项模型分析匝道几何设计及其组合参数、交通流特征对于安全的影响。结果表明,出口段及入口段的安全性与几何特征的联系较为紧密;迂回式左转匝道相较于右转匝道受几何线形影响大;流量越大、长度越长,事故风险越高,但出口段的长度与事故发生呈负相关关系;出口处为直线、入口处存在长直下坡路段、入口处线形与主线差异大的立交匝道安全性差;迂回式左转匝道上存在过小半径曲线,特别是将小半径曲线设置在出口处,会极大增加事故几率。     

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。     

VMS下驾驶员路径选择行为分析与建模

为了实现交通流在路网中的合理分配,可变信息板(VMS)通过发布动态交通信息来引导驾驶员选择最合理路径.通过构造基于陈述偏好调查(SP调查)的诱导信息下驾驶员路径选择行为的有序多分类Logit模型,分析各因素对驾驶员路径选择行为的影响.分析结果表明,年龄、出行距离、可选路径、VMS信任度、改变路径频率对驾驶员路径选择行为的影响较大.在驾驶员个人属性中,年龄对驾驶员的路径选择行为影响最大;在出行属性中,驾驶员对出行距离和可选路径最为敏感;在对VMS的认知和服从属性中,驾驶员对VMS信任度越高,按照VMS诱导信息改变出行路径的概率越大;改变路径频率越高的驾驶员,越易改变出行路径.     

基于改进委托-代理模型的船舶碳减排政府激励效用建模与分析

目前碳减排激励措施主要考虑碳定价、碳税、船舶航速降低激励等,尚未针对实施碳减排的船公司给予合理补贴激励。由于船公司运行模式、减排思路、资产组成等方面与普通企业的差异,传统委托-代理模型假设无法满足航运业背景下对政府激励效用的需求,需对现有委托-代理模型进行针对性改进。为实现政府以有限基金达到社会效用最大,同时满足船公司付出最优努力获得最大收益,考虑持风险规避态度的船公司碳减排效果外生不确定性,提出船舶碳减排政府激励效用模型,根据政府能否完全观察到船公司的减排努力程度,分别在信息完全与信息不完全条件下,以政府和船公司自身收益效用最大为优化目标,求解政府最优奖惩系数和船公司碳减排最优努力程度,分析政府对船公司进行规制的最优激励合约问题,以及决定船公司碳减排内外部因素的参数对政府给与船公司的最优激励及相关参数的影响。结果表明：最优激励系数伴随外生随机变量方差和绝对风险规避系数的增加而加速下降至缓慢降低,当外生随机变量方差为8和绝对风险规避系数为4时,下降速率趋至平稳,此时,船公司对选择碳减排的风险厌恶程度极高,对实施碳减排的抵制心理十分强烈;成本系数和减排努力水平影响系数同时影响船公司实施碳减排的力度,当减排努力水平较大时,政府的激励随船公司的成本增加呈现先迅速增长后平缓的变化趋势,意味着政府在有限基金内尽可能满足船公司碳减排需求以减少实施难度,但当激励达到一定程度,增加激励不会直接影响船公司碳减排积极性;由于成本系数和减排努力水平影响系数对政府激励效用的共同影响,不同航运市场条件下都将存在1个最优激励,结合长江航运发展背景,当成本系数为0.5且减排努力水平影响系数为3,使得政府激励效用最优。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能,将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明：直接将LSTM-S模型应用于目标域的预测,其精度不高,采用样本迁移合理可行;LCSS方法对源域样本筛选有效,由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高;在小样本情况下,拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型,但由于迁移学习能够从源域样本中获取知识的特性,LSTM-TL模型有着最高的精度。     

波浪中船舶操纵性数值预报及自航模验证

基于统一理论,考虑横荡、纵荡、艏摇平面三自由度操纵和横摇耦合,建立四自由度模型,按照MMG模型将船体上的力分为船体力、螺旋桨力和舵力,采用耦合模型叠加波浪力的方式来预报船舶在波浪中的操纵性。波浪力采用三维面元法计算,并根据船舶实时速度和遭遇浪向进行二维插值。通过对比仿真数据与自航模试验数据,验证了模型的准确性。预报了在不同波浪工况下的船舶操纵性,验证了二阶力是船舶回转漂移的主要原因。比较了不同波高对船舶在波浪中操纵性的差异,研究结果表明:波高越大,船舶回转的纵向和横向漂移越明显,并且Z形试验中的第1超越角和达到时间越长。