排序方式: 共有30条查询结果,搜索用时 0 毫秒
1.
由于快速路交织区及其影响范围内存在大量不同流向车辆的换道行为,导致交织区成为快速路的交通瓶颈。为保障交织区交通高效安全运行,文中在综合分析交织区运行特性和安全特性的基础上,综述交织区匝道、主线等控制策略,建立快速路交织区及影响区域交通运行协同控制框架,考虑车辆行驶行为因素,分别对主线、匝道和交织区的拥堵情况、紊乱程度、排队溢出等交通状态进行识别和预测,建立涵盖匝道控制、可变限速、车道信号、定向车道、标线诱导、实体隔离等方案的协同控制策略,并进行预评估与反馈校正,实现交织区从信息采集、预测控制、策略执行的全链条反馈校正流程;最后提出交织区交通控制面临的挑战和研究方向。 相似文献
2.
城市交通导致的一系列外部性问题日益严重,交通需求管理的作用尚未充分发挥。机动车辆保险创新可能是交通需求管理的一个有效方法。按照行驶里程定价与计费的车险是对传统车险的重大改进,能够有效减少交通量和缓解由此而导致的外部性,当前在我国大城市进行这一类型的车险业务创新可以创造良好的经济和社会价值。 相似文献
3.
4.
提出了一种有效的故障注入攻击技术,能够攻击一类使用特定结构SPN密码的设备.这种攻击方法基于字节错误模型,仅需要少量故障密文即可攻破一类具有特定置换层的SPN密码算法.分析给出了故障和特定置换层如何导致秘密信息泄露的原因.同时,对于具体的密码算法ARIA和PRESENT进行了攻击实例. 相似文献
5.
为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 (3D convolutional neural networks,3D CNN)的交通状态识别方法.首先,以C3D (convolutional 3D)深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D (region convolutional 3D network)、R (2+1) D (resnets adopting 2D spatial convolution and a 1D temporal convolution)分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%. 相似文献
6.
土工格栅在软土地基处理中的应用 总被引:2,自引:0,他引:2
土工格栅在软土地基的处理中具有质量可靠、施工便捷、工效高、工程成本低等特点,在公路建设中得到了广泛的应用和推广.结合某高速公路项目,着重介绍土工格栅在软土地基处理中的适用范围、作用、施工工序、施工要点和注意事项. 相似文献
7.
为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示:AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标. 相似文献
8.
针对Internet电子商务交易面临的问题,提出了一种面向Internet的交易模型.该模型基于智能的移动代理,采用了松耦合的多代理交互技术Linda和跨平台的XML语言,给用户提供Internet范围内快速的信息发现和方便的协商功能. 相似文献
9.
10.
为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示:AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标. 相似文献