“三全育人”理念下高校“大创”项目现状与转型路径研究——以南通大学交通与土木工程学院为例

高校积极实施大学生创新创业训练计划使得一大批本科生提前接触科研活动,充分激发了部分优秀学生的创新精神和研究能力。南通大学交通与土木工程学院为培养国家需要的高水平人才,认真贯彻落实“三全育人”的要求,形成了一套独具特色的“大创”项目管理机制和创新型人才培养方案。文章以南通大学交通与土木工程学院为例,分析了近年来学院开展“大创”项目的经验与现状,从多个维度指出了目前项目开展的不足与挑战,并在此基础上提出了相应的转型路径建议。

土木工程专业力学课程群的整合和优化探讨

针对土木工程专业培养目标调整和学时缩减的现状,从力学课程群的角度出发,对课堂教学内容、实验教学层次以及考核评价等三个方面进行整合和优化,并对土木工程专业教学质量的提升进行了有益的探索和实践。结果表明:这些探索和方法提高了学生学习力学的兴趣和成效,对提升教学质量有参考价值。

新工科背景下土木工程应用型人才培养体系的构建

“新工科”背景下,培养适应社会新发展的人才是人才的新需求。以提高地方高校人才质量为目标,研究在新工科背景下地方高校工科人才创新创业培养模式,将思想政治教育与专业教育深度融合,突出工程创新理念,构建了工科人才创新创业能力培养的课程体系是新工科背景下土木工程应用型人才培养体系改革的新方向。

基于专业认证背景下的土木工程专业认同状况的调查研究

土木工程专业认证提出"产出导向,以学生为中心、持续改进"理念,建立专业认同感是以学生为中心提高产出重要手段通过对土木工程专业在读学生专业认同状况的深入调查,可以为持续改进提供数据支撑。调查发现,土木工程专业学生对本专业认知水平较高,但专业学习行为两极分化明显。专业亟须从提供学生学习兴趣、变革专业学习方式、增加实习见习时间等方面提升学生的专业认同感。

基于土木工程毕业生的调查反馈与思考

通过整理和分析土木工程专业毕业生的反馈信息,结合教学实践,从教学内容、教学实践、教师培养等方面提出对我院土木工程专业教学改革的思考和见解,为土木工程专业综合教学改革提供参考依据,使该专业人才培养更符合社会的发展和需要。

“双碳”目标下南通低碳城市交通转型路径研究

分析了南通城市交通碳排放现状,识别了未来南通城市交通节能减排的主要交通方式和控制措施;结合南通实际,分析了城市快速发展和疫情期间及后疫情时代南通城市交通碳减排面临的挑战,以及“双碳”目标下南通城市交通碳减排面临的机遇;总结了国外城市交通的碳中和实施路径,从空间结构、绿色出行、智慧交通、交通能源和交通碳交易等方面,提出“双碳”目标下南通低碳城市交通转型路径。

长三角一体化下南通综合交通运输系统发展研究

随着长三角一体化发展上升为国家战略,为南通在城市群中快速发展带来新的机遇和挑战。通过系统分析南通交通运输发展现状及存在问题的基础上,从打造面向全国的战略性通道网络、构建快捷高效的城际畅联网络、建设广覆深达的市域集散网络、优化一体衔接的城市通勤网络、全面提升综合交通枢纽功能层级五个方面提出南通综合交通运输系统发展的对策建议。

基于注意力和对比学习的轻量级交通标志检测方法

为提升交通标志检测精度和速度,针对交通标志目标小、尺度变化大等问题,提出一种基于注意力和对比学习的轻量级交通标志检测算法:首先,在特征提取主干网络中采用通道和空间分离方法依次进行卷积操作,构建多层次的特征提取网络,减少运算量;其次,采用基于注意力的上下文特征金字塔网络,获取目标的代表性特征,提升模型准确率;最后,采用监督对比学习损失(Supervised Contrastive Loss,SCL)函数,提高模型的特征判别能力。实验结果表明,该交通标志检测算法的平均检测精度达95.8%,相比于YOLOX-Tiny提升了4.5%,检测速度为79帧/s,能够满足实际应用需要。

基于ARMA过滤器的时空图卷积网络短时交通流预测

针对大多数现有的时空融合图卷积网络模型在分析交通流数据所采用的过滤器提取空间特征时,可能会导致网络节点特征过于平滑从而丢失原始信息、计算量大等问题,将一种能有效逼近任何所需响应的基于自回归移动平均(ARMA)过滤器的图卷积网络与门控循环单元(GRU)相融合,提出一种基于ARMA过滤器的时空图卷积网络短时交通流预测模型。在该模型中,采用GRU提取交通流数据的时间特征;利用基于ARMA过滤器的图卷积网络提取空间特征;通过平均池化层得到预测结果。在美国加州高速公路公开数据集PeMS04、PeMS07和PeMS08上进行了实验。结果表明,相比于切比雪夫多项式等传统的过滤器,ARMA过滤器能够更好地捕获交通流数据中的空间特征且能有效提升计算效率,在三组数据集上相比于GRU、DCRNN、T-GCN、ASTGCN和MSTGCN等基准模型,新模型的平均绝对误差指标平均降低了26.28%、28.25%、39.59%、26.24%和19.07%,训练时间平均降低了26.54%、95.00%、78.87%、93.58%和89.03%。

上海大都市圈“一市三场”模式下南通交通运输协同发展研究

上海“一市三场”格局下,南通交通运输面临机遇与威胁并存之局,如何从战略层面规划好与上海大都市的协同发展,已成为实现高质量发展的首要战略问题。文中在“一市三场”背景下,运用灰色模型预测南通和上海未来客货运输量的增长规模,据此提出南通市交通运输协同发展的战略构想:“三策”与“三核”,即宏观上打造立体交通运输智慧协同枢纽,设计独具特色的全方位协同路径,推行三大交通运输协同扶持政策;微观上基于“绿色转型+低成本运营”做精陆地运输,依托“南通品牌+张謇文化”做强民航产业,围绕“标准制定+战略合作”做优江海联运。

基于时空感知Transformer的交通流预测模型

交通流预测是智能交通系统的一个热点研究领域,其根本挑战是对交通数据中复杂的时空相关性进行有效建模。针对大部分现有时空Transformer模型在构建时空相关性矩阵时忽略了时间趋势性和空间异质性的重要影响的问题,提出一种基于时空感知Transformer的交通流预测模型。首先,采用改进的时空感知自注意力机制挖掘交通流数据中潜在的时间趋势性和空间异质性特征,建立精确的时空相关性矩阵以获取全局时空特征;然后,使用多尺度扩散卷积模拟交通流在路网中的多阶扩散过程,捕获节点多邻域范围的局部空间特征;最后,采用多元特征融合模块对捕获的时空特征进行自适应融合并输出预测结果。在PeMS04和PeMS08两个真实交通数据集上进行实验,结果表明,与最近提出的RPConvformer、ASTGNN、PDFormer等基于Transformer的基线模型相比,新模型的平均绝对误差分别降低了8.0%、6.5%和2.0%。

基于南通地铁的同城快递配送可行性研究

随着物流行业的欣欣向荣,同城快递配送需求持续增长。在竞争日益激烈的当下,为提高服务质量和效率,降低配送成本和风险,快递行业积极创新,利用轨道交通进行同城快递配送成为快递企业提高竞争力的有效手段。发展轨道交通物流的关键在于如何组织轨道交通运输,以南通市轨道交通为背景,综合考虑地铁营运时段、货物输送能力、快递类型等问题,分析地铁参与快递配送的运行模式,探讨不同模式下轨道交通开展物流配送的可行性并提出具体建议。研究认为客货同列分厢模式在实现轨道交通配送同城快递上具有独特的优势,建立验视系统和高效的装卸方案,合理分配货运车厢比例有助于实现该模式。

基于区块链的车联网跨域数据安全传输系统设计

为有效应对车联网系统在数据传输过程中的安全问题,提出一种基于区块链的车联网跨域数据安全传输系统。该系统将车联网安全数据传输过程划分为注册、安全通信与数据共享三个关键环节。在注册阶段,车辆和路边单元需要通过可信机构完成注册,以确保其的身份合法性;在通信阶段,为了减少路边单元与车辆频繁认证,设计了跨域认证的方法,保障数据传输的可靠性和完整性,并引入假名来保护用户隐私;在共享阶段,文中设计了基于多线程遍历共享广播森林的事务广播算法,利用广度优先搜索思想建立广播森林,并使用多线程遍历进行数据事务广播传输。实验仿真结果显示,文中方案的签名计算成本减少70%,验证计算成本减少41%;其次,在ER模型下,相比使用Gossip协议进行事务数据传输,该方案中交通数据事务总时间降低了93%;在BA模型下降低了87%。

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络(long short-term memory,LSTM)作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)与LSTM、门控循环单元(gated recurrent unit,GRU)、反向传播(back propagation,BP)神经网络、卷积神经网络(convolutional neural network,CNN)、图卷积网络(graph convolution network,GCN)传统预测模型相比,分别减小了19%、20%、25%、16%、25%。

基于时域图卷积神经网络的交通流预测模型

针对当前大多数模型对交通流数据空间信息挖掘不充分、无法捕获长序列单元间的信息等问题,提出一种基于时域图卷积神经网络的交通流预测模型。通过阈值权重法重构邻接矩阵,将多层近邻机制嵌入图卷积网络进一步挖掘空间信息;引入时域卷积网络,借助膨胀因果卷积扩大感知野并结合残差网络提取时间信息;运用Dense网络输出结果。利用加州性能评估系统中两个数据集进行评估,其结果表明,该模型性能优于常用的基准模型以及最近提出的多时空图卷积网络模型。

心理健康教育在大学生职业生涯规划中的价值实现路径

大学生就业问题关系民生福祉、社会稳定和国家发展。尽管新型冠状病毒肺炎疫情已进入防控常态化阶段,各类企业开始复工复产,但恢复生产后的企业仍旧存在裁员、减员现象,甚至有的企业进入破产清算阶段,这无疑给高校毕业生本身面临的就业形势复杂严峻的局面“雪上加霜”。据2021届全国普通高校毕业生就业创业工作网络视频会议介绍,2021届高校毕业生总规模预计909万人,同比增加35万人。为贯彻落实党中央、国务院“稳就业”“保就业”决策部署,教育部决定实施“2021届全国普通高校毕业生就业创业促进行动”,发布《关于做好2021届全国普通高校毕业生就业创业工作的通知》(教学〔2020〕5号),要求进一步完善高校毕业生就业支持体系,全力促进高校毕业生更加充分更高质量就业。其中,就要求“各高校要针对不同年级开展学生职业发展和就业指导活动,提供职业发展咨询和就业心理咨询服务,引导学生树立健康、积极、理性的就业心态”[1]。

基于多时空图卷积网络的交通流预测

交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对交通栅格数据进行相关性分析,确定相关性高的周期序列和邻近序列;同时,建立周期序列模型和邻近序列模型,并引入长短时记忆(LSTM)网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证,结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型,以均方根误差(RMSE)为评价指标时,所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

基于全局时空特性的城市路网交通速度预测模型

城市路网交通速度预测是智能交通系统中的重要组成部分,其可为出行者提供实时的交通信息,对提升道路通行能力具有重要意义。现有基于图卷积网络的预测模型一定程度上加强了对一阶相邻路段间空间关联程度的挖掘,但在非一阶相邻路段关联度大于一阶相邻路段关联度的情况下,如果仍输入原始的邻接矩阵,会遗失一些相对重要的路段空间信息,无法得到较好的预测结果。为准确挖掘城市路网中的时空特性,提出一种基于全局图卷积和门控循环单元的城市路网交通速度预测模型G-GCGRU。考虑全局路网下非一阶相邻路段间的空间影响程度,利用相关性分析方法计算得到路段间的关联度矩阵,并作为新的卷积方式进一步加深对空间特征的挖掘,在此基础上,采用门控循环单元方法提取路网时间特征。使用深圳市罗湖区城市路网车速数据进行实验,结果表明,该模型预测性能优于图卷积网络(GCN)、门控循环单元(GRU)和GCN-GRU混合模型,以均方根误差为评价指标,预测精度分别提高25.3%、4.7%和2.1%。

电动自行车骑行人交通违法行为演化博弈分析

为研究交通执法策略对电动自行车骑行人交通违法行为的影响,构建了电动自行车骑行人与交通执法者策略选择的演化博弈模型。通过模型求解、稳定性分析和仿真分析,分析处罚额度、感知收益差、执法成本和社会负面影响对博弈双方策略选择概率的影响。结果表明:当最大处罚额度小于感知收益差时,不利于对骑行人交通违法行为的控制;当最大处罚额度大于感知收益差,且执法成本较小时,采用静态处罚策略,博弈双方的策略选择没有均衡解。采用动态处罚策略,博弈双方的策略选择有均衡解。在上述条件下,通过提高最大处罚额度和社会负面影响,降低感知收益差和执法成本等措施,可有效减少电动自行车骑行人的交通违法行为。