高速公路行车风险路侧感知系统的设备优化布设

采用最大信息系数相关性检验遴选行车风险度量指标,提出基于信息熵理论的行车风险多指标度量与融合方法;构建以获取行车风险熵最大为目标,考虑系统建设成本、设备检测范围的路侧感知设备布设优化模型.基于多车道高速公路车辆行驶轨迹,通过算例获得在不同预算约束条件下的最优路侧设备布设方案,分析设备选型、传统的等间距设备布设方法、原始数据噪声等因素对路侧感知系统获取道路行车风险能力的影响.结果表明,路侧感知系统建设经费增加与系统行车风险获取能力提升呈现边际效用递减规律,相较于设备数量过多或过少的情况,设置数量适中的路侧感知设备费效比更高,优化后的设备布设方案的费效比比等间距布设方案的费效比高,原始数据测量误差不超过10%不会影响设备优化布设方案的计算结果.

型钢混凝土结构在国内外的研究及工程应用

概述型钢混凝土结构的概念、特点及分类。并分析了它与其他结构类型相比所具有的优势。阐述了型钢混凝土结构在国内外的应用和研究概况,介绍了各国规范的异同点。通过论述,认为型钢混凝土结构有着更为广阔的应用前景。

基于RBF神经网络的辛烷值损失预测模型

辛烷值是燃料汽油的抗爆指标,对发动机零部件的使用寿命和车辆的安全性有重要影响。因此,准确预测汽油辛烷值是一项涉及安全的基础性工作;同时,在原油的资源利用和环境保护方面也具有重要意义。为了能够更好地预测辛烷值损失,本文提出一种基于RBF神经网络的辛烷值损失预测方法。首先,基于石油化工原始数据,对其进行异常值和缺省值筛选,利用最大信息系数(MIC)筛选与辛烷值损失相关性最大的变量,对数据特征进行初次降维,再根据变量之间的强耦合性进行二次降维,获得主要变量;然后,使用RBF神经网络建立辛烷值损失模型,对降维后的数据进行训练和测试。最后,通过实验对降维后的和辛烷值损失模型预测的结果进行分析评价,结果表明,本文提出的模型能够很好地预测辛烷值损失。

面向群体行驶场景的时空信息融合车辆轨迹预测

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明:相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。