道路交通事故严重程度预测及致因分析

【目的】为提高交通事故严重程度预测的准确性,明晰事故严重程度的关键影响因素。【方法】从885起道路交通事故案例数据中选取影响交通事故严重程度的人、车、路、环境四方面共14个因素,采用融合通道注意力的卷积神经网络(CA-CNN)构建事故分类预测模型。在此基础上,采用边际效用方法分析得出交通事故严重程度的显著影响因素。【结果】结果表明,相较于卷积神经网络(CNN)、随机森林(RF)、朴素贝叶斯(NaiveBayes)、回归分析(Logistics)、决策表(Decision_table)、引导聚集算法(Bagging)6种预测模型,CA-CNN模型在准确率、查准率、召回率等指标评价下,整体预测性能更优;在交通事故严重程度的影响因素中,季节、是否工作日、道路类型、事故形态、是否违法变更车道、未按规定让行及制动不当7个因素具有显著性(p≤0.05)。【结论】CA-CNN是一种有效的交通事故严重程度预测模型,其分析结果有助于降低交通事故发生率和严重程度。

从模因论看文化负载词的翻译——以《飘》的两种中译本为例

翻译活动中,文化负载词的翻译策略是将源语的文化负载词转换为目的语文化中的强势模因。美国作家玛格丽特·米切尔的经典小说《飘》的两种中译本,傅东华译本和黄怀仁、朱枚若译本为文化负载词的翻译提供了范例。

共驾型智能车辆人机接管行为序列编码与解析

共驾型智能车辆同时具备人工驾驶和自动驾驶模式,其驾驶行为特性必将呈现新的特征。本文收集了15名被试人机接管的驾驶数据,采用符号聚合近似方法和视频录像标定法构建了驾驶行为特征图谱,通过最长公共子序列算法得出共通行为序列。结果表明,当车辆前方出现障碍物时,驾驶接管共通行为序列为:同时注视前方和制动踏板踩下-同时观察左后视镜和打开左转向灯-向左打方向盘-关闭左转向灯,该结论有助于提高智能车辆接管的有效性。