车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用。基于上...车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据,利用自回归(auto regressive,AR)模型与神经(back-propagation,BP)网络模型对车流量实测数据进行了仿真对比,给出了相应的预测结果。研究发现,两个模型均能有效地对数据进行跟踪与预测,但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。展开更多
文摘目的 探讨经皮冠状动脉介入治疗(PCI)术后血清总胆红素(TBIL)和γ谷氨酰转肽酶(GGT)水平变化及早期预测对比剂肾病(CIN)的价值。方法 选取2017年8月—2018年7月行PCI的病人275例,根据是否发生CIN将病人分为非CIN组(252例)和CIN组(23例)。比较两组病变程度、治疗情况和不良事件发生情况及术后即刻、24 h、48 h、72 h TBIL和GGT水平变化;分析TBIL和GGT的相关性;通过Logistic回归分析PCI术后发生CIN的独立危险因素;通过受试者工作特征(ROC)曲线分析TBIL和GGT对早期预测PCI术后CIN发生风险的最佳临界值。结果 CIN组中性粒细胞与淋巴细胞比值(NLR)、超敏C反应蛋白(hs-CRP)、TBIL和GGT与非CIN组比较,差异有统计学意义(P<0.05),且NLR、hs-CRP、TBIL、GGT是发生CIN的独立危险因素。CIN组与非CIN组冠状动脉病变支数、支架数、支架总长度、支架直径、对比剂使用剂量、对比剂接触时间比较,差异均无统计学意义(P>0.05);CIN组院内不良事件发生率明显高于非CIN组(P<0.05)。两组PCI术后即刻、24 h、48 h TBIL水平明显降低,GGT水平明显升高(P<0.05);CIN组术后72 h TBIL水平明显低于术前(P<0.05),GGT水平明显高于术前(P<0.05);TBIL与GGT呈负相关(P<0.05);TBIL预测PCI术后CIN发生的临界值为11.2μmol/L,GGT预测PCI术后CIN发生的临界值为27.1 U/L,二者联合预测的ROC曲线下面积(AUC)为0.817,大于独立预测的AUC(TBIL为0.718,GGT为0.795)。结论 PCI术后TBIL水平降低,GGT水平升高,二者是PCI后CIN发生的独立危险因素,二者联合对PCI术后早期CIN发生风险有重要预测价值。
文摘车流量建模是车联网(vehicular Ad Hoc network,VANET)路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统(intelligent transportation system,ITS)实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据,利用自回归(auto regressive,AR)模型与神经(back-propagation,BP)网络模型对车流量实测数据进行了仿真对比,给出了相应的预测结果。研究发现,两个模型均能有效地对数据进行跟踪与预测,但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。