工科全日制专业学位研究生实践能力培养模式探索——以山东建筑大学交通运输类专业为例

文章探讨了工科全日制专业学位研究生实践与创新能力培养模式。首先,分析当前全日制专业学位研究生培养过程中出现的"重理论,轻实践"与"岗前培训"两类导致研究生创新能力与激情缺失的培养模式问题。其次,提出基于校企共建的高校重点实验室与工科研究生校外实践基地,以校内导师与实践基地企业导师的"双导师"制为主的交通运输类工科全日制专业学位研究生实践能力培养模式,并提出其实施方案。最后,以山东建筑大学交通工程学院为例,说明该培养模式的实施环境与实施条件,为类似专业的全日制专业学位研究生培养模式的制定提供参考。

交通强国背景下《道路建筑材料》课程思政建设

将思政元素、理念融入《道路建筑材料》课程教学中,《道路建筑材料》是在交通强国背景下以国家交通战略需求为导向、适应道路工程科技发展需要的专业特色课程。本文将思政元素、理念与《道路建筑材料》专业知识进行有机结合,提供专业知识与思政元素相整合的切实有效路径,为高校培育德才兼备的交通人才提供参考。

山东建筑大学三维虚拟校园设计与实现

三维虚拟校园是当前数字校园建设的热点,是支撑未来校园信息管理的平台。三维虚拟校园不仅涉及了多个专题数据层,其复杂的系统结构和高难度的建设过程更是数字校园的核心部分。文章通过对当前三维建模技术的模型精度和适宜空间尺度进行系统分析,选取了符合虚拟校园的建模方案,设计出三维虚拟校园各专题数据层的获取与集成方法,形成了三维虚拟校园建设的技术流程。分别对山东建筑大学建筑、植被与水体、交通和地下管线等单体进行三维建模,通过专题图层和属性信息的集成,创建山东建筑大学三维虚拟校园,验证了所提方法和技术流程的可行性。

基于交通冲突的主干路交织区特性与安全研究

为了研究城市主干路进口与信控交叉口之间交织区交通冲突特性及各车道安全水平,选取济南经十路某交织区作为调查对象。以一个信号周期为调查间隔,以交通冲突为基础,以碰撞时间(T_(TTC))为指标,通过累计频率法确立交通冲突严重阈值,建立交织区整体交通量、交通密度与交通冲突数的关系模型。再通过主成分分析法以各车道交通冲突严重程度和交通流状况为评价指标,对城市主干路进口与信控交叉口之间交织区各车道进行安全评价并排序。研究结果表明:在交织区交通量少、交通密度低时,冲突数随着交通量和交通密度的增大而增加,当整体交通量达到288辆/(3.5 min),交通密度达到419辆/km时,交通流变为强制流;对各车道的安全评价发现各车道安全区分明显,和主干路入口相邻车道安全性较低,实践证明主成分分析法对于交织区各车道的评价结果正确可靠。

基于LSTM-Transformer的城市轨道交通短时客流预测

准确预测城市轨道交通短时客流量的变化,有助于运营部门做出决策,并帮助轨道交通集团提高服务水平和实现智慧化运营。然而,客流数据的动态性和随机性使短时客流预测变得困难,因此,文章提出了一种组合预测模型,将Transformer模型中的位置编码(Positional Encoding)层与长短期记忆(Long Short-Term Memory,LSTM)神经网络相结合,构建了LSTM-Transformer预测模型。随后以青岛市的106个站点的进站客流数据为研究对象,并使用聚类算法对站点进行聚类分析。在10分钟的时间粒度下,利用前四周的客流数据作为训练数据,对未来一天的客流数据进行预测研究。同时,将差分自回归移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)、LSTM、GA-SLSTM和Transformer作为对照模型进行验证。通过多组实验证明了文章提出的LSTM-Transformer模型相较于对照模型组具有更好的预测精度和实用性。

城市轨道交通站点重要度评估与鲁棒性分析

为使地铁线路的连通性、安全性和运行效率得以保障,研究轨道交通网络的站点重要度和鲁棒性尤为重要。以杭州地铁为例,采用Space-L方法对杭州轨道交通网络的拓扑结构特性进行分析,在3类中心性指标基础上,结合IC刷卡数据增加客流中心性与站点可达性指标,并构建了城市轨道交通网络节点重要度评估体系;最后,研究了杭州地铁网络的鲁棒性,以网络全局效率和最大连通子图为评价指标。结果表明:在3条线路、81个站点中火车东站站点最为重要;网络在蓄意攻击下比随机攻击更具脆弱性,其中介数攻击破坏最为显著。

考虑个体感知的公交接驳轨道交通范围确定

为提高轨道交通与公交接驳的有效性,对轨道交通的站点公交接驳范围进行研究。基于问卷调查数据,分析不同轨道交通段乘行时间场景下个体出行感知分布特征,包括出行心理分布特征和距离衰减特征,确定可接受接驳时间和轨道段乘行时间的相关性关系,采用非集计价格敏感度模型计算不同轨道段乘行时间场景下的公交接驳时空阈值。结果表明:可接受的公交接驳时间随轨道段乘行时间增长呈非线性增长,增长速度逐渐变缓,两者之间的关系可用对数模型拟合,R^(2)为0.83;出行者在轨道段乘行10 min、20 min、30 min、40 min、60 min和80 min时,可接受的接驳公交服务范围分别为1.65 km、2.4 km、3.51 km、4.86 km、5.79 km和6.36 km;以济南市地铁2号为例,计算19个轨道车站的公交接驳范围,其中位于城市外围区域的轨道站点公交接驳范围相对较大。

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

基于多目标配时优化模型和交通设计的城市交叉口协同优化研究

文章基于多目标配时优化模型和交通设计,旨在缓解城市道路交通拥堵。通过分析城市道路交叉口交通流特性和问题,关注交叉口车流流向、车流交织点以及配时合理性。在交通设计方面,提出将左转车道右置的渠化设计方案。在配时优化方面,建立了多目标优化模型,以延误、通行能力和停车次数为优化目标,以各相位有效绿灯时间、交叉口饱和度及周期时长为约束条件。通过遗传算法对模型进行求解,并用SUMO仿真软件评价求解结果。研究结果表明,交叉口的时空资源得到更有效的利用,明显缓解了交通压力,为城市道路交叉口的运行、管理和规划提供了参考。

不同时段中工程建设对工程运输车交通事故影响研究

城市工程建设时间的差异对交通事故造成影响。为减少交通事故的发生,从时间角度分析工程建设对交通事故的影响,选出最合适的工程建设时间。基于历城区工程建设项目和事故数据,运用空间统计及计量方法,对工程运输车事故与工程项目进行相关性检验,探究单双变量情况下对空间影响最显著的季节和时段。结果表明,济南市工程运输车事故的空间自相关性、工程建设项目与事故空间相关性以及工程建设项目对事故的空间效应均在第三季度及凌晨时段更显著;项目数量或项目面积的增加与交通事故量呈正相关,两者的相关性在第三季度及凌晨时段最高。

大学生个人特性对线上课程教学满意度的影响研究

在提升线上课程教学质量方面,探究学生对线上教学的满意度影响因素是实现高质量教学的核心问题之一。文章选取山东建筑大学714名本科生作为研究对象,利用路径分析和中介效应分析探究大学生的学习状态、学业情绪等个人特性与线上课程教学满意度之间影响机制。研究发现,学习状态与线上课程教学满意度之间存在显著正向关系;积极学业情绪可以正向影响线上课程教学满意度,消极学业情绪与线上课程教学满意度之间则呈现负相关。在中介效应分析方面,积极学业情绪在学习状态维度、教学环境维度与线上课程教学满意度之间起中介作用,但并未通过消极学业情绪明显影响线上课程教学满意度。

绿色建筑的工程应用及分析

为应对全球气候变化和资源匮乏加剧的问题,环保型建筑或绿色建筑变得日益重要。鉴于此,文章通过分析国内外经典绿色建筑案例,总结了绿色建筑物的特征,探讨了绿色建筑发展现状、绿色建筑具有的潜力及面临的挑战,分析了绿色建筑理念的应用要点,目的在于推动绿色建筑行业的可持续发展,促进绿色建筑材料、能源技术和环境设计的进步,为构建更加可持续和环境友好的建筑环境奠定坚实的基础,为类似项目提供参考。

不同攻击策略下轨道交通网络鲁棒性分析

为保障轨道交通网络的安全运营,基于复杂网络理论对轨道交通网络鲁棒性进行研究。采用Space-L方法构建广州市轨道交通网络,设定网络效率和网络最大连通率作为网络鲁棒性的评价指标;提出攻击策略的通用框架,模拟5种攻击策略对网络鲁棒性的影响。研究结果表明:已知站点信息量比例α的减少或权重系数λ的增加,可显著破坏网络的鲁棒性;网络在蓄意攻击下相比于随机攻击更具脆弱性;5种攻击策略的破坏效率遵循基于度的蓄意攻击>基于度和介数混合攻击>基于介数的蓄意攻击>局部攻击>随机攻击。

基于最优碳排放的超大型机场交通组织仿真分析

对双碳目标下的超大型机场多航站楼进场交通组织方案进行了优选,采用理论建模与软件仿真相结合的方式,对机场进场车辆的到达、停车、离开等行为的碳排放进行了建模,以现状到达车辆数据对仿真模型进行了标定,确定了碳排放最优情况下的机场进场交通组织优选方案;结合车辆吞吐量与车流特征,利用SUMO仿真工具软件确定了不同交通组织方式与碳排放量间的相关性,该研究为超大型机场陆侧进场交通组织方案选型提供了依据。

地方应用型大学交通类应用创新型人才培养体系研究——基于科教融合、协同育人背景

科教融合、协同育人是我国新时代经济发展和山东交通行业发展对教育的要求。本文提出了地方交通类专业本科院校基于科教协同的创新型人才培养理念,并构建基于多学科交叉的课程方案体系和层次递进式实验教学体系;提出了完善教师考核评价制度,以促进科教融合。本文认为,应统筹利用各方优势资源,构建“实验教学中心—校内外实践基地—科学研究平台—学科竞赛”实践平台;构建面向问题和应用的研究型教学;并完善产学研用协同教育机制,实现应用型创新人才培养。

都市圈多层次轨道交通网络合理规模研究

都市圈轨道交通线网的合理规模既是城市轨道交通线网规划的重要内容,又是政府部门投资决策的重要参考。根据都市圈内各层次、多样化的轨道交通特征,提出了差异性的线网规模计算方法,并运用熵权法对各个圈层的线网规模进行客观赋权修正以保障其合理性。在都市圈内部建立多层次轨道交通网络融合体系,并利用各层次间的差异性与互补性,将不同圈层的轨道交通线网规模相加得到都市圈多层次轨道交通线网规模计算方法。以济南都市圈为例,测算地铁、有轨电车与市域铁路3个层次的线网规模,结果表明:2025年济南市都市圈地铁与市域铁路线网规模测算值与规划相符,都市圈整体线网规模为760.7 km,该模型计算精度较高,可为都市圈轨道线网规划提供良好的决策思路。

基于出行效用无差异阈值的组合交通客流分配模型

为探究出行者的感知差异对组合交通方式客流分担的影响,将出行效用无差异阈值引入出行者的决策过程中,建立了NestedLogit客流分配模型。模型将出行决策过程划分为三个层级,出行逻辑为出行者先选择出行方式,其次考虑换乘位置,最后考虑路径选择。模型确定各层级出行效用的影响因素,并假设当两种出行方案的效用差小于出行者感知的无差异阈值时,出行者无法在两种选择方案中做出确定的选择,而是基于个人偏好或随机进行选择;反之,出行者会选择效用最大的出行方案。通过连续平均算法对模型进行求解,并采用数值算例分析无差异阈值对出行决策过程中三个选择环节的影响,从而验证了模型的合理性。模型结果表明:考虑出行效用无差异阈值的客流分配模型会影响组合交通方式的选择分担,可以更准确地反映出行选择过程中的随机性。此外,模型下级的无差异阈值会影响上级的选择概率,对换乘点与路径信息采取措施可以在一定范围内优化各交通方式的分担比率,从而引导出行者选择更为绿色的出行方式。

综艺娱乐元素应用于大学课堂教学研究

针对大学课堂中出现的“低头族”现象,结合当前大学生的兴趣,课题组提出了将综艺娱乐元素融入大学课堂教学的“以疏代堵”方式,分析了“你比划我猜”、大众评审机制和网络直播三种综艺娱乐元素在大学课堂教学中的借鉴方式、应用场景和实际效果,旨在为提升大学课堂听课率和课堂教学效果提供参考和借鉴。

面向交通标识的二值语义嵌入学习方法

交通标识是交通基础设施的重要组成。智能交通系统中的自动驾驶车辆需要识别和理解交通标识,以确保其驾驶行为安全和遵守交通法规。目前,交通标识的识别大都采用深度神经网络方法,利用大量的训练样本对神经网络参数进行训练,获得对任务有利的特征表示,然而,海量的训练数据将带来较高的检索成本。针对以上问题,提出一种基于二值语义嵌入的大规模交通标识检索与识别方法BETS,该方法将标签信息和成对相似性信息嵌入到二值语义空间中,同时使用深度神经网络来进行哈希学习。实验结果表明,该方法可以有效提升大规模交通标识检索与识别的精度和准确性。

基于GWO-LSTM模型的道路交通事故量预测

为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优化训练,构建GWO-LSTM道路交通事故量预测模型。以2000—2019年美国道路交通致死事故数据为样本数据,分别采用月粒度、周粒度、时粒度划分交通事故数据,对比分析GWO-LSTM模型、自回归移动平均(autoregressive moving average,ARMA)模型、反向传播(back propagation,BP)神经网络和LSTM神经网络的道路交通事故预测结果。结果表明:在3种时间粒度下,GWO-LSTM模型预测结果的平均绝对百分比误差和均方根误差均最小,预测准确度较高,可用于道路交通事故量预测中。