公安交通安全管理现状分析与对策研究

道路交通安全是一个世界性的社会问题。近年来,国外已经对此问题开展了广泛而深入的研究,建立了完善的政策法规体系、高效的事故统计系统、完整的科研体系、立体的防治机制等。我国在充分借鉴国外经验的基础上,也开展了对道路交通安全技术和法规的研究。我们可以从交通安全系统建设、安全技术开发及其标准建设、相关基础理论研究和政策法规完善及保障体系建设等几个方面来改善我国当前的道路交通安全现状。     

考虑方案间过渡影响的Kagscv-DBSCAN单点交通控制时段划分方法

为提高单点交通控制时段划分准确性,本文首先提出一种基于kd-tree加速搜索并利用GridsearchCV进行超参数寻优的kagscv-DBSCAN算法用来求解基于检测器自然数据的时段划分初步方案,并加入了对方案间过渡的考虑对初步方案进行修正。最后,以车总延误、交叉口通行能力和运算速度为评价指标进行实际案例分析并与传统方法进行了对比。结果表明:本文方法对比k-means、PAW、FCM和RSAGA-FCM在车总延误方面分别降低8.69%、6.61%、3.68%和1.04%,通行能力提升效率分别为5.67%、5.07%、3.48%、1.69%,并在运算速度上具备明显优势。     

基于长短时记忆网络的Encoder-Decoder多步交通流预测模型

交通流序列多为单步预测.为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型.将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证.实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系.除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210～5.422、0.061～0.191.相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136.实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务.     

基于GIS的公安交通管理设施分析与评价系统研究

如何科学有效地管理庞大的交通管理设施系统,充分利用其各类信息制定相关决策已经成为公安交管部门急需解决的问题。基于GIS的公安交通管理设施分析与评价系统是将道路、环境、交通管理设施等多种信息与地图结合在一起的交通地理信息系统,它不但能够实现对公安交通管理设施信息的管理、查询、分析、评价等功能,还可以对评价结果进行详细的分析,为管理者提供直观的分析结果及所需的信息,进而为制定决策提供相关依据。系统功能实现可通过MapInfo与SQL sever相结合实现系统空间-属性一体化数据的存储利用OCX控件MapinfoMapX5.0,在基于VB6.0的基础上进行二次开发。     

我国城市停车发展战略研究

文章通过对我国大城市停车现状及停车问题的深入分析,在充分借鉴国外解决停车问题先进思想与管理技术的基础上,阐述了我国城市停车发展的指导思想、战略目标、研究领域和支撑条件,从法规政策、停车规划、需求管理、管理机制及停车技术等方面,提出了适合我国国情的城市停车发展战略对策。     

基于卷积神经网络与门控循环单元的交通流预测模型

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器（encoder-decoder,ED）的卷积神经网络(convolutional neural networks,CNN)-门循环单元(gate recurrent unit, GRU)模型,简称ED CNN-GRU。首先使用CNN作为编码器,对交通流序列进行信息捕捉,再将上述信息通过GRU解码器进行解释并输出。实验证明,对比CNN、GRU单个模型,ED框架有效解决了误差的迅速累积问题。对比其他基准模型,CNN、 GRU模型对于交通流序列的特征提取及解释能力较为优秀。对于未来12个步长的交通流量预测任务,对比其他基准模型,单因素输入情况的ED CNN-GRU模型的均方根误差下降约0.344～6.464,平均绝对误差下降约0.192～0.425。对比单因素输入,多因素输入下ED CNN-GRU模型拥有更好的预测能力。证明了ED CNN-GRU模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于K-means++的驾驶人致因因素倾向性分析

交通事故致因因素导致交通事故的发生,而交通事故致因因素的产生与驾驶人的特征相关。基于K-means++对事故伤亡人数、年龄、驾驶经验、事故责任、驾驶人的不安全行为值、车辆的不安全状态值进行聚类分析,探讨具备不同特征的驾驶人群体产生不同类别的交通事故致因因素的倾向性。结果表明,当聚类簇数为3时,轮廓系数为0.52,模型将驾驶人分为3个群体。其中：驾驶经验及年龄较低,事故责任较高的驾驶人群体存在较高的不安全行为值;驾驶经验及年龄较高,事故责任较高的驾驶人群体存在较高的车辆的不安全状态值及较高的伤亡人数;事故责任较低的驾驶人群体的不安全行为值与车辆的不安全状态值均较低。     

SiC增强铝基复合材料的力学性能

采用半固态搅拌铸造法制备了SiC颗粒增强铝基复合材料,研究了加入不同质量分数SiC和Mg的（Al基体、Al-4 wt.％SiC、Al-4 wt.％高温氧化SiC,Mg的质量分数从0～4 wt.％以1wt.％的含量递增）铝基复合材料的微观结构和力学性能,研究结果表明：经过高温氧化的SiC颗粒能够防止铝液对SiC颗粒的侵蚀,SiC颗粒表面没有发现孔洞.在Al-4 wt.％高温氧化SiC-3 wt.％Mg铝基复合材料中形成了Si和MgAl2O4,其屈服强度、抗拉伸强度和硬度最大,但当Mg的质量分数超过3 wt.％时,其屈服强度和抗拉伸强度降低,这主要是由于过量Mg的加入,会使复合材料中SiC颗粒表面的SiO2与Mg反应后继续与铝液进行反应,这将削弱SiC颗粒与基体的界面结合强度.     

面向不平衡数据集的SMOTENC-XGBOOST驾驶人交通安全评估模型

为深入挖掘驾驶人因素与交通事故之间的关系，提出一种基于SMOTENC和极端梯度提升(extreme gradient boosting, XGBoost)的驾驶人交通状态优劣分类算法。首先针对交通事故发生与否不平衡的特点，使用SMOTENC算法对数据进行上采样并在采样过程中加入随机扰动，解决了数据不平衡问题。然后使用Embedded算法结合L1正则化，通过模型评估完成对特征子集的选择。最后使用机器学习的方法将XGBoost算法用于执行数据的特征提取和分类过程。实验表明，在对驾驶人的交通状态进行综合评价的任务上，XGBoost模型的准确率为99.85%，相较于随机森林、支持向量机等对照组模型，提升了约1.12%-1.80%。除此之外，使用SMOTENC算法对数据不平衡问题进行处理后，通过混淆矩阵观察到模型对于好坏个体均具备较好的识别能力。