基于智慧收费云的无人收费站系统

为实现车道在正常情况下的少人化、无人化交易服务,为特情车辆提供智慧化的服务,提高车辆的通行效率,完善智慧高速建设。结合云、大数据和人工智能（artificial intelligence,AI）技术,在车道前端以智能硬件和应用软件为载体,后台以软件服务化（software as a service,SaaS）云服务为主要形式,构建智慧收费云+无人收费站系统。该系统节约了路段经营单位的收费运营成本、建设投资成本和后期维护成本,提升了路段经营管理单位的服务水平,彰显了高速公路的智慧服务能力。     

湿软地基路基修筑技术的研究现状及展望

文章从工程实践上分别介绍了3种情况下常用的路基修筑技术特点和方法，并对湿软地基路基修筑技术进行了展望。     

蒙古语语音合成语料库标注规则的设计

在蒙古语语音合成系统中,语料库的好坏会直接影响语音合成的效果.因此,语料库标注规则的设计对语音合成工作具有重要意义.提出了一种新的蒙古语语音合成语料库的标注规则,并用按此规则标注的蒙古语语料库进行了基于隐马尔科夫模型的蒙古语语音合成实验,合成效果达到了预期目标,说明我们提出的标注规则是合理可靠的.     

低酸性饮料缓冲性能的研究

低酸性液态食品对酸具有不同程度的缓冲能力，缓冲能力的大小主要与蛋白质和有机盐，无机盐的含量有关，而与酸的种类无关，蛋白质和灰分含量高的食品缓冲能力大。     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

ETC门架数据驱动的高速公路差异化收费双层规划方法

针对传统收费导致高速公路经济效益低、运行效率差等问题,结合ETC(electronic toll collection)门架数据分析高速公路运行特点,提出一种基于双层规划的高速公路差异化定价模型。首先,获取高速公路ETC门架数据,分析交通量特点,初步确定所要实施的差异化收费方案。其次,构建双层规划模型,上层最大化高速公路经济效益,下层分析出行者出行行为并完成基于Logit模型的交通量分配。最后,以长深高速河北段为例展开实证分析,使用模拟退火算法求解出一种分车型分路段的差异化收费方案。结果表明：ETC门架数据能够充分分析高速公路的运营状态和运行特征,为精细化的高速公路差异化收费的研究提供强大的数据支撑;使用优化后的分车型分路段差异化收费方案后,高速经济利润提升32.3%,货车交通量增长42.2%,客车共增长36.8%;路段整体交通量增长38.6%,并且平行道路饱和度降低,拥挤状况得到缓解。     

基于双层支持向量机的污水处理系统健康状态评估

为有效保障高速公路服务区污水处理系统的健康运行，结合污水处理系统的构成和系统运行特征，设计了一种用于评估污水处理系统健康状态的双层支持向量机（support vector machine，SVM）模型，并将健康状态分为健康、亚健康、故障和异常四个等级。首先，分析提升泵、进水泵、自吸泵等6个子系统的运行特征，使用随机函数和欠采样处理构建特征向量集。其次，采用SVM构建下层各子系统健康状态评估模型，并使用ThunderSVM算法来提高模型训练速度。然后，融合下层各子系统健康状态评估的结果，构建上层SVM系统评估模型，得到整个污水处理系统的健康状态。最后，依据青兰高速山西段服务区污水处理系统进行验证，结果表明所提出的双层SVM模型相较树类模型和单层SVM模型，不仅可评估整个污水处理系统的健康状态，还可评估各子系统的健康状态，且模型训练速度和判断精度均有提升。     

多源数据驱动的高速公路服务区运营状态评价

针对各地高速公路服务区运营状态缺少标准评价指标的问题，利用高速公路智慧服务区所采集的大量多源异构数据，构建了一个高速公路服务区运营状态分级评价体系。首先，制定相应数据清洗规则来处理服务区所采集的原始数据。其次，基于k-means聚类算法搭建评价模型，对服务区运营状态进行分级评价研究。最后，以山西省盂县高速公路服务区为案例进行实证分析，对该服务区一周内每天同一时段以及一天内各个时段两方面的运营状态，分别进行横向及纵向比较分析，结果发现一天中下午及午高峰时段运营状态最差，平峰及凌晨时段运营状态较好。     

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为，结合多速度差理论跟驰模型和深度学习方法，提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性，提出了双车道多速度差跟驰模型（FS-MAVD模型），并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型，利用卷积神经网络层（CNN）充分提取前向和侧向车辆交通特征，双向长短期记忆网络层（Bi-LSTM）考虑驾驶员记忆效应，注意力机制层（Attention）用于分配模型权重，并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点，采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据，建立跟驰行为样本集，对所建模型进行训练和测试，并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比，并分别比对不同模型对不同车辆的预测精度和误差。结果表明，本研究构建的组合模型在加速度预测精度达到9...     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题，基于超距雷达数据分析了高速公路车辆跟驰特性，建立起基于长短期记忆（long short term memory，LSTM）的跟驰速度预测模型。首先，根据数据特点建立了处理规则并筛选跟驰序列。其次，根据车身长度将跟驰车划为大型车与小型车，分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后，将前车速度、位置差、上一时刻车头时距作为模型输入，跟驰车速度作为模型输出，构建了基于LSTM的跟驰速度预测模型，模型预测精度达到99.75%。最后，以高速公路数据为例进行验证，传统机器学习支持向量回归（support vector regression，SVR）模型的预测性能低于深度学习模型，LSTM模型的R Square较SVR模型提升了4.37%；作为LSTM的结构简化变体，在相同的结构参数下，门控循环单元（gated recurrent unit，GRU）模型的预测性能并未提升，但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。