共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

模式语义链元建模及其应用

大粒度的模型转换是模型驱动软件开发场景下的重要技术需求，仅通过定义通用模型转换语言不足以满足这一需求，其中一个原因是通用模型转换语言工作在特定建模语言的元模型层次而非一般设计意图层次上．文中提出一种模式语义链(PSL)元建模方法．通过重型扩展统一建模语言(UML)元模型以直接形式化描述可表达一般设计意图的模式，并应用UML动作语义和元模型继承实现模式自动生成及转换．该方法为实现一船设计意图层次上的大粒度模型转换提供了有效支持．     

浅谈广告的创意

介绍了广告创意的内涵、金字塔原理、过程及其思考方法,途述了广告创意的U SP广告策略、品牌形象策略和广告定位策略。     

冗余现象的语用分析

语言具有冗余性是一个不争的客观事实。虽然它与语言的经济原则、格赖斯的会话原则相背离，但根据交际的需要，冗余现象有它存在的理据。冗余现象在交际中的积极作用可以从外交辞令、寒暄应酬、日常交际、演说词等语用的角度来体现。语用学中的目的意图原则、语境理论可为冗余现象提供相关的理论依据。     

语言交际与不同受话者形态下的取效行为

本文旨从奥斯汀的言语行为理论中“取效行为”出发，着眼于日常语言现象，针对三种不同形态的受话者对言语行为产生的积极和消极的影响，重点分析了较常见的第一种受话者形态，而提出语言是人的第二形象。说话者应根据不同的受话者这个角度来提高自己的语言交际能力，通过语言来传达说话者的思想，情感，修养以及学识等，以完善自己的言语行为，顺利实现人与人之间的交际与沟通。     

论玄言赋“有意无意之间”的叙写方式

魏晋玄言赋或重具体事物的描摹以点出玄理,或以生活指向来展开玄理阐发,具体事物与玄言玄理二者构成玄言赋的“有意无意之间”,这就是如何以文体的“有意”、文学形象的“有意”、探讨理论时进入审美状态的“有意”来把握玄学理论的“无意”;最后在文学作品中达到以玄学理论来把握现实生活的“有意”。     

刑法罪过的心理学分析

通过对各国罪过理论的比较分析,发现在罪过研究中普遍忽略了情绪因素,而且各国对不同种类罪过的非难重点差异也较大。如果剥离罪过中的法律因素,剩下的主要就是心理内容,由此对罪过进行心理学的分析,在第一层面即罪过的共性中得出罪过的心理内容是知和情意的结论,使情绪有所依归;然后,对罪过的第二层面即罪过内部成分的组合方式进行深入考察,得出在刑法罪过中,知是基础,情意是主导,情意承载着刑法责任与非难的结论。最后,将我国的罪过放到知与情意所罗织的网络(模型)之中,发现疏忽大意的过失其实也存在着情意因素,并得出犯罪过失其实是情意的缺陷而非注意的缺陷的结论。     

基于抽象语法树的C克隆代码重构应用与研究

为了缩短软件工程生命周期,引入组件、复制的概念,利用抽象语法树(AST)将相同功能的代码设计为一个函数,保留充足的接口参数,利用过程调用开发软件程序,可以提高软件开发效率.     

论《译者的任务》中intention的翻译

随着经济全球化和学术思想自由化的发展,越来越多的学术著作被译介到中国,术语汉译如何规范化也理所当然地成为译界关注的焦点。通过对《译者的任务》中intention的研究,发现该术语的翻译存在一词多译或同名异译的现象。基于此,文章试图从深层次挖掘相关概念的区别和联系,希望对intention的翻译做正本清源式的讨论。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。