基于改进群组层次分析法的机场Ⅱ/Ⅲ类运行效益影响因素研究

为研究运输机场Ⅱ/Ⅲ类运行效益影响因素，参考相关规则及机场调研建立了Ⅱ/Ⅲ类运行效益影响因素指标体系，采用群组层次分析法，通过改进打分方式和k均值聚类算法对其进行优化。对比改进前后两种方法得出的指标权重结果，发现改进的群组层次分析法得出的权重差异明显，适合关键影响因素提取。最后分析场地改造、灯光系统升级改造等关键影响因素，对国内Ⅱ/Ⅲ类运行建设效益问题给出了相关建议。     

经典名方银翘散薄层鉴别标准提升研究

为提升《中国药典》中经典名方银翘散薄层色谱鉴别标准,利用不同极性试剂对银翘散待测样品进行系统提取,得到不同极性部位的供试品溶液,采用系列薄层色谱法对银翘散中10种单味药的供试品溶液、展开条件、显色方法进行系统的筛选,建立了适合银翘散中金银花、连翘、薄荷、牛蒡子、淡豆豉、荆芥穗、甘草等7种单味药鉴别的系列薄层鉴别方法,并且实现了一块薄层板、一次展开即可分别对牛蒡子与甘草、淡豆豉与荆芥穗进行共同鉴别。所建立的银翘散中7种单味药鉴别的系列薄层鉴别方法,只需对照药材即可对复方中的7种单味药进行鉴别,重复性好、可操作性强、检测成本低,为《中国药典》中银翘散薄层鉴别内容补充和质量标准提升提供了实验依据,也为其他银翘散成方制剂的薄层色谱鉴别提供了参考。     

考虑用户偏好的奖励机制下共享单车分流停车引导策略研究

为缓解共享单车停车空间不足导致的乱停乱放问题,提出共享单车停车分流引导策略,并根据用户行为选择设置相应的奖励措施。设计叙述性偏好问卷调查,获取用户行为选择偏好数据,运用Logit模型进行分析并构建激励共享单车用户分流停车的奖励机制;构建以企业成本最小和转移停车需求最大为目标的多目标优化模型,提出引导用户分流停车的策略。以西三旗永泰庄地铁站为例检验了该策略的实际可操作性,结果表明策略用户接受度达60%,预计成功转移58.33%的过量停车需求。该策略能够在一定程度上缓解由于停车空间不足导致的共享单车停车问题,可以为共享单车停车管理提供有效指导。     

竹红菌素中试提纯工艺及抑菌活性研究

为了研究竹红菌素的中试提纯工艺及抑菌效果，在中试生产中，通过不同溶剂、提取方法提取竹红菌素，研究盐析法、降温法和超滤法对竹红菌素的纯化效果。结果表明使用气流粉碎法竹红菌素提取量可达21.4 mg/g,超滤法纯化后，竹红菌素的纯度达到90%以上。对竹红菌素的抑菌活性分析发现，其热稳定性良好，并且对大肠埃希氏菌和白色念珠菌均有抑制作用。竹红菌素具有天然抗菌和良好的热稳定性，易提取纯化，可作为一种抑菌药物应用到医药等领域。     

“最强大脑”适得其所才能建成知识产权强国——以色列理工学院的自由发展给我国广东的启示

人才是国家科技和经济发展的核心。以色列是一个人口、国土和资源都稀缺的小国,却成为一个知识产权强国、科技创新强国、全球离岸金融中心,它的教育模式值得我国学习和借鉴,为我国进行知识产权强国建设和经济发展的战略提供可行性参考。     

京杭运河航运与沿河区域经济的互动关系研究

为了研究内河航运发展与沿河区域经济和产业发展的相互影响关系,以苏北运河为例,采用灰色关联度计算模型和协整检验方法,对苏北运河与沿河区域经济和产业结构的关联性和长期均衡关系进行了初步探讨,并通过因果分析,进一步探究两者互动关系的影响方向,再通过向量自回归模型,深入剖析内河航运对沿河区域经济当前和未来的相互影响程度,最后选取沿河某产业园区分析实际互动效应。研究结果表明:苏北运河与沿河区域经济增长、第二产业发展存在长期均衡关系,苏北运河沿河区域第二产业对运河航运发展的支撑作用最大。内河航运满足了沿河产业发展货物运输需求,京杭运河黄河以北段复航能够实现与沿河区域经济和产业相互促进的良性循环模式。本研究有利于释放沿运河区域经济发展潜力,为京杭运河黄河以北段及沿河区域规划设计提供参考。     

基于乘客异质性的早高峰单起点多讫点公交均衡研究

分析早高峰单起点多讫点公交系统的均衡乘车行为。考虑乘客对公交内部拥挤敏感程度不同，分析乘客出行成本构成，乘客在拥挤成本、延误时间成本和乘车时间成本之间权衡，做出乘车班次选择，以此建立均衡乘车模型。研究结果表明异质用户下单起点多讫点公交均衡具有如下性质：目的地相同的乘客分布在连续班次，且越靠近最优到达班次，累计乘客人数越多；连续两站都有出行者乘坐特定班次时，在之后站点登上该特定班次的总人数为常数；目的地相同的不同类型乘客最多在一个班次上混乘；对拥挤敏感的乘客会乘坐对应的远离期望到达时间的班次；对拥挤不敏感的乘客会乘坐对应的靠近期望到达时间的班次。研究结果有利于加深对公交乘车行为的理解，为公交调度管理提供辅助支持，进一步完善公交均衡模型的相关研究。     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。