摘要：考虑车辆类型、驾驶风格及不同阶段影响车辆换道的关键目标,将车辆避障过程中的“车-车交互”机理描述为力的关系,构建协同换道避障模型(CLAM),提取并建立适用于突发事件的车辆避障微观轨迹数据集,将车辆避障转化为多约束优化控制问题,以优化算法(OA)为纽带,设计车辆协同避障控制(CLAM-OA)策略。结果表明:相较于数据驱动的长短时记忆模型,CLAM-OA策略输出的误差均显著减小、车速与位移在不同时域的输出结果也更加稳定。

摘要：为准确评估山区公路环境下交通安全设施组合的效用,设计“直线+长大坡道、急转弯、弯坡道组合”3种经典山区公路场景下交通安全设施组合驾驶模拟试验,通过分析驾驶员在山区公路交通安全设施下的驾驶特性,将熵权法和物元可拓理论有机结合,构建了山区公路交通安全设施效用评估指标体系,建立了交通安全设施组合效用的熵权物元多级可拓评价模型。评估山区公路环境下不同设施组合场景效用,得出安全设施组合的效用等级,并以此提出交通安全设施设置的改进策略。结果表明:在直线+长大坡道场景下,相较于减速标线,道路标志的设置更有利于吸引驾驶员的注意力和提升驾驶员的警惕性;在急转弯场景下,设置道路防护类设施,如护栏等,对驾驶安全性的提升最大;在弯坡道组合场景下,采取交通标志标线与护栏设施组合的设置方式,可以使驾驶员快速判断前方道路路况,从而促使其采取安全的驾驶行为,保证驾驶员的驾驶安全性。

摘要：乳腺癌是目前威胁全球女性健康最常见的恶性肿瘤.本研究通过统计分析并采用随机森林方法,确定了雌激素受体α亚型(estrogen receptor alpha subtype,ERα)在乳腺的发育过程中起着重要的作用,被视为乳腺癌治疗的重要靶标,拮抗ERα活性的化合物可作为乳腺癌治疗的候选药物.为有效预测小样本、多特征条件下的乳腺癌治疗靶标ERα的化合物生物活性,提出一种抗乳腺癌药物定量结构-活性关系的集成机器学习预测模型,称为Mul-BHO-Bi-LSTM(multivariate-Bayesian hyperparametric optimization bi-directional long short-term memory)模型.对1974个化合物的729个分子描述符信息进行描述性统计和多重共线性诊断,采用随机森林方法,筛选20个显著变量的重要性评分大于0.01的变量.构建基于卷积神经网络的二维特征矩阵,采用贝叶斯超参数优化方法,对双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)模型进行超参数寻优.对模型的预测效果进行分析和评价,结果显示,相比梯度提升决策树(gradient boosting decision tree,GBDT)集成学习方法,Mul-BHO-Bi-LSTM模型的预测效果较优,模型误差相关指标均方误差、归一化均方根误差、误差平均值、误差标准差均小于0.15,关联指标R2和r达0.99以上,表明Mul-BHO-Bi-LSTM的集成机器学习预测模型具有较好鲁棒性和泛化性.该预测模型可为抗乳腺癌药物的筛选与设计提供方法.

摘要：针对城市道路合流区生态驾驶策略的研究,需考虑真实场景车辆运行车速特性。通过分析车速的累积频率、分布趋势、特征百分位值等统计特性,得出平/高峰时段下合流区车速的差异性及高峰时段下合流区车速及加速度的运行特性。结果表明:高峰时段交织区车速分布为相对集中的左偏分布,平峰时段交织区车速基本符合Gaussian分布;高峰时段合流区车速紊乱分布于[0,20.0]km/h,平峰时段合流区车速有序分布于[7.5,45.0]km/h;高峰时段合流区纵向加速度与车速关系的散点分布呈不等腰三角形,而纵向减速度与车速关系的散点分布呈直角三角形;高峰时段合流区纵向加速度分位值折线图呈现M形,纵向减速度分位值折线图呈现出明显的上升趋势。该车速状态估计模型拟合程度指标达79%以上,精度满足要求,可为生态驾驶车速估计研究提供一定理论参考。