A study of bicyclist kinematics and injuries based on reconstruction of passenger car–bicycle accident in China

Like pedestrians, bicyclists are vulnerable road users, representing a population with a high risk of fatal and severe injuries in traffic accidents as they are unprotected during vehicle collisions. The objective of this study is to investigate the kinematics response of bicyclists and the correlation of the injury severity with vehicle impact speed. Twenty-four car–bicyclist cases with detailed information were selected for accident reconstruction using mathematical models, which was implemented in the MADYMO program. The dynamic response of bicyclists in the typical impact configuration and the correlation of head impact conditions were analyzed and discussed with respect to the head impact speed, time of head impact and impact angle of bicyclists to vehicle impact speed. Furthermore, the injury distribution of bicyclists and the risk of head injuries and fractures of lower limbs were investigated in terms of vehicle impact speed. The results indicate that wrap-around distance (WAD), head impact speed, time of head impact, head impact angle, and throw-out distance (TOD) of the bicyclists have a strong relationship with vehicle impact speed. The vehicle impact speed corresponding to a 50% probability of head AIS 2+ injuries, head AIS 3+ injuries, and lower limb fracture risk for bicyclists is 53.8 km/h, 58.9 km/h, and 41.2 km/h, respectively. A higher vehicle impact speed produces a higher injury risk to bicyclist. The results could provide background knowledge for the establishment or modification of pedestrian regulations considering bicyclist protection as well as being helpful for developing safety measures and protection devices for bicyclists.     

基于模糊神经网络的道路交叉口交通控制方法

提出了一种基于模糊神经网络的道路交叉口交通控制方法,分别把关键车流信息和非关键车流信息作为控制输入,采用两级控制器结构,综合形成控制策略。仿真结果表明,与传统的定时控制方法和只考虑关键车流的情形相比,所提出的两级神经网络控制方法在车辆平均延误时间和排队长度方面都有较大改进。     

基于CPN的城市智能交通信号控制系统建模

提出了一种城市交通控制系统的分布式结构及控制策略,介绍了CPN(Colorcd Petrj Nets)的基本概念及建模特性,着重探讨了借助CPN建模技术对城市智能交通信号控制系统进行的建模分析。     

ATM在非均匀业务模式下的性能分析

本文通过对各种基于不同缓存结构和技术的ATM交换结构在非均匀业务模式下的性能进行分析,揭示了它们在不同业务模式下的性能差别,同时还给出了一种高性能的ATM交换网络的设计方法。     

网络性能监测技术综述

互联网络的结构和上面的应用正变得越来越复杂, 出现了对性能要求敏感的应用,如视频会议、VOIP等。网络性能监测越来越重要,它对于ISP以及网络研究人员来说是一个大的课题。分析了互联网络的动态特性,然后概述了当前网络性能监测的理论、技术和工具,以及国际上目前开展的网络性能监测课题的情况。     

MPLS自适应流量工程系统的实现

讨论了利用MPLS技术实现流量工程的可能性和必要性。提出了一种自适应的流量工程系统,简称AMTE系统,该系统能够自适应地预防拥塞的发生。通过实验,证明了AMTE系统能够为优先权高的流量提供更好的服务质量,使得它们的被拒率尽可能地低,达到了区分服务的目的,并且在负载均衡方面也取得了很好的实验效果。     

基于细胞自动机的交通流模拟控制

该文以JAVA语言为仿真工具,通过构造二维细胞自动机模型,对平面十字交叉路口的交通流进行了分析和模拟控制。仿真结果较为理想,这充分说明了细胞自动机极其广泛的应用前景。     

基于禁忌算法优化神经网络的海洋船舶流量预测

为了有效缓解船舶交通拥堵和提高通航效率,对海洋港口和航道管理提供一个更可靠的数据,设计了一种基于禁忌算法优化神经网络的海洋船舶流量预测的方法。首先,建立了基于禁忌算法优化神经网络的海洋船舶流量预测模型。然后,设计了三层的脊波神经网络结构,提出了采用禁忌算法优化脊波神经网络结构参数的具体方法,从而得到一个初始化的脊波神经网络流量预测模型。然后,采用有标签的训练样本数据集对网络进行训练,将满足误差阈值的训练模型作为最终的预测模型。以某港口为例进行仿真实验,结果表明文中得到的预测结果与真实值较为接近,且与其它方法相比,具有更好的预测效果。     

基于联合注意力机制和一维卷积神经网络-双向长短期记忆网络模型的流量异常检测方法

针对流量数据集中类别不平衡限制了分类模型对少数类攻击流量的检测性能这一问题,该文提出一种基于联合注意力机制和1维卷积神经网络-双向长短期记忆网络(1DCNN-BiLSTM)模型的流量异常检测方法。首先在数据预处理过程中利用BorderlineSMOTE方法对流量数据不平衡训练样本预处理,使得各类流量数据均衡,有助于后续模型对各类数据的充分训练。然后设计联合注意力机制和1DCNN-BiLSTM的模型对流量数据进行训练,提取流量数据的局部和长距离序列特征并进行分类,通过注意力机制将对分类有用的特征按其重要性赋予权值,提高对少数攻击类的检出率。实验结果表明,同几种现有方法相比,该文方法对NSL-KDD和CICIDS2017数据集的检测准确率最高(可达93.17%和98.65%),对NSL-KDD数据集中的提权攻击(U2R)攻击流量的检出率至少提升13.70%,证明了该文方法提升少数类攻击流量检出率的有效性。     

基于深度特征学习的网络流量异常检测方法

针对网络流量异常检测过程中提取的流量特征准确性低、鲁棒性差导致流量攻击检测率低、误报率高等问题,该文结合堆叠降噪自编码器(SDA)和softmax,提出一种基于深度特征学习的网络流量异常检测方法。首先基于粒子群优化算法设计SDA结构两阶段寻优算法：根据流量检测准确率依次对隐藏层层数及每层节点数进行寻优,确定搜索空间中的最优SDA结构,从而提高SDA提取特征的准确性。然后采用小批量梯度下降算法对优化的SDA进行训练,通过最小化含噪数据重构向量与原始输入向量间的差异,提取具有较强鲁棒性的流量特征。最后基于提取的流量特征对softmax进行训练构建异常检测分类器,从而实现对流量攻击的高性能检测。实验结果表明：该文所提方法可根据实验数据及其分类任务动态调整SDA结构,提取的流量特征具有更高的准确性和鲁棒性,流量攻击检测率高、误报率低。