今天的组会由三位同学进行汇报。接下来我将分别介绍各位同学的研究内容及其核心成果。

陆毅忱同学的汇报主题是“基于无人机航拍视频的车辆轨迹提取方法研究”。她首先介绍了研究背景，指出无人机航拍技术已成为交通数据采集的重要手段，能够有效克服传统采集方法的遮挡问题，全面捕捉道路使用者的自然行为。然而，由于航拍视频的特殊视角和远距离拍摄，其目标检测和跟踪面临较高难度。在研究综述中，她详细说明了目标检测技术的两种主要方法：两阶段检测和单阶段检测，并阐述了各自的优缺点。同时，她还分析了当前多目标跟踪算法的应用场景和限制。她的研究通过视频稳定处理成功消除了无人机航拍视频中的抖动问题。通过初始化基准帧、特征点标定与匹配，以及帧间变换矩阵的动态更新，提升了视频的清晰度和检测可靠性。在车辆检测方面，她优化了网络结构，调整了目标检测的损失函数，解决了样本不均衡问题，显著提升了检测精度和效率。在车辆跟踪方面，通过轨迹匹配、后处理平滑等技术，确保车辆轨迹的稳定性和连续性。最后，她展示了车辆检测和跟踪的实验结果，表明其方法在车辆检测的平均精度和轨迹召回率上均取得了较高的性能，证明了方法的有效性。

孙思薇同学的汇报主题是“基于动态用户均衡的多模式公交网络鲁棒性评价”。她从研究背景入手，指出自然灾害和运营事故等干扰事件对公共交通网络运行效率和乘客出行成本的影响日益显著。在综述现有研究的基础上，她提出了基于用户均衡模型的评价框架，重点分析了广义费用的构建、路段和站点失效的干扰情景设计，以及饱和度阈值与惩罚系数对网络运行状态的影响。在模型验证部分，她以一个双层网络为例，进行了多种干扰情景下的鲁棒性评价，结果显示用户均衡模型能够较为准确地反映干扰后的网络性能变化，并能够识别关键路段和节点。她进一步分析了模型的参数敏感性，发现在公共交通能力较高的情况下，饱和度阈值需要设置得较低以引起模型的反应；而惩罚系数的增加则会显著影响网络性能的下降速率。最后，她展示了不同情景下关键节点和关键路段的识别结果，证明了模型的实际应用价值，并提出了下一步研究计划，包括在更复杂的实际网络中应用该模型，以及研究网络性能恢复阶段的优化策略。

向争良同学汇报的题目是“学生陪伴出行特征分析与选择研究”。他从背景意义出发，指出学生陪伴出行在城市居民出行总量中占据重要比例，但现有研究对其分析较为简单，预测模型也存在精度不足的问题。通过设计问卷并进行数据收集，他获取了关于学生上下学接送特征、学生属性、家长属性、家庭属性和建成环境属性等丰富的数据，并在此基础上进行了描述性统计和交叉分析，发现不同接送场景在家长角色、接送方式等方面存在显著差异。

  他通过压缩回归筛选出学住距离、接送前后活动类型和家长是否有驾照这三个关键影响因素，并基于这些因素进行了群体细分。使用PM算法进行聚类后，他将学生家庭分为四类，并可视化展示了各类群体的接送方式结构特点。在此基础上，他构建了路径分析模型，详细分析了不同群体在出行方式选择上的决策路径，揭示了送学和接学在关键影响因素上的差异。

在总结部分，他表示通过本研究识别了学生陪伴出行的关键影响因素，提出了有效的群体细分方法，构建了基于路径分析的出行方式决策模型，并在下一阶段计划完成方式选择预测模型的开发，以进一步提高预测精度和适应性。

  三位同学汇报后，也与其余同学进行了充分的讨论和交流，王老师肯定了三位同学近期的研究工作，也对三位同学的汇报和研究提出了建设性建议，大家都收获颇丰。