FHWA公路交通噪声预测模型在广清高速公路花都段的应用研究

通过运用FHWA公路交通噪声预测模型对广东某高速公路交通噪声进行预测。根据车流量实测数据以及设计速度,通过模型对敏感点噪声结果进行计算,并根据计算结果,反向计算满足声环境功能区划的最大行车速度,并对不同车型,不同设计速度的降噪效果进行了分析。结果有望对同类高速公路噪声预测提供指导和依据。     

基于 FHWA 模型与交通流仿真的道路噪声预测方法研究

以美国FHWA噪声模型为基础,以VISSIM软件为交通流预测平台,给出了基于FHWA模型与交通流仿真的道路噪声预测方法,实现了通过现状调查数据对拓宽后路段进行噪声预测的目的;并以南京航空航天大学附近的一段双向6车道的高速路作为研究对象,结合实际路况及统计学理论对噪声预测模型进行修正,修正模型的预测结果与实测值的误差在1．5 dB范围内,匹配性良好;在对拓宽后的道路噪声预测后发现：道路拓宽之后的噪声值总体呈增高趋势;交通量增加之后,噪声值进一步加大;另外,虽然大中型车在交通量中占据较小的比例,但对交通噪声值的大小起决定性作用．     

道路交通噪声计算机仿真模型

提出一种可用于计算道路路侧交通噪声的计算机仿真模型.将实测的车辆速度、类型和到达时间等微观交通数据作为输入量,利用车辆行驶模型更新车辆各仿真时刻的运行状态,借助车辆噪声模型计算车辆单体对测点的贡献值,进而求解整个车流的噪声值.该模型不但可以全面反映交通噪声起伏变化的时间分布特征,而且还可以预测和分析复杂交通条件下的噪声指标.通过实测数据对比分析,证明模型预测结果与实测数据吻合良好,预测精度为-0.4±1.0 dBA.     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

高速公路共振腔吸声砖声屏障降噪效果

为解决交通噪声对高速公路两侧村庄声环境影响问题,根据已建成公路交通噪声监测结果,给出高速公路交通噪声预测模型,对两侧声环境敏感点的交通噪声级进行计算,提出公路两侧分布村庄段采用双侧共振腔吸声砖吸声型声屏障降噪方法。声屏障工程实例及降噪监测结果表明,共振腔吸声砖声屏障降噪量达13~16 dB,具有构造简单,施工方便,造价低等特点,环境效益和经济效益比较显著。     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

高速公路交通噪声分布特征与衰减规律研究

本文研究了沈大高速公路两侧交通噪声分布特征与衰减规律,通过实测数据说明了交通噪声的影响范围,揭示了交通噪声与交通量、时间和距离的关系.对于保护公路周围居住环境,合理地进行规划和管理提供相应的参考.     

基于神经网络的连续刚构桥的线形控制研究

采用有限元软件Midas Civil 2020对德余高速公路上主跨为(95+180+95)m的连续刚构桥进行建模分析,收集各个施工梁段的实测变形值,并基于Python编写了BP神经网络程序,运用BP神经网络对各个梁段的变形值进行了预测分析。工程实践证明,将神经网络应用于大跨PC连续刚构桥的线形控制是切实可行的,并且神经网络模型的预告结果与实际情况非常吻合。     

考虑噪声影响的短时交通流预测模型及验证

为进一步提高交通流预测的精确性，相较于忽略噪声影响的传统预测方法，提出一种基于小波变换的双向长短时记忆神经网络-自回归滑动平均模型的预测模型(WBLA)。WBLA模型首先采用小波变换，将交通流数据分解为特征项及噪声项，在此基础上，对特征项采用双向长短时记忆神经网络(BiLSTM)进行预测，对噪声项采用自回归滑动平均模型(ARMA)进行预测，最后对两项预测结果求和作为最终的预测结果。将未考虑噪声影响的其它基准方法作为对比模型，在美国加州高速公路交通流数据集上进行测试及验证，实验结果表明：WBLA模型同未考虑噪声影响的次好模型相比，MAE、RMSE和MAPE分别下降17.86%、15.98%、16.39%,表明WBLA模型符合实际交通流速度变化趋势，模型合理性得到验证。     

交通出行预测的神经网络模型

针对交通出行集计预测模型的缺陷,结合神经网络在非线性关系映射方面的优势,本文提出了交通出行预测的BP神经网络模型。作者在对BP神经网络的结构和算法进行分析的基础上,研究了交通出行预测BP神经网络模型的影响因素、模型结构和模型数据,并采用实际调查数据对模型进行了检验和应用。研究结果表明模型预测精度较高,既有很强的理论优势和解释性,又有良好的操作性．最后,文章讨论了下一步的研究方向．     

基于IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。     

基于神经网络的静态交通发生率预测方法

静态交通发生率模型是停车需求预测中较为常用的一种方法,但是,关键指标——静态交通发生率一般难以确定,尤其是它的未来年值;而静态交通发生率的大小又受到多种因素的影响,为了实现对其未来年值的预测,本文分析了影响静态交通发生率的主要因素,采用了具有处理“灰色”、复杂问题的有力工具——神经网络BP算法,提出了以国民生产总值、机动车保有量、用地类型、城市人口和城市面积为输入层节点,静态交通发生率为输出节点的BP计算模型;最后,选用四个城市的停车调查数据来进行神经网络训练、预测。训练模拟结果良好,表明该方法能够比较成功地应用于静态交通发生率的预测。     

基于BP神经网络的交通信息量预测方法

交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求。为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输人数据规模,缩短了神经网络预测时间。最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性。仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考。     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

不同预测方法的沥青混合料弹性模量对比研究

通过对比分析沥青混合料弹性模量的不同预测方法,找到一个最合理的快速预测方法。利用BP神经网络方法预测了不同温度的沥青混合料弹性模量,建立了沥青混合料弹性模量Et/E20值与温度的关系,在此基础上,与其它预测方法进行对比研究。研究内容包括:沥青混合料弹性模量数据调查及影响因素分析,不同预测方法的沥青混合料弹性模量预测结果,BP神经网络预测结果与其它方法的对比分析。通过对不同预测结果的对比分析,论证了BP神经网络方法的科学合理性。研究认为:BP神经网络方法可以准确地预测不同温度的沥青混合料弹性模量,与其它方法相比,具有一定的优势。     

基于BP神经网络的甘肃省公路客运量预测方法

公路客运是交通科学管理的基础数据,提高公路交通管理水平,对建立平稳高效的道路交通系统具有重要意义。为了提高公路客运量的预测精度,选择与公路客运量相关的三个指标(国内生产总值、公路长度和民用车拥有量),建立了基于BP神经网络的公路客运量预测模型,并对该模型进行了应用测试,与多元线性回归预测模型进行了比较。结果表明:BP神经网络模型具有更高的精度。     

基于BP神经网络的浙江省交通发展预测问题研究

基于BP神经网络研究了多因素的交通预测问题。通过分析影响交通指标预测值的15个因素信息，预测到2015年浙江省公路总里程为94984b，其中高速公路总里程为4533km，对今后浙江省交通发展规划具有一定的指导意义。