区域高速公路合理规模预测探讨——以湖北省为例

区域高速公路网规模是道路网容量形成的基础,确定合理高速公路网规模对于调节区域路网交通供需平衡的重要意义.从与区域经济发展需求相适应的角度,结合发达国家(地区)高速公路发展状况,分析了湖北省高速公路发展状况和存在问题,探讨了区域高速公路网络发展特点.考虑区域高速公路规模与国土面积、人口与区域经济之间相互关联元素,建立了预测模型,并采用建模过程及交互式求解算法进行求解;运用模型对湖北省2030年高速公路网的合理规模进行了分析预测,对模型与方法的科学性、合理性进行了验证.     

轴载谱在路面车辙预测中的应用

根据辽宁省高速公路轴载谱,选取合理的车辙预测模型,通过室内试验数据的整理分析,取得模型中的参数后,对高速公路沥青路面的车辙进行预测.预测结果可作为高速公路维修时间选择的一个依据.     

基于类比分析的宁夏高速公路发展与经济社会关系研究

通过分析高速公路与经济社会各类指标之间的关系,选取相关性较大的几类指标,应用类比法以国内发达省份为对象,运用多元线性回归分析构建各类指标与高速公路路网规模之间的关系模型。以该模型为基础,对宁夏高速公路发展现状进行分析,并根据其经济社会发展趋势,对其未来发展情况进行预测分析。     

基于样本阵列的沥青路面使用性能预测模型研究

开展路面使用性能预测研究对于公路养护决策具有重要的意义.文章针对江苏省高速公路路面使用性能主要影响因素,构建了样本预测阵列,据此采用双参数模型建立了路面使用性能预测模型,并基于自适应跟踪法对双参数模型进行修正.工程实例表明,预测模型用于江苏省高速公路路面性能预测具有较高的精度.     

基于改进“四阶段法”的高速公路交通量预测研究

以"四阶段法"为基础,通过加入经济-交通组合模型进行改进,提出了一种更为合理的交通量预测方法。并应用该方法预测了杭州绕城高速公路2015年—2029年年平均日交通量(annual average daily traffic,AADT),并对交通量构成及来源进行分析。结果表明:该预测方法提高了高速公路交通量预测的准确性,减少了预测结果的误差,具有理论与实践应用价值。     

基于LSTM网络模型的高速公路软基长期沉降预测

LSTM网络模型相较于一般曲线拟合方法具有容错性好、记忆功能强等显著优势,可有效识别并保存已有数据中的隐藏信息特征.基于以上优势,构建针对高速公路路基长期沉降预测的LSTM神经网络模型,进一步利用高速公路路基长期沉降特征的时序化特点,基于LSTM神经网络模型对其进行预测,结果表明:所构建LSTM模型可有效表征高速公路路基长期沉降的非线性特征,相比较于指数曲线法而言,其误差低,预测精度较高.     

区域高速公路网合理规模分析——以青海省为例

高速公路在社会发展和现代交通运输发展过程中占有重要的地位,而区域高速公路网规模是道路网容量形成的先决条件,所以确定合理的高速公路网规模对于调节区域路网交通供需平衡具有重要意义。在分析青海省高速公路现状和主要影响青海省公路建设总体规模的因素上,构建基于当地人口、GDP的改进后的连通度模型,运用回归分析法及TRANSCAD软件对青海省高速公路网规模进行了预测及验证。最后对预测结果做出相关分析并咨询有关专家得出合理科学的高速公路里程规模数。     

基于logit预测模型分析高铁建设对交通的影响

近年来,中国高速铁路建设发展突飞猛进.同时,随着生活水平的不断提高,中国人民对高速铁路的需求也在日益增加.以此为背景,参考已有研究选取合适的指标构建logit模型预测市民出行方式,分析高铁开通对高速公路的车辆通行压力以及对人们远途出行方式选择的影响,最后融合损失厌恶函数与攀比效应改进模型,研究预测发展不同城市的高铁客运量进而给出城市的最优高铁配置数量.     

基于灰理论的时滞经济预测模型及应用

针对经济预测中具有时滞性样本数据序列的预测建模问题,在对GM(1,1)模型拟合残差分析的基础上,结合AR模型及残差自回归模型建立了新的时滞GM(1,1)模型,并给出了该模型一种基于最小二乘的求解算法.最后通过对我国GDP指数进行预测,给出了经济预测中建模的一个应用实例,取得了较为满意的效果.     

灰色Verhulst模型在交通运输结构预测中的应用

合理的预测交通运输结构,对于交通体系的完善和社会经济的发展具有重大的意义.在灰色系统理论中,灰色GM(1,1)模型适用于具有较强指数规律的序列,而Verhulst则适用于非单调的摆动发展序列或者具有饱和状态的S形序列.因交通运输结构发展趋势的非单调性,尝试用灰色Verhulst模型对交通运输结构进行预测,并在实际的工程实例中,加入了等维的约束条件,采用了等维动态预测模型,以保证预测结果的精度.计算过程运用了matlab软件等辅助工具,预测精度较好,可见这是一个较好的尝试.