决策信息为区间数的多属性群决策方法

为了解决群体决策过程中难以精准确定指标权重和专家权重,以及难以得到精确决策信息的问题,提出了一种基于集值统计和信息公理相结合的群决策方法.该方法将决策个体对各指标的决策信息采用区间数表示;用集值统计模型计算决策群体对各指标决策信息的综合评价值,在此基础上引入观点分歧度概念,以判定综合评价值的有效性;以有效的综合评价值作为决策群体期望的指标设计范围,根据信息公理计算各方案的信息含量来判断方案的优劣,并给出该决策方法的具体步骤.最后,通过实例说明了该方法的有效性;实验数据分析表明,该方法在群决策中避免了确定权重的复杂计算过程,降低了决策的复杂度,更加符合决策者的思维习惯.     

基于区间数距离的铁路线路方案决策模型与方法

为了研究铁路选线方案决策中定量指标与定性指标难以综合评价的系统量化问题,引入区间数理论,建立了基于区间数距离的铁路线路方案决策优化模型. 首先将选线方案中的定量和定性指标转化为区间数,得到区间数决策矩阵;然后对决策矩阵进行规范化处理得到规范化区间数决策矩阵;接着利用区间数距离法计算评价指标的权重,构造加权规范化决策矩阵;再基于加权规范化决策矩阵,利用区间数距离对决策方案排序择优,得出综合比选结果;最后结合工程比选实例验证了模型的作业程式. 结果研究表明:该模型在将含有不确定性信息的定性指标进行量化时,比传统的AHP方法可减少主观原因对决策结果的影响,尤其是指标权重的计算结果更可靠;在进行决策方案排序择优时比利用传统的投影法计算更为简便.      

基于OWA-AHP和熵权法的地铁运营安全风险评估

为了弥补现有指标权重赋权方法的不足,更好地将定性描述与定量分析相结合,从地铁运营过程中事故发生的可能性及其严重程度两方面分析入手,提出采用OWA-AHP和熵权方法提取影响地铁安全运营的风险指标权重,并选用模糊数学综合评价方法对地铁运营安全进行综合评价,明确系统的风险等级.分析表明:采用OWA-AHP和熵权法结合确定权重的方法,削弱权重数据极值产生的影响,将主观决策给出的极大数据和极小数据分配到其他影响度较小的位置,减小主观误差.以某地铁1号线为例进行说明,该线路系统整体处于安全水平,但仍需对人员方面加以改进,用该理论方法计算得到的地铁运营安全风险评估结果与实际相吻合.     

余弦函数法在公共交通路网模式选择中的应用

随着公共交通系统的全面发展,路网衔接模式也越来越复杂.如何选择合适的路网衔接模式成为首要解决问题.在路网模式计算、系统综合评价方法中,余弦函数法是计算简单、使用方便、易于大部分决策者接受的计算方法.计算过程中为减少决策中的主观因素,采用熵权系数法来确定指标的权重向量.最后结合石家庄市区路网规划3种模式,实证分析余弦函数法在综合交通评价中的应用.     

高速铁路基本走向决策方法和模型

分析了高速铁路基本走向方案比选特点，应用较为成熟的AHP主观赋权法作为指标权重分配计算方法，运用多目标决策分析原理，综合多种系统评价方法提出了一种高速铁路基本走向决策方法，并建立了优选模型，决策者可以根据具体情况灵活地进行方案的评价与排序，使方案决策具有针对性。实践证明该决策方法和模型能利用全部信息，排序结果能够比较客观地符合高速铁路基本走向选择的实际情况。     

基于DEA的北京市道路危险货物运输效率评价

基于DEA理论构建北京市道路危险货物运输效率的BCC模型,从投入和产出角度选择指标构建评价指标体系,以北京市15个区县作为研究对象,对其综合效率、纯技术效率和规模效率进行计算和评价,对非DEA有效的决策单元进行了投入冗余和产出不足分析,同时,利用岭回归分析构建综合效率与评价指标的回归方程,通过衡量自变量对因变量的贡献度大小,找出影响综合效率的关键因素,为企业提高运输生产效率提供发展建议.     

城市轨道交通网络规划的优选决策研究

针对城市轨道交通网络规划影响决策因素的多样性,通过应用多层次分析法和模糊数学理论优选综合评价相结合的方法对城市轨道交通网络规划进行决策评价,提出了适合城市轨道交通网络规划的多层模糊优化决策方法模型.该模型通过专家决策将各个因素层次化筛选,并构建模糊矩阵计算出各层的权重.采用归一法经过模糊化运算得出最终结果.并应用实例验证其可行性.     

城市轨道交通需求预测方法比较

针对常用的"四阶段"法在轨道交通需求预测中存在的不足,提出轨道交通客流分配应将全人口全方式出行量在综合交通网络中进行分配的观点,并应用赋权有向图相关理论构造"综合交通网络",提出轨道交通需求预测的"三阶段"方法。     

神经网络和专家系统相结合的综合决策系统结构

通过神经网络知识获取模型,将神经网络的自适应学习能力和专家系统的解释能力综合在一起,提出一种将神经网络和专家系统结合在一起的综合决策系统.一方面,该综合决策系统应用神经网络的自适应学习功能解决了专家系统在知识获取方面存在的"瓶颈"问题;另一方面,运用专家系统的解释能力解决了神经网络的"黑箱"问题.     

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.