基于城市轨道交通客流短时预测的运营编组设计

根据城市轨道交通客流短时预测量进行运营编组设计,更接近客流的实际运营情况,具有实时、灵活和快速响应等优点.以一周为周期,使用最近一周的历史断面客流量作为原始数据,应用嵌入式灰色神经网络组合模型进行短时预测,得到的下一周期断面客流量更符合客流不断变化的趋势.以此为基础进行运营编组设计,使其更能适应客流量的实时变化.然后将按计划运营的实际客流纳入历史客流,进行循环修正更新,作为下一周期客流短时预测基础进行运营编组设计.基于城市轨道交通客流短时预测的运营编组优化,在一定程度上可以提高城市轨道交通系统运能,提升运营效率,降低运营成本.     

港珠澳大桥长寿命海工高性能混凝土配制

针对120 a设计使用年限要求,阐述港珠澳大桥不同主体结构海工高性能混凝土基本性能设计的原则。在暴露试验得出的混凝土长期耐久性影响因素的基础上,系统研究配合比参数对混凝土性能的影响,介绍满足桥梁、隧道等不同结构工作性、强度、耐久性及体积稳定性要求的长寿命海工高性能混凝土的配制基本思路与方法。     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

备件消耗预测方法研究现状及发展

备件消耗预测是制定备件消耗标准的基础工作之一,通过对国内外有关备件消耗预测的文献进行研究,在分析当前备件分类的基础上,总结消耗连续型备件和消耗间断型备件的消耗预测方法研究现状,指出不同类型消耗预测模型的优点及存在的不足,揭示了备件消耗预测的研究重点及发展趋势。     

电磁兼容预测分析在试验中的应用

论文分析在复杂的电磁环境下开展试验面临的电磁兼容问题。研究了发射场电磁兼容预测分析的理论方法,给出了干扰预测的数学模型,可以在试验设计、故障诊断、EM C加固方面得到应用。     

基于支持向量机回归树的内燃机振动信号趋势预测

针对标准回归树建立在统计分析基础上所存在的缺陷,提出一种基于支持向量机的回归树预测模型。首先,根据原始振动信号趋势序列构建回归树;然后,针对回归树上包含样本数过少的节点,利用支持向量机,建立能够反映重要变量与响应变量之间映射关系的回归模型。仿真结果表明:即便由于设备出现异常,导致振动信号趋势序列出现非平稳、突变情况,该方法也能准确地预测,性能优于标准分析方法,具有一定的工程实用性。     

长线法生产梯形轨枕的质量控制研究

梯形轨枕是地铁交通中的主要承重部件,它为列车及轨道结构提供平台并将集中荷载均匀分布。为保证梯形轨枕产品国产化生产效率,满足施工进度需求,研制适用于长线法工艺的可滑动模具。并通过采取模板预留反拱、对称张拉受力、更改套管定位方式等措施,严格控制产品拱度、扭曲、道钉位置。结合北京地铁7号线梯形轨枕的生产,介绍改进后长线法施工过程中的关键施工工艺及质量控制要点。实践证明通过采取上述措施,梯形轨枕产品质量大幅提高。     

Will a driving restriction policy reduce car trips?—The case study of Beijing,China

A driving restriction policy, as one of the control-and-command rationing measures, is a politically acceptable policy tool to address traffic congestion and air pollution in some countries and cities in the world. Beijing is the first city in China to implement this policy. A one-day-a-week driving restriction scheme was expected to take 20% of cars off the road every week day. Using household survey and travel diary data, we analyze the short-term effect of this driving restriction policy on individual travel mode choice. The data also allow us to identify which demographic groups are more likely to break the restriction rule. The estimates reveal that the restriction policy in Beijing does not have significant influence on individuals’ decisions to drive, as compared with the policy’s influence on public transit. The rule-breaking behavior is constant and pervasive. We found that 47.8% of the regulated car owners didn’t follow the restriction rules, and drove “illegally” to their destination places. On average, car owners who traveled during peak hours and/or for work trips, and whose destinations were farther away from the city center or subway stations, were more likely to break the driving restriction rules. Therefore, Beijing is probably in need of more comprehensive and palatable policy instruments (e.g., a combination of congestion tolls, parking fees, fuel taxes, and high-speed transit facilities) to effectively alleviate traffic congestion and air pollution.     

基于GRNN的GSM-R场强覆盖预测算法

在比较Hata模型修正方法和GRNN算法场强覆盖预测效果的基础上,仿真分析了训练集构成和平滑因子选择对GRNN算法预测效果的影响,给出了训练集构成和平滑因子选择的方法;提出了电波传播环境相似系数来表征GRNN模型在不同环境下的适用性。仿真结果表明,两种传播环境的相似系数越大,由一种环境下测试数据确定的GRNN在另一环境下的预测精度越高。     

短时段交通流预测的RBF神经网络模型

介绍了基于RBF神经网络的短时段交通量预测模型,并利用该模型对高速公路所采集的数据进行仿真预测分析。预测结果表明RBF神经网络预测方法通过定义合理的网络结构参数可以获得较高的预测精度,能够满足路网调度对短时段交通流预测的需求。