线路客流预测分析与运营组织设计

从运营需要出发,提出客流预测的年限和内容;通过对客流量级的阐述,分析客流预测三级数据,确定运营的规模;根据OD(起讫点)客流分析来研究行车交路,做出满载率和拥挤度的评价;最终确定车辆编组与行车密度的合理组合,形成系统全面的技术方案,使客流预测更好地为运营组织服务.     

城市群双线客流分布预测方法研究

鉴于城市群客流预测在城市群轨道交通规划中的重要性,为提高其预测精度,对城市群客流预测中的分布预测方法进行研究.分析现实能够收集到的资料及城市群交通分布的特点,提出城市群双线分布预测方法.在城市群资料有限的情况下,研究如何得到城市群分布的预测结果;阐述分布预测的计算方法,建立相关的计算模型,对几种常用的分布预测模型进行优缺点及适用性分析.     

基于便携式排放测试系统与BP神经网络的大型客车排放预测

以大型客车为研究对象,在长沙市的不同道路工况下进行了车载排放测试,借助道路测试得到的数据,利用BP神经网络,以逐秒的速度、加速度、比功率和油耗数据为输入,建立CO2、CO和NOx的排放预测模型,并用部分试验数据进行了验证。结果表明,CO2、CO和NOx预测结果的总体相关系数R为0.9167,线性高度相关,在整体误差水平上,CO2、CO和NOx排放因子的相对误差分别为0.0378%、0.3767%、3.7860%,该模型对大型客车尾气排放的预测效果较好。     

半潜式起重船波浪载荷预报

采用数值分析软件Sesam/HydroD对某半潜式起重船在航行状态和起重作业状态下的波浪载荷进行长期预报和短期预报.在航行状态下,预报得到的最大波浪弯矩和剪力分别为规范值的1.4倍和2.0倍,用于进行结构疲劳评估(超越概率为10-2)的波浪弯矩最大预报值约为用于进行结构强度评估(超越概率为10-8)的波浪弯矩最大预报值的20％.在起重作业状态下,预报得到的波浪弯矩最大值约为航行状态下的15％.预报得到的波浪载荷结果和船舶运动响应结果可应用到船体结构强度和疲劳分析中,供船舶设计参考.     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

系泊索对系缆力及船体运动量的影响研究

以均衡系泊索张力、减少船体运动量为目标,调整主缆材质或直径、预张力施加、绞盘至导缆孔距离及批芭结等参数,应用Optimoor软件进行模拟分析,可知:当选用大弹性系泊索或减少其直径、增加其长度时,可减小系缆力;当施加预张力或增加系泊索刚度时,可减少船体运动量;当通过施加预张力或设置批芭结等方式调整系泊索弹性时,可均衡并减小其受力。     

基于地层损失的复合地层盾构隧道施工沉降研究

盾构隧道施工诱发地面沉降的影响因素较多,但主要因素可归结为地层损失引起的地层变形。基于现有地层损失的理论,对引起地层损失的注浆过程进行模拟,依此研究复合地层盾构隧道施工对地层沉降的影响。研究结果表明:隧道贯通时,土体最大沉降和隆起区域分别位于隧道拱顶和拱底;浆液的硬化会对地表和拱顶的沉降速率产生影响,当浆液弹性模量达到最终硬化的75%时,地表和拱顶的沉降速率达到最大值并开始逐步减小;地表和拱顶沉降随浆液的逐步硬化而趋于稳定,且拱顶沉降趋于稳定的速率更快。     

高速铁路路基沉降量预测方法研究

路基沉降是高速铁路设计和施工中所要考虑的主控因素。结合沉降观测数据可以对路基沉降量进行预测。通过预测可有效保证高速铁路路基工程达到规定的变形控制要求,以合理确定无砟轨道的铺设时间。而路基沉降预测常用方法涉及多个学科和领域,工作难度大,是长期以来困扰高速铁路施工技术人员的难题。此文介绍了高速铁路路基沉降预测的几个典型方法,极具代表性,有一定参考价值。