人工智能算法在铁道车辆动力学仿真中的应用进展

梳理了人工智能算法在铁道车辆系统动力学仿真中的应用实例和国内外相关文献，概述了铁道车辆动力学仿真中常用的机器学习和深度学习算法，归纳和评述了2种学习算法在铁道车辆系统动力学建模与仿真中的应用分类；从铁道车辆系统动力学建模、动力学性能预测与动力学性能优化等方面入手，详细讨论了人工智能算法应用在力元建模和仿真、轨道不平顺预测、运行平稳性预测、噪声预测、侧风安全性预测、运行安全性预测、悬挂优化、轮轨匹配优化、结构优化以及主动与半主动控制等领域的优势和局限性，指出了现阶段人工智能算法在动力学仿真应用中主要面临的训练样本缺乏、泛化能力不够、可解释性欠缺等问题；展望了今后人工智能算法和车辆系统动力学交叉研究的发展方向和重点研究内容。研究结果表明:融合经典力学和人工智能算法结合的混合建模理论可作为之后的重点研究方向；人工智能算法对解决随机动力学中的随机不确定性，提高随机动力学的性能具有较大的应用潜力；通过人工智能算法与优化算法相结合来实现动力学性能优化，可充分发挥人工智能算法的优势。      

基于机器学习的路面病害成因判别方法研究

为了构建路面病害成因的自动判别方法，以重庆市内环快速路为工程实例，分析了不同路段类型的沥青路面病害的典型特征，基于不同类型损害的关联特性确定了数据降维分析的可行性，并采用主成分分析法对路面的众多状态信息数据进行降维处理，且通过随机森林算法实现了路面病害的自动成因分析。结果显示，通过机器学习模型训练得到的成因结论与实际现场调查结论基本一致，可认为基于机器学习的智能判别方法对路面病害的成因分析具有一定的可靠性，可为后续智能养护决策系统的开发提供自动化的判别方法。     

机器学习在道路工程领域的应用研究进展

道路工程是国民经济发展的重要公共基础设施之一，机器学习是提高道路工程领域数字化、自动化和智能化的重要方法.为全面了解机器学习在道路工程领域的发展及应用，在阐述机器学习基本理论的基础上，分析机器学习在道路工程材料、设计、施工、运维和预测方面的研究现状.研究表明，道路工程领域已开展了不少机器学习研究，但道路工程各方面机器学习智能化发展存在不足，实际应用存在一定局限性；未来发展需深入探索大数据、深度学习、神经网络等智能技术在道路工程全生命周期的融合，促进道路工程领域机器学习等智能研究发展.     

机器学习中的特征工程方法

随着互联网的快速发展,机器学习技术得到了广泛的应用。面对海量的数据,特征工程就显得至关重要,可以说特征工程决定了机器学习模型的上线。文章介绍了对数值、文本、类别时间等不同类型数据的处理方法,总结了在面对高维数据时的特征选择方法并进行了比较,对机器学习的研究和工程应用具有指导意义。     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

人工智能在本体映射中的应用

本体映射被认为是异构信息集成的关键,研究者们提出了很多本体映射的方法,论文主要从三个方面说明人工智能思想在本体映射中的应用。1）基于元素文本相似度计算的方法,往往会借助于自然语言处理技术,对文本进行相关处理。2）本体映射问题本质上是一个二元分类问题,可以借助于机器学习的方法提高本体映射的质量。3）利用聚类算法将本体分块,从而将大规模本体映射任务划分成若干个子任务,有效地解决了大规模本体映射的挑战。     

基于传感器数据的船舶主机油耗预测分析

以某远洋油船主机为研究对象,基于斯皮尔曼相关性分析和随机森林特征重要性评估的特征选择方法,设计特征参数由多到少的L、M、S等3个建模特征数据集,利用岭(Ridge)回归方法、人工神经网络(ANN)和梯度提升回归树(GBRT)方法构建船舶主机油耗预测研究。研究结果表明:以特征最少的数据集构建的GBRT预测模型具有不逊色于其他2个特征集的性能表现。所提出的特征选择方法能够在有效平衡模型复杂度与预测准确性的基础上,筛选出对目标影响最大的主机排烟出口压力、涡轮增压器转速和主机扫气压力等少数特征参数,从而有效降低船端与岸端的数据传输成本,为数字孪生技术在船舶上的应用提供支撑。     

高速公路路网运行指数评估模型应用研究

由于高速公路路网交通流量分布不均衡,往往会造成部分节点或区域拥堵,而量化评估路网运行状态能快速确定交通拥堵位置。提出了一种基于波动率和机器学习的路网运行指数评估模型:首先选取合适的机器学习算法确定路网各节点的基准值;然后运用波动率理论构建各节点的运行指数评估模型;之后利用广东省高速公路若干节点路段的真实数据对模型进行了验证,并与阈值进行对比。研究结果表明:本文提出的路网运行指数评估模型能在各类场景下及时准确地定位交通拥堵节点,为缓解交通拥堵问题提供一定的参考意义。     

基于改进LightGBM模型的汽车故障预测方法研究

针对机器学习技术在汽车行业的应用中存在的汽车故障数据规模大和类别不平衡引起的模型训练速度慢、故障查全率低的问题,对LightGBM模型进行两方面的改进:模型训练时,设置类别权重和L_1正则化项修正模型的损失函数,并通过贝叶斯优化获得修正项系数的取值;模型预测时,使用阈值移动法降低模型的分类阈值。在斯堪尼亚货车故障数据集上进行验证。结果表明,本文中所提出的改进LightGBM模型训练速度快,故障查全率高,具备工程应用价值。     

船舶拟人智能避碰决策理论框架的研究

基于十多年来在船舶智能避碰的研究基础,论述了船舶拟人智能避碰决策(Personifying Intelligent Deci-sion-making for Vessel Collision Avoidance PIDVCA)的内涵,提出了PIDVCA的研究目标;根据船舶避碰的基本过程,提出了PIDVCA理论的基本思想和总体构架,重点论述了PIDVCA的自动化原理及其实现方法,最后概括了PIDVCA理论的特点.