高速列车噪声源声功率与速度的函数关系

为了解决既有对数经验公式无法拟合高速列车显著声源贡献率与速度的函数关系这一问题，使用轮辐声阵列进行高速列车车外声源识别试验；根据显著声源位置对列车表面进行区域划分，量化分析显著声源区域的声功率级和声功率贡献率与速度之间的关系；在既有对数经验公式的基础上，根据不同种类噪声声功率随速度的变化特性，建立新的拟合公式；结合列车噪声测试数据对新的拟合公式进行验证. 研究结果表明:列车以350 km/h运行时，下部区域对列车总辐射噪声的贡献率占70%以上，升弓区域对局部区域声功率的影响最显著，超过50%；随着速度的增长，下部区域的贡献率逐渐减小，弓网区域逐渐增大，显著声源区域的贡献率变化先快后慢，最后趋于稳定；利用新的拟合方法得出，列车声源区域的声功率级和声功率贡献率与速度的拟合度基本都在0.9以上.      

基于偏最小二乘回归的疏浚产量预测方法

针对绞吸式挖泥船产量预测困难的问题,对挖泥船作业实时反馈的数据进行研究。利用Relief权重算法提取出影响挖泥船产量的主要工艺参量,并在此基础上采用偏最小二乘回归,建立主要工艺参量与产量之间的数学模型,实现对挖泥船产量的预测。结果表明,利用偏最小二乘回归建立的数学模型能够很好地对挖泥船的产量进行预测,可为预测挖泥船的产量提供一种有效的方法。     

新冠疫情对高速公路交通量的影响评价

采用时间序列分析中的A RIM A模型对湖北省某高速公路2020年交通量本底趋势值(不考虑疫情影响)进行预测,并通过分析疫情危机的生命周期,将此次新冠疫情危机分为征兆期、爆发期、高峰期、后疫情期4个阶段,对各阶段中收费车流量进行统计分析,计算交通量损失率,判断此次疫情对高速公路交通量的影响程度.选取经济指标、感染人数等相关因素,采用主成分分析、线性回归及曲线估计等方法,建立疫情影响下高速公路交通量短时预测模型,模型误差在±5％ 以内为可接受范围.该模型能够帮助政府主管部门及高速公路运营管理单位对交通量发展趋势进行准确判断,有利于相关应急措施的制定.     

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

强化铁路检修车管理的思考

如何准确、均衡地扣修铁路运用车辆,既保证维修单位任务完成,又满足提高运输效率要求,是铁路运输管理的难点之一。本文以南宁局集团公司为例,总结分析针对检修车扣车不均衡、检修车超定量问题,采取集成数据,编制检修车管理指导子系统,强化检修车的监控与预测、扣车追踪、动态管控、均衡扣车等措施的落实效果,旨在为有效提升检修车管送能力,确保运输用车需求提供借鉴。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。