考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

地铁车辆防空转阈值动态调整方法及应用

为改善地铁车辆在空转状态下的黏着力波动幅度,提出了一种阈值动态调整方法。该方法通过对一定时间段黏着力的波动情况统计,及时调整检测阈值,能更准确检测出空转状态,并及时调整黏着力。试验结果表明,该阈值动态调整方法可以有效地提高地铁车辆黏着控制性能,减小黏着力波动幅度,提升列车的运行平稳性和乘坐舒适性。     

某地铁列车无人自动折返卡顿故障分析及解决方案

针对某城市地铁车辆在试运行期间频繁发生的列车无人自动折返时的卡顿故障进行了分析研究。简要介绍了列车无人自动折返功能,并从列车网络系统、牵引系统和车辆电路3个角度深入分析故障原因,提出了解决方案。按此方案整改后故障得以完全消除。     

基于车辆自动定位数据的有轨电车运行效率分析与应用

结合有轨电车线路的现有车辆自动定位数据,分析有轨电车运行效率及其相关影响因素。其中,影响因素从站台、路段、交叉口3个方面进行考虑。定性分析了不同站台型式、站台位置、交叉口类型的属性特征,并量化不同路段的路段长度、所包含的交叉口个数,同时考虑了交叉口控制策略对有轨电车运行时间的影响。以某已运营的有轨电车线路为例,通过建立多元线性回归模型,从不同层面探究不同因素对已运营有轨电车线路运行效率的影响。最后用模型对有轨电车新建线路的运行效率进行预测,并提出建议。     

多技术融合的综合交通枢纽智能停车系统

针对综合交通枢纽的停车场车位引导难、停车拥堵、寻车难等问题,提出了一种基于三维全景建模、车辆识别、室内导航等多技术融合的智能停车系统。该系统通过车辆识别技术获取车辆品牌、车牌号码等信息,通过三维全景建模和室内导航技术实现停车场实景导航,做到快速停车、便捷寻车,提升用户体验。     

列车牵引制动指令冲突故障分析及改进措施

北京地铁16号线列车运行过程中发生牵引制动指令冲突故障,通过对车辆牵引制动指令的输出和读入原理的梳理,分析总结了导致牵引制动指令冲突故障发生的原因,改进了电路设计,排除了故障,消除了车辆由此设计带来的安全隐患。     

基于电机动力吸振的高速列车蛇行运动控制

复兴号CR400BF高速动车组动力转向架的牵引电机采用特有的四点弹性架悬方式, 在电机和构架之间安装有横向液压减振器和横向止挡, 首次采用牵引电机作为动力吸振器来控制转向架蛇行运动稳定性和蛇行频率, 从而避免引起车体弹性模态共振; 考虑悬挂参数和轮轨接触非线性, 建立了复兴号动车组非线性多刚体动力学仿真模型, 通过悬挂模态计算和动力学时域仿真, 分析了关键参数对动车蛇行运动的影响规律; 基于将电机作为动力吸振器的原理, 优化了电机节点横向刚度和横向减振器阻尼; 考虑动车组运营中的轮轨匹配随机因素, 组合400种轮轨随机匹配状态, 仿真分析了动车的动力学性能; 开展动车组长期线路动力学跟踪试验, 研究了动力转向架蛇行运动演变规律。仿真与试验结果表明: 牵引电机弹性架悬下的构架横向加速度频谱图从以蛇行频率为主频的单峰值变化为主频在蛇行频率两侧的双峰值, 说明电机起到了动力吸振器的作用; 将电机作为动力吸振器能够提高动车蛇行运动稳定性, 具有不同等效锥度的典型轮轨匹配下非线性临界速度超过500 km·h-1; 动车蛇行运动最高频率被控制在6 Hz附近, 远离车体中部菱形弹性模态频率8.5 Hz, 避免了转向架蛇行运动激起车体弹性共振; 动车组在轨道随机不平顺激扰下, 构架端部横向加速度小于0.5g, 平稳性指标小于2.5, 轮轴横向力和脱轨系数等运行安全性指标满足要求。      

唐山公交用心服务谱新篇

1963年4月1日,一辆辆红白相间的公交车出现在唐山街头。自此,公共交通正式走入了唐山市民的生活。那时只有4条公交线路、34部车,275名员工。而今天,唐山市已拥有公交线路140条,运营车辆2022部,年客运总量达1.6亿人次。从1963年到2019年,56年时光弹指一挥间,唐山公交几代公交人风雨同舟、攻坚克难,用开拓进取的勇气和智慧谱写了一曲曲气势恢宏、振奋人心的公交赞歌。     

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能.本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优.本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型.模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制.仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26％、21.44％、10.38％,整体车流量分别提高8.22％、34.47％、0％.