基于HighD数据集的高速公路交通冲突预测方法

为改进高速公路交通冲突模型,基于HighD数据集提取某路段交通冲突数据和交通流数据,依据 TTC(time to collision,碰撞时间)的大小确定轻微冲突、一般冲突以及严重冲突的阈值。研究不同影响因素与冲突次数之间的关系,并对4种模型的效果进行比较,为冲突预测方法的研究提供思路。首先,针对不同严重程度的交通冲突数分别采用Poisson(泊松)模型NB(Negative Binomial,负二项)模型、ZINB(Zero-inflated Negative Binomial,零膨胀负二项)模型及ZIP(Zero-inflated Poisson,零膨胀泊松)模型进行回归分析。其次,利用赤池信息量准则、贝叶斯信息准则对4种模型的拟合效果进行比较。结果表明:不同冲突次数预测模型中表现最佳的模型分别为NB模型、ZIP模型以及Poisson模型,3种模型中加速度标准差和平均速度都与冲突次数显著相关。     

加强铁路客运需求预测提高前期研究工作质量

运输需求分析是建设项目前期工作的核心。本文针对铁路管理体制、投融资体制发生重大改革的新形势、新特点,梳理了客运需求预测在重视程度、预测基础、模型更新、研究内容四个方面存在的问题。通过分析客运需求预测面临的发展形势,提出建立专题审查制度、编制需求预测指导书、构建分层次分区域需求预测模型、加强对已运营铁路的后评估和重视需求预测风险分析五个方面的建议。     

DSG变速器空载功率损失预测模型

以某DSG变速器为研究对象,分析了其功率损失的组成,通过建立各元件的功率损失模型获得了该变速器的总功率损失,并进行了试验验证.建立了多离合器、多摩擦副及主被动部分均有转速的湿式离合器带排损失模型,同时对齿轮的搅油损失计算模型进行了计算分析及修正.研究表明,预测模型与试验数据具有较好的一致性,并发现因润滑油粘性引起的损失是DSG变速器的主要损失,从而提出了减小空载损失的途径.     

基层级雷达装备维修器材消耗预测模型研究

文章分析了影响基层级雷达装备维修器材消耗的各个因素,根据在各因素影响下维修器材消耗特点,对子因素建立了经典预测模型,然后运用层次分析法求得各子因素的权重,建立了最终的基层级雷达装备维修器材消耗预测模型。     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

基于BP神经网络轻型轿车排放模型的应用

本文利用BP神经网络理论,构造一个预测轻型轿车排放的BP神经网络模型,经验证,预测模型能较好地对一般轻型轿车排放结果进行定性预测,可以作为简易稳态工况法(ASM)尾气检测前的参考,对节约检测成本、提高一次检测通过率有着较高的实用价值;同时以南京市为例,研究了轻型汽油车行驶里程、使用年限等参数对排放的影响,为有针对性的维修治理提供可靠的依据。     

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据.基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足.以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性.     

基于最小二乘支持向量机的船舶水下焊接质量在线监测

以径向基函数(radial basis function,RBF)为核函数,将最小二乘支持向量机(least squares support vector machines,LSSVM)预测模型应用于船舶水下焊接质量在线监测.提出了一种自适应优化方法确定该模型中的可调超参数和核宽度参数,并建立了实时显示和报警系统.实验结果表明,该方法预测误差较小,建模耗时少,适合于船舶水下焊接质量在线监测.     

基于GIS建设用地需求量预测信息系统研究

建设用地需求量预测是土地利用总体规划编制的核心,也是土地利用管理的重要依据。目前对建设用地需求量预测的方法和模型较多,这些预测模型和方法多建立在数学和统计基础上,专业要求高,但直观性、可视化效果不好,且没有很好利用快速发展的GIS、计算机等信息技术。基于建设用地需求量预测模型研究的基础上,建立了预测系统,并以某省为例进行实例分析,经证明是可行的。本系统的建立,在实现建设用地预测自动化、可视化、现代化方面是一大胆尝试,具有一定的参考价值。