改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

考虑围岩蠕变特性的TBM隧道管片衬砌受力特性研究

为研究深部高地应力岩层中修建TBM隧道时管片衬砌结构的力学行为,以某深埋TBM工法隧道为研究对象,建立基于围岩蠕变和管片分块效应的衬砌-围岩复合模型,研究考虑时间效应下管片衬砌的受力特性。结果表明:考虑围岩蠕变效应下管片衬砌受力表现出明显的时间效应。随着围岩蠕变时间的延长,管片衬砌的形变、内力和接缝张开量均呈现两阶段增长,具体表现为前期呈线性增长,后期增加趋缓。洞周围岩应力经历三阶段变化,即先减小后增大直至稳定。围岩蠕变时间为100年时,管片衬砌的内力和形变量均接近极限值。研究结果可为深部高地应力且考虑围岩蠕变效应下的TBM隧道衬砌结构设计提供参考。     

基于群组行为的大学校园楼梯及通道行人运动特征分析

为探讨不同场景中行人群组运动的微观特征，并比较不同类型群组运动差异，本文通过大学校园内楼梯上及通道内的观测实验，获取行人运动的相关数据，研究了群组大小、社会关系、运动场景和性别对群组运动的影响. 结果表明：大学校园内行人成组比例低于商场周围行人成组比例；群组成员间的交流方式等因素会影响群组构型；由于群组成员越多相互协调就越困难，所以群组规模越大，其速度越小；此外，男性群组速度大于女性群组速度，情侣间频繁的交流也会对其速度产生负面影响；就差异性而言，2 人和3 人群组间的速度差异小于单人和2 人群组间的速度差异；单个行人不同性别间的速度差异大于2 人和3 人群组不同性别间的速度差异；楼梯上单人与群组的速度差异没有通道内明显.     

锂动力电池成组规模及结构形式对绝缘性影响

本文以UUV用锂动力电池组为对象,研究电池模块串、并联关系对成组绝缘性能的影响,结果表明电池成组规模越大,绝缘性能越差。考察了锂电池组不同部位的物理隔离对成组绝缘性的影响,结果表明对电池模块与模块、电池组与UUV舱体间采取绝缘防护,可有效提升电池成组绝缘性能。     

高速公路收费广场车道合理化配置研究

为评估ETC使用率提升后对收费广场通行效率的影响，并提出合理车道配置方案，依托深圳机荷高速福民收费站车道布设和收费数据，建立包含跟驰和换道行为的收费广场交通行为模型，开发收费广场交通运行微观仿真平台。分别针对平、高峰时段，以ETC车道数及使用率为变量设计80组仿真方案，综合评价不同方案下收费广场通行效率。与实测结果的对比表明：仿真平台对平、高峰时段交通量误差仅为3.46%和6.45%，为收费广场车道配置仿真分析提供了准确、可靠的实验平台；未来ETC使用率提升至90%时，福民收费站最优车道配置方案为“4条ETC车道加 5条ETC/MTC混合车道”，此时高峰时段单车平均延误可降至2.93 s·veh-1，较目前的60.23 s·veh-1 降低95%。结合交通量、交通组成及ETC使用率开展收费广场车道合理化配置研究，可为收费广场设计、运营提供关键技术支撑。     

施工场景下基于YOLOv3的安全帽佩戴状态检测

针对现有安全帽检测研究中采用的两阶段检测法存在检测效率偏低,累积误差对精度影响较大的问题,提出一种对安全帽的单阶段检测法。将安全帽和工人头部视为一个整体,将检测目标分为2类,即佩戴安全帽的头部和未佩戴安全帽的头部,同时对2类目标进行检测,避免了冗余的计算步骤及累积误差的影响。同时,针对施工场景安全帽佩戴状态检测特点,对YOLOv3的网络结构、损失函数及先验框尺寸进行改进,提出YOLOv3-C模型。研究结果表明:改进后的YOLOv3-C模型的检测性能大幅提升,在本文建立的样本集中模型的mAP达到93.84%,对安全帽检测平均精度达到97.01%,对工人头部检测平均精度达到90.67%,同时YOLOv3-C对本文的检测场景表现出良好的鲁棒性。     

基于灰色二次指数平滑的QAR参数关联度预测

由于QAR参数波动的后果具有潜在性和滞后性,因此分析人员容易忽视其危险性而使其发展为不利事件。针对该问题,提出运用QAR参数关联度分析的方法,建立QAR参数波动与事件之间的对应关系;并构建基于二次指数平滑-灰色关联法的关联度预测模型,进一步明确QAR参数波动与事件之间关系的动态变化趋势。运用实际数据对该模型进行验证,表明结论符合实际,该模型科学合理,可以用于QAR参数分析过程。     

天气因素对福州地铁客流的影响分析

地铁作为一种绿色出行方式，是缓解城市交通拥堵的重要手段。地铁客流受到多种因素影响，其中天气因素变化较快，会造成地铁客流的快速变化。了解天气因素对地铁客流的影响，有助于建立相应的运输组织响应措施。本文旨在量化分析天气因素对福州地铁客流量的影响，并考虑原始天气指标的局限性，引入体现舒适度的指标。建立地铁客流与天气因素(包括气压、相对湿度、风力、降水、风寒指数等级、综合舒适度指数等级等)之间的多元线性回归模型，量化影响方向和影响程度。此外，工作日与非工作日的客流模式差异较大，将两者分别建模分析。研究发现：工作日，降水、风寒指数等级和综合舒适度指数等级对地铁客流有显著影响；非工作日，降水、气压、相对湿度、风寒指数等级和综合舒适度指数等级对地铁客流有显著影响。总体而言，非工作日地铁客流对天气因素更加敏感。     

公交信息的乘客光环效应

光环效应是一种特殊的非理性心理现象，可利用其改善公交乘客的满意度.本文认为显著维度光环效应指标除了满足对总体满意度作用系数最大外，还应新增 3个基本特征，据此提出了一种新的基于多个特征的显著维度光环效应指标辨识方法，克服了单个特征有时错误识别的缺陷.基于 2017年武汉市公交乘客满意度数据，利用双因素和决策树法辨识潜在的显著维度光环效应指标，缩小辨识范围.利用各分项满意度指标的影响人群比例，评分均值与总体满意度关系，对总体满意度的作用系数，评分方差等精确辨识了显著维度光环效应指标. 研究发现，公交信息服务对 55.42%的乘客具有反向光环效应.改善公交信息服务可显著提高不满意乘客的满意度.     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性，提高交通流参数估计精度，基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵，利用卷积神经网络捕捉交通流的空间特性，使用长短期记忆和门控循环神经网络挖掘交通流的时间特性，组合3 种深度学习方法所得输出，得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明：新方法的性能优于已有各种方法，使估计误差降低 5.72%~33.29%；新组合方法具有较高的准确性和可靠性，能为智能交通系统运营与管理提供高质量的基础数据。