上海市现代有轨电车系统发展策略研究

现代有轨电车是一种舒适度高、低碳环保的中运量轨道交通系统。通过对其特征研究和发展必要性分析,提出其在上海市的发展策略及发展规模,以弥补本市公共交通结构缺失,引导新城地区发展,提升其在公共交通出行结构中的比例。     

地铁商业物业租赁定价实证研究

结合地铁商业物业租赁的行业背景,对影响地铁沿线商铺定价的客观因素进行分析,并以武汉市的样本为例进行实证分析,建立地铁沿线商铺定价的特征价格模型。在此价格模型基础上,根据地铁商业物业自身特点进行整租模式、终端商铺模式等因素修正,最终构建地铁公司的商业物业租赁定价模型。该模型通过结合特征价格模型和修正因子,在一定程度上克服了传统市场化定价方法的主观性,有利于完善传统商业地产的租赁定价模式,为地铁物业的商业租赁定价提供参考。     

广州三条城际铁路线的客流特征分析

城际铁路是珠三角城市群内部互联互通的重要通道,实现了广州与周边城市的快速联系。通过对比研究了广深、广珠和广佛肇等3条城际铁路线的客运总量、空间分布、时间分布及客流成长等特征,为国内其他城市群发展城际铁路提供借鉴。     

城市轨道交通客流预测宏观指标统计分析这篇中文摘要写得很空泛，不太容易看出论文要点

城市轨道交通客流预测作为需求分析的有效技术手段,其预测结果的可信度和有效性将直接影响决策的精准度,重要性不言而喻。通过对北京、上海、广州、深圳、成都、南京等20余座城市的轨道交通现状运营数据进行全面整理与归纳,系统阐述网络客流、线路客流、车站客流的诸多特征,从负荷强度、网络平均乘距、线路平均运距、换乘系数、断面高峰小时系数、断面不均衡性、换乘客流量级分布、车站超高峰系数等客流预测关键技术指标进行特征探讨与规律总结,以期协助模型工作者更好地把握预测结果的合理性。     

川藏铁路昌都至林芝段主要工程地质问题分析

川藏铁路昌都至林芝段穿越藏东横断山区和藏东南高山峡谷,走行于印度板块与欧亚板块挤压形成的南迦巴瓦东构造结附近,地形环境极其艰险、地质构造极其活跃、不良地质极其发育。分析拟建铁路沿线的工程地质环境特征,提出了影响铁路建设的主要工程地质问题。研究表明:拟建铁路具有"九极"工程地质环境特征,极为复杂的宏观地质环境孕育了岩爆和软岩大变形、高地温、深大活动断裂带、高位滑坡崩塌、泥石流、溜砂坡(岩屑坡)、雪崩、冰害、生长期高陡卸荷岸坡、放射性、有害气体等工程地质问题,针对不同的工程地质问题,因地制宜地提出防治措施。针对上述工程地质问题,在拟建铁路的勘察设计过程中,本着以科学研究为先导原则,探索复杂艰险山区勘察方法手段的革新,利用新技术、新方法、新设备,研究重大地质灾害和问题的评估技术。     

深埋风积沙隧道施工工法及围岩变形特征研究

风积沙作为一种抗剪能力弱、黏聚力低、自稳能力差的土体,隧道开挖时围岩变形难以控制,研究风积沙隧道的围岩变形特征及其适用的施工工法则显得尤为重要。依托蒙华铁路王家湾隧道穿越风积沙段,通过室内试验得到相关参数,采用有限差分法进行数值模拟,对比分析有无水平旋喷桩加固两种工况的围岩变形和塑性区发展,从而得出三台阶法、三台阶临时仰拱法、三台阶七步法、CD法以及双侧壁导坑法5种工法的变形特征和水平旋喷桩的加固效果。研究结果表明,(1)在无水平旋喷桩加固围岩的情况下,双侧壁导坑法最适用于大断面深埋风积沙隧道,但其控制效果仍然不能满足变形要求;(2)采用水平旋喷桩加固后,三台阶加临时仰拱法最适合于大断面深埋风积沙隧道;(3)水平旋喷桩与三台阶加临时仰拱法结合能够有效控制围岩变形;(4)水平旋喷桩能够显著控制上半部分围岩变形大小,并减缓全环围岩变形速率,但对下半部分围岩变形大小控制不明显。     

成都地铁13号线客流特征及速度目标值选择分析

随着城市化进程的快速发展,市域快速轨道交通系统将成为联系城市中心区、外围组团和卫星城,解决市域范围交通拥挤的重要交通方式,确定合理的速度目标值是市域快速轨道交通系统项目设计的基础。速度目标值与线路长度、客流特征、站间距离以及服务水平密切相关,直接影响土建工程规模及设备系统的选择。以成都地铁13号线工程为依托,分析了13号线的客流特征,根据其功能定位确定了合理的时间目标值,并从站间距离、线路条件、时间目标值、经济成本以及社会效益等多方面,对13号线速度目标值方案进行综合比选,进而确定13号线合理的速度目标值为140 km/h,并提出在总体速度目标值基础上,在中心城区范围内限速运行。     

一种全部属性聚类和特征属性聚类相结合的无监督异常检测模型

为提高无监督异常检测系统的检测率、误报率和检测效率,将数据集划分为不同的服务集,然后对每个服务集数据包进行全部属性聚类和部分相关属性聚类(即特征属性聚类)并比较训练结果,取其中训练性能较优的方法建立对该服务的检测模型。检测实验表明,本文模型的检测率达到99.21%,误报率降低到2.2%。与不加服务划分的模型相比,本文模型的训练时间和检测时间分别降低为相应模型的21.17%和21.98%。与其他检测算法的比较结果也表明,本文模型在检测率和误报率方面具有更优的性能。