基于相空间重构的冻土路基变形预测

应用最大Lyapunov指数预测多年冻土路基变形,分析冻土路基变形的相空间重构方法和不同延迟时间及嵌入维数对最大Lyapunov指数的影响。发现当延迟时间为1,嵌入维数为5时,最大Lyapunov指数趋于稳定,其值为0．00528。运用该指数,进行冻土路基变形预测,比较预测变形量和实测变形量,得到最大相对误差为0．749％,最小为0．135％。结果表明最大Lyapunov指数能够较好地反映冻土路基变形的混沌特征,利用其进行冻土路基变形预测是可行的。     

朔黄重载铁路局部区段扩能改造方案研究

随着朔黄铁路运量的逐年攀升,下行线谭家庄线路所—肃宁北站区间通过能力不足的问题日益凸显,亟待进行扩能改造.本文基于既有线路的实际运行情况,对改建王佐下联线、改建朔黄铁路下行线两种线路走向方案进行了对比分析,确定采用改建王佐下联线方案,并对该方案控制性工程特大桥上跨京九铁路、肃宁上联线的4种桥型方案进行了比选,选定采用主...     

基于维度规约的快速路全时段排放模型适应性研究

针对城市快速路汽车污染物排放控制需要，紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异，以排放测试车辆实际工况排放序列为数据源，分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合，构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上，分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明：维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感；全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446，同时MAPE显著降低7.38%和3.86%，揭示GRNN模型在...     

基于综合立体交通网构建的平陆运河货运需求分析

平陆运河属于从无到有的内河水运新通道，传统的内河航道项目货运量预测方法难以适用。基于综合立体交通网构建的视角，对平陆运河在区域综合交通体系中的地位进行剖析，综合考虑转移和诱增需求，构建一套针对从无到有的内河水运新通道货运量预测方法体系，对平陆运河货运需求进行分析。预测2035、2050年平陆运河货运量分别为0.955亿、1.200亿t,主要来自北部湾港口群海铁联运、北部湾港海公联运、珠三角港口群—西江航运干线江海联运3条既有通道的运量转移；远期考虑平陆运河经济带及影响区内陆地市的开发诱增运量，预计2050年乐观情景下货运量有望达到1.5亿～1.8亿t。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于 Bi-LSTM 的多类型特征融合驾驶员疲劳识别方法

针对传统的基于驾驶员面部图像采集的单一类型特征的疲劳识别方法，在阴影遮挡及光照变化场景下存在准确性、鲁棒性不足的问题，深入开展基于多类型特征融合的驾驶员疲劳识别方法研究。在分析非图像化的驾驶员疲劳特征的基础上，通过机器人操作系统 （Robot Operating System， ROS）的话题订阅来实现驾驶员生理特征、操作行为特征及面部特征的多源数据同步采集。处理原始数据并分析数据特性，提出了一种融合生理特征与驾驶员及观测者主观评价的数据标注策略，标注疲劳特征，构建驾驶员疲劳数据集；将驾驶员操作行为特征与面部特征融合，形成多类型特征融合序列，并基于双向长短时记忆 （Bi-directional Long Short-Term Memory，Bi-LSTM）网络，构建多类型特征融合的疲劳识别模型；通过单一类型特征与多类型特征对比试验、不同场景对比试验证明，基于Bi-LSTM的多类型特征融合识别方法的准确率和鲁棒性较单一类型特征识别方法均有明显提升，能在各种场景下更好地识别驾驶员的疲劳状态。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识，可以有效提取深层次特征，客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息，便于在深度学习中进行特征提取，采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征，融合卷积神经网络 （Convolution Neural Network，CNN） 和长短时记忆网络 （Long Short-Term Memory Network，LSTM） 各自的优点，建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下，模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证，得到93.69%的验证准确度；采用混淆矩阵对模型进一步验证，总体的预测评价等级与真实评价等级偏差不大，证明模型的预测结果与主观评价结果具有很好的一致性。     

河口挡潮闸闸下低潮缺失水位修正方法

河口挡潮闸闸下低潮水位资料周期性缺失可能导致闸下潮汐调和分析结果出现偏差,从而直接影响到闸下水位过程的预报精度。针对这一问题,提出了一种闸下低潮缺失水位的修正方法,利用潮汐过程曲线的对称性对低潮缺失水位资料进行初步修正,然后根据调和分析自报结果对修正数据进行迭代更新,直至潮汐调和常数不再变化。验证结果表明,该方法可有效提高闸下水位过程的自报精度,其成果在2014年宁波高背浦闸闸下测站的潮汐预报中得到了良好应用。