基于随机森林结合前向序列选择算法的铁路隧道防水板检测数据关键影响因素识别北大核心

针对参数特征复杂度高的铁路产品,提出了一种基于随机森林(RF)结合前向序列选择(SFS)算法的铁路产品检验检测数据关键影响因素识别方法,以辅助基于经验的识别方法。创新使用RF-SFS算法,将其应用于铁路隧道防水板检验检测数据关键影响因素的识别研究。根据多年铁路隧道防水板检测数据,建立RF模型,获得了影响铁路隧道防水板检测结果的特征关键性评分序列。随后,结合SFS方法得出关键性评分序列的阈值,将排名前6位的影响因素识别为关键特征,模型的预测能力达到99.98%。为验证关键特征识别方法的有效性,对比分析3种模型在使用不同特征子集时的预测能力。当仅选用关键特征时,3种模型的预测能力均达到最佳,加入冗余特征后模型的预测能力逐渐降低。     

基于出行阻抗的城市地铁网络客流分布计算

为提高城市地铁网络客流分布预测的准确性,结合乘车阻抗、进站候车阻抗和换乘阻抗等出行阻抗建立综合出行阻抗函数,基于阻抗函数对有效路径集进行搜索与筛选,建立基于综合出行阻抗的多路径客流分布计算模型,并设立换乘惩罚系数对不同路径的客流分配进行合理修正.以深圳地铁新开通的11号线为契机,结合地铁1号线、2号线、3号线、5号线分析网络客流分布的变化.结果 表明:新开通的11号线使各线路中的换乘客流有不同程度的增大,增加了乘客出行的可选路径,且11号线车站附近形成新的人口及岗位聚集圈,进一步增加了11号线自身的客流,使得线网客运总量增加,与实际运营中的客流特征相符,验证了所建模型的有效性和适用性.     

基于贝叶斯网络的CTCS-3级列控车载系统韧性

为弥补现有指标的不足，引入韧性作为非常态事件下CTCS-3级（China train control system-3）列控车载子系统运行稳定性的测度指标. 提出了车载子系统韧性量化评估方法，构建了基于贝叶斯网络（Bayesian network, BN）的韧性评估模型，并定义了5种基于韧性的部件重要度指标；进一步利用贝叶斯网络双向推理功能，计算了车载子系统在不同扰动情景下的韧性及部件重要度指标. 研究结果表明:韧性可全面描述车载子系统抵御扰动和从扰动中恢复的能力，非常态事件扰动下，韧性与可用性指标存在明显差异；不同扰动情景下系统韧性明显不同，扰动发生时，车载子系统面临磁暴影响时的韧性为0.8017，而遭遇雷电时的韧性为0.8819，面临冰雪扰动时的韧性为0.9880；部件重要度存在情景依赖，同一部件在不同扰动情景下重要度排序可能不同，且可能随时间动态变化.      

西非铝矾土进口海运供应链风险评估

在分析从西非到我国终端客户的铝钒土进口海运供应链(Bauxit Import Maritime Supply Chain,BIMSC)内部和外部影响因素的基础上,采用故障模式与影响分析(Failure Mode and Effects Analysis,FMEA)和模糊贝叶斯网络(Fuzzy Bayesian Network,FBN)相结合的方法,建立BIMSC风险评估方法的概念框架。采用FMEA辨识潜在的失效模式,并剖析失效原因和后果;根据失效模式潜在的因果关系建立贝叶斯网络;利用三角模糊数处理表征风险参数的不确定性,评估BIMSC风险水平,并进行敏感性分析,确定风险因子排序。研究结果表明,港口操作中的违规操作、违规指挥、货物易流态化和安全管理问题是主要的风险因素。     

征稿启事

本刊(国际刊号:ISSN 1672-6936国内刊号:CN 32-1685/TH)由江苏省科学技术厅主管,江苏省科学技术情报研究所主办,是中国核心期刊(遴选)期刊,华东地区优秀期刊及江苏省优秀期刊,被中国学术期刊网络出版总库(知网)、万方数据期刊网、维普期刊数据库等全文收录。     

5G NR地铁专网综合承载方案探讨

为应对地铁无线专网多网并存,单个网络无法综合承载的情况,分析了地铁应用系统的通信需求和地铁专网综合承载的现状,提出了5G新空口(5G NR,5G New Radio)地铁专网综合承载方案,重点研究了基于5G NR网络切片的业务适配和网络隔离方案。为满足地铁复杂的应用需求和安全隔离要求,提出了5G NR网络切片的扩展即双层网络切片方法。     

道路交通系统韧性及路段重要度评估

韧性可以全面描述扰动事件下系统吸收干扰并从干扰中恢复的能力. 针对已有韧性指标对系统性能评价不全面、未考虑交通流量影响等问题，从路段通行能力退化与恢复入手，以网络效率为系统性能指标，构建全面评价扰动事件影响期内系统性能的韧性指标. 分别基于乐观和悲观视角提出韧性增加值和韧性减少值路段重要度指标，提出识别路段重要度的启发式算法. 算例结果表明：本文提出的韧性指标可全面描述扰动事件下路网性能退化与恢复全过程的平均累积性能，更加符合韧性指标内涵；韧性增加值和韧性减少值指标均能有效识别路段重要度，大部分路段重要度随时间动态变化.     

基于小波神经网络的地铁基坑地表沉降随机预测

通过南通地铁软土层基坑降水模型试验发现,降水引发的基坑地表沉降随着监测点距基坑支护桩距离的增大而减少,工程中距离支护桩越远,沉降量越小.在不同的监测点沉降量的监测值与公式计算值总体变化规律相似,但受降水因素、施工扰动和地下多变的岩土环境等影响,存在一定的随机性.利用权值参数对小波神经网络的激励和输出函数进行修正,利用梯度下降的方法对伸缩和平移参数进行优化.在此基础上,以水位降深、土层的压缩模量、厚度、固结度和监测点方位为输入参数,基坑总沉降量为输出参数建立改进后的随机小波网络基坑地表沉降预测模型.工程实例表明,改进后的随机小波网络模型能使基坑地表沉降预测值较好地拟合工程实测值,误差均小于±8％,相比传统公式的计算值更具合理性.