地铁紧急疏散模型的研究

论述国内外对地铁人员紧急疏散的研究现状,针对目前已建立的地铁人员疏散模型,按照其建模的基本思想进行了分类,并对典型模型的研究思路及适用范围进行总结,通过横向比较,阐述了各类模型的优缺点,从中找出将来地铁人员紧急疏散模型的难点与研究趋势,即人工智能技术在描述疏散个体心理行为的模糊和不确定性的理论研究以及计算机仿真技术在模拟地铁疏散系统的应用.时间和空间的离散化,仿真个体的智能化是计算机仿真技术的核心内容,将进一步推动地铁紧急疏散的研究.     

轨道交通基础数据库平台建设框架设计

在分析轨道交通基础数据库平台建设的背景、目的和作用的基础上，对数据库平台的系统总体结构和系统功能进行了设计。根据轨道交通基础数据的特点，从系统宏观建设的角度，分析、总结了数据库平台建设中的关键问题，如数据标准的制定、数据的组织与存储方案等，并对其中的技术难点进行了讨论。     

地铁火灾应急调度系统综合评价方法研究

地铁是城市中解决日益严重的交通问题的大容量快速交通工具,也是城市的现代化标志之一.然而,地铁自出现之日起,就存在着各种安全隐患,其中最主要的隐患就是火灾.通过对地铁火灾应急调度系统的分析.利用AHP方法将应急调度系统分为4个层次15个指标,提出系统层次分析结构,并利用该方法对层次分析结构进行定量计算.根据计算出的权重对系统进行综合评价,得出地铁火灾应急调度的最优化管理办法.实践表明,基于AHP的地铁火灾应急调度方案能够获得更科学的管理决策.     

�����ͨ�������ݿ�Ԫ����������ϵ�о�

在分析轨道交通基础数据内容构成与数据特点的基础上，探讨了轨道交通基础数据库元数据的概念与作用，建立了完善的轨道交通基础数据库的元数据内容体系，将元数据分为数据库层元数据、数据集层元数据和要素层元数据三个层次，并详细分析了各个层次的元数据作用与元数据组成要素.本文的研究成果为轨道交通基础库平台建设及信息共享莫定了基础.     

基于深度学习的网约车供需缺口短时预测研究

城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型 3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类-最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的 STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.