路面摩擦特性预测研究

本次研究基于路面抗滑特性的预测问题,运用道路摩擦系数测试仪在公路上进行路面摩擦系数测试试验,并对试验结果进行分析,提出了路面摩擦系数的影响因素。应用广义回归神经网络分析方法,以影响因素为分类标准,确定了摩擦系数预测模型的分类,建立了基于广义回归神经网络的路面摩擦系数预测模型,并通过60组试验数据对网络模型进行了训练,利用6组实验数据进行预测结果对比。结果表明,模型预测值与实测值的平均误差为3.0%左右,模型预测结果与实测结果吻合,所构建模型是正确的,且具有较高的精度;此外还通过实车进行了汽车制动试验,并根据试验结果与模型预测结果对比,为交通事故分析中计算事故车速提供依据。     

基于GM-ANN模型的路面性能预测方法

路面性能预测是公路路面管理系统中的核心技术难点,一直以来受限于分析手段、数据体量不足及数据维度低等多种因素影响,导致现有几类性能预测模型的预测值与实测值偏差较大。将路面病害以时间序列进行灰色系统(GM)分析,后以各类病害预测值为输入,借助人工神经网络(ANN)间接对路面状况指数(PCI)进行预测,构建基于人工智能的混合模型(GM-ANN)。最后选用地区随机路段进行实例验证,并同常用模型预测结果进行对比分析。结果显示：基于GM-ANN的混合预测模型更具较好的精度及可操作性,在实际工程应用中,可为大数据养护决策提供更准确、可靠的参考依据。     

基于组合预测模型对公路沥青路面使用性能预测的研究

当前,国内已经构建起完善的高速公路网,而各地针对高速公路的养护模式与技术手段各不相同,且缺乏一个有效的技术手段。在针对高速公路养护技术现状下,以路面使用性能预测评价为基础,构建了基于神经网络和马尔科夫组合预测的路面使用性能预测模型框架。针对路面状况指数PCI、行驶安全指数SRI、行驶质量质量RQI,通过建立组合预测模型,进行路面使用性能的预测,研究结果表明:采用加权算数平均组合、加权平方和平均组合、加权比例平均组合相较于单一的马尔科夫预测以及神经网络预测,在预测精度和预测误差范围上都要得到了很大提高,尤其是加权平方和平均组合所构成的路面使用性能预测模型获得了很好的使用性能预测结果。     

沥青路面车辙LSTM--BPNN特征融合预测模型研究

为探究预测性能更优的沥青路面车辙变形预测模型,更好地捕捉预测过程中基本特征和时序特征的潜在关联性,通过下载并预处理LTPP数据库中与沥青路面车辙相关的路面结构材料、交通荷载、气候环境及路用性能数据,构建一个高质量样本数据集。并使用注意力方法融合BP神经网络和长短期记忆神经网络,建立性能更优的基于深度学习的LSTM-BPNN车辙预测模型。最后将此模型与其他4种常用预测模型进行比对试验,评估该模型的精确性和有效性。结果表明:LSTM-BPNN模型预测性能表现优异,训练集和测试集上的R~2分别达到0.821和0.796,能充分捕捉与沥青路面车辙相关的基本特征和时序特征;在比对试验中此模型R~2和RMSE均好于其他常用模型;另外此预测模型具有较强的泛化能力,将目标特征和预测特征进行更换,可实现更广泛的应用。     

基于BP神经网络的高速公路路面性能预测

根据高速公路的历史检测数据和实际情况,以路面状况指数(PCI)、结构强度指数(PSSI)、行驶质量指数(RQI)、抗滑性能指数(SRI)等4个路面性能评价指标建立基于BP神经网络的路面性能预测模型,经过网络训练和学习,能够自适应地获得输入与输出的高度非线性映射关系。仿真结果表明:该方法收敛速度快,具有较好的泛化能力,该模型的预测结果与实际结果的相对误差小于0.11%,预测精度较高,可为路网中各路段的跨年度维修需求提供参考。     

基于神经网络及关联性修正的交通异常预测研究

为实现城市交通异常管理的主动式响应,给交通异常处置争取更多的时间,减少交通异常对城市路网的影响,提出了一种基于神经网络及关联性修正的交通异常预测方法.基于历史异常数据构建交通异常数据库,并定义了预测模型中的主要参数;构建了基于改进神经网络算法的交通异常预测模型,在此基础上,创新性地提出了结合不同单元区域背景概率及交通异常相关关系挖掘的预测修正算法,对预测结果进行关联性修正以得到最终更加准确的预测结果,大幅提升了模型的预测精度.应用哈尔滨市30 d实例数据训练了所提出的交通异常预测模型,用15 d数据进行了验证,结果表明经过关联性修正的预测模型成功预测次数明显增加,相较于传统方法,预测成功率提升了31.46%,皮尔逊检验值均大于1.642,预测的结果的可信度大于80% 的置信水平.      

基于改进GM(1,1)的国省干线公路沥青路面使用性能预测

路面使用性能随路龄的增大而减弱，路面性能衰退情况直接影响路面养护对策的选择和养护资金的投入。为了解决养护对策选择带来的资金浪费与养护后性能不佳等问题，文章以灰色系统理论为基础，通过反演法来计算衰退路龄，构建了一个改进的GM(1,1)公路沥青路面使用性能预测模型。选取宁夏国省干线公路中部分路段路面破损状况指数的数据进行分析，对数据筛选后建立GM(1,1)模型，根据选取的实测数据来反演需要预测路段的衰退路龄，代入改进的GM(1,1)模型对路面性能进行预测，验证其准确性，并与直接采用灰色预测法得到的结果进行比对。结果表明：改进GM(1,1)法与直接使用灰色预测模型相比，剔除了路面进行养护工程后路面性能指数上升的路段，不会出现预测失真的情况，预测精度较好，更符合宁夏干线公路路面使用性能的发展规律。     

基于GRU-RNN模型的交叉口短时交通流预测研究

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度(R~2)为0.962,最接近1,稳定性最好,均方根误差(RMSE)为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。     

连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境（简称连续数据环境）开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合“调整事故分类阈值”的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型（逻辑回归、随机森林）的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式（约登指数法、事故占比法和交叉点法）对事故/非事故综合预测精度的影响。结果表明：在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...     

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于BP神经网络和Logistic回归分析的沥青路面平整度模型预测

为了解决国际平整度指数IRI预测模型准确性不高等问题,以路面长期性能(LTPP)数据库实测数据为基础,采用机器学习中BP神经网络建模方法对提取出的数据进行预测分析,并与传统的Logistic回归分析结果做评估对比。分析结果表明,利用传统的Logistic方法和BP神经网络得出的复判定系数分别为0.731、0.876,说明采用的BP神经网络平整度预测模型具有较高效率和预测精度以及较低的复杂度,能够有效评价路面使用性能。     

基于三维技术的道路综合检测车

研发了基于三维检测技术的道路综合检测车,该检测车可同时开展路面损坏、车辙、平整度、纹理、道路景观等检测任务。路面损坏模块能采集路面灰度图像和横断面三维高程数据并自动识别裂缝、车辙、坑槽等常见病害;独创性地研发了非惯性平整度检测模块,可不受车速变化、车辆振动等因素干扰,准确采集道路纵断面高程并计算国际平整度指数(IRI),当模块纵向安装时还能精确采集道路横断面纹理数据并导出平均断面深度(MPD)。此外,该模块还可检测混凝土路面的错台情况。三维立体相机和激光雷达(LIDAR)构成的道路景观图像模块可采集道路周边环境图像和三维激光点云数据,以实现道路资产的精细化管理。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

汽油机瞬态工况油膜参数混沌时序LS-SVM预测研究

汽油机油膜参数具有多维非线性特性,当前使用的试验标定法及辨识法难以精确确定参数值,对此提出了混沌时序最小二乘支持向量机(LS-SVM)预测模型。已知汽油机油路系统在时间序列具有非线性混沌特性,对油膜参数试验标定数据进行相空间重构,采用支持向量机对重构后的数据进行训练及预测,得出预测结果,与BP神经网络模型及Elman神经网络模型的预测结果进行了对比分析。验证了LS-SVM模型具有更强的非线性预测能力,能够有效地提高油膜参数的预测精度。     

基于MEPDG的柔性基层沥青路面车辙预估模型地方修正系数研究

为了研究确定AASHTO 2002力学经验设计方法 (Mechanistic Empirical Pavement Design Guide,MEPDG)车辙预估模型的地方修正系数,依托沪宁高速公路扩建工程柔性基层沥青路面路段进行车辙预测和预测模型修正。对交通轴载谱、气候输入参数进行了实际统计分析,对沥青混合料的动态回弹模量进行实测,均按照水平1输入,其他道路结构参数采用水平2或水平3输入,并进行了车辙预测。对沪宁高速公路无锡段2007年~2013年的车辙检测数据进行统计分析。利用沪宁方向柔性基层路面实测车辙,采用规划求解方法对MEPDG车辙预估模型进行了修正,得到了地区修正系数和修正后的车辙预估模型,并采用宁沪方向有效实测车辙数据对修正后的预估模型进行了验证。结果表明得到的预测数据与实测数据之间的拟合性较高。     

基于神经网络的道路通行能力与交通需求匹配度判别研究

交通的供需是否匹配关系到城市和枢纽的发展前景.文中在探讨道路通行能力与需求匹配特性的基础上,用BP神经网络理论建立一种交通匹配预测模型.该模型发挥神经网络的优势,对数据并行处理和分布存储,通过训练、学习产生一个非线性映射,自适应地对数据进行预测.通过相关数据实验证明,该神经网络模型有较高的精度,并有较好的适用性.     

道路交通事故灰色马尔可夫预测模型

在道路交通事故灰色预测的基础上，引入马尔可夫链预测理论，建立道路交通事故灰色马尔可夫预测模型。道路交通事故灰色马尔可夫预测兼有灰色预测和马尔可夫链预测的优点，模型克服了随机波动性数据对道路交通事故预测精度的影响，拓宽了灰色预测的应用范围。实例计算证明：道路交通事故灰色马尔可夫预测模型预测精度高于GM(1，1)模型预测精度，模型可以用于道路交通事故预测。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于机器学习的RC简支梁桥运维期承载力评估方法

首先分析了材料性能对桥梁承载力的影响，并采用有限元方法扩大既有桥梁数据，建立相应的数据库。然后，通过MATLAB建立BP神经网络模型对数据库进行训练完成桥梁承载力权重系数估算，并构建神经网络预测模型实现承载力预测，通过对比验证预测模型的准确性。最后，研究利用BIM二次开发研发桥梁承载力评估与预测系统。结果表明，随着桥梁使用年限的增长，钢筋对桥梁承载力的贡献相较于混凝土而言明显降低，材料退化对抗弯承载力影响最大；桥梁配筋面积对抗弯、抗剪承载力影响最大；当数据库的数据较少且预测精度要求较高时，采用多层隐藏层神经网络预测模型更有效；当数据库的数据庞大且预测精度要求不高时，采用GA-BP神经网络预测模型更有效。