铁路路基沉降变形组合预测模型优化

由于传统灰色模型在预测波动性较大的数据时精度不高,提出一种改进的动态GM-Poisson-Markov组合预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进,通过原始序列的动态更新实现模型的参数更新,在此基础上与泊松曲线模型建立一种组合预测模型,并利用马尔科夫链进行残差修正,得到改进的动态GM-Poisson-Markov组合预测模型。利用汉巴南铁路路基沉降变形监测数据进行实例分析,将预测结果与泊松、灰色模型、非等间距无偏灰色模型以及组合模型预测结果进行对比分析,结果表明：模型对铁路软土路基沉降变形可取得较好预测效果,提高了预测精度与稳定性。     

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...     

基于灰色关联度与多元线性回归模型的客运需求预测

在分析客运需求影响因素的基础上,采用灰色关联分析相关理论,对影响中国旅客运输需求的各个因子进行分析,选出影响客运需求较大的因子,建立客运需求量与主要影响因子之间的多元线性回归预测模型;通过实例运用,将回归模型预测数据与实际数据进行对比,预测精度在±8%以内,精度较高。     

基于动态GM-Markov优化模型的高铁路基冻胀变形预测研究

由于传统灰色模型在预测波动性较大的数据时精度不高,提出一种改进的动态GM-Markov预测模型。利用非等间距加权矩阵与无偏优化对灰色模型进行改进,通过原始序列的动态更新实现模型的参数更新,在此基础上利用马尔科夫模型进行残差修正,得到改进动态GM-Markov预测模型。利用某高铁路基冻胀变形监测数据进行实例分析,将改进的动态GM-Markov模型预测结果与灰色以及非等间距无偏灰色模型、最优组合模型预测结果进行对比分析,结果表明：改进的动态GM-Markov模型对于波动性较大的冻胀变形可以取得较好预测效果,提高了预测精度与稳定性。     

多变量GM(1,n)模型在桥梁施工挠度控制中的应用

在大跨度桥梁施工控制中,传统单变量灰色理论受误差影响较大,为提高在多因素影响下的挠度预测精度,在单变量GM(1,1)模型的基础之上,通过建立多变量灰微分矩阵方程,结合灰色预测原理,提出一种多变量GM(1,n)关联预测模型.用MATLAB编制了相应的计算程序,并将其应用于新建太中银铁路跨青银高速(75+120+75)m预应力混凝土连续梁的高程预测中,实践结果显示该模型基本准确地预测了架设过程中各梁段高程.     

基于灰色关联与预测模型分析陕西省交通运输碳排放

文章基于2005～2016年陕西省交通运输能量消耗基础数据,运用灰色关联分析法研究了城市化率、人口数量、GDP、交通运输仓储邮政业投资额、单位GDP能耗、私家车数量六大因素与陕西省交通运输碳排放关联度。同时基于灰色系统预测模型GM(1,1),对陕西省交通运输碳电力碳排放进行量化预测。分析结果表明,陕西省交通运输碳排放与相关因素相关度依次是城市化率人口数量GDP交通运输仓储和邮政业投资额单位GDP能耗私家车数量。预测发现,电力碳排放2022年将突破200万吨,面临巨大的减排压力。因此对陕西省交通运输碳减排提出针对性的策略。     

基于灰色-马尔科夫理论的沥青路面性能预测研究

结合灰色理论短期预测优势以及马尔科夫预测模型无后效性特点,建立基于灰色-马尔科夫理论的组合预测模型,研究沥青路面性能衰变规律。以重庆某高速公路历年RQI检测数据为例,用MATLAB计算RQI灰色预测值并验证模型的精度;通过灰色预测方程反算使用年限序列,并建立马尔科夫状态转移矩阵,对RQI进行预测。结果表明:灰色预测模型对RQI预测精度达到一级,预测结果可靠性较高;根据灰色-马尔科夫模型,预测RQI衰变规律,对比单一的灰色预测模型,灰色-马尔科夫组合预测模型精度更高,更适用于路面性能的长期预测。     

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.      

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

改进的灰色模型在小样本数据预测中的应用

通过对灰色预测模型的分析，在处理非等间隔时间数据、背景值计算、新旧数据的权重赋值等方面对其进行改进，并用于路堑高边坡的数据处理。结果表明，改进的灰色预测模型在预测精度上有一定程度提高。加权灰色预测在处理波动较大的时间序列时也能取得较好效果。     

“双碳”目标下交通绿色转型相关举措研究

交通领域碳排放对气候变化有较大影响，受城镇化进程不断推进，机动车保有量快速增长以及新能源利用率和“公转铁”使用率低等因素影响，交通领域碳排放仍将持续增加。为实现“双碳”目标，本文针对交通领域碳排放现状进行分析，深入研究碳排放增长的主要因素，并从规划引领、政策引导、结构调整、科技赋能、理念更新等方面提出推动交通绿色低碳发展的相关举措，为交通领域早日实现“双碳”目标提供一定的参考依据。     

广州地铁盾构隧道建设期碳排放强度与减排潜力研究

为合理量化地铁盾构隧道建设的碳排放水平并测度其减排潜力，采用LCA方法开展地铁盾构隧道建设阶段碳排放评价工作，并结合实际工程数据进行碳排放强度和水平量化分析； 同时，基于情景分析法从推广绿色建材及清洁能源等角度探究其减碳潜力。研究结果表明： 单环预制管片碳排放强度约为7.1 tCO2e/环，而单位地铁盾构隧道建设碳排放强度约为1.1万tCO2e/km； 其中，建材及预制管片生产、运输及盾构施工和安装等过程占比分别为72.7%、1.9%和25.4%。若通过提高再生建材和优化能源结构，年均碳排放量下降约6%，但碳排放量累积可达约13 MtCO2e（2022—2035年），与2020年全国城市轨道交通运营排放基本持平。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于WOA-DELM的成都地铁建设阶段温室气体预测

为解决成都地铁设计和修建过程中碳排放计量问题，以成都地铁18号线6车站7区间为研究对象，采用机器学习算法对成都地铁建设阶段碳排放进行预测研究。基于生命周期评价（life cycle assessment, LCA）框架对地铁车站和盾构区间建筑材料生产阶段、建筑材料运输阶段和现场施工阶段温室气体排放量进行计算，建立基于鲸鱼优化算法（whale optimization algorithm, WOA)的深度极限学习机（deep extreme learning machine, DELM）地铁碳排放预测模型，并与基于风驱动优化（wind driven optimizer, WDO）、灰狼优化(grey wolf optimizer, GWO）、粒子群优化(particle swarm optimizer, PSO)、人工蜂群优化（artificial bee colony, ABC）、多元宇宙优化（multi-verse optimizer, MVO）、原子搜索优化（atom search optimizer，ASO）的深度极限学习机（DELM）和未优化的BP（back propagation neural network）、KELM(kernel extreme learning machine)、DELM算法预测结果进行对比分析。研究得到： 1)WOA-DELM算法预测结果相关一致性为0.757，略高于其他算法； 2）根据WOA-DELM算法对地铁碳排放主要输入指标进行敏感性分析，得到地铁车站碳排放预测的关键影响因素为车站长度和轨面埋深，对应指标碳排放相对变化率分别为30.1%和23.1%。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

基于交通仿真的低碳交通策略评价方法研究

研究了交通领域低碳策略的分类,构建了不同层次交通仿真模型与低碳交通策略评价的对应关系,提出了交通仿真技术在低碳交通策略方案评价中的应用步骤。结合交通仿真模型输出数据特点、低碳策略评价的侧重点,选取碳排放量和机动车污染物排放量作为低碳策略评价的主要指标。在此基础上,以秦皇岛2020年规划路网为分析对象,开展了不同出行方式比例下低碳类指标的对比分析研究,以说明基于交通仿真的低碳交通策略评价方法的可行性和有效性。     

中国交通运输经济发展与碳排放效率评价

为评价交通运输经济与碳排放绩效,探寻经济和碳减排双赢的改进路径,提出交通运输经济效率、碳排放效率及联合效率概念。针对中国30个省市区,以资本存量、煤类消费量、油类消费量、新能源消费量、从业人员作为投入要素,交通运输综合换算周转量和行业增加值作为期望产出,CO₂排放量作为非期望产出,采用RAM模型测度评估中国30个省市区的交通运输行业经济、碳排放及联合效率,探究3种效率的分布特征及变动规律,并利用非效率分解模型研究非效率来源,探索改进方向。研究结果表明：各省市区之间的交通运输经济效率、碳排放效率和联合效率均存在明显差异,且东部、中部、西部和东北地区呈现不同的梯度分布特性;2006~2016年的经济效率、碳排放效率及联合效率总体上可以分为2个阶段,第1阶段为2006~2011年,经济效率、碳排放效率和联合效率均呈波动上升,第2阶段为2011~2016年,经济效率、碳排放效率和联合效率轻微波动,并逐渐趋于平稳。非效率分解模型表明：能源过度消耗是经济效率、碳排放效率和联合效率的主要非效率来源;CO₂过度排放是碳排放效率和联合效率非效率的主要来源;行业增加值产出不足是经济效率和联合效率非效率的主要来源。这说明推广新能源,提升交通运输运营效率,革新交通减排技术是能够实现双赢的重要路径。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

隧道建设碳排放计算方法及预测模型

隧道建设消耗资源和能源，并向环境中排放大量温室气体。为解决当前隧道碳排放计算的清单数据难以获取、隧道施工碳排放难以估计的难题，通过在隧道碳排放方面的长期探索，总结当前中国公路隧道碳排放计算、清单数据、影响机制和排放预测的研究进展。首先，通过调研国内外隧道碳排放计算的文献，介绍隧道建设碳排放计算方法； 其次，结合算例阐明使用数据清单和排放系数评估隧道施工期碳排放的计算方法，明确不同施工工序和材料能源对碳排放的贡献； 然后，基于大量隧道施工碳排放计算结果，使用统计分析方法探明隧道施工碳排放的关键影响因素，并使用线性回归方法建立碳排放预测方程； 最后，针对当前隧道碳排放计算中的2大难题，即难以获取隧道碳排放的基础清单数据、排放数据难以在不同部门和企业中流通，提出发展资源能源计量和区块链技术，促进隧道行业节能减排的持续发展。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...