基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

有轨电车燃料电池混合动力多目标匹配优化

有轨电车燃料电池混合动力系统配置对整车动力性能、系统效率及经济效益具有重要影响，但是目前缺乏有效的优化匹配方法. 基于有轨电车沿线动态工况下的牵引功率计算，提出了面向服役周期成本最低的燃料电池有轨电车混合动力系统匹配优化方法. 以混合动力系统整车服役周期成本最低、体积/重量最小为目标函数，以动力性能、直流母线电压、电源输出功率、功率/能量实时平衡、储能系统充放电倍率及其充放电深度和SOC （state of charge） 为约束条件，建立了多目标多约束配置优化模型. 采用多目标优化方法获取Pareto前沿，同时给出了体积/重量可接受、经济性最优的推荐方案确定方法. 仿真结果表明，多目标匹配优化方法配置的有轨电车燃料电池混合动力系统满足了所有设计指标，混合动力系统全寿命周期成本从7 000万元降为1 500万元.      

牛顿插值法的灰色GM(1,1)模型在桥梁荷载试验中应用

由于传统的灰色GM(1,1)模型预测精度不高,以牛顿插值法函数对初始序列背景值进行优化提出了改进模型。以武汉市某等截面连续钢箱梁桥现场荷载试验为工程依托,通过分级加载实测挠度与理论计算挠度差值为初始数据列,来预测下一级加载实测挠度。基于牛顿插值法灰色GM(1,1)改进模型与原始模型预测的数据平均相对误差减小了2.4%,预测第六级加载弹性挠度值减小2%。结果表明,基于牛顿插值法对初始序列背景值优化的改进模型在大型桥梁荷载试验中预测下一级实测挠度值的精度高、可靠性好。     

基于交叉熵算法的电动车辆复合电源参数优化

为了提升电动汽车动力性能、降低车辆成本,以复合电源成本和车辆电耗最小为目标,通过交叉熵（cross- entropy,CE）算法对车载复合电源的参数优化进行了研究. 首先,以某款纯电动汽车为研究对象,根据能量与功率性能指标确定锂离子电池和超级电容的容量范围;其次,选取复合电源成本和车辆电耗建立多目标优化函数,并在ADVISOR环境中搭建车辆仿真模型;接着,采用CE算法,通过种群的不断迭代,更新高斯概率密度函数的均值和方差,找到复合电源参数的Pareto最优解集;最后,从最优Pareto解集中选取典型的匹配参数,分析复合电源成本、车辆电耗和整车性能. 研究结果表明:在满足基本约束的前提下,得到了由100个解组成的Pareto最优解集. 与第二代非劣排序遗传算法（non-dominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ）比较,CE算法有更好的收敛性与分布性;复合电源成本平均降低了9.49%,车辆电耗平均降低了22.81%; 此外,城市道路循环工况（urban dynamometer driving schedule,UDDS）下车速误差最大值降低16.15%,整车动力性也有显著提升,百公里加速时间缩短7.81%,最高车速提升1.98%.      

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息,提高出行效率,需提升高速公路行程时间的预测精度。鉴于此,将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中,构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化,截取其中有效字段,获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型,利用Matlab进行实验。实验结果显示,PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高,而且能较准确地预测出行程时间的走向及波动情况,在收敛速度方面也呈现出一定的优势,具有较好的适应能力。     

基于多车型CNN-GRU性能预测模型的轨道状态评价

不同车型高速综合检测列车的动力学传递特性不同，使得其对同一线路的车体加速度评价结果存在一定差异.为解决上述问题，本文基于多列动检车的检测数据，将卷积神经网络（convolutional neural network,CNN）与门控循环单元（gated recurrent unit,GRU)相结合，建立了多车型车辆动力学响应预测模型，通过输入多项实测轨道不平顺和车速预测各车型的车体垂向和横向加速度，并将多车型车体加速度预测值的最大包络作为轨道状态评价依据.结果表明：将高低、轨向不平顺等8项轨道不平顺和车速共同作为输入参数的模型预测性能最优，车体垂向和横向加速度预测的评估指标分别提升了5%～13%和25%～36%;CNN-GRU模型所预测的车体加速度在时域和频域均与实测结果吻合较好，相关系数最大达到0.902；且相比于BP (back propagation)神经网络，各项车体垂向和横向加速度预测的评估指标分别提升了36%～109%和11%～167%；针对某轨道几何状态不良区段应用效果，预测6种车型中有4种车型达到车体垂向加速度Ⅰ级或Ⅱ级超限，有1种车型达到车体横向加速度Ⅰ级超限，提高了轨...     

基于灵敏度分析的大跨桥梁结构有限元模型优化研究

本文给出了一种基于灵敏度分析的大跨桥梁结构有限元模型优化方法。具体步骤如下：（1）通过竣工资料建立有限元模型;（2）利用成桥试验技术报告确定目标函数与修正参数;（3）采用灵敏度分析方法确定修正参数与目标函数的关系,将结构的有限元模型优化问题转化为数学模型的优化问题;（4）采用线性加权法将多目标优化转化为单目标优化问题,并利用二次规划法进行优化求解;（5）用优化后的结果代入有限元模型计算。采用上述方法对金塘大桥主通航孔桥的结构有限元模型进行优化,结果表明：优化后的计算响应值与实测响应值的误差控制在5%以内,验证了上述方法的实用性。     

基于改进灰色Markov模型的建筑物沉降量预测

为了对地铁车站深基坑施工过程引起的周边建筑物沉降进行预警,利用改进的灰色Markov模型,预测地铁车站施工过程中周边建筑物的沉降量。首先,基于实测数据,采用改进的灰色模型对建筑物沉降趋势进行预测;其次,将实测数据与预测数据的相对误差作为Markov误差修正的初始数据序列,进行状态区间划分并结合Markov转移概率矩阵和误差修正公式对预测数据进行修正,确定最终预测值;最后,基于小误差概率、后验差比值和相对误差分析,对改进后的灰色Markov模型与改进的灰色模型的预测精度进行对比分析与评价。研究结果表明：与改进的灰色模型相比,改进的灰色Markov模型预测的相对误差从4.2%降到2.1%。     

改进灰色GM(1,1)模型在连续箱梁桥线形监控中应用

鉴于传统的灰色GM(1,1)模型预测精度不高、求解过程局限性,提出了基于最小二乘法多项式拟合的改进模型。以某预应力混凝土变截面悬浇连续箱梁桥为工程实例,通过实测数据与理论预拱度值的比值作为原始数据列,来预测下个节段的施工预拱度调整比例,提供下个节段梁优化后的立模标高。利用传统的GM(1,1)模型及其优化后的模型进行误差比较,改进后模型拟合平均相对误差减小0.9%,预测7号块立模标高值减小6.7%。结果表明改进后的灰色模型预测精度更高,其可行性与可靠性更好。     

基于组合模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量的历史数据,分别利用三次指数平滑法、灰色CM（1,1）模型以及组合预测方法对集装箱吞吐量进行探讨,有益于预测未来几年港口集装箱吞吐量。结果证明：组合预测模型融合了前两种预测方法的优点．其平均绝对误差、平均相对误差绝对值都小于单独用三次指数平滑法或GM（1,1）模型时的平均绝对误差、平均相对误差绝对值,达到最优的精度等级。     

基于DBNs的车辆悬架减振器异响鉴别方法

针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7%,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景.      

基于扩展置信规则库的海盗袭击事件风险预测

为有效应对海盗袭击事件，减少可能产生的损失，本文提出一种新的基于扩展置信规则库 (EBRB)联合优化的海盗袭击事件风险预测模型。通过引入Relief F算法和差分进化算法，从结构和参数两个角度对EBRB系统进行优化，以确保EBRB系统具有最优的参数数量和取值，利用实际海盗事件数据集进行模型验证。结果显示，联合优化的EBRB系统预测结果与实际情况的拟合效果较好，相对于初始的EBRB系统，联合优化EBRB系统将海盗事件的风险预测准确性提高 了60%。此外，与现有其他预测模型对比发现，基于联合优化EBRB系统的预测模型在提高预测准确性方面具有一定的优势。     

基于深度学习的公路货车车型识别

为判断公路货车车型，并提升货车车型识别的速度与精度，提出基于深度学习的方法对公路货车及其轮轴进行精细化目标检测；采用道路监控拍摄和网络爬取的方式获得了16 403张公路货车侧方图像，建立了货车侧方图像数据集，并采用Retinex理论和加入限制对比度的自适应直方图均衡化(CLAHE)等视觉增强方法预处理所采集图像中的光照不均图像和夜视图像；通过理论分析和对比试验选取单阶段检测网络YOLOv3作为公路货车车型识别的目标检测网络，并从调整先验框和模型输入大小以及引入注意力机制3个方面优化了检测模型；针对单帧图像可能同时出现多辆货车的情况，采用基于目标位置信息挖掘的算法分析了货车与轮轴的位置信息，提出一种通过轮轴中心点与货车预测框位置信息判定公路货车与轮轴隶属关系的方法。研究结果表明：图像经过预处理可显著增强车辆的特征信息，优化后检测模型的网络性能得到提高，通过对目标位置信息的挖掘与利用可以很好地解决货车车型判定问题；优化后的检测模型实时检测速度可达47帧·s^-1,对公路货车车型的识别综合准确率达到了94.4%。该方法实现了对公路货车车型的无接触、快速和准确识别，为公路货...     

基于数据包络分析和扩展置信规则库的交通运输业环境治理成本预测

针对交通运输业中环境治理成本规划问题，提出基于数据包络分析(DEA)和扩展置信规则库(EBRB)的环境治理成本预测模型. 基于DEA模型对环境治理投入产出历史数据进行有效性分析，量化EBRB中每条规则的可靠度，建立考虑规则可靠性的EBRB模型，用于预测交通运输业的环境治理成本. 根据2004-2017 年我国各省份交通运输业环境治理实际数据验证模型. 研究结果表明，本文模型的准确性高于现有环境治理成本预测方法，可为相关决策者提供一个模型支撑和参考依据.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.     

LM-CDBN超高层变形预测模型的构建与应用

为提高超高层建筑变形预测精度，对附有条件的深度信念网络（conditional deep belief network，CDBN）模型中权值及阈值调整方法进行了改进，使用LM （Levenberg-Marquardt）算法作为新的模型定权机制，构建了LM-CDBN网络模型；将构建的LM-CDBN超高层变形预测模型应用于一座298 m超高层建筑中；然后用训练误差、预测值拟合度、预测结果稳定性组成的综合评价体系对模型进行了评价；最后，将LM-CDBN模型分别与深度信念模型（deep belief network，DBN）、极限学习机（extreme learning machine，ELM）、基于无迹卡尔曼滤波的支持回归向量机（unscented Kalman filter-support vector regression，UKF-SVR）进行了预测结果对比. 结果表明:在超高层建筑的变形预测中，相比DBN、ELM和UKF-SVR，LM-CDBN预测精度分别提升了32%、55%及24%，模型的信息提取稳定性及处理时变系统非线性问题的泛化能力得到了提高.      

基于实车数据的电动汽车电池剩余使用寿命预测

电动汽车电池剩余使用寿命预测是当下电池研究领域的热点内容,现有电池剩余使用寿命预测模型大多基于单一预测指标,预测精度较低,模型的泛化性能较差。本文通过实车数据构建了GM-LSTM的Stacking融合模型,实现电动汽车电池剩余使用寿命的准确预测。首先根据电池剩余使用寿命影响因素,提取车辆真实的运行参数和环境参数,基于随机森林算法筛选最优特征集合作为模型输入,其次选择差分整合移动平均自回归算法对所选特征进行惯性延伸,克服数据时间维度上的限制,最后基于数据特点,分别建立灰色预测模型和长短时记忆神经网络模型实现电池剩余使用寿命预测,并通过Stacking模型融合进一步降低预测误差。结果表明：模型融合 后平均相对误差为1.6%,平均绝对误差为0.013,能够稳定可靠的实现电动汽车电池剩余使用寿命预测。     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

面向自组织平衡的共享电动汽车调度优化方法

针对共享电动汽车运营中出现的站点车辆供需不平衡及人工调度成本过高等问题，提出面向自组织平衡的共享电动汽车调度优化方法.利用共享电动汽车站点选择行为数据，构建用户取车站点选择MNL(Multinominal Logit)模型，分析用户的站点选择行为；构建面向各站点车辆供需自组织平衡的站点间车辆调度优化方法，即通过车辆动态折扣策略引导用户改变默认的最近取还车站点，在运营结束后以运营企业的调度总成本最小为目标，建立人工调度优化模型并应用禁忌搜索算法求解；最后，选取北京市海淀区部分共享电动汽车站点进行算例分析.结果表明：本文提出的优化方法与无动态折扣策略相比，调度总成本降低了 4.5%，人工调度成本降低了21.1%，人工调度任务数减少了8.3%.     

面向自组织平衡的共享电动汽车调度优化方法

针对共享电动汽车运营中出现的站点车辆供需不平衡及人工调度成本过高等问题，提出面向自组织平衡的共享电动汽车调度优化方法.利用共享电动汽车站点选择行为数据，构建用户取车站点选择MNL(Multinominal Logit)模型，分析用户的站点选择行为；构建面向各站点车辆供需自组织平衡的站点间车辆调度优化方法，即通过车辆动态折扣策略引导用户改变默认的最近取还车站点，在运营结束后以运营企业的调度总成本最小为目标，建立人工调度优化模型并应用禁忌搜索算法求解；最后，选取北京市海淀区部分共享电动汽车站点进行算例分析.结果表明：本文提出的优化方法与无动态折扣策略相比，调度总成本降低了 4.5%，人工调度成本降低了21.1%，人工调度任务数减少了8.3%.