道路交通事故的神经网络预测方法研究

指出了预测对道路交通安全性的重要意义以及传统预测方法存在的缺陷;运用神经网络建立时间序列的道路交通事故预测方法,克服了传统预测方法必须事先构造函数的不足之处。分析表明, 该方法的预测精度较高。     

���Ԥ����Ȩ�ص�ȷ���о�������С����ֵ����Ӧ��

组合预测法的关健是确定组合的权重，着重研究了权重确定的不同方法。在讨论传统的组合预测方法的基础上，提出了新的组合预测方法，即以绝对值之和最小为目标函数的最小绝对值法。通过实例，将新方法和传统方法进行对比，验证了新方法的精确性和优越性。     

铁道车辆LZ50车轴钢的概率机械性能

完成了铁道车辆LZ50车轴钢的概率机械性能试验研究，拓宽了确定有限疲劳可靠性数据良好假设分布的统一方法，比较了6种常用分布(即三参数Weibull、两参数Weibull、正态、对数正态、极大值和极小值分布)对试验数据的描述效果，综合分析了他们的拟合优度、失效机理的一致性和尾部预测的安全性。从预测的安全性角度，选择了极小值分布为最佳统计模型，提出了给定可靠度和置信度下基于极小值分布的机械性能参数估计方法，并有效地估计了材料的概率机械性能参数。     

����·����·����ת������Ԥ��

常规城市路网交通需求预测只需要进行趋势流量预测。然而当涉及到路网中部分道路改造的交通流量预测则需要进行三个部分的预测：趋势流量预测、诱增流量预测以及转移流量预测。基于传统的四阶段交通预测理论，提出了路网中存在改造道路情况下的转移流量预测方法。该方法主要内容包括：提出了预测转移流量时划分交通小区的方法；指出要预测转移流量，在交通分布预测阶段必须选用重力模型；提出在应用重力模型过程中计算交通阻抗的办法。以实际项目——厦门市中心区路网流量预测作为实例，结合交通预测软件“交运之星”，应用本方法进行预测。结果表明该预测方法行之有效。     

非完全信息条件下交通分布预测时间（距离）法

对于新兴城镇和快速扩张城市的交通分布预测，由于信息缺乏很难采用传统的预测方法．本文提出了非完全信息下的交通分布预测时间(距离)法，并给出了其参数标定方法，对其可靠性也进行了实证性分析，最后，探讨了该模型对时间(或距离)的敏感性问题。     

大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

交通荷载状态控制法在斜拉桥换索过程安全性预测中的应用

斜拉索经过长期的运营以后，桥梁状况已经发生了比较大的变化，在斜拉桥换索过程中，单纯根据理想状态进行换索过程的仿真分析．是不能够达到安全性预测目的的。采用交通荷载状态控制法对斜拉桥的换索过程进行安全性预测理论简单，且安全实用，减少了换索过程的盲目性，可确保换索工程的顺利进行。     

���������·������Ԥ�ⷽ���о�

针对传统四阶段法不太适合长大铁路干线需求预测的实际，通过时四阶段需求预测方法及各种模型的改造，建立了一套适合我国铁路项目客运量预测的预测方法和程序.通过对京沪高速铁路的具体应用，论文就参数标定方法和应注意的问题提出了一些研究结论。     

基于神经网络的数据挖掘模型在吸能装置上的应用

针对传统有限元分析方法对机车车辆结构耐撞性计算效率低的问题，在已有仿真分析数据基础上，引入机器学习方法，对车辆关键结构的耐撞性以及碰撞安全性进行分析预测. 首先，建立基于神经网络的数据挖掘模型，在此基础上构建车辆关键结构的碰撞响应预测方法；其次，通过试验验证了防爬吸能装置有限元模型的正确性，以此模型为基础获得不同壁厚防爬吸能装置的碰撞响应仿真数据；然后，以吸能装置壁厚作为模型输入，不同壁厚所对应的位移、速度、界面力和内能等碰撞响应作为模型输出，将有限元仿真数据用于模型训练，优化后的数据挖掘模型的拟合优度在0.922以上；最后，为验证模型预测的准确性，将碰撞数学模型的预测结果与有限元仿真结果进行对比，速度、位移、界面力和内能的平均相对误差分别为7.10%、4.51%、6.20%和2.50%. 研究结果表明:基于神经网络构建的数据挖掘模型在保证精度的情况下，能很好地反映防爬吸能装置的碰撞特性，大幅降低了计算时间，提高了计算效率.      

港口吞吐量预测的系统动力学模型构建

将系统动力学方法运用于港口吞吐量预测，可以较好地解决传统预测方法中考虑因素较少的问题，在对港口系统主要因素及因果关系分析的基础上，建立港口吞吐需求量及供给量系统动力学模型，并采用南京港各相关统计数据对模型进行了仿真和验证，结果证明该模型有效可行．