基于基本飞行模型的4D航迹预测方法

为快速准确地预测民航飞行航迹,提出了基本飞行模型的概念．按飞行阶段特点用基本飞行模型构建水平航迹、高度剖面和速度剖面,根据航迹特征点的飞行状态信息（位置、高度、速度和航向）拟合生成完整的4D航迹．离场程序仿真算例与实际飞行数据比较表明,基本飞行模型航迹预测方法可以快速得出航迹特征点和到达航迹特征点的时间．     

一种多阶段处理的红外小目标检测方法

提出了一种二阶段红外图像序列小目标检测方法.该方法由2个相序的处理阶段组成,即目标的预侦测阶段和目标的确认阶段.在处理的第一阶段,通过快速扫描输入图像,根据视觉特征的显著性抽取潜在的目标集合.这些潜在的目标在第二个处理阶段通过双均值滤波方法被进一步地识别,判断出真目标,剔除假目标.统计分析在理论上证实了这种算法结构的高效和合理性.实验结果表明该方法在运算速度上有显著的优势.     

一种基于宏微观数据嵌套的公交用户细分方法

针对公交用户管理,本文提出一种基于宏微观数据嵌套的公交用户细分方法.该方法能够通过卡号识别及公交出行链信息对照等手段,建立问卷调查受访者与数据库中公交IC卡持卡者之间的匹配链接,即同时获取持卡者公交使用行为在刷卡数据样本总体中的宏观聚类情况,以及问卷调查数据中微观个体的社会属性与意愿信息,形成宏微观数据的互补嵌套,弥补单一数据源分析所面临的不足.在厦门市的实证分析中,数据链接的成功率达到70.5%.最终,结合该融合数据,从公交使用行为模式及态度意愿两个维度对公交用户进行交叉分类,实现公交用户不同组群的细分.     

基于改进D-S证据理论数据融合的路段单元交通状态判别方法

为探究不同类型车辆运动特征差异对路段整体交通流状态判别的影响,解决单一数据源导致判别结果精度不高的问题,针对多种类型车辆的浮动车数据存在的显著差异,提出了基于改进D-S(Dempster-Shafer)证据理论数据融合的路段单元交通状态判别方法.通过分析不同类型车辆的浮动车数据,探究其在速度分布、交通状态划分标准及样本...     

一种基于GPS和IC卡数据的城市公交出行分布推算方法

城市公交规划、管理工作迫切需要信息化技术给予定量的决策数据支持.公交出行分布数据通常基于居民出行调查获得,然而因其调查代价巨大不能作为常态化调查手段.短期的公交线网调整工作更依赖于现状的公交出行分布需求,本文由此提出了一种利用公交GPS和IC卡(含老年卡)数据推算现状公交出行分布的实用方法.当前在大城市常住人口使用IC卡作为公交支付手段已得到相当普及,采用基于车载GPS和乘客IC卡记录能够推断得到全日公交OD数据并用于公交出行量回归模型的标定.模型检验通过后,可结合人口数据和就业岗位资料用标定模型计算以投币作为主要付费方式的流动人口公交OD;叠加两部分OD得到完整的城市公交出行分布结果.该模型的有效性通过2010年郑州市综合交通调查实践得以验证,对其它城市具有借鉴意义.     

基于实时监测参数的民用飞机重着陆预警方法

针对目前民用飞机重着陆事件的识别只能通过飞行员事后上报和维修人员被动检查的问题,提出了一种基于实时监测参数的民用飞机重着陆预警方法;分析了飞机重着陆的影响因素,在对快速存取记录器数据预处理的基础上,采用灰色关联度分析方法,从飞机重着陆相关的52个监测参数中提取了26个特征监测参数;以着陆质量、垂直加速度、垂直下降率和俯仰率等4个重着陆评价参数作为预测参数,26个特征监测参数作为输入,建立了基于长短期记忆网络的飞机重着陆预测模型;采用重着陆案例数据对预测模型进行训练,分析了飞行高度区间、输入输出步长对模型预测精度的影响,进而对模型进行了优化;在案例验证中引入混淆矩阵验证了模型的预测效果。研究结果表明：利用长短期记忆网络所建立的民用飞机重着陆预警方法有效利用了实时监测参数中反映重着陆趋势的信息,实现了飞机的重着陆预警,在提前8 s预警的情况下,预测精度达到了98%,平均绝对误差仅为0.018 3,可为飞行员提供足够的时间裕度采取措施,避免重着陆的发生。     

基于边际效用的民机备件库存优化模型

为了最大限度地发挥民机备件的保障作用, 使各种备件的库存水平最优, 在综合考虑备件的技术性、经济性与可获取性的基础上, 以备件缺货导致的民机平均维修等待时间为优化目标, 以总航材供应成本为约束条件, 建立了民机备件库存优化模型。在对备件单位成本的边际效用进行分析的基础上, 采用启发式算法对模型进行求解, 得到备件库存水平的优化方案。实例验证表明: 在给定供应成本约束条件下, 与仅依据各种备件保障率的计算结果相比, 实际维修等待时间缩短了11.5%, 库存备件资金降低了27.5%, 因此, 该模型是客观有效的, 可节约库存成本, 显著提高飞机的利用水平。     

基于最小修正量法的振系物理参数识别方法

在分析振型矩阵关于质量和刚度矩阵加权正交性的基础上, 利用振动频率和振型数据识别系统物理参数的最小修正量, 借助Lagrange乘子法, 求解约束条件下的质量与刚度矩阵误差加权范数为最小的优化问题, 提出了以实测模态参数为基准的振系物理参数识别的计算方法, 推导了完整和非完整2种试验模态参数情形下的物理参数识别计算表达式, 给出了迭代算法, 并对4自由度系统进行了模态试验及数值分析。分析结果表明: 刚度矩阵和质量矩阵与真值非常接近, 最大误差分别为0.086%和0.34%, 因此, 提出的方法具有很高的可靠性。     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s^-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。