铁路大数据标准体系研究

在介绍国内外大数据标准体系研究现状的基础上,分析国家大数据标准体系与电力和工业2个典型行业大数据标准体系的对应关系,提出铁路大数据标准体系框架,并分析其与铁路信息化标准体系的对应关系。铁路大数据标准体系共划分为技术和工具、数据、应用、安全、管理等5个子体系,对各体系标准进行了界定。铁路大数据标准体系框架的提出,将为铁路运输企业进一步建立健全大数据应用标准打下基础。     

多品种燃油海运库存路径问题鲁棒优化模型与算法

针对需求不确定下的多品种燃油海运库存路径问题(Maritime Inventory Routing Problem, MIRP),提出非专用舱室和非固定停靠供应港的船舶配送策略,通过设置供货商保守系数给定条件下的累积航次多品种燃油不确定需求预算阈值,构建以供货商燃油库存与配送总成本最小化为目标的MIRP非线性鲁棒优化模型,并设计了改进混合自适应遗传算法求解模型。算例结果表明,非专用舱室和船舶非固定停靠配送能有效降低供货商燃油库存与配送总成本;供货商在各需求港关于各品种燃油的保守系数均存在某个不同的恰当值,当保守系数超过恰当值时,客户服务水平变化趋于平缓。研究结论可为供货商多品种燃油MIRP提供决策参考。     

城市轨道交通车站大客流应急疏散研究

城市轨道交通日益重要的地位和密集人群事故的频繁发生,促使人们更加关注车站大客流突发事件.根据车站的建筑结构特征和客流特征,采用计算机模拟大客流突发事件下的应急疏散过程,解决了实际中无法模拟的疏散过程,同时能够及时发现特定结构下的疏散死角,有效提高客流疏散效率,节约成本.采用二维结合三维展示疏散过程的方式,使模拟结果更具有实用性和指导性.     

面向建设期铁路大数据的分级存储方法研究

我国铁路网包含众多建设期和运营期路段,均会产生大量业务数据,然而传统的单节点大数据存储方式存在访问速度慢和时效性低等局限性,无法有效缓解数据存储压力.文章基于数据分级存储的思想,设计一种分布式大数据分级存储架构;综合考虑建设期铁路大数据的业务属性和存储数据库的固有属性,建立一套数据价值评价体系;基于专家评价法计算各数据...     

数据挖掘典型案例及在高速铁路运营期的应用展望

中国高速铁路运营管理缺少经验可供借鉴，围绕其核心职能，通过数据挖掘技术和手段为管理者提供科学、客观的管理决策，是辅助提升高速铁路运营管理水平的有效方法。构建资产运营、运输监管和安全监督等数据分析典型场景，满足高速铁路数据分析需求，为管理决策提供数据支撑。     

铁路救援基地层级规划选址模型

基于中国铁路组织机构的特点和应急救援现状,提出了铁路救援基地的层级网络建设理念。分析了现有铁路救援基地多目标规划选址模型的不足,将铁路救援基地分为枢纽救援基地和快速救援基地。以最小救援基地总成本和最短救援响应时间为双目标函数,以最大服务距离为约束条件,建立了铁路救援基地多目标层级规划选址模型。采用层次分析法、灰色关联分析与线性参考技术等方法抽象模型参数,采用蚁群算法求解模型,并将计算结果与现有的救援决策方案进行对比。研究结果表明:应用提出的模型,通过抽象模型参数,可得到26个救援基地备选点、61个服务需求点与188条路径;在完全覆盖事故风险的情况下,救援基地数量减少3个,节约成本约240万元,总救援响应时间、最大平均救援响应时间和最小平均救援响应时间分别降低0.04、0.46、0.29h。     

麦弗逊式前悬挂异响分析及解决措施

前悬异响的失效形式多种多样,形成原因也不尽相同。基于工程经验,文章对前悬挂异响常见的失效形式进行了归纳、总结和分析,给出了消除异响的解决措施。这些措施都经过实践验证且具有良好的实施效果,对于解决前悬挂异响具有一定的实用和参考价值。     

基于3D卷积神经网络的高铁轨道质量指数预测方法

轨道质量指数（TQI，Track Quality Index）是反映高铁整体线路质量状态的重要指标，分析TQI数据的变化规律能够对高铁线路养护维修提供重要指导和参考依据。为提高TQI数据预测的准确性，提出了一种多项特征数据的3D卷积神经网络模型，分析了TQI数据特征，抽取时间、空间、检测项数据并形成三维特征数据集，基于3D卷积神经网络算法，构建8层TQI预测模型，并从初始化参数、学习速率、激活函数、损失函数、Dropout方法等角度对模型进行优化，并利用某高铁线检测数据进行试验验证。结果表明，3D卷积神经网络模型可较好的预测高铁线路状态变化趋势，且对比于BP神经网络和2D卷积神经网络方法，平均绝对误差分别降低了41.48%、26.32%，均方差分别降低了65.42%、39.93%，证明了该方法的准确性与有效性，对于预测TQI与制定高铁线路养护维修计划具有实用价值。     

新型汽车主动安全系统ESP

本文主要介绍了汽车ESP的发展历程和组成,阐述了其基本原理和作用,对它在国内外应用研究的现状做了分析,并展望了其未来的发展前景.     

基于不平衡文本数据挖掘的铁路信号设备故障智能分类

针对铁路信号设备不平衡故障文本数据,提出基于文本挖掘的铁路信号设备故障智能分类模型。采用TF-IDF模型实现电务信号设备故障文本的特征提取并转换为向量,基于Voting的方式实现多分类器集成学习分类。该模型利用SVM-SMOTE算法对TF-IDF转换后的小类别文本向量数据进行随机生成,采用逻辑回归、朴素贝叶斯、SVM等基分类器和GBDT、随机森林集成分类器对平衡后的数据进行分类,考虑不同分类器的适用特点,通过Voting方式进行多分类器集成学习。通过对某铁路局2012—2016年铁路信号设备故障文本数据进行试验分析,表明该模型可使故障分类的准确率、召回率和F-score均得到显著提升。