超限超重货物装载决策推理研究

根据物元理论构建超限超重货物装载实例模型,将货物物元分成实例货物物元、实例过程物元、实例方案物元3个子物元,优化装载知识库的结构,在明确实例货物物元相似度计算的基础上,给出基于实例的推理过程,并构造基于实例的装载推理算法,确定新实例的装载参数和装载方案,从而解决了知识获取的瓶颈问题。通过基于机器归纳的自我学习规则算法,补充和扩展实例过程物元的相关推理规则,丰富实例库的实例,进一步提高装载决策和推理过程的智能化水平。     

关于超限货物装运办法请示文电的探讨

本文对现行超限货物装运办法请示文电进行了探讨，并对《铁路超限货物运输规则》的相关条文提出了完善建议 。     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。