一般收费道路通行费收入实用预测方法研究

重点探讨实际道路规划项目中一般收费道路的收费收入预测方法,目的在于尽可能使收费收入预测更为精确。在我国,高速公路通常采用依靠征收通行费以偿还投资借贷的方式进行建设,因此在规划的过程中需要对通行费收入进行预测,并进行财务分析,以保证决策者做出正确的投资决策。以笔者在日本从事的高速公路建设项目为例,分析研究了基于实用型交通量增量分配方法结合使用车种转换矩阵的高速公路路网中一般收费道路通行费收入的预测方法,并将其应用到实际道路项目财务评价中。结果表明通过控制收费道路出入口间交通量预测精度,以及采用需求相关性较大的车种转换调查数据可以提高通行费预测精度。研究表明这一方法具有很强的实用性,该方法对我国的高速公路需求预测有着借鉴作用。     

2007年前三季度国内轻卡市场分析及预测

一、前三季度国内轻卡产销形势分析 1．前三季度国内轻卡对载货汽车市场贡献度依然在半数以上 来自中国汽车工业协会的数据统计，2007年前9个月，国内载货汽车完成产销1499605辆和1485103辆（含非完整货车），同比双双呈现快速增长，增幅分别达到23．09％和22．87％，其中轻卡产销完成845293辆和833197辆，同比分别增长19．83％和18．7％，对载货汽车市场贡献度达到56．10％，同比下降1．97个百分点。[第一段]     

基于最小二乘支持向量机的公路工程造价预测模型

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。     

基于广义回归神经网络的公路货运量预测方法研究

公路货运量受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述.采用广义回归神经网络(GRNN)对货运量进行分析及预测.通过对1995～2003年南京市公路运量的历史数据进行分析和处理,对网络进行训练和拟合,用2004～2005年的实际数据进行模型检验,结果证明了GRNN用于货运量预测的有效性.     

千里马电动车：创新让电机“寿命”更长

千里马电动车在技术上的创新从未间断过，从贴花到烤漆再到电池。千里马的技术人员始终紧跟市场发展的步伐，以消费者的需求为动力，在电动车这一领域中顽强地拼搏着…     

考虑裂缝扩展的沥青路面疲劳寿命预估方法

为准确预估沥青路面的疲劳寿命,建立带预制裂缝的三维有限元模型,预制裂缝贯穿基层并扩展至沥青层底1 cm,通过对比分析标准轴载作用下,沥青层厚度、沥青层模量、半刚性基层厚度、地基模量、裂缝长度,以及裂缝宽度对应力强度因子的影响,从而基于Paris公式构建了基于病害发展的路面结构寿命预估模型.结果表明,影响张开型裂缝的主要...     

乐红特长隧道通风系统设计及运营优化研究

依托乐红特长隧道工程,介绍了工程概况、需风量计算、通风方案论证.基于全寿命周期成本分析,推荐采用分段纵向式通风方式:右线采用单斜井两区段通风,左线采用两斜井三区段通风,左、右线均为三区段排烟,同时,根据近、远期交通量不同,制定了相应的通风系统运营策略,最大限度地提升了通风井通风效率,并降低了隧道运营费用.     

高铁路基沉降并联式组合预测研究综述

高铁路基沉降组合预测研究取得了一定成果,但有关理论和流程仍不清晰,在梳理常用单项预测法适用性的同时,对高铁路基沉降评估指标进行了归纳总结,定性和定量分析了组合预测模型筛选策略;围绕并联式组合预测权重和最终沉降量的确定展开评述;应用工程实例展现了整套流程.以期为预测评估工作提供科学化、系统化、标准化的依据.     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提,有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象,研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集,构造滑动时间窗口,以时间窗口内的出租车历史移动速度的时间序列为输入变量,以出租车当前时间的移动速度为输出变量,采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化,得到模型最优参数组合,并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析,将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明：所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841,均方根误差（RMSE）为12.711,均低于非参数回归模型和神经网络模型,提高了出租车速度的预测精度;由于出租车速度序列缺乏规律性,调整后的R₂（R₂ _adjusted）为0.592,且相较于其他2个模型,XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果,避免了过拟合造成的预测精度下降。     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型。同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+ LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明：所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87%,不确定性估计覆盖率达85.7%。与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6%,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展。