考虑路段随机行程时间异质性的交通网络可靠路径规划模型和算法

为应对交通网络路段随机行程时间异质性分布情况下,出行者路径选择决策对行程时间可靠性和不可靠性方面的关注,以均值-超量行程时间为优化准则,构建了一种新的可靠路径规划模型;为刻画交通网络中不同路段随机行程时间的异质性分布,以行程时间前四阶矩为输入,解析估计了均值-超量行程时间,以免于现有研究均一化的分布假设;利用均值-超量行程时间的理论特性,提出了以Dijkstra最短路算法和K-最短路算法为基础的精确和近似两阶段算法;以Monte Carlo模拟方法为基准,验证了基于前四阶矩的均值-超量行程时间解析估计方法的精确性;通过求解算例网络中所有OD对的最短均值-超量路径,分析了近似两阶段算法的精确性和计算效率。研究结果表明：现有研究中常用的路段随机行程时间正态分布假设会忽略偏度和峰度系数对可靠路径选择结果的影响,而均值-超量行程时间解析估计方法所得近似值与真值的相对误差不超过0.13%;当K-最短路算法中K为10时,近似两阶段算法求解的全网络OD对最短均值-超量路径中,有0.11%的OD对的最小均值-超量与精确两阶段算法求解结果不同,最大相对误差为3.35%;针对由随机选择的5个节点与其他节点组成的OD对,近似两阶段算法平均计算时间与精确两阶段算法平均计算时间的比值范围为0.87%~22.96%,表明近似两阶段算法不仅保证了其求解准确性,还可有效提高计算效率;提出的模型和算法能够接纳网络中不同路段随机行程时间分布具有异质性的现实特征,其路径规划结果能够更好地体现出行者对按时到达可靠性和迟到风险的关注诉求。     

考虑站点脆弱性的城市轨道交通应急救援点选址方法

为提高城市轨道交通系统应对突发事件时的处置效率，在考虑站点脆弱性的基础上提出一种城市轨道交通应急救援点选址方法。首先，综合客流特征、线网拓扑结构和周边已有应急资源分布情况，构建城轨站点脆弱性评价指标体系，将站点脆弱性量化为站点脆弱度指数并引入灰色关联分析法进行计算；其次，构建以覆盖水平最大、平均救援响应时间最短和建设成本最低为目标的区域级应急救援点选址模型，并在计算覆盖水平时引入K均值聚类算法，对站点脆弱性进行分级；最后，依托西安市地铁网络实际数据进行实例验证。结果表明：考虑站点脆弱性后，应急救援点总数反而减少，且选址结果更为理想；4种目标权重设置下，考虑站点脆弱性后的线网覆盖水平依次增加3.49%,2.75%,4.16%和3.63%，平均救援时间依次减少7.25%,6.56%,12.48%和4.89%，建设成本依次减少3.57%,7.41%,4.17%和6.45%。该方法能够更加科学合理地识别城轨线网中的高脆弱性站点，得到的应急救援点选址方案对线网中边缘站点的覆盖效果更好。     

基于均值-方差理论的多阶段公交走廊设计

随机性是公交出行需求的重要特性.随机需求下的公交系统中，不同风险态度（中立风险、规避风险和寻求风险）的决策者会选择不同的设计方案，这在多阶段公交系统走廊设计中更为明显.为研究不同决策风险态度下随机特性对公交服务设计的影响，首先，基于均值-方差理论，提出不同风险态度下的决策方法，并构建对应的多阶段公交走廊设计模型，同时优化不同阶段的公交线路长度、站点选址和发车间隔；之后，利用局部分解法和最优化理论，得出模型的解析解；最后，对不同设计策略（全覆盖设计、单阶段和多阶段的公交线路非全覆盖设计）和风险决策态度下的公交走廊设计进行对比分析.结果表明：1）公交线路多阶段设计具有比全覆盖设计和单阶段设计更低的期望系统成本，以及比单阶段设计更稳定的方案；2）在不同设计策略中，决策风险态度对公交系统的参数配置（即公交线路长度、站点分布和发车间隔）有不同的影响，例如规避风险态度决策者在全覆盖设计中追求更密集的站点分布，而在单阶段设计中则会追求相对更低的站点密度，在多阶段设计中这就更为复杂.该研究从政府管理者和运营商的角度，提供基于需求随机增长下公交系统多阶段设计的风险投资决策方法.     

基于改进YOLOv5算法的块状磨屑识别方法

针对钢轨打磨车作业产生的块状磨屑的处理方式效率低、智能化程度低、安全隐患大等问题，提出一种基于改进YOLOv5算法的块状磨屑智能识别方法。在原有YOLOv5算法基础上，增加更大尺度的检测层，提升小尺寸块状磨屑的检测效果；在骨干网络嵌入卷积注意力模块（Convolutional Block Attention Module,CBAM），增强块状磨屑的特征表达；选择EIoU(Efficient Intersection over Union)替代CIoU(Complete Intersection over Union)作为目标框回归的损失函数，加快模型的收敛速度，提高块状磨屑预测框的精度。利用某轨道巡检小车采集的数据进行测试试验，结果表明：改进后的YOLOv5算法对于块状磨屑的检测能力有所提高，召回率提升了4.55%，均值平均精度提升了8.6%，对小尺寸块状磨屑有更好的检测效果。     

DHSSA优化的K均值互补迭代车型信息数据聚类

针对传统方法在车型信息数据聚类过程中受初始化中心点的影响较大导致聚类精度低、鲁棒性差以及在迭代过程中求取均值选择聚类中心受离群点影响大的问题，提出了一种DHSSA优化的K均值互补迭代车型信息数据聚类方法。首先，针对SSA算法中发现者位置更新不足和种群多样性不足的问题，设计了一种扰动因子-领头雀优化策略，通过自适应领头雀策略加强了最优个体的影响力，利用扰动因子扩大搜索空间，提升了寻找聚类中心的准确率；其次，设计了基于筛选最大最小距离积方法 SMMP优化聚类中心的初始化，在MMP基础上增加了筛选机制，使初始化的中心尽可能更均匀地分布在每个簇中；最后，融合DHSSA和SMMP来优化K均值互补迭代，在减小迭代次数的同时增加搜索效率，得到较好的聚类结果。利用多种数据集进行测试，通过试验结果中的收敛曲线和性能指标可以看出，提出的DHSSA-KMC方法相对于SSA-KMC、IMFO-KMC、KMC和KMC++具有更高的搜索精度、收敛速度和更低的聚类代价，并且耗时相对于SSA-KMC和IMFO-KMC有所减少，证明了算法的有效性和优越性。在车型信息数据处理过程中，DHSSA-KMC可以高效聚类生成竞品...     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。     

基于卷积神经网络的列车位置指纹定位算法研究

针对高速铁路隧道环境下采用位置指纹定位时定位精度低的问题，提出将深度卷积神经网络应用于列车位置指纹的定位中。首先采用2σ准则、模糊C均值聚类FCM及类数据加权，对采集到的下一代铁路通信系统LTE-R中的信号强度值进行预处理，降低异常值的影响，提高指纹数据的有效性；然后引入定时提前量，增强指纹特征值；接着将处理后的指纹数据量转换为灰度图片指纹条，基于图像样本建立FCM-CNN指纹定位模型；最后以现场实测数据为基础对定位模型进行测试验证。结果表明，相较于采用未经处理的数据作为样本的CNN模型及传统的位置指纹定位方法，基于FCM-CNN的列车位置指纹定位方法，提高了数据质量，在离线阶段具有较大的指纹采集间距，大幅减少了指纹采集工作量，模型训练时间较短，定位精度小于10 m的概率可达100%,满足列车在中密度线路对定位精度的要求。