数据驱动在导管桨斜流工况分析中的应用

基于湍流模型SSTk-ω和滑移网格技术对不同斜流角（0°、10°和20°）和不同进速系数J(0.3、0.5和0.7)下导管螺旋桨的水动力参数、轴承力和速度场进行对比分析。为解决传统计算流体力学方法存在的耗费大量时间及需要大量网格等问题,提出一种快速且准确率高的深度学习模型CNN-LSTM对导管螺旋桨进行高效准确预测。研究结果表明：随着斜流角和进速系数的增大,导管螺旋桨的轴承力的波动幅度和峰值均增大。数据驱动模型CNN-LSTM不仅能够使得预测值较好地吻合CFD值,也能准确预测不同斜流角及不同进速系数下的相位差以及峰值差异,结果显示较大的差异出现在轴承力的波峰和波谷处。最后,文章还分析了斜流角和进速系数对导管桨间隙流场的影响。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

我国近期道路交通事故发展趋势分析与预测

在讨论发达国家交通事故发展变化规律及我国道路交通安全现状的基础上,对我国近期交通安全形势进行分析,并采用灰色系统理论对我国未来五年的交通事故总量进行预测。对于提高道路安全水平具有积极的意义。     

基于ARIMA的交通流量短时预测

采用AKIMA方法进行交通流量趋势预测．建模是利用现场调查得到的非平稳时间序列进行数据处理、建模．并根据AIC准则进行模型定阶,最后通过实测数据进行验证,结果表明。该ARIMA模型能够获得较好的中短期预测精度,因而可用于动态交通信号控制。     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度,分析了离散的高速公路动态交通流数学模型,基于Elman网络原理,建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2,采用Levenberg-Marquardt算法对回归神经网络进行训练,并对一条5路段的高速公路进行仿真。结果表明:回归神经网络平均相对误差为8.683 7×10-5,最大相对误差为4.237 1×10-4,与BP神经网络和RBF神经网络相比较,Elman回归神经网络能更好地逼近交通流数学模型,真实地描述交通流基本特性,能准确地建立动态交通流模型,适应交通状况的变化。     

路基沉降预测及其工程应用

根据某公路软土路段的实测沉降资料,采用双曲线法预测各施工阶段测点的沉降和工后沉降量,为路面结构层的铺设及间歇期的确定提供了依据。     

基于三点模型的柴油机热工参数预测

准确预测热工参数劣化趋势是对柴油机实施预测维修的前提。已有预测技术均视不同时段信息所具有的建模价值相等,忽略了近期信息比远期信息更能反映设备当前运行态势这一客观事实,导致预测模型难以准确描述柴油机热工参数的真实变化规律。针对该问题,提出一种基于三点模型的柴油机热工参数预测方法,并采用新陈代谢法同步更新建模数据,以提高建模数据的利用效率及预测精度。与灰色系统GM(1,1)模型预测精度的对比结果表明,三点模型能够有效处理不同时段信息在反映设备运行态势能力上的差异,得到更为准确的预测结果。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

基于神经网络的出行目的推算研究

出行目的是交通出行的关键属性和重要内容,其对分析交通行为具有关键作用。随着被动数据的不断获取,通过数据挖掘方法推算出行目的既弥补了被动数据的缺陷,也可为进一步分析交通行为提供完善的数据基础。本文通过总结国内外学者在交通出行目的推算方面的研究经验,基于现有的调查数据,采用神经网络方法进行出行目的推算,推算的出行目的的准确性达到86%,在此基础上分析了对模型具有显著影响的因素,由此得到在出行目的推算中的关键因素为时间和空间变量。