���������·������Ԥ�ⷽ���о�

针对传统四阶段法不太适合长大铁路干线需求预测的实际，通过时四阶段需求预测方法及各种模型的改造，建立了一套适合我国铁路项目客运量预测的预测方法和程序.通过对京沪高速铁路的具体应用，论文就参数标定方法和应注意的问题提出了一些研究结论。     

基于灰色残差GM（1，1）模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型（Greymodel）,简称GM模型。本文从理论上介绍了GM（1,1）模型和灰色残差GM（1,1）模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。     

Forecasting current and next trip purpose with social media data and Google Places

Trip purpose is crucial to travel behavior modeling and travel demand estimation for transportation planning and investment decisions. However, the spatial-temporal complexity of human activities makes the prediction of trip purpose a challenging problem. This research, an extension of work by Ermagun et al. (2017) and Meng et al. (2017), addresses the problem of predicting both current and next trip purposes with both Google Places and social media data. First, this paper implements a new approach to match points of interest (POIs) from the Google Places API with historical Twitter data. Therefore, the popularity of each POI can be obtained. Additionally, a Bayesian neural network (BNN) is employed to model the trip dependence on each individual’s daily trip chain and infer the trip purpose. Compared with traditional models, it is found that Google Places and Twitter information can greatly improve the overall accuracy of prediction for certain activities, including “EatOut”, “Personal”, “Recreation” and “Shopping”, but not for “Education” and “Transportation”. In addition, trip duration is found to be an important factor in inferring activity/trip purposes. Further, to address the computational challenge in the BNN, an elastic net is implemented for feature selection before the classification task. Our research can lead to three types of possible applications: activity-based travel demand modeling, survey labeling assistance, and online recommendations.     

低质量-阻尼因子圆柱体的涡激振动预报模型

本文考查了在均匀来流中作横向振荡的圆柱体与周围流体之间的能量转移,由此建立了基于受迫振荡实验数据的弹性支撑圆柱体在均匀流中的涡激振动响应预报模型.根据此模型,分析了低质量-阻尼因子圆柱体的涡激振动响应特性.就水中圆柱体涡激振动响应特性相关的几个关键性问题进行了深入的讨论,包括响应振幅的决定因素、附加质量对锁定范围及响应频率的影响.正确理解这些问题对于深水立管涡激振动响应的有效预报至关重要.     

基于二阶自适应Volterra级数的船舶运动极短期预报研究

针对随机海浪作用下船舶运动的非平稳、非线性特性,文章提出了基于卡尔曼(Kalman)滤波原理的非线性二阶Volterra级数自适应预报模型.通过把Volterra级数核向量作为状态向量,利用随机游动模型建立系统的状态方程,一步Volterra级数预报模型作为系统的观测方程,从而进一步提高了Volterra级数模型的核估计的收敛速度.同时验证了利用AIC准则对Volterra级数预报模型定阶的可行性,通过迭代法实现了自适应多步预报.仿真结果表明文中提出的基于Kalman滤波算法的自适应预报模型应用于船舶运动极短期预报是可行的,该方法在理论和工程应用方面具有重要的意义.     

改进BP神经网络的城市交通流预测研究

由于交通流预测具有高度的非线性特点,这与BP神经网络能够处理非线性问题的特征相符合。但BP神经网络算法易使解陷入局部极小,而遗传算法的全局优化能力则恰恰可以克服这一缺点。文中将遗传算法应用于对BP神经网络模型的改进来对交通流进行预测。通过对预测数据与实测数据的比较分析,证实了改进后的方法更为有效。     

汽车驾驶员行为模式及其心理因素对可靠性的影响

综述了汽车驾驶员行为的三种典型模式，详细地剖析了汽车人机系统中驾驶员的行为特征，建立了驾驶员行为模式，并推导出计算驾驶员失误率的公式。应用交通心理学的基本观点，根据驾驶员失误的心理指标体系，结合实际交通事故案例分析，阐明了心理因素对驾驶员可靠性的影响及其程度。     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.     

热失重法在快速甄选汽油清净剂中的应用

阐述了依据清净剂及加剂汽油的热稳定性预测发动机沉积物控制的可行性.用热失重法(TGA)从8款清净剂中挑选两款特定热稳定性的清净剂,分别按规定浓度添加在汽油中对两台试验车进行1 200 km道路试验.结果表明,这两款清净剂控制CCD,IVD及PFID的实际效能与TGA预测效能基本吻合,因此认为TGA法能有效取代清净剂台架...     

灰色系统理论在桥梁劣化预测模型中的应用

根据辽宁地区桥梁承载力下降检测资料,应用灰色系统理论对在役桥梁劣化趋势进行分析,提出以时间与状态得分为等间隔初始序列,推导出桥梁劣化预测模型按指数分布表达式,并对检测序列进行分析验证,为桥梁劣化预测提供参考。