SP调查的非集计模型在水上巴士交通中的应用

非集计模型近年来在交通模型的研究领域受到较多关注.主要讨论了未建交通系统中意愿调查方法的使用,以及如何在意愿调查数据的基础上建立非集计模型并进行客流需求分析.着重对基于SP调查的非集计模型在黄浦江水上巴士交通客运交通系统中的应用进行了研究和探讨,介绍了黄浦江水上巴士交通的SP调查以及其他相关调查,建立了非集计模型用于水上巴士交通服务模式选择和需求预测,对上海市水上巴士未来客流增长空间进行了判断.指出非集计模型适用于具体的小规模的有针对性的规划设计项目,SP调查的设计以及调查数据的采集是非集计模型建立的关键,基于SP调查的非集计模型可用于未建交通系统的服务模式确定、客流需求预测等方面.     

用桩加固浅基础的力学模型研究

对用桩加固既有铁路桥梁中浅基础常用计算方法进行比较,认为此类结构应考虑承台结构的变形,并提出了合乎实际情况的力学模型。实例计算与比较分析结果表明,由于用桩加固浅基础时其承台结构的特殊性,竖向荷载对桩身弯矩有较大影响。此外,给出了考虑承台变形和竖向荷载的影响时,浅基础用桩加固的力学模型计算公式。     

重庆轻轨较新线二期工程简支PC轨道梁设计

该文介绍了重庆轻轨较新线二期工程简支PC轨道梁设计情况,并与一期工程的设计进行了比较,对轨道梁的设计思路进行了探讨。     

发动机系统可靠性分析与评估

针对发动机试验昂贵以及试验条件无法真实再现发动机使用环境的情况,提出利用“三包”信息作为评估发动机使用可靠性的数据源。以发动机完整数据服从的NHPP模型为基础,结合“三包”信息普遍存在的删失现象,提出新模型;该模型既适用于完整数据,也适用于删失数据。实例证明,利用该模型计算的参数与实际统计结果的误差小于2%,最后评估得到发动机的可靠性水平。     

乙醇/柴油发动机醇醛排放的测试技术研究

为了测量乙醇/柴油发动机新的排放物——乙醇和乙醛,对气相色谱分析测试技术进行了研究。通过对不同采样方法和采样条件的比较分析,确定了以去离子水作为吸收液的冰水浴两级吸收采样方法,实现了对发动机尾气中乙醇和乙醛的采样,吸收效率大于96%;通过引入采样系统稀释系数、流量校正系数和吸收效率修正系数的理论计算,提高了测量的准确度;建立了一套完整的色谱分析方法和色谱标定方法,利用气相色谱仪实现了对样品中乙醇和乙醛的分离定量测试;整个测量系统对排气中的乙醇和乙醛检测限值为0.1×10-6,最大极限误差为0.5×10-6,并在一台实际乙醇/柴油发动机上进行了应用。     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于ARIMA模型的极端事件下铁路货运量预测研究

合理预测货运量是铁路部门制定列车开行方案及组织管理的基础,在类似突发疫情这种极端事件时,准确预测铁路货运量的数据与变化趋势对铁路工作的开展有重要的参考意义.建立ARIMA模型,利用2010年1月—2020年1月的铁路货运量正常数据与疫情突发后2020年2月的异常数据,对2020年3—10月的铁路货运量进行预测.结果表明...     

基于改进委托-代理模型的船舶碳减排政府激励效用建模与分析

目前碳减排激励措施主要考虑碳定价、碳税、船舶航速降低激励等,尚未针对实施碳减排的船公司给予合理补贴激励。由于船公司运行模式、减排思路、资产组成等方面与普通企业的差异,传统委托-代理模型假设无法满足航运业背景下对政府激励效用的需求,需对现有委托-代理模型进行针对性改进。为实现政府以有限基金达到社会效用最大,同时满足船公司付出最优努力获得最大收益,考虑持风险规避态度的船公司碳减排效果外生不确定性,提出船舶碳减排政府激励效用模型,根据政府能否完全观察到船公司的减排努力程度,分别在信息完全与信息不完全条件下,以政府和船公司自身收益效用最大为优化目标,求解政府最优奖惩系数和船公司碳减排最优努力程度,分析政府对船公司进行规制的最优激励合约问题,以及决定船公司碳减排内外部因素的参数对政府给与船公司的最优激励及相关参数的影响。结果表明：最优激励系数伴随外生随机变量方差和绝对风险规避系数的增加而加速下降至缓慢降低,当外生随机变量方差为8和绝对风险规避系数为4时,下降速率趋至平稳,此时,船公司对选择碳减排的风险厌恶程度极高,对实施碳减排的抵制心理十分强烈;成本系数和减排努力水平影响系数同时影响船公司实施碳...     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...