基于层次分析法(AHP)和多指标决策的物流园区建设序列研究

物流园区在物流业中占据至关重要的地位，对区域物流业发展和各项发展战略的实现意义重大。目前，对物流园区的评价工作可以分为3部分：物流园区总体布局社会经济评价、物流园区规划布局方案评价和物流园区建设序列论征。本文针对物流园区的建设序列问题，提出一种基于层次分析法(AHP)和多指标决策的评价方法及相应的评价指标体系，并进行了实际应用。     

基于路径优化算法的测试序列自动生成及验证

随着中国铁路运行控制系统的高速发展,列控系统行为功能的正确性与安全性成为业内关注的焦点,本文提出一套完整的测试案例与测试序列自动化生成的方法。制定与系统CPN模型、测试序列相关的定义;利用本文提出的全路径覆盖优化算法和序列优选算法生成XML测试序列;以CTCS-3级列控系统下RBC的切换为例,自动生成测试案例与测试序列,并在RBC测试平台上进行验证。结果表明:本文提出的测试生成方法可实现测试的自动化,针对RBC切换场景生成的测试序列重复度降低了75%,完全覆盖《CTCS-3级列控系统功能需求规范》中的相关内容。     

基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.     

基于Event-B的双机热备平台测试序列自动生成方法

为了确保双机热备平台满足相应的功能需求，需要对其进行功能测试。采用基于模型的测试方法，可以有效地避免人工手动生成测试中存在的不足，提高测试效率。利用Event-B方法对双机热备平台进行形式化建模，通过证明验证模型的正确性，并进一步利用Ll算法生成基于模型、满足平台测试需求的测试序列集，对于确保测试过程的完备性、提高测试效率有一定意义。     

任意Cantor 型随机函数序列随机和的一类局部极限定理

研究了对任意Cantor型随机函数序列随机和普遍成立的一类局部极限定理。利用条件期望的概念,采用测度的网微分法并运用纯分析运算得出了结论。作为推论,得到随机变量序列已有的经典强大数定律以及对任意随机变量序列普遍成立的强大数定律。     

考虑序列关联性的公路隧道沉降预测模型

准确预测公路隧道结构沉降数据对工程安全风险控制具有重要意义。针对传统自回归-滑动平均时间序列预测模型(Auto-Regressive and Moving Average)的单一线性问题,该文提出了考虑沉降数据空间关联性的向量-结构时间序列模型(Structural Vector Time Series)。该模型由向量式和结构式两部分组成:①向量式时间序列模型可模拟多维时间序列变量当期项与滞后项的关联关系;②结构式时间序列则建立多维时间序列当期项的关联关系。最后以上海某一公路隧道为工程案例,计算结果表明考虑空间关联性的向量-结构时间序列模型比传统时间序列模型预测精度更高。     

基于时间序列分析法的软土路基沉降预测研究

采用时间序列分析法，根据已有的路基沉降观测数据，建立模型，预测路基沉降的发展趋势。实例分析表明:利用该分析法预测路基沉降，不仅能避开软土路基复杂的力学性质，还可避开利用传统的路基沉降计算方法所用到的大量参数，而且建模比较简单，所得最终预测结果误差较小。     

基于BP神经网络算法和时间序列模型的气温预测方法

基于2022年亚太杯数学建模竞赛中关于全球气候变化问题的第一问展开研究，使用BP神经网络算法和时间序列模型预测未来全球气温达到20℃的年限，并对预测结果进行检验，结果表明时间序列模型预测精度更高。     

车间间距分布规律的研究

以我国混合车流作为高等级公路交通流的基本构成，分析了混合车流车型跟驶序列组合的概率；采用计算机模拟手段，得到了车头时距阈值与速度关系、不同跟车序列最小车头间距、车头间距与随机度关系和车头间距与流量关系；并通过随机度参数将微观和宏观参数整合为一体。     

去噪分析和分离变形预测在深埋隧道中的应用研究

隧道变形易诱发相应的工程问题,对其防治及预测已成为地下工程领域的热点问题。为提高隧道变形的预测精度,达到有效掌握隧道变形规律的目的,以某隧道为工程实例,通过对其监测数据的去噪处理,将隧道变形的原始序列分离为趋势项和误差项序列,并利用GA-BP神经网络和时间序列模型对两序列进行预测,又结合支持向量机模型对前者的预测误差进行修正,以保证预测精度。结果表明:在去噪方面,得出半参数优化卡尔曼滤波的去噪效果最优,其次是sym8小波去噪和奇异谱分析;在预测方面,得出分离预测能一定程度上提高预测精度,但效果不明显,而误差修正模型能很大程度上提高预测精度,综合得到本文预测结果的平均相对误差为1.08%。预测模型具有精度较高等优点,能为深埋隧道的变形预测提供借鉴。