基于BP神经网络的厦门港集装箱吞吐量预测研究

厦门港是我国东南沿海的集装运输基本港口.集装箱吞吐量的预测是港口制定发展规划的重要依据.在研究了常用的输入数据归一化方法之后,提出了新的归一化方法.该方法能加快BP神经网络的训练速度并提高精度.运用BP神经网络建立了厦门港集装箱吞吐量预测模型,并计算出2020至2024的集装箱吞吐量预测值.无论从拟合值,还是预测值检验来看,该方法都具有很高精度.     

内贸海轮进出长江驾引力量需求预测研究

针对目前长江内贸船舶压港、滞港现象,运用灰色系统预测GM(1,1)模型对长江内贸船舶进出港艘次进行预测,进而求得未来几年内贸驾引力量需求数量。结果表明,未来几年长江内贸驾引力量需求数量巨大,驾引力量短缺严重。     

2010年前3季度发动机活塞市场分析及四季度预测

受汽车和发动机市场增幅的拉动,2010年1-9月发动机活塞市场亦跟着“水涨船高”,整体呈现了快速增长的良好态势,活塞企业产品和市场结构转型升级步伐加快。由于2010年四季度中国经济仍将保持平稳增长,2010年10—12月发动机活塞市场继续保持稳定增长趋势,全年发动机活塞市场发展曲线呈“烟斗型”。     

基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

软土盾构隧道施工阶段上浮量预测综述

随着我国各大城市地铁和江河海底盾构隧道的兴建,施工过程中管片上浮问题已成为当前亟待解决的关键技术问题。首先,从上浮作用机理、横纵向刚度联系、上浮力分布规律以及上浮计算模型方面综述国内外研究现状及存在的问题。其次,在已有研究成果基础上,提出可进一步研究的思路和方向。主要包括:(1)将浆液充填、渗透视为连续过程,探求浆液黏度时变性下管片上浮力分布规律和计算公式;(2)摒弃了传统等效刚度模型和"梁-弹簧"模型,提出横、纵向折中的"局部刚度修正梁-梁"模型;(3)指出弹性地基圆梁法和修正惯用法不适用于分析盾构隧道施工阶段上浮问题,提出抗力反转局部上浮计算模型;(4)考虑浆液时变性、地应力、上浮力以及上覆地层反向压缩特性等因素,创建基于等效刚度或"局部刚度修正梁-梁"思想的盾构隧道整体上浮计算模型。最后,对如何实现给出相应建议。     

隧道变形预测的灰色与回归模型对比分析

模型预测法是目前常用的隧道围岩变形预测的方法之一。文章结合广梧高速公路茶林顶隧道工程实例,建立GM（1,1）灰色模型、GM（2,1）灰色模型和双曲函数回归模型分别对隧道围岩变形进行预测,并对各模型的预测情况进行对比分析。结果表明,不论是从短期还是从长期看,GM（1,1）灰色模型都体现了优越的模拟和预测效果,且建立预测模型时不需要大量的统计数据,可应用于工程实际。     

走锚预报数学模型

本文通过对锚泊船进行受力分析和受力计算，应用船舶操纵基本方程，建立了风流浪等外力作用下，锚泊船在浅水、低速、大漂角中的运动方程。通过对船舶运动与锚链受力及锚链受力与锚抓力之间的关系进行研究，提出了一般运输船单锚泊时，在设定的海况下进行走锚预报的数学模型。并利用计算机对实船进行模拟计算，取得了与实际情况比较符合的效果。本文对研制开发走锚预报器提供了理论依据，对于提高锚泊安全性作了一种新的尝试。     

重载铁路轨道高低不平顺预测研究

轨道不平顺严重威胁铁路行车安全和设备的使用寿命。研究轨道高低不平顺的变化特点和劣化规律对重载铁路轨道维修管理有重要指导作用。基于灰色区间预测建模理论,研究重载铁路轨道高低不平顺变化特点和劣化规律,预测轨道高低不平顺未来的发展情况。为验证预测模型的有效性,采用神朔铁路上行10个高低超限病害高发单元区段的共17个月的历史轨道高低不平顺检测数据进行验证。结果表明:该模型拟合和预测效果良好,对神朔铁路轨道的养护维修管理有着重要意义。     

Prediction of aircraft performances based on data collected by air traffic control centers

Accurate prediction of aircraft position is becoming more and more important for the future of air traffic. Currently, the lack of information about flights prevents us to fulfill future demands for the needed accuracy in 4D trajectory prediction. Until we get the necessary information from aircraft and until new more accurate methods are implemented and used, we propose an alternative method for predicting aircraft performances using machine learning from historical data about past flights collected in a multidimensional database. In that way, we can improve existing applications by providing them better inputs for their trajectory calculations. Our method uses flight plan data to predict performance values, which are suited individually for each flight. The results show that based on recorded past aircraft performances and related flight data we can effectively predict performances for future flights based on how similar flights behaved in the past.     

Prediction of ground vibration amplitudes due to urban railway traffic using quantitative and qualitative field data

The growth of railway transport in urban areas has lead to an increase in ground vibrations enhancing their negative environmental impact. Therefore is mandatory to predict and control ground vibrations. This work presents a methodology for the determination of prediction models of ground vibration amplitudes due to railway train circulation in urban environments. Using quantitative predictors (train speed and distance) and qualitative predictors (railway track type, dominant geology and building type), being the use of the latter predictors justified by the fact that, most frequently, quantitative parameters are very difficult to obtain in the urban environment due to their characterization. Thus, a detailed statistical study based on the proposal and validation of multiple linear regression models, is successfully applied in order to predict vibration amplitudes produced by railway train circulation, in the considered domain, as function of quantitative and qualitative predictors, easily obtained in field work. A multiple linear regression model for ground vibration prediction due to underground railway traffic has been presented for the Lisbon area.