河南省物流业集聚对零售业发展的影响研究

通过分析河南省物流业聚集对零售业产生的影响,提出应加快物流业与零售业一体化的步伐,以促进物流业与零售业的协调发展。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法.速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控...     

面向PHM的高速列车谱系化产品技术平台开发和实践

为实现不同速度等级、不同运用环境下高速列车的快速设计、快速制造以及保证谱系产品的健康运营和管理,提出并构建由数据平台、设计平台、制造平台和健康管理平台组成的面向故障预测与健康管理(PHM)的高速列车谱系化产品技术平台.首先,剖析高速列车谱系化与健康管理平台的融合机制,集成零部件研制与使用阶段的研发数据;其次,从技术架构...     

基于Logistic和S曲线的交通量预测方法

分析了Logistic曲线和定标模型S曲线的特征和参数标定,提出了将这2种曲线模型结合起来的交通量预测模型,并应用于广东省国省道“十一五”规划公路网路段的交通量预测,取得了较好的预测结果。     

三维空间路线连续性衰退对公路安全性影响分析

为深入分析公路三维空间线形连续性衰退对事故频数的影响,采集广东省内3条高等级公路243 km道路设计资料,共1 768条有效事故数据,利用Tobit回归模型分析三维空间路线连续性衰退对公路安全性的影响.应用微分几何空间的基本理论,提出公路线形连续性衰退表征参数,利用Tobit回归模型对数据样本中单元内总曲率差(TCD)...     

基于自回归模型的船舶姿态运动预报

介绍了自回归时间序列分析法的建模预报原理,并给出了船舶纵摇运动预报应用实例。为检验船舶纵摇运动预报效果,还用船舶纵摇观测数据进行了仿真研究,将真实曲线与预测曲线比较,观察其拟合程度的好坏。实例分析表明,自回归预报算法简单且容易实现,预报精度约为4.6%左右。自回归时间序列分析法亦可用于船舶横摇、首摇等姿态的时间序列预报,该方法在工程中具有很大的实用价值。     

轨道车用塞拉门专利技术分析

随着交通强国战略的推进,铁路装备技术水平不断攀升,列车时速逐步增快,塞拉门作为保障列车运行安全的关键部件,亟须探索新的发展方向,提升整体性能。文章通过对国内外的轨道车用塞拉门相关专利技术进行统计分析,具体阐述锁闭技术、驱动传动、承载导向、密封和测试维护5项关键技术,探究本领域技术研发热点及空白区域,旨在为该领域的技术创新提供突破方向,为我国塞拉门的未来发展规划提供参考。     

考虑参数估计的MPC算法的商用车车道保持控制

设计了一种考虑参数估计的模型预测控制（MPC）算法的、智能辅助驾驶的商用车的车道保持算法,对于难以直接测量的质量和横向速度进行估计。建立车辆动力学模型和状态误差方程,通过扩展Kalman滤波（EKF）和递推最小二乘法（RLS）分别对车辆的横向速度、质量进行估计。基于估计得到的车辆参数,设计MPC车道保持控制器。构建硬件在环（HIL）仿真平台,设置不同的测试工况对车道保持算法进行了验证。结果表明：与普通MPC相比,在偏移回正工况中,车辆纠偏消耗的时间减少28.6%,并且超调量更小;高速路工况的横向位置偏差的均方根误差减小了4.2 cm。该方法提升了纠偏能力和跟踪精度,降低了传感器成本。     

基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.