市域铁路与城市轨道交通换乘站瓶颈识别与优化

采用静态评价与动态评价相结合的方法研究了市域铁路与城市轨道交通换乘站的瓶颈识别与优化问题。首先,分换乘方向确定了基于乘客换乘需求的换乘服务水平评价指标体系,结合熵权法建立了用于评价换乘站换乘服务水平的综合评价模型;其次,采用Anylogic仿真动态模拟乘客在车站的换乘过程,根据仿真结果及综合评价模型分析了换乘站的换乘服务水平,识别换乘站的能力瓶颈;最后,以犀浦站为例进行了分析,分析得到犀浦站的能力瓶颈是检票闸机、铁路售票机及铁路实名制验票机。仿真结果表明,该能力瓶颈识别方法对换乘站设备布局及流线组织有一定的参考意义。     

基于深度学习和监测数据的桥梁损伤识别方法

为了挖掘桥梁健康监测数据蕴含的大量隐藏信息,以及改进传统结构损伤识别方法的不足之处,提出了基于桥梁监测数据的损伤识别方法。从有限元模拟数据和实际监测数据中分别提取加速度响应,并对原始数据进行了预处理。通过卷积神经网络和栈式自编码网络分别对明州大桥监测数据的可视化图像和时间序列进行识别,同时与浅层神经网络方法的识别正确率对比。结果表明:基于深度学习和监测数据的损伤识别方法不论是通过图像识别还是通过时间序列识别,都表现出优秀的性能:识别正确率达85%以上。与浅层神经网络相比,深度神经网络的损伤工况分类能力更强,识别正确率提高20%以上。     

客运枢纽"人群迷路区"的快速识别与优化 ——以北京南站为例

为缓解大型客运枢纽因诱导服务不到位而产生的人流拥堵问题，采用室内WiFi 定位技术和Mysql获取行人交通流分布热力图，通过百度地图坐标拾取系统识别人流聚集区的具体位置。通过定义迷路人群的交通特征参数，提出“人群迷路区”概念；应用视频识别追踪技术，分析行人速度与加速度的方差，于人流密集区运用视频识别技术寻找“人群迷路区”。最后以北京南站为例进行实地调研，利用调研数据识别北京南站的“人群迷路区”。基于人群速度与加速度方差，“人群迷路区”被分为四类：单纯人流聚集区、因标识不足而产生的人群迷路区、因标识过于复杂而产生的人群迷路区、因商业设施或障碍物遮挡而产生的人群迷路区。同时提出加大商业活动监管力度、简化部分引导标识、增加其他交通方式换乘区域标识等优化方法，可使人群行进效率提高约25%。     

京乌国家高速公路山西段省界收费方案

针对京乌国家高速公路晋、冀、蒙三省路网、收费站建设和收费软件特点,综合考虑京乌主线车辆过收费站停车次数、改造工程投资和现有收费站利用情况等多方面因素,制定出最佳的三省建站方案、通行卡流转方案、费用拆分方案和跨省收费费率标准执行方案,有效地解决了京乌国家高速公路山西段约8.9 km公路的通行费收取难题,最后为该路段取消高速公路省界收费站工程提出进一步改造方案。     

基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

物联网船舶异常数据自动识别系统

物联网技术促进了船舶监控系统的数据采集、分析和处理效果,提高了船舶监控系统的性能。在船舶监控系统中,受传感器设备、船舶自身突发状况和外界突发响应等影响,系统的信号网络中往往存在某些异常数据,这些数据对于后续信号分析、处理等流程来说有不利的影响。本文针对这一问题,结合物联网技术设计了船舶监控系统异常数据识别的网关,并详细介绍了一种OCSVM异常数据识别的方法,在实际应用时取得了良好的效果。     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联，提出一种基于驾驶状态的危险路段识别方法，辨识和分析不同风格驾驶人具有潜在风险的路段，并提出优化方案。首先，通过实车实验采集驾驶人行为及生理指标数据，使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型，并依据行为特征对驾驶风格进行差异性 分析；其次，采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型，通过GPS(Global Positioning System)点位对应实现危险路段辨识，并基于驾驶风格差异，从驾驶人感知、操纵与生理角度对危险路段进行致因分析；最后，将生理与道路线形作为优化参考，以车速建议为着力点进行多元回归分析，并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型，3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段；海拔提升可加速危险驾驶状态的出现，各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长，激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张；下行时，谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态，激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求，为线形设计与交通管理措施制定提供理论依据。     

多尺度稀疏电能质量扰动识别方法

针对传统电能质量扰动识别中存在数据量大、扰动特征依赖主观选择的问题，提出一种多尺度稀疏电能质量扰动深度识别方法. 首先，构建电能质量的多尺度稀疏模型，通过对扰动信号平稳小波多尺度变换获得扰动的低高频信息；然后，对其压缩采样获得降维的测量数据，并在此基础之上，应用正交匹配追踪算法求取各层稀疏系数组成稀疏向量，将稀疏向量输入深度置信网络，实现扰动的智能识别；同时，为进一步提高网络识别的准确性，采用交叉熵算法完成对网络隐含层数、学习率等参数寻优；最后，为验证所述方法的有效性，针对几类典型的单一扰动和复合扰动信号进行大量仿真试验. 结果表明:在理想环境和噪声环境下，针对七类典型单一扰动，平均识别率达到99.0%和96.71%以上；针对13类多重扰动，平均识别到达97.69%和94.62%以上.