基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

调距桨轴内油管强度和疲劳寿命分析

对调距桨传动轴内的油管工作状况和受力情况进行分析,对4个关键工况(正车、倒车、稳态1和稳态2)进行较详细的应力和强度计算;根据3S-S-N线图对油管疲劳强度进行可靠性分析;最后,通过油管试样的疲劳试验数据估算油管的S-N曲线,从而进行疲劳寿命预测.文章所采用的方法可为调距桨轴内油管的强度设计和使用寿命计算提供参考.     

基于地层损失的复合地层盾构隧道施工沉降研究

盾构隧道施工诱发地面沉降的影响因素较多,但主要因素可归结为地层损失引起的地层变形。基于现有地层损失的理论,对引起地层损失的注浆过程进行模拟,依此研究复合地层盾构隧道施工对地层沉降的影响。研究结果表明:隧道贯通时,土体最大沉降和隆起区域分别位于隧道拱顶和拱底;浆液的硬化会对地表和拱顶的沉降速率产生影响,当浆液弹性模量达到最终硬化的75%时,地表和拱顶的沉降速率达到最大值并开始逐步减小;地表和拱顶沉降随浆液的逐步硬化而趋于稳定,且拱顶沉降趋于稳定的速率更快。     

城市轨道交通客流预测宏观指标统计分析这篇中文摘要写得很空泛，不太容易看出论文要点

城市轨道交通客流预测作为需求分析的有效技术手段,其预测结果的可信度和有效性将直接影响决策的精准度,重要性不言而喻。通过对北京、上海、广州、深圳、成都、南京等20余座城市的轨道交通现状运营数据进行全面整理与归纳,系统阐述网络客流、线路客流、车站客流的诸多特征,从负荷强度、网络平均乘距、线路平均运距、换乘系数、断面高峰小时系数、断面不均衡性、换乘客流量级分布、车站超高峰系数等客流预测关键技术指标进行特征探讨与规律总结,以期协助模型工作者更好地把握预测结果的合理性。     

融合RCM、PHM和数据挖掘的城市轨道交通车辆维护决策技术研究

提出了一种用于轨道交通车辆系统维修决策的RCM(以可靠性为中心的维修)可靠性评估的新方法。针对轨道交通车辆系统故障机理复杂,影响因素冗多,提出基于RCM、PHM(故障预测与健康管理)和数据挖掘算法相融合的方法来构建系统的维护决策模型。与传统方法的区别在于,该方法能够更精准地定义维护模型,并获得系统的最优维护间隔,计算效率高,适用于复杂状态系统的可靠性计算。该方法可有效降低传统RCM的维护不足现象,降低运维成本,具有一定的推广应用价值。     

城市轨道交通精细化客流预测系统设计与实现

针对大部分客流预测系统存在预测客流指标不全,时空粒度较粗,多场景的适用性不足等问题,以大规模网络化运营的城市轨道交通精细化客流预测需求为研究对象,分析适应多场景铁路网客流预测实现方法,利用Hadoop、Spark&Hive、Redis、微服务、H5等先进技术搭建客流预测大数据平台,实现铁路网交通出行量(OD,Origin Destination)的精细化客流功能,为调度指挥和客运管理提供进站、出站、换乘、断面客流量等全指标、精细化时空粒度的客流预测数据支持,提升轨道交通调度指挥针对性、客流组织合理性和客运服务水平。     

铁路供电故障预测与健康管理大数据平台方案研究

铁路供电故障预测与健康管理(PHM)系统是以大数据技术为核心,以供电管理信息系统、6C数据中心、SCADA系统为支撑,按照国铁集团-铁路局-供电段三级管理架构进行设计和建设的供电设备大数据分析管理平台.基于大数据框架的PHM系统涵盖针对高速铁路接触网和牵引变电所的PHM技术方案,在多时空尺度上实现铁路供电故障预测与健康指标评估,全生命周期可靠性、可用性和可维修性的可视化分析和风险评估,以及优化维修决策.本文阐述了铁路供电故障预测与健康管理大数据平台方案的基本设计原则和系统架构,并对该平台涉及的关键技术和系统重要功能进行了探讨.     

铁路绿色施工节地与土地资源保护措施评价

为了更好地促进绿色铁路建设,进而促进国家实现建设资源节约型环境友好型社会的目标,必须对施工阶段铁路的节地与土地资源保护措施进行评价。通过研究相关技术标准及铁路施工特点,建立一套完善的铁路绿色施工节地与土地资源保护措施评价指标体系。然后,利用三角模糊数层次分析法确定各指标权重,应用灰色聚类法确定评价指标体系的综合绿色等级。最后,结合实例证明三角模糊数层次法与灰色聚类法结合可以对铁路绿色施工节地与土地资源保护措施进行很好的评价,并能找出铁路施工阶段节地与土地资源保护的不足之处并进行改进。