用改进GM(1,1)模型对软土路基预抛高的计算

软土路基预抛高的计算是高速公路建设过程中的一个重要环节.利用改进的GM(1,1)模型对实测沉降资料进行分析、计算抛高值,并与三点法计算结果及实测沉降进行了比较,证明了该法在工程实践中有一定参考价值.     

灰色模型及其在经济预测中的应用

一、灰色系统及其特点 近年来，灰色预测理论在许多领域得到了广泛关注，它能够有效处理不确定性显著和数据样本较少的系统，因此得到了越来越广泛地应用。     

公路工程可行性研究中的交通量预测方法探讨

从公路项目交通预测特点出发，提出了预测工作的基本思想，工作程序，重点介绍了基于现状ＯＤ调查资料，采用宏观控制指导微观观测的６种基本方法。     

大断面隧道分部开挖引起地表沉降的随机介质预测方法研究

大断面隧道在不良地质地段常常采用分部开挖方法，各分部依次开挖，相互作用，地表沉降预测较为困难。应用随机介质理论，首先推导出任意单元开挖引起的地表沉降公式，然后将直角坐标系转换到局部极坐标系下进行积分计算，由此推导出任意一段圆弧收缩引起的地表沉降公式，通过圆弧叠加最终得到大断面隧道分部开挖引起的地表沉降预测公式。该方法应用于国内第一条三车道大断面海底公路隧道厦门翔安隧道陆域全强风化地段分部开挖引起的地表沉降预测，与实测数据对比，效果较好。     

近10年来我国轿车市场回顾及展望

回顾过去的10年,我国轿车市场的消费结构及产销情况都发生了巨大的变化。文章对2000—2009年各年度的轿车市场状况进行了回顾与分析,阐述了各年度轿车市场的特点及各品牌轿车的贡献。指出从2009年上半年我国轿车市场的运行状况来看,2010年我国轿车产销量还将保持较快增长态势,但增幅小于2009年,增幅将在20%左右;2010年将迎来我国新能源汽车发展的元年。     

生长曲线模型在高速公路诱增交通量预测中的应用

诱增交通量是新建高速公路项目交通量的重要组成部分，是高速公路项目前期可行性研究交通量预测分析工作的重点和难点。本文在总结分析诱增交通量的形成机理、内在特点和增长规律的基础上，以罗定至岑溪高速公路（粤境段）为例，着重介绍了生长曲线模型在高速公路项目诱增交通量预测中的应用。     

公路养护与管理浅析

公路养护的基本要求 公路养护是指通过管理数据库和有效的道路、桥梁评价预测系统，建立优质高效的机械化养护方式，同时．不断采用新技术、新工艺，以最经济的方式保证路面平整、畅通．     

约束广义预测在列车横向半主动悬挂系统的应用

针对机车车辆建模复杂,难以进行有效控制的问题,提出了基于约束广义预测控制的机车车辆半主动悬挂控制系统设计方法.广义预测控制具有模型精度要求低、鲁棒性好等特点,加入约束条件的广义预测控制系统,可有效解决控制系统复杂性与模型精度的矛盾,并适用于控制系统输出量有约束的情况,仿真表明该控制系统能有效提高提速车辆的运行平稳性.     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

基于SVM-KNN的降雨条件下短时公交客流预测

为了提高降雨条件下短时公交客流的预测精度,提出一种基于SVM-KNN的短时公交客流预测模型.分析了降雨天气与公交客流的相关关系,揭示不同降雨等级对公交客流量的影响.进一步发挥支持向量机(SVM)的快速归类和K近邻算法(KNN)的高预测精度的优点,提出了基于SVM-KNN的短时公交客流预测模型.具体方法为:用SVM训练少量数据生成子数据库,随后采用KNN识别相似模式预测短时公交客流.通过采集深圳市南山区4条公交线路降雨条件下的客流数据进行算例仿真,验证了模型和算法的有效性.结果表明,SVM-KNN算法的综合平均绝对误差(MAE)为8.437,综合均方误差(MSE)为10.725,综合平均相对误差(MAPE)为8.8%,综合均方相对误差(MSPE)为11.3%,比常用的RBF模型的MAE,MSE,MAPE及MSPE各类误差分别降低了3.646,3.631,4.6%,5.5%.