基于时间序列的桥梁健康监测信息分析

文章针对桥梁健康监测信息的时间序列具有季节、循环等非平稳状态的特点,提出了消除时间序列趋势项和平滑处理的信息处理方法,并结合重庆马桑溪长江大桥的工程应用实例,验证了该方法能够有效地剔除混杂在信号中的噪声干扰,减少测量数据的误差,为进行桥梁安全评估提供可靠的数据。     

带时间窗的混和车辆路径问题的优化算法研究

文章针对带时间窗约束的混合车辆路径问题的特点,建立了带时间窗的混合车辆路径问题的数学模型,并设计了变邻域禁忌搜索算法对该问题进行求解。通过标准算例测试及与现有文献计算结果的比较,验证了该算法的有效性。     

时间序列分析在桥梁应力监测数据预警中的应用

目前国内越来越多的干线公路桥梁部署实施了安全监测系统,开展针对包括应力在内的桥梁结构各类响应的监测,海量的监测数据在记录桥梁状态、损伤的同时,数据处理及及时的结构预警也成为了管理者的难题。为此,将数据挖掘中时间序列分析方法引入到桥梁应力监测数据分析中,提出了基于时间序列分析的桥梁应力监测预测,为桥梁应力监测数据处理和预警提供了新思路。     

基于时序分析的桥梁健康监测数据预测研究

为了发现桥梁在使用过程中所存在的隐患并且把桥梁运营结构状态预测得更加精准,确保桥梁结构使用的安全性能,以沈阳环城高速公路某立交桥梁健康监测作为依托的背景,根据现场大量的位移、应变实时监测的桥梁数据,利用ARMA时间序列预测模型的分析方法,建立预测函数表达式。分析结果显示,修正后的预测函数表达式给出的预测值与传感器采集的真实值比较,误差小、预测结果准确,结果符合预期要求。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

基于LightGBM算法的公交行程时间预测

在城市公交网络运行中,公交车的站点间行程时间会受到道路和环境条件的影响. 本文对公交车运行过程中的车辆速度特征、道路特征及天气特征等进行了分析.建立了基于特征的 LightGBM (Light Gradient Boosting Machine)公交行程时间预测模型,通过调整 LightGBM算法中的相关参数,以分配各个影响特征和因素的权重大小.然后利用天津市某条公交线路 24天的公交车 GPS数据对模型进行了训练和验证,并与基于历史平均值和卡尔曼滤波的行程时间预测模型进行对比.比较结果表明,LightGBM模型在 MAE (Mean Absolute Error)和 MAPE (Mean Absolute Percentage Error)这两个指标上均大幅度优于其他两个模型,说明 LightGBM模型在公交车行程时间预测上具有很好的稳定性和应用前景.     

城际出行链视角下的高铁可达性分析

为探究“门到门”视角下的高铁服务能力,本文从高铁城际出行链视角出发,以成渝间城际出行为例进行实证分析。利用百度地图API获取市内衔接交通出行时间,对同城高铁车站可达性进行评价;综合考虑市内出行和城际出行,选取面积和人口覆盖率指标,建立城际高铁可达性计量模型。结果表明：高铁车站衔接交通行程时间圈层结构显著,受到城市交通网络和出行方向的影响;城际高铁可达性不仅与衔接交通出行模式的相关,还受到发车站选择的影响,可通过优化列车接入站方案来提高整体可达性。     

车辆合乘问题的两阶段分布式估计算法

针对智慧交通中多车辆合乘问题,提出一种分布式并行计算环境下的合乘模型. 利用合乘概率矩阵的先验知识,实现更高效的运算和求解.当合乘概率矩阵不是单位 矩阵时,合乘模型被增广为车主合乘和乘客合乘两个阶段.两阶段分布式估计算法运用可行合乘解的合乘概率矩阵,作为一种随机优化方法求解最优值.根据可搭乘矩阵初始化合 乘概率矩阵,并在优化过程中连续更新合乘概率矩阵.车主同乘客分离优化,减少了出行车辆,并实现了互相搭乘的合乘模型.通过合乘模型的优化迭代能够为乘客挖掘出高效可 行的搭乘路线.实验结果表明,该合乘模型具有平均等待时间少、平均载客量大、人均行驶 距离短的高效出行特点.     

基于手机话单数据的通勤出行特征分析 ——以深圳市为例

通过手机话单数据提取用户的出行特征具有可行性.然而,手机话单数据的稀疏性对提取居民出行时间特征造成困难.通过对深圳市手机话单数据的挖掘分析识别居民职住地,得到居民特征通勤序列,进而基于早、晚不同情况对居民通勤特征进行描述和分析.对比分析显示,通过手机话单数据得到的居民通勤距离和时间特征与居民出行调查结果较为一致,说明该方法可用以描述居民通勤特征.研究表明,深圳市居民通勤开始时间受通勤距离影响不大,大于10 km的中长距离通勤出行对应的平均通勤时间维持在一个比较稳定的值(45~50 min).     

基于元胞自动机的动态路段走行时间计算模型

为建立合理的动态交通网络中路段走行时间模型,分析了动态路段走行时间函数的一般形式,对比国内外常用的几种离散型动态路段走行时间函数,基于元胞自动机交通流模型,建立了动态路段走行时间模型。模型可以根据实际路段驶入率、驶出率,推算出任意时刻进入路段车辆的走行时间,并利用M atlab对模型进行求解和数值分析。结果表明,车辆进入路段后的交通状态是动态路段走行时间的主要影响因素;根据累积驶入驶出车辆数曲线可以直接求出动态路段走行时间,能够为动态交通网络中路径走行时间求解奠定基础。