基于时间序列分析的变形数据预测

变形监测对于建筑物的安全运营具有重要作用.结合工程实际,采用时间序列模型对变形数据进行建模预测,结果表明,时间序列分析在短期数据预测中精度较高,随着预测时间的增加,预测精度逐渐下降;建模数据越多,模型精度越高;同时,建模数据变化越平稳,数据预测效果越好.     

铁路突发事件应急救援设备调度优化研究

铁路突发事件具有不确定性、灾难性及救援时效性等特点,其应急救援资源的调度优化关系到救援工作的顺利开展。基于对铁路突发事件种类及其应急救援资源需求的分析,提出静态应急救援能力需求条件下的设备调度问题,建立最小化应急救援结束时间和调度费用的双目标优化模型,出于对应急救援工作时效性的考虑,设计以应急救援结束时间优先的两阶段启发式算法。算例表明:采用该启发式算法制定的应急救援设备调度方案优于先到先参与的调度策略,能够在不影响救援工作结束时间的前提下,有效地节省设备调度费用。     

图像特征识别的m序列列车定位方法

提出一种图像特征识别的m序列列车定位方法,利用m序列(最大周期线性反馈移位寄存器序列)对轨道上的绝对位置进行编码,系通过安装在列车顶部的摄像机依次拍摄由二进制特征标志组成的轨道位置编码。提出基于虚拟轨迹获取目标图像方法,解决同一二进制特征标志重复采集的问题;提出基于BP(向后传播)神经网络的位置编码识别方法,以处理轨道现场环境干扰严重的问题。不同位置上的编码具有唯一性,以此位置编码值作为地址与车载数据库位置信息进行对比,来实现定位。试验结果表明,该方法可以有效地实现列车定位。     

基于最大Lyapunov指数的铁路货物运量预测研究

根据混沌理论具有分析非线性动态系统混沌特性的特点,对货物发送量相关时间序列进行了分析和研究。本文在Takens相空间重构的基础上,利用C-C方法求嵌入时延与嵌入窗、G-P方法求嵌入维数;应用小数据量法计算铁路货物发送量相关时间序列的最大Lyapunov指数,并进行混沌特性分析,结果显示:货物发送增长量和增长率符合混沌特性,货物发送量不符合混沌特性;利用基于最大Lyapunov指数方法和BP神经网络方法对1999年1月到2013年4月共172个月的铁路货物发送增长量和增长率进行预测,预测结果表明基于最大Lyapunov指数预测值能够较好地与实际值相吻合,其预测的准确度明显好于BP神经网络预测值,因而混沌理论中的最大Lyapunov指数预测在货物发送量相关时间序列预测中有广泛的实用价值。     

非等距高差序列GM(1,1)模型在索塔监测数据处理中的应用

GM(1,1)模型用于贫数据建模问题,但是传统的GM(1,1)模型是基于等距时间序列,对于数据量少且是非等距非时间序列建模问题就成为一个难题。为了探索在实际工程中应用非等距非时间序列的GM(1,1)模型的可行性,本文以鄂东大桥索塔监测数据处理为实例,提出非等距高差序列的GM(1,1)模型,并进行了模型精度分析。     

高等级公路景观序列构成研究

公路尤其是高等级公路景观越来越引起人们的重视,景观序列构成是公路景观研究的重要内容。本文介绍高等级公路景观序列的涵义和遵循的原则,并重点对公路景观序列构成的形式和内容进行详细分析,最后给出了工程实例。     

基于层次分析法(AHP)和多指标决策的物流园区建设序列研究

物流园区在物流业中占据至关重要的地位，对区域物流业发展和各项发展战略的实现意义重大。目前，对物流园区的评价工作可以分为3部分：物流园区总体布局社会经济评价、物流园区规划布局方案评价和物流园区建设序列论征。本文针对物流园区的建设序列问题，提出一种基于层次分析法(AHP)和多指标决策的评价方法及相应的评价指标体系，并进行了实际应用。     

基于路径优化算法的测试序列自动生成及验证

随着中国铁路运行控制系统的高速发展,列控系统行为功能的正确性与安全性成为业内关注的焦点,本文提出一套完整的测试案例与测试序列自动化生成的方法。制定与系统CPN模型、测试序列相关的定义;利用本文提出的全路径覆盖优化算法和序列优选算法生成XML测试序列;以CTCS-3级列控系统下RBC的切换为例,自动生成测试案例与测试序列,并在RBC测试平台上进行验证。结果表明:本文提出的测试生成方法可实现测试的自动化,针对RBC切换场景生成的测试序列重复度降低了75%,完全覆盖《CTCS-3级列控系统功能需求规范》中的相关内容。     

城管以非法营运处罚司机1万元的多重悖论

编辑同志： 1月19日，保定雄县老板高志新送为自己打工的一对河南周口籍民工夫妻到霸州火车站乘火车返乡。高师傅说：”本想做件好事．没想到却因此被霸州市城管局以。非法营运‘为名罚款一万元．自己成了天底下最冤的‘冤大头’了。”（据1月22日《山东商报》     

基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.