基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。     

基于随机Petri网的GSM-R越区切换成功率的形式化分析

首先建立了基于随机Petri网的GSM-R越区切换模型,在模型中综合考虑了信道故障、信道占用和越区切换参数配置不合理等影响越区切换成功率的因素.其次,说明了随机Petri网与马尔可夫链的关系,以及使用马尔可夫链分析“GSM-R越区切换的随机Petri网模型”的方法.最后,利用SPNP工具分析了影响GSM-R越区切换成功率的因素,发现GSM-R小区预留信道越多,越区切换成功率越高;列车运行速度越高,越区切换成功率越低;在一定范围内,列车追踪间隔越大,越区切换成功率就越高     

山区灾害的链生效应

以山区灾害的发生为核心并结合链式理论进行分析,揭示山区灾害的链生效应。我国大部分山区位于西部,其地质结构的不稳定性决定灾害的多发性、复杂性。准确把握山区灾害的形成机理,将成为山地居民生产生活和国家重大工程建设的安全保障,也是国家实行可持续发展的核心。     

浅谈益阳茅草街大桥端横梁及边拱肋支架技术

结合益阳茅草街大桥端横梁及边拱肋支架技术,阐述了现浇混凝土构件的有支架施工工艺。     

连续油管注入头传动链的结构设计与分析

连续油管注入头的传动链由于受到夹持机构的夹持力作用,使得通用传动链结构无法满足使用要求．根据连续油管注入头链节的受力形式,设计了一种专用的传动滚子链结构,同时对链节结构的装配工艺进行了分析,并且应用了ANSYS软件对所设计的链节结构的关键件进行了有限元分析,分析结果表明所设计的传动滚子链结构能够满足连续油管注入头的使用要求．     

基于活动的旅游出行链选择行为研究

通过对在京旅游的游客进行调查,以游客的个人属性和出游属性作为影响因素,将游客对不同类型活动的时间分配作为前提,对游客的出行链选择行为建立了Multinomial Logit模型。模型分析表明:年龄、职业、出游时间、是否本地游客、对景点是否熟悉以及游客对活动时间的分配等均对出行链选择有显著影响;模型具有较高的精度,为游客出行预测提供了理论依据。     

独塔空间索面自锚式悬索桥主缆线形分析

采用节线法计算理论和分段悬链线理论,分别计算了一座独塔空间索面自锚式悬桥梁主缆成桥线形坐标。结果表明了两种方法的可行性,能够满足工程计算精度要求,同时通过计算过程及结果对比分析,指出两种方法的优缺点。     

基于支持向量机的出行链活动类型识别研究

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

基于出行链的OD扩样方法研究

现状OD出行矩阵是分析城市居民现状出行特征的基础,也是未来出行分布模型标定的基础．本文借鉴出行链的理论研究成果,按照出行链的主要个体影响因素对不同属性的抽样数据分别进行扩样,在一定程度上消除了传统扩样方法的弊端,也提高了扩样过程的可理解性．同时,为保证该扩样方法具有可实施性,文中提出了构建城市街道的GIs平台、改进抽样方法、构建扩样系统和统一调研时间等四项措施,旨在进一步增加不同样本类别间抽样率的差别,提高扩样结果的质量．文章结尾进一步说明该方法在运用过程中需要同时注重出行链成果的更新和相应数据库的建立．     

山区柔性吊桥主缆线形计算方法研究与应用

对悬链线方程的参数通过数值迭代求解而确定.通过实例分析比较山区柔性吊桥主缆曲线参数方程选取抛物线相对于悬链线计算主缆索长的误差值.当矢跨比f/l较小时,误差值相对较小,为简化计算,可用抛物线近似替代悬链线.但若矢跨比f/l较大时,则应采取措施来解决计算误差问题,建议使用悬链线参数方程计算主缆索长.