改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

长梁山隧道F26断层施工超前地质预报

研究目的：在隧道施工中,准确预报施工前方地质条件,尤其是区域断层的规模、性质和影响范围,将影响施工质量、工期与安全。研究方法：在采用针对性地质调绘、掌子面素描、综合物探、水文长期观测等综合方法基础上,进行相关性分析。研究结果：采用节理相关性预报断层在洞内的出现里程位置,并推导出相关公式。研究结论：经施工验证F26断层采用的综合超前预报技术是合理的、有效的;运用节理相关性分析方法,预报了断层在洞内的出现里程位置;地质超前预报应针对地质特点,选取相应的预测预报技术。     

高速铁路列车间隔时间的计算方法

与普速铁路按固定闭塞方式组织列车追踪运行的控车模式不同,高速铁路由于装备了CTCS-2/3级列控系统和调度集中设备,故采取以车载信号作为行车凭证、按一次连续速度模式曲线监控高速列车运行的控车模式.基于高速铁路的这一控车特点,综合考虑列车的长度、运行速度、常用制动距离、安全防护距离、车站作业时间和闭塞分区长度等影响因素,借鉴普速铁路列车间隔时间的计算方法,给出高速铁路列车间隔时间(4种追踪间隔时间和7种车站间隔时间)的定义及其计算方法,为制定规范和统一的高速铁路列车间隔时间计算办法提供理论依据.     

青藏线格拉段5T综合预报关联TFDS信息的探讨

为提高车辆红外轴温探测系统THDS的兑现率,现以青藏线格尔木—拉萨段实施的5T系统预报为基础,关联TFDS信息,进行了热轴综合预报探讨。文中给出了关联TFDS信息的解决方案,应用效果良好。     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

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。     

基于元胞自动机的高速铁路列车群追踪运行仿真模型

为分析高速铁路列车在追踪间隔缩小时的运行状态,根据准移动闭塞系统原理,设置列车区间运行和车站运行的演化规则,建立准移动闭塞条件下基于元胞自动机的列车群追踪运行仿真模型。利用元胞自动机对京沪高速铁路线路"上海虹桥—南京南"运行图中追踪运行的10列车进行建模仿真,分析仿真结果验证到达间隔时间是制约追踪间隔的瓶颈,并得出后行列车满足追踪间隔4 min或3 min的情况下,其运行速度不受前行列车的干扰。     

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。     

列车晚点情况下的地铁运营调整自组织机制研究

在细致梳理他组织模式下的列车运行调整规则与策略基础上,引入智能体概念,借鉴“沙丁鱼群”运动效应,将邻近两列车间的运行时间距离划分为排斥间隔、协同间隔和吸引间隔,继而建立列车间的协同运动关系。运用仿真技术实现了晚点情况下的列车运行调整自组织算例,论证了自组织调整机制的有效性和应用性。