基于广义回归神经网络的公路货运量预测方法研究

公路货运量受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述.采用广义回归神经网络(GRNN)对货运量进行分析及预测.通过对1995～2003年南京市公路运量的历史数据进行分析和处理,对网络进行训练和拟合,用2004～2005年的实际数据进行模型检验,结果证明了GRNN用于货运量预测的有效性.     

集对分析的灰数决策法在交通规划中的应用

用灰数表示决策信息是合理的.通过构造灰数意义上的决策值与比较域,利用集对分析的相对性,在与同一、对立(最优、最劣)目标接近程度意义上构造了决策值与比较域间的集对联系数.引入了集对联系数中同一度和对立度间相互关联的集对势的概念,利用集对势的大小对方案的优劣进行排序.作为集对分析和灰数的结合,建立了基于集对分析的灰数多指标决策模型.最后,以实例验证了该模型的有效性与实用性.     

城市干道系统交通事故预测模型研究

以哈尔滨市干道路网为研究对象,收集到了该路网上468个路段和163个平面交叉口的道路交通数据,以及1999年至2004年所发生的8510起交通事故数据.分析了事故数据的统计分布特性,应用聚类分析技术确定了路段和交叉口的类别 ,并在此基础上分别建立了事故总体和分事故形态的预测模型.论文探讨了高峰时段的事故次数、事故率与路段v/c之间的定量关系.标定出了24个模型,并形成干道系统事故预测模型库.最后,运用所建立的事故预测模型选取了2010年哈尔滨规划路网的一部分进行实例分析,结果表明了预测模型是有效的.     

增压器涡轮性能试验与CFD计算方法的研究

建立了蜗壳与整周叶轮合并的增压器涡轮整机计算模型,在较少的网格数量下,用CFD方法对涡轮内部的流动进行了模拟,得到了涡轮的运行特性,如流量特性、转速特性、效率等。将计算结果与相同条件下的试验结果进行比较,可以看到计算结果基本符合增压器设计阶段性能考核的要求,具有工程化应用的意义。     

基于Takens理论和SVM的滑坡位移预测

针对滑坡变形时序非线性,数据量少的特点,引入Takens理论,采用支持向量机(SVM)建立其预测模型,建模过程中,比较了由不同核函数获得的SVM模型的性能,同时将SVM与RBF、El-man神经网络模型进行外推7步预测试验比较。结果表明:RBF核函数具有更好的工程实用价值;在有限样本情况下,SVM预测模型具有更好的准确性和泛化性,其7步预测平均误差率控制在5%以内,可见该方法在滑坡变形预测方面极具潜力。     

公路交通安全评价系统1．0版本的开发与应用

实践证明,公路交通安全评价是提高公路安全水平的有效手段。尽管其在我国还是一个较新的课题,但已经引起相关部门的重视,国内也开展了很多安全评价方法的研究。《西部地区公路安全评价》是系统研究公路安全评价方法的一个课题。而公路交通安全评价系统1.0版本是在该课题成果基础上开发的一套实用化的工具,它包括交通基础数据的管理和事故多发段判别、规范符合性分析、事故预测、速度一致性分析、路侧危险度分级等分析模块。本文对该系统各个模块的功能进行了阐述。     

基于三弯矩样条函数插值模型的非等距时序灰色预测方法

给出了三弯矩样条函数插值模型,用以解决非等距时序GM（1,1）的灰色预测问题.在国际平整度指数IRI的非等距时序样条灰色预测应用实例表明,该方法在作非等距时序列向等距时序列转换中保留了原有数据序列所呈现出的阶段性规律,具有精度高、实用性强的特点.     

基于实时交通信息的行程时间估算及路径选择分析

路段行程时间的估计和预测是诱导系统的关键技术之一。由于路网参数不断变化,路段行程时间的估计必须满足实时性的要求。以城市交通控制系统的基本设施为基础,根据我国城市交通目前的发展状况,分析了影响路段行程时间的各种因素和路段行程时间的组成。利用设置在路段上的车辆自动检测装置搜集到的实时交通流信息,并结合随机服务系统的相关理论建立了城市道路路段行程时间的动态计算模型,提出了一种具有真实最短路径意义的实时动态最短路径选择的方法。     

TSP系统在隧道工程施工地质预报中的应用和发展

TSP是瑞士Amberg测量技术公司专门为隧道施工地质超前预报而设计的地震探测仪器。该系统从数据采集、处理和成果解释及评估高度智能化，其特点是：预报距离大（隧道掌子面前方至少150m），无须利用掌子面，对隧道施工妨碍小，易于操作和快速评估。通过TSP的探测，能够提前了解到掌子面前方围岩的地质情况，为施工及确定合理的支护参数提供依据，确保隧道施工安全和质量。介绍了TSP系统在隧道施工地质超前预报中的应用事例及其技术的发展。     

人工神经网络在路堤沉降预测中的应用

以人工神经网络法为主，研究了多因素条件下的沉降预测问题，同时与浅岗法和S型曲线法这2种在近几年推广应用的预测方法进行了对比。结果表明，3种方法预测的最终沉降大体相近，它们之间的区别在于人工神经网络法预测的沉降较大（同时更接近实测值）；S型曲线法较小；浅岗法居中。由于神经网络是用实测数据直接建模，少了人为干扰因素，并且偏大的数值对工程来说是偏于安全的，所以选用人工神经网络预测沉降比较适宜。