城际列车越站瞬变压力数值仿真研究

采用三维非定常、黏性、可压缩N-S方程和RNGk-ε双方程湍流模型,基于滑移网格技术,对8节编组的城际列车以160km/h速度通过地下越行车站的空气动力学性能进行模拟,分析列车速度和流线型长度对其瞬变压力的影响。研究结果表明:数值计算得到的车体和隧道表面测点的压力变化曲线与动模型试验的结果吻合较好。车站内部结构多变不对称,列车表面左右对称测点压差不明显,屏蔽门与其对面车站内壁对称测点的压差主要发生在头车通过时,屏蔽门上压力幅值比对面车站内壁大54.32%;屏蔽门表面压力变化幅值沿高度和纵向逐渐减小;流线型长度由1.5 m增加到5.5 m时,列车表面压力最大减小了10.52%,屏蔽门入口段压力变化幅值最大减小了14.06%。     

���ٹ�·�¹�����ʱ��Ӱ�����ط���

交通事故是导致高速公路延误的一个主要因素,同时也降低了道路通行能力、车辆以及人员的安全性,甚至有可能导致二次事故发生.对此,相关部门已开始制定一些事故管理方案以降低或者消除事故影响并最大限度地增加道路通行能力和车辆行驶安全性.应密歇根交通部要求对底特律市高速公路网事故清理时间影响因素进行分析,基于交通流数据、道路几何特征及大量的事故数据,建立了参数化危险持续时间模型.所建立的四个模型分别基于不同的概率分布.结果表明,四个模型的性能大体相似,但是相对于其他分布,log logistic分布更适合于事故清理时间分析.对事故清理时间影响显著的因素有：事故发生的时间、路段交通特性和几何特性,以及事故特征.     

考虑持续时间的联合火力战毁伤效果评估

在联合火力打击中打击区域内目标分布密度随打击持续时间的变化而急剧降低,导致毁伤概率降低,为此建立了相应的目标数随时间变化模型,分别探讨了目标数随目标区域面积变化、单位时间内落弹数变化、打击时间变化等几种情况,分别对联合火力打击行动毁伤效果进行了评估。     

船舶进出港安全时距对沿海散货港区航道通过能力的影响*

沿海散货港区规模化以及散货船舶大型化的趋势对航道航行安全性以及航道通过能力提出了更高的要求.船舶进出港安全时距作为控制同向进出港船舶尾随时间的安全参数,是影响沿海航道通过能力的因素之一.基于港口船舶航行作业系统,利用Arena仿真软件构建模型,研究不同条件下安全时距对沿海散货港区航道通过能力的影响,并将其应用于实例分析.仿真试验结果表明:安全时距与航道通过能力之间呈负幂函数关系;安全时距对双向航道通过能力影响程度更为显著;货物流向变化对二者的敏感关系影响并不明显;单线航道受安全时距的影响程度随通航历时的增加呈递减趋势.     

波流联合作用下多分枝拖曳线列阵回转过程的动力学分析

参考某海洋地震多分枝拖曳线列阵具体参数和该拖船的海浪响应幅值算子(RAO),结合该船工作时的具体过程,利用大型水动力分析软件Orca Flex建立了多分枝线列阵回转过程时的动力学分析简化模型,实现了对多分枝拖曳线列阵在回转过程中的动力学分析,得到了波流联合作用下,各个拖缆的张力和曲率沿缆长方向的变化规律及各个缆索拖曳点End A和拖曳缆索拖曳尾端End B的张力值在时域上的变化图像。结合计算结果,给出了多分枝拖曳线列阵在回转过程中的优化设计方案。     

期租合同中的租期计算与相关条款之影响

期租合同的租期应是一个确定的时段,但航运实践中的租期却很难精确计算。这其中有租期条款本身措辞的问题,也有合同中其他条款的影响。通过对TheKritiAkti一案的案情和判决的研究,阐述期租合同下租期计算中存在的一些问题及对策。     

高速铁路越行站分布对通过能力的影响

研究高速客运专线越行站分布对通过能力的影响。引入“时距”概念，建立共线运行条件下的越行组模型，得到高速铁路通过能力与有关因素之间的函数关系，并用来分析越行站分布对通过能力的影响。通过实例计算分析可知，在中速列车较多、能力相对紧张的越行段，组织一站式越行，可以保证必要的通过能力；而在能力相对宽裕的越行段，组织两站式越行、三站式越行，可以提高中速列车的旅行速度。这样可以最大限度地缓解高速铁路通过能力与中速列车旅行速度之间的矛盾。     

交通事件持续时间预测及参数标定

有效的交通事件管理应基于精确的交通事件持续时间预测。交通事件持续时间包括4个部分:事件发现时间,事件响应时间,事件清除时间和交通恢复时间。提出了基于元胞传输模型的交通事件持续时间预测模型以及参数标定方法。实测数据和仿真数据对比结果表明,基于元胞传输模型的交通事件恢复时间预测方法具有较高的精度。     

Competing risk mixture model and text analysis for sequential incident duration prediction

Predicting the duration of traffic incidents sequentially during the incident clearance period is helpful in deploying efficient measures and minimizing traffic congestion related to such incidents. This study proposes a competing risk mixture hazard-based model to analyze the effect of various factors on traffic incident duration and predict the duration sequentially. First, topic modeling, a text analysis technique, is used to process the textual features of the traffic incident to extract time-dependent topics. Given four specific clearance methods and the uncertainty of these methods when used during traffic incidents, the proposed mixture model uses the multinomial logistic model and parametric hazard-based model to assess the influence of covariates on the probability of clearance methods and on the duration of the incident. Subsequently, the performance of estimated mixture model in sequentially predicting the incident duration is compared with that of the non-mixture model. The prediction results show that the presented mixture model outperforms the non-mixture model.     

Predicting duration of traffic accidents based on cost-sensitive Bayesian network and weighted K-nearest neighbor

Abstract

With the development of urbanization, road congestion has become increasingly serious, and an important cause is the traffic accidents. In this article, we aim to predict the duration of traffic accidents given a set of historical records and the feature of the new accident, which can be collected from the vehicle sensors, in order to help guide the congestion and restore the road. Existing work on predicting the duration of accidents seldom consider the imbalance of samples, the interaction of attributes, and the cost-sensitive problem sufficiently. Therefore, in this article, we propose a two-level model, which consists of a cost-sensitive Bayesian network and a weighted K-nearest neighbor model, to predict the duration of accidents. After data preprocessing and variance analysis on the traffic accident data of Xiamen City in 2015, the model uses some important discrete attributes for classification, and then utilizes the remaining attributes for K-nearest neighbor regression prediction. The experiment results show that our proposed approach to predicting the duration of accidents achieves higher accuracy compared with classical models.