基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

基于三维势流理论的耐波性数值预报

准确预报船体运动响应对于砰击等波浪载荷的计算以及合理结构设计具有重要意义。船舶在大幅波浪中的运动呈明显的非线性,而现阶段耐波性预报多采用线性切片方法。三维水动力分析软件 WASIM基于时域势流理论,采用 Rankine面元法预报船舶在波浪中的运动响应,并考虑了多种非线性因素。本文以标模 DTMB5512为对象,采用 WASIM预报其在不同航速下的耐波性,并与基于线性切片理论的计算结果和模型试验结果进行对比。结果表明：利用 WASIM计算得到的船体运动响应比其他方法更接近试验值,合理体现了船舶在风浪中的实际耐波性能。因此,利用 WASIM能够较好地评估船舶在波浪中的非线性耐波特性。     

基于三点模型的柴油机热工参数预测

准确预测热工参数劣化趋势是对柴油机实施预测维修的前提。已有预测技术均视不同时段信息所具有的建模价值相等,忽略了近期信息比远期信息更能反映设备当前运行态势这一客观事实,导致预测模型难以准确描述柴油机热工参数的真实变化规律。针对该问题,提出一种基于三点模型的柴油机热工参数预测方法,并采用新陈代谢法同步更新建模数据,以提高建模数据的利用效率及预测精度。与灰色系统GM(1,1)模型预测精度的对比结果表明,三点模型能够有效处理不同时段信息在反映设备运行态势能力上的差异,得到更为准确的预测结果。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

波浪中船舶操纵性预报

为实现对全回转桨船操纵性的预报,根据船舶分离型运动模型的建模方法,考虑全回转桨在水平面上周转的灵活性与受力的特殊性,着重分析双桨受力,建立适用于全回转对转桨船模的MMG操纵运动数学模型;模拟船模进行PMM运动,求得水动力导数并采用四阶龙格-库塔法对操纵性常微分方程进行求解;对某工程船在静水中的回转运动和Z形操纵运动进行数值仿真预报,并将预报结果与自航模操纵性试验结果进行对比。结果表明,两者吻合度较高,验证了针对全回转对转桨船模所建立的船舶运动数学模型的有效性,可为全回转桨船的操纵性预报提供一种较为可靠且行之有效的方法。     

回淤和沉降严重的护岸抛石的质量检验方法

由于护岸抛石中存在的回淤和沉降现象,在质量检验中如果按常规的检验方法验收,很难真实反映抛石的厚度。为了能真实反映抛石的实际质量,研究了护岸抛石在回淤和沉降的情况下质量检测方法,得出“实时检测+抛石沉降量”检测其厚度、再通过抛后旁扫检测其覆盖范围的检验方法。     

内河船舶波浪载荷研究

利用内河波浪散布图和修订波浪谱对内河系列船舶进行了波浪载荷的计算预报,首次分析了内河船舶波浪载荷的规律和特点,并与俄罗斯内河登记局(RRR)和法国-德国船级社(B-G)的内河规范载荷对应的等效模数要求进行了比较分析。结合实船测试结果表明：波浪载荷变化规律与国外同类规范一致,预报波浪载荷水平与测试结果及国外同类规范要求相当。内河船舶波浪载荷预报应考虑航速和水深的影响,载荷预报结果可以作为制定内河波浪载荷公式的基础。     

Hybrid model for prediction of bus arrival times at next station

Effective prediction of bus arrival times is important to advanced traveler information systems (ATIS). Here a hybrid model, based on support vector machine (SVM) and Kalman filtering technique, is presented to predict bus arrival times. In the model, the SVM model predicts the baseline travel times on the basic of historical trips occurring data at given time‐of‐day, weather conditions, route segment, the travel times on the current segment, and the latest travel times on the predicted segment; the Kalman filtering‐based dynamic algorithm uses the latest bus arrival information, together with estimated baseline travel times, to predict arrival times at the next point. The predicted bus arrival times are examined by data of bus no. 7 in a satellite town of Dalian in China. Results show that the hybrid model proposed in this paper is feasible and applicable in bus arrival time forecasting area, and generally provides better performance than artificial neural network (ANN)–based methods. Copyright © 2010 John Wiley & Sons, Ltd.     

高速公路运营收入预测软件的开发

高速公路运营收入预测是高速公路企业进行财务评价的基础,根据交通量和收费标准相结合的预测方法,用V isual Basic编制的小程序实现高速公路基年和未来年运营收入的快速预测,从而结束了手工计算的估算方式,大大提高了工作效率。     

A computationally efficient two-stage method for short-term traffic prediction on urban roads

Abstract

Short-term traffic prediction plays an important role in intelligent transport systems. This paper presents a novel two-stage prediction structure using the technique of Singular Spectrum Analysis (SSA) as a data smoothing stage to improve the prediction accuracy. Moreover, a novel prediction method named Grey System Model (GM) is introduced to reduce the dependency on method training and parameter optimisation. To demonstrate the effects of these improvements, this paper compares the prediction accuracies of SSA and non-SSA model structures using both a GM and a more conventional Seasonal Auto-Regressive Integrated Moving Average (SARIMA) prediction model. These methods were calibrated and evaluated using traffic flow data from a corridor in Central London under both normal and incident traffic conditions. The prediction accuracy comparisons show that the SSA method as a data smoothing step before the application of machine learning or statistical prediction methods can improve the final traffic prediction accuracy. In addition, the results indicate that the relatively novel GM method outperforms SARIMA under both normal and incident traffic conditions on urban roads.