不同级别船闸共用引航道的水流条件研究

为研究不同级别船闸共用引航道的水流条件,以大源渡一、二线船闸为例,采用二维水流数学模型和物理模型试验相结合的方法,研究分析不同级别船闸共用上、下游引航道的水流流态、流速分布及船闸输水非恒定流特性。结果表明,大源渡一、二线不同级别船闸共用引航道布置方案是可行的,对于低概率工况出现的不利水流条件也有相应的改善措施。研究成果可为类似船闸工程提供借鉴。     

关于《高等数学》记忆方法的探讨

探讨了学习《高等数学》的记忆方法。通过对记忆方法的分类,使学习者能够更好地掌握学习《高等数学》的记忆方法,并将之融于自己的学习方法中。     

Linux环境下计算机联锁系统进程通信的实现

铁路信号计算机联锁系统中联锁关系关键依靠控制大量的数据交换来实现,因此,可靠而高效的数据通信方式十分重要.本文描述了以Linux为平台,在某铁路局已经投入使用的计算机联锁系统中进程通信实现方法.主要讨论了Linux进程通信中的两种方法:共享内存和信号量.     

城市轨道交通站域慢行系统研究进展——基于 CiteSpace 的计量分析

优化城市轨道交通站域慢行系统对提高轨道交通运行效率、升级站点空间品质、促进站城一体化建设具有正向作用。为整体了解城市轨道交通站域慢行系统近年来的研究进展,借助计量分析工具 CiteSpace 对 WoS 和中国知网(CNKI)核心数据库中城市轨道交通站域慢行系统相关文献进行统计与分析。首先,概述文献时空、领域及期刊分布情况,剖析研究发展历程,并识别出近期研究热点为建成环境站城协同、共享单车接驳及可达性研究;然后,重点分析慢行可达性、慢行环境、慢行接驳及慢行设施规划 4 个方向的研究进展情况;最后,从研究对象、方法、范围等角度提出未来的研究发展方向。本文研究成果以期为我国轨道交通站域慢行系统的理论规划及实践研究提供借鉴与参考。     

干线一级公路交通组织设计研究

现有部分一级公路功能与交通需求不相匹配、平面交叉和出入口布设密集、路段和交叉口的交通组织不甚合理，导致公路通行效率较低、道路安全性较差。以上海市大叶公路为例，对干线一级公路交通组织进行了设计研究，基于公路的功能定位选用相适应的技术指标，通过合理的一般路段与平面交叉口交通组织设计以及指路标志设计，提升了公路的整体运行效率和交通安全，并为后续干线一级公路的建设提供了一定的工程经验和设计参考。     

共享电单车在山地城市道路的适应性研究

共享电单车作为“最后一公里”较好的出行选择，因其具有良好的驱动性和便捷性，在道路坡度较大的山地城市拥有较高的潜在出行需求。然而，作为一种新兴出行模式，共享电单车是否适应山地城市，山地城市道路如何适应并促进共享电单车的发展推广，目前尚无相关的研究。为填补该领域研究空白，提升共享电单车用户群体的出行安全，促进共享电单车在山地城市的推广，优化共享电单车在山地城市的规划布设，通过问卷调查、实地试验以及运营大数据分析等方法，分析了共享电单车用户的骑行体验、骑行偏好、道路爬坡能力、出行分布等信息，认为共享电单车用户的人行道骑行体验普遍劣于车行道骑行体验，在道路规划设计时，应结合实地道路路权使用情况，尽可能在车行道设置安全的非机动车道；共享电单车可以在坡度不超过12%的山地城市道路完成爬坡，但坡度超过11%时，电单车的骑行速度受到较大影响，建议设置非机动车道的道路最大纵坡控制在11%以内；电单车用户群体主要根据出行目的选择路线，且更愿意在宽阔的主、次干路骑行，建议在坡度小于11%的主、次干路设置电单车通勤路线；共享电单车需根据山地城市道路特点，增加及提升车辆本身的设备，如增加反光镜、夜间尾灯亮度等。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响，采用长短期记忆 （Long Short Term Memory，LSTM）神经网络，基于 NGSIM 数据集，通过 One-Hot方法编码车型特征，并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重，训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model，IVT-CF）。在不同前车车型的跟车场景中仿真发现，IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error，MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%，比 IDM 模型分别降低了 15.8%、18.7%，仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现，交通流速度和车头间距的收敛时间为 92 s，该模型能较快收敛，具有较好的稳定性和抗干扰能力。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

共享车辆基地的城轨车底运用与检修计划协同编制

科学的列车车底运用计划是实现轨道交通运营秩序顺畅和能源节约等目标的重要保证。在城市轨道交通土地资源合理运用的前提下，协同优化车底运用与维修养护有助于充分利用车底资源。本文以共享车辆基地的多条城市轨道交通线路的车底资源运用计划为研究对象，研究基于多线多车辆段基础设施网络的车底运用计划与检修计划的联合编制问题，以车底运用及检修成本最小为优化目标，以车底运用状态和检修累计值为决策变量，考虑车底连接约束、检修约束及车辆段检修能力约束，构建混合整数线性规划模型，并提出一种混合启发式算法进行求解。以某市地铁为例，结果表明，网络运营比单线独立运用的总运营成本减少了8.1%，验证了模型及算法的有效性。通过确定合理的编制周期和车辆段检修功能布局可进一步实现车底资源的优化配置，为相关部门合理进行车辆段布局及车底运用提供参考。