机场复合道面剩余寿命预估方法

分别运用美国联邦航空局(FAA)基于弹性层状体系理论的道面设计方法(LEDFAA)、中国民用机场水泥混凝土道面设计方法(APDMC)与PCI衰变模型, 建立了复合道面剩余寿命的预估方法, 比较了3种方法的预估结果及其适用性。计算结果表明: 3种预估方法确定的剩余寿命较为接近, 最大偏差为3.2 a, 最小偏差仅为0.1 a, 引起偏差的原因在于不同预估模型采用的控制指标不同。基于LEDFAA设计方法的预估结果对土基模量很敏感, 基于APDMC设计方法的预估结果对混凝土的弯拉强度非常敏感, 而PCI能够全面地反映道面的使用性能, 因此, 在有足够历史数据的条件下, 采用PCI衰变模型预估道面的剩余寿命。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律,研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性,基于循环神经网络理论,从时间序列数据中提取交通事件时间依赖关系;通过引入长短时记忆网络,结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性,构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例,开展了高速公路交通事件持续时长预测模型验证,对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度,并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明：使用同一数据集,注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43,平均绝对百分比误差为25.24%,均方根误差为21.17,预测精度优于其他4种预测方法。在模型的各影响因素权重中,事件类型所占权重最大为0.375,其次分别为车道数、车辆类型、天气等;采用立交出入口小时交通量作为修正参数,可以进一步提升预测精度,预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度,为公路安全高效运行提供技术支持。     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型。同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+ LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明：所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87%,不确定性估计覆盖率达85.7%。与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6%,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展。     

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提,有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象,研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集,构造滑动时间窗口,以时间窗口内的出租车历史移动速度的时间序列为输入变量,以出租车当前时间的移动速度为输出变量,采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化,得到模型最优参数组合,并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析,将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明：所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841,均方根误差（RMSE）为12.711,均低于非参数回归模型和神经网络模型,提高了出租车速度的预测精度;由于出租车速度序列缺乏规律性,调整后的R₂（R₂ _adjusted）为0.592,且相较于其他2个模型,XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果,避免了过拟合造成的预测精度下降。     

非线性季节型航空公司客运收入的组合预测方法

针对航空公司的客运收入同时具有增长性趋势和季节波动性特征, 使得客运收入的变化呈现出复杂的非线性组合特点, 依据灰色预测GM (1, 1) 模型原理, 建立客运收入预测模型, 以反映其增长性趋势的特点, 建立客运收入季节变动预测模型, 以反映其季节波动性特点, 最终形成非线性季节型客运收入组合预测模型。航空公司客运收入的预测结果表明, 预测值与实际值误差小于1%, 该模型有效、可行。     

轨道交通轮轨噪声预测模型

为了准确预测轮轨噪声, 在分析轮轨噪声产生机理的基础上, 运用车辆-轨道耦合动力学理论、噪声辐射与传播理论, 建立了轮轨噪声预测模型。在模型中, 车轮采用LOVE圆环模型, 钢轨采用Timoshenko梁模型, 轮轨接触采用Hertz非线性弹性接触。模型计算结果与国际知名软件TWINS的仿真结果比较表明, 各轮轨部件的噪声峰值频率不尽相同, 但对总噪声贡献的主要频率范围是一致的; 模型声级频谱计算值与秦沈客运专线高速行车试验的现场实测值比较吻合, 且变化趋势一致。由此说明轮轨噪声预测模型是可行的, 可用于铁路轮轨噪声的预测与评价。     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明：在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。

     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明：GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。     

铁路钢轨裂纹萌生的键型近场动力学预测模型

为克服经典连续介质力学在解决不连续问题时的困难,采用近场动力学方法预测铁路钢轨的裂纹萌生,以避免数学构架在不连续处的失效问题;建立了考虑轨枕支承作用的钢轨形变分析模型,分析了模型参数合理取值及收敛性,计算了车轮滚动接触荷载下的钢轨位移;根据近场动力学损伤理论,以键伸长率为指标,分别研究了车轮全滑动、粘着-滑动及无摩擦状态对铁路钢轨裂纹萌生的影响规律。计算结果表明：近场动力学模型和经典连续介质力学模型的钢轨形变计算结果十分吻合,最大计算误差均在8%以内,验证了所建近场动力学模型的正确性;当裂纹萌生于钢轨轨头时,其启裂位置不在钢轨表面,而在钢轨表面以下约2 mm的位置,与现场观察结果一致,验证了近场动力学方法在模拟铁路钢轨疲劳裂纹萌生时的适用性;当车轮荷载位于钢轨跨中时,在车轮状态由全滑动向无摩擦转变的过程中,钢轨疲劳裂纹的萌生起点位置由轨头转移到轨底、由接触斑前端转移到接触斑中心,裂纹类型由局部滚动接触疲劳裂纹转变为整体结构疲劳裂纹,键最大伸长率由1.1×10^-3降低到8.1×10^-4,因此,增大切向接触应力会降低钢轨裂纹萌生寿命;当车轮荷载位于轨枕上方时,随车轮滚动状态的改变,钢轨裂纹的萌生位置始终位于轨头。     

基于反潜潜艇声呐探测的潜艇被发现概率算法研究

  目的  基于水下结构体自身振动数据及被动声呐方程,提出对自身被探测状态及最大被探测距离评估的方法,以解决水下结构体难以快速估计声源级和评估被探测状态的问题。  方法  采用传递路径分析（OTPA）方法并结合水下目标自噪声数据对自身声源级进行实时预报,利用奇异值分解（SVD）和主分量分析方法（PCA）消除测量数据串扰导致的误差,以及结合声波水下传播特性和传播环境,在探测模型中对当前环境下水下结构体的被探测状态和最大被探测距离进行评估。  结果  所提探测模型经湖上试验得到了验证。结果表明水下结构体声源级的平均估计误差小于2 dB,被探测状态及最大被探测距离的评估值在绝大部分频段内与实测结果吻合。  结论  研究结果可为掌握水下结构体自身声隐身态势提供依据。