HSP法在引汉济渭TBM隧道地质预报中的应用

为了解决超前地质预报与TBM快速施工之间的干扰,结合TBM的施工特点,分析地质预报的难点,介绍适用于TBM施工的HSP声波反射法原理和探测方案。该方法创造性地利用刀盘剪切岩石产生的振动信号为震源信号,采取阵列式布极,获取前方地层特征参数,来预报TBM施工前方的地质条件,来达到TBM快速施工的目标。通过HSP在陕西省引汉济渭工程TBM施工段应用案例的解析和实际情况的对比分析,表明HSP声波反射法对不良地质结构面的存在具有较好的正相关响应,是适用于TBM施工时地质预报的高效方法之一。     

随机森林算法在地铁车辆门系统润滑退化状态预测中的应用

为了更准确地对地铁车辆门系统的润滑退化状态进行诊断,提出了一种基于随机森林(RF)算法的车门润滑退化预测方法。首先,从车门驱动电机的电流、转速和转矩输出信号中提取时域特征指标作为表征车门运行状态的特征向量;然后,将特征向量作为RF算法的输入,对系统的润滑退化状态进行离线建模,得到不同的润滑退化状态的训练模型;最后,将在线分析结果与离线建立的模型库进行对比,预测当前系统所处的润滑状态。仿真结果表明,与传统的单分类器K-Means的诊断结果相比,RF算法在车门的润滑退化预测中具有更高的精度,可以及时预测系统的润滑退化征兆,对提高车门系统的安全性、可靠性,以及降低故障率具有重要意义。     

短时交通流预测模型综述

介绍短时交通流预测的背景和意义,将短时交通流预测的方法分为5类,包括基于统计分析的预测模型、非线性理论模型、基于仿真的预测模型、智能预测模型及混合预测模型。对这5类预测模型进行逐一介绍,并对其在算法复杂度、预测精度、计算时长、适用路段等方面进行分析。短时交通流预测研究领域今后可能的发展趋势是数据来源多样化、混沌理论和深度学习逐渐发展,组合预测模型更加多样,预测精度不断提高。     

基于集成学习模型的城市轨道交通车载数据分析与列车停车误差预测

提出了一种基于Stacking策略的集成学习模型算法。通过基础模型算法评估阶段和基础模型算法集成阶段,成功选出K个基础模型,并基于模型集成策略完成了模型的集成工作,最终得到了基于Stacking策略的集成预测模型。基于实际案例,使用该集成模型对列车停车误差进行预测,并对预测结果进行验证。验证结果显示,基于Stacking策略的集成学习算法模型的训练效率高、预测精度高,与其他传统模型相比具有较强优势。     

基于等维灰数递补模型的软弱围岩隧道变形预测

结合隧道掘进施工以及变形监测的实际情况,利用灰色预测理论中的GM(1,1)模型,采用等维灰数递补数据处理技术建立等维灰数递补GM(1,1)模型来对灰色GM(1,1)模型进行改进,并结合工程实例中的变形实测数据进行验证.结果表明:修正模型的建立所需数据少,计算方法简单易行,而且预测值精度明显提高;灰色建模的数据取样越接近预测点,则得到的模型预测值越接近实际值,一般4次预测值的结果基本接近于实测值,该模型能更真实地反映软弱围岩隧道的变形规律.     

城市轨道交通短期客流预测方法研究

阐述城市轨道交通客流预测面临的问题,总结近年来提出的各种短期客流预测方法及主要设计思想。首先介绍短期客流预测的研究背景,然后分别从实时判断和实时预测2个维度介绍具有代表性的研究工作,对涉及的主要方法进行分类分析,最后进行各种算法的综合比较,并指出城市轨道交通短期客流预测未来的研究方向。     

大水矿山地下水水害致灾预测研究

从系统工程学理论角度出发,通过对采掘-排水-地下水系统致灾机制进行分析,确定了大水矿山地下水水害致灾主要是由系统中关键参量特性决定的,即由相邻水文地质单元径流补给、大气降水补给及排水系统排水量的不确定性导致;通过对3个主要影响因素的随机特征分布进行研究,得出系统灾害发生概率计算方法,为预测系统的灾害概率提供依据;将失效模型与矿山地下水模型结合,得到了地下水灾害强度及分布特征。该研究量化了矿山灾害,为制定水害防治方案提供一定的科学依据。     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

基于数据驱动的地下车站 能耗预测模型对比研究

对比了最小二乘多元线性回归、岭回归、Lasso 回归、随机森林、XGBoost 在地下车站通风空调、垂直 交通能耗预测领域的应用效果。研究发现,对于地下车站通风空调和垂直交通能耗预测,各算法的均方根误差 的变异系数(CV-RMSE)均在 10%以下,可达到工程应用要求的精度。其中,XGBoost 算法在通风空调能耗预测 中的 CV-RMSE 为 5.1%,在垂直交通能耗预测中的 CV-RMSE 为 5.4%,预测效果明显优于其他算法。从计算 成本来看,最小二乘回归、岭回归、Lasso 回归算法计算成本较低,随机森林和 XGBoost 模型调参复杂、计算 成本较高。对比常用的数据驱动算法在地下车站能耗预测中的预测精度和计算成本,为地下车站模型的搭建提 供算法参考。     

软土地区地铁矩形隧道长期沉降规律及预测

针对运营中的软土地区某地铁区间矩形隧道的病害发展情况,从大量监测数据入手,分析研究隧道变形发展在各个时期的规律(结构自身应力平衡、土层固结、周边环境变化),发现该区域隧道变形主要受软弱地质条件及周边物业开发影响。同时,针对计算结果,分析该隧道各个区段沉降发展趋势,认为在无外部影响情况下,隧道沉降呈收敛趋势。为该隧道的沉降治理提供有效的理论依据,也为类似工程提供参考。