基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

对隧道施工地质超前预报工作的反思与探讨

通过对隧道施工地质问题的回顾与地质预报工作现状调查，对主要的几种隧道施工超前地质预报手段及特点进行了归纳，对存在问题进行了分析。提出了地质预报工作是信息化施工的延伸，探测技术可尝试对开挖面前方地质体工程特性进行监测与控制；预报应考虑施工过程在地质体上的作用等观点；提倡制定地质预报规程，统一作业水平，建立地质预报评价体系，进行多手段、多方法的协同预报思路。     

大跨连续刚构桥预应力混凝土箱梁的长期挠度预测探讨

提高对混凝土收缩徐变的长期挠度预测精度，是大跨度桥梁设计中要解决的一个关键问题。根据已测得的虎门大桥连续刚构桥挠度长期观测数据，建立有限元模型，分阶段对大跨连续刚构桥预应力混凝土箱梁的徐变变形进行理论分析。探讨主梁上下缘应力差与结构徐变的关系。拟用文献[1]提供的某主跨270m连续刚构桥挠度长期观测的实测数据，考虑新规范中的可变作用准永久值对理论徐变计算值进行验证，通过有限元分析对成桥后的长期徐变变形给出较准确的预测，并得出挠度长期增长系数，为此类桥梁的长期挠度预测提供依据。     

城市道路交通噪声的预测及评价

运用噪声测量基本方法,测量了大连市西南路某路段交通噪声值并统计出不同类型的机动车流量数据.在比较国内外各种道路交通噪声预测模型特点的基础上,选择了一种修正预测模型,预测出理论噪声值.计算预测值与实际测量值的误差,分析误差产生的原因.利用噪声测量值计算出噪声污染的各种评价指标,最后根据有关的噪声标准进行差别,得到该路段的交通噪声已超过规定限值,对城市居民的日常生活带来了不良影响的结论.     

一种基于周相似特性的实时交通量预测模型

针对城市道路交通流量的周相似特性,对实时采集的流量与历史流量进行对比分析,利用均方根误差法确定权重,采用指数平滑方法对权重进行修正,提出一种实时交通量预测模型,并给出利用该模型预测的实例。利用最小二乘法对该预测进行了改进,进一步扩大和提高了模型的应用范围和实用性。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

腐蚀管道剩余寿命预测方法

基于可靠性理论,提出了一种预测管道腐蚀剩余寿命的新方法,即管道腐蚀可靠性寿命预测方法。该方法包括建立腐蚀管道的失效状态函数、腐蚀速率等变量的概率分布模型、管道失效概率和可靠度随时间的变化规律;然后根据管道所处地区级别和风险等级给定目标可靠度,确定管道的腐蚀剩余寿命。运用此方法预测了新疆采油一厂红浅注汽管道的腐蚀剩余寿命,为该管道腐蚀检测周期的确定提供了科学依据。     

基于RBM-GASA-BPNN 的潜在高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

车站班计划和阶段计划计算机编制方法的研究

针对现行车站班计划和阶段计划编制方法存在编制时间长、计划不准确、车流推算落后等弊端,提出在车站计算机信息系统中增加"班计划编制模块"和"阶段计划编制模块",并运用计算机辅助推算车流,以实现车站自动化指挥生产,从而使运输工作有序可控,达到提高运输效率和运输效益的目的.