多模式交通环境下上海居民职住选择行为

随着城市尺度不断扩张,由职住分离带来的长距离、长时间通勤交通问题日益严重。为研究多模式交通环境上海居民职住位置选择行为及其影响因素,基于网络问卷调查数据、上海市路网数据及房价数据,构建方式选择与目的地选择联合模型,按照选择次序,分析各出行方式的服务水平和房价等变量对居住地和工作地的选择影响。结果表明,居民倾向于选择通勤距离近、交通可达性良好、房价低和人文生活环境较好的小区工作生活,同时年长者和低收入群体对通勤距离和房价更敏感。     

新冠肺炎交通防控政策对长沙市人口流动的影响

为探究新冠肺炎疫情下交通防控政策对长沙市人口流动的影响，本文根据长沙市在新冠 肺炎疫情期间颁布的交通防控政策和疫情实时防控情况划分防控阶段，基于百度迁徙大数据，利 用双重差分模型，识别长沙市不同阶段的交通防控政策以及量化防控效果，分析交通防控政策对 长沙市人口流动的影响。结果显示，长沙市在交通管制阶段，平均人口迁出强度、平均人口迁入 强度及城市内部出行强度分别下降了83.68%、69.24%及59.74%，有效地控制了人口流动，降低了 疫情扩散危险。在交通恢复阶段，长沙市人口流动强度逐渐反弹，城市内部出行强度基本恢复到 2019年同期水平。本文研究结果显示了交通管制对疫情扩散限制的有效性，为常态化疫情防控 下精准防控政策和复工复产政策制定提供参考。     

母排接触电阻测量方法的研究

母排是配电板的关键组成设备。而母排与母排连接处的接触电阻则是母排的主要参数之一。因此,对母排接触电阻的测量是至关重要的。文章提出了一种对运行中的母排接触电阻进行实时测量的方法。通过采集母排连接处的电势,得到连接处两端的电压差,同时测得流经母排连接处的电流,再根据欧姆定律即可得到接触电阻。通过分析表明,此方法能够对母排连接处的接触电阻进行实时监测,并且可以预防母排接触电阻过大造成的安全事故,保证船舶供电系统的安全可靠运行。     

MARIC设计的国内首座1200t自航自升式风电安装平台“振江号”首吊成功

近日,由中国船舶及海洋工程设计研究院(MARIC)研发设计的"振江号"顺利完成江苏如东风场的风机吊装任务,充分证明了"振江号"是经得起实战检验的风电重器,体现了MARIC的研发技术实力。风电重器,首秀惊艳"振江"号是MARIC为江苏振江新能源设计的国内首座1 200 t自升式风电安装平台,是MARIC费龙大师工作室的又一力作,也是MARIC在新型海洋平台系列化研发方面的又一突破。     

山地城市建成环境对居民小汽车拥有影响研究——以贵阳市为例

为分析山地城市建成环境对居民小汽车拥有的影响，探究不同坡度下居民地形感知对小汽车拥有影响的差异，采用贵阳市中心城区不同坡度下的小区居民调研数据，引入3个观测变量来评价居民的地形感知，将结构方程模型（SEM）计算出的潜变量适配值融入Logit模型中，构建包含潜变量和显变量的SEM-Logit模型来研究主客观建成环境与小汽车拥有的关系。结果表明:坡度对小汽车拥有产生积极影响，但不同坡度下的地形感知对小汽车拥有的影响有所不同。在地形条件相对较好的环境中，当小区坡度小于8%，居民对地形感知并不强烈，并认为从小区步行到公共交通站点的距离和时间花费在其承受范围内。因此，地形感知并未对小汽车拥有造成显著影响；在小区坡度为8%~15%时，地形感知对小汽车拥有产生显著负效应。生活在该小区类型的居民，尤其是收入相对偏低的居民，更喜欢选择电动自行车出行，削弱了小汽车拥有量；当小区坡度大于15%时，小区坡度与小汽车拥有量具有正相关性。该小区类型的道路坡度大，居民出行过程中通常会经历频繁的上下坡，造成出行时间花费长，继而形成强烈的地形感知。这严重降低了居民出行选择步行或骑行的可能性，转而提升了小汽车拥有的概率。同时，在SEM-Logit模型中也证明了除地形因素外，家庭年收入、到地铁站最近距离、土地利用混合度、目的地可达性、出行态度对小汽车拥有具有较大影响。      

船舶动力设备退化基线计算及预测方法

船舶动力设备在自身性能退化过程中的相当长一段时间内仍能完成规定功能,对具有重要特征参数或性能指标的船舶动力设备而言,若使用定基线进行健康状态评估会导致评估值连续较低甚至误报警问题。为了解决这一问题,以目标设备按性能退化时间序列采集的特征参数为研究对象,首先建立退化基线计算方法,利用滑动概率神经网络和性能可靠度与基线值间的转换函数获得目标设备的动态退化基线;然后建立ARMA预测模型获得预测参数,并与退化基线计算方法结合对退化基线发生动态变化的时间节点进行预测;最后利用海水泵对建立的方法可行性进行验证。结果表明,本文建立的退化基线计算方法能够获得动态基线,退化基线预测方法能够对动态基线的变化时间节点进行准确预测。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。