基于模糊神经网络预测控制的高速列车ATP研究

在目标-距离速度控制模式普遍应用于我国高速铁路列车控制的背景下,本文针对高速列车运行性能的要求,将模糊神经网络预测控制运用到高速铁路ATP中,对列车速度进行控制。控制系统以闭塞区间为单位,建立高速列车速度模糊神经网络预测控制模型。在闭塞区间内,利用车-地通信将控制所需信息发送至列控中心;根据所得信息,通过预测控制算法得到从当前位置到闭塞分区出口的列车速度自动防护曲线并确定列车运行方式和控制策略;在每1个通信周期内,利用滚动优化和误差校正进行速度优化。仿真结果表明,与传统的控制方法相比,基于模糊神经网络预测控制的高速列车ATP具有更高的安全性。     

数据驱动的高速列车子空间预测控制

随着列车运行速度的提高,列车与接触网、轨道、空气的动力作用加剧,给高速列车的建模与控制提出更高的要求。本文提出数据驱动的高速列车子空间预测控制方法:构建基于状态框架的高速列车多变量动力学系统;由输入输出数据设计高速列车的子空间预报模型;详细分析高速列车子空间预测控制器的设计方法,并给出相应的预测控制算法。高速列车的数值仿真实验结果证明所提出控制方法的有效性。     

谷竹高速公路大坪山隧道地应力特征及岩爆预测

基于大坪山隧道的工程地质条件,根据现场实测地应力,采用三维有限元分析法反演得出隧址区的初始应力场,计算结果表明,隧道轴线纵剖面处于中等应力水平,有发生中等岩爆的可能性.以此为依据,结合室内岩石试验,采用Russenes判据、Turchaninov 判据、R b/σ1判据及陶振宇判据等4种国内外有代表性的判别方法进行综合预测.预测结果表明:较深埋的硬岩段将产生低—中等岩爆,埋深900 m附近坚硬完整白云岩段可能出现强烈岩爆.     

郑州地铁一号线车辆编组方案研究

在研究郑州地铁一号线客流预测的基础上,对满足客流预测的3种方案进行比选,从运能适应性、服务水平、车辆扩编的可行性以及列车动拖比等方面进行研究,从而得出郑州地铁最终的编组方案。     

基于广义回归神经网络的瓦斯涌出量预测

简要介绍了瓦斯涌出量预测问题和广义回归神经网络（GRNN）的特点,指出与常用的BP神经网络相比,使用广义回归神经网络（GRNN）具有收敛迅速、人为干扰小等优点,适宜用于瓦斯涌出量的预测。并对一个案例进行预测,证明了广义回归神经网络（GRNN）可以满足实际生产的精度要求,较好解决瓦斯涌出量预测的问题。     

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。      

基于线性规划的灰色模型在桥梁监控中的应用

预应力混凝土连续刚构桥通常采用悬臂分段浇筑施工,施工监控是保证施工质量的重要手段.以灰色系统理论为基础,针对以往施工控制中传统的GM(1,1)模型参数估计方法与精度检验准则不适配的问题,将平均相对误差最小准则下的参数估计问题转化为线性规划问题,通过Python语言实现,从而得到一种新的理论模型来进行挠度预测,并以陕西境内某1号大桥为工程背景,对混凝土浇筑、预应力张拉两个工况作用后的梁端挠度值进行预测.与传统模型相比,改进后的模型平均相对误差最多可减小28.41％,并能够排除奇异数据的干扰.研究结果表明,基于线性规划法的GM(1,1)模型较传统模型具有更高的预测精度和更好的稳健性,能够在桥梁施工控制中发挥更好的预测作用.     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。