���񹫽�����ODԤ���о�

在应用“四步骤法”进行居民公交出行OD 预测中,为了提高出行分布与方式划分预测的精度,本文分别提出了交通阻抗确定新方法和交通小区间公交出行量预测方法. 本文利用各小区内道路节点之间的最短路距离确定小区内及小区间的交通阻抗. 该方法有效避免了传统交通阻抗确定方法的缺陷,将其应用于重力模型预测居民出行分布,预测精度有所提高. 在获得现状居民出行特征的基础上,利用马尔可夫链法预测未来年公交出行总量,然后利用公交出行距离转移曲线具体预测各小区之间的公交出行比例,利用该比例结合公交出行总量获得公交出行OD. 该法可在定量分析的基础上综合考虑城市规划、政策等因素对预测结果的影响,其预测结果更加合理.     

����BPNN-MOPģ�͵�����·�������ģԤ���о�

区域公路网规模是保障交通供给能力的基础,确定合理的路网规模是调节交通供需平衡的关键. 本文从路网发展数量和质量两方面,里程、密度、等级结构三项指标出发,建立了基于BP神经网络与马尔可夫链的公路网里程规模组合预测模型,并采用多目标规划方法对公路网等级结构进行了优化研究. 该方法能够充分挖掘公路网规模演变的宏观调整与微观波动规律,提高了预测的精度和可靠性. 最后本文结合实际案例,对区域特征年公路网的合理规模及结构进行了分析预测. 结果表明,组合预测方法能够较科学、客观地反映公路网发展的数量特征和质量要求,具有一定的理论价值和现实意义.     

基于BPNN-MOP模型的区域公路网合理规模预测研究

区域公路网规模是保障交通供给能力的基础,确定合理的路网规模是调节交通供需平衡的关键. 本文从路网发展数量和质量两方面,里程、密度、等级结构三项指标出发,建立了基于BP神经网络与马尔可夫链的公路网里程规模组合预测模型,并采用多目标规划方法对公路网等级结构进行了优化研究. 该方法能够充分挖掘公路网规模演变的宏观调整与微观波动规律,提高了预测的精度和可靠性. 最后本文结合实际案例,对区域特征年公路网的合理规模及结构进行了分析预测. 结果表明,组合预测方法能够较科学、客观地反映公路网发展的数量特征和质量要求,具有一定的理论价值和现实意义.     

汽车保险中奖惩系统的马尔可夫分析

利用马尔可夫分析,求出了驾驶员最终处于奖惩系统各阶上的概率,同时,马尔可夫分析还可以判断出在确定代表驾驶员实际风险的调整保费时奖惩系统的功效,并举例给出了求解奖惩系统的稳态保费及Loimaranta功效具体的计算方法.     

轨道交通AFC系统设备可靠性预测与仿真

城市轨道交通AFC系统设备,可靠性是1个概率问题,具有不确定性。应用马尔可夫方法的无后效性原理,建立了AFC设备的故障预测模型。在模型建立的基础上,采用蒙特卡罗方法进行仿真实现,为系统年度维护计划提供依据。     

电子商务企业客户关系的预测与动态管理

在对传统的客户关系阶段划分方法——RFM法改进创新的基础上,利用马尔科夫链对客户关系进行建模,用以对客户关系进行预测和动态管理。通过真实的电子商务企业销售数据,说明了模型的意义和用法,并验证了该模型的正确性。     

基于加权相对熵的二阶马尔可夫模型的进化树重构

利用加权相对熵的二阶马尔可夫模型的基本原理,对DNA序列进行比较.DNA序列由4个字符A、T、C、G构成的序列,将其视为一个马尔可夫链,取状态空间Ι={A,T,C,G},使用二阶转移概率矩阵来描述DNA序列,得到DNA序列的特征值,进而利用特征值定义DNA序列的相似性度量,得到能够对DNA序列进行比较的新方法,并利用这个方法对30个物种的线粒体DNA序列进行分类,通过加权相对熵得到距离矩阵的非比对方法构建的进化树划分更加清晰,准确度更高.     

GM模型和Markov模型在公路客运量预测中的综合运用

文章在应用灰色理论构建的GM预测模型基础上,以Markov模型为修正方法,建立GM—Markov模型,并以陕西省2003—2012年公路客运量为基础数据对上述理论进行实例验证。结果表明：与实际客运量相比,GM模型的相对误差为11．08％,而GM—Markov模型的相对误差仅为5．61％,GM—Markov模型拟合精度较高,更加贴近实际情况。     

Probabilistic Modeling of Erroneous Human Response to In-Vehicle Route Guidance Systems: A First Look

An integral component of (in-vehicle) navigation systems is the determination of optimal routes to the desired destination. An implicit assumption in the underlying algorithms is that people do not make mistakes when following the prescribed routes. This is, however, not always consistent with reality, especially when driving in unfamiliar environments. This article presents a first look at the possibility of mistakes when driving. This possibility is formalized in a Markov decision process. It is demonstrated that quite paradoxical situations can occur when accounting for mistakes. As the most interesting—but perhaps extreme—example, we have shown that under certain conditions, it is no longer optimal to recommend drivers to take the shortest route. Instead, a longer route (in certain cases even the longest!) becomes optimal. Numerical results are provided throughout the article to reveal the fundamental properties of this problem.