城市轨道交通机电设备报警的规律发掘与预测模型选择

本文提出了一种理论算法模拟预测机电设备发生故障与运行状态,并与实际数据相结合比较进行校正.在不断采集早期机电设备数据的同时,进行算法的优化从而建立一套行之有效的预测模型,并用直观的图形方式显现给用户.在日常运营维护中,这套模型的运用帮助管理人员对机电设备的运行状况有先期的了解,并对设备的突发问题有一定的预警预测作用.     

边坡变形时序分析的进化-自适应神经模糊推理模型

变形监测与预报是保证边坡工程施工安全与工程质量的重要措施,但由于位移时间序列的强非线性,边坡变形预报成为非常困难的问题．自适应模糊神经推理系统（ANFIS）有优越的学习和泛化性能,而遗传算法（GA）是优秀的全局优化工具．采用遗传算法优化ANFIS参数,并编制了相应的计算程序．结合三峡工程永久船闸施工变形监测和新滩滑坡变形监测,建立了边坡变形时序分析的GA-ANFIS智能模型．为了对比该模型的预测精度,采用GA优化支持向量回归（SVR）和BP神经网络的模型参数,编制了GA-SVR及GA-BP程序,对相同的算例进行了变形预测分析．按滚动预测法对三峡永久船闸高边坡和新滩滑坡的计算结果表明,文中提出的GA-ANFIS模型能够获得比GA-SVR和GA-BP模型更高的预测精度,可以应用于边坡工程变形监测预报分析,并为类似工程提供参考．     

路段行程时间多时间尺度预测方法

采用长春市实际调查数据对一种基于浮动车的路段行程时间多时间尺度预测方法进行仿真实验,结果表明基于该方法的交通流路段行程时间多时间尺度预测结果与真实值之间的平均绝对相对误差均小于7%,完全满足路段行程时间预测的精度要求。     

基于能量等价损耗原理的路面抗滑性能预测

目前对路面抗滑性能预测多采用经验回归的方式,摩擦力学与路面磨耗之间的力学关系尚未明确,导致路面抗滑性能预测模型的推广应用存在一定的局限性.文中基于能量等价损耗的概念,通过单一轮胎对路面损伤程度的实测,运用能量等价损耗原理可以推算出不同类型的车辆对路面的损耗程度的量化指标.     

���ڻ��Markovģ�͵�ETC�շ������ھ��о�

ETC收费数据中蕴含着大量的信息,如何利用数据挖掘技术解决运营管理中的问题成为高速公路管理部门的迫切需求.本文选取ETC历史数据构建路径序列事务数据库,针对基本Markov路径预测模型预测准确率低、覆盖率低的缺点,提出了一种基于混合Markov路径预测模型预测高速公路车辆路径的方法,利用该方法实现了高速公路ETC车辆未来通行状态的预测,同时检测出异常的路径序列.实验结果表明,该方法检测结果可靠,总体预测准确率达到83%以上,能够为高速公路管理部门开展收费稽查、提高ETC管理水平提供理论依据和决策参考.     

灰色理论模型在软基沉降预测应用中准确性探讨

采用两组不同监测数据建立非等时距GM(1,1)模型,引入平均相对误差与灰色关联度两个指标,为精度检验分级提供更多参考依据。     

K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

基于AVL数据的公交到站时间实时预测模型

公交车辆到站时间预测是公交信息服务、公交动态调度的关键参数。基于实时和历史的公交车辆自动定位数据(AVL)需求分析,将公交车辆到站时间划分为站点停靠时间、区段全程运行时间和区段部分运行时间,分别采用点估计法、BP神经网络法和自适应指数平滑法对其进行动态预测。最后结合实验线路公交车辆的AVL运行数据,对预测模型进行了验证和评价分析。研究结果表明:本预测模型由于将历史数据规律和实时交通状况进行了有效融合,从而提高了公交到站时间预测的鲁棒性和预测精度。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

基于谱分析的路段行程时间多步预测方法

路段多步行程时间预测数据是动态交通诱导系统的重要参数,但已有研究成果,大多集中于一步预测,且存在适应性不强、计算量大、基础数据需求多等不足.应用谱分析及Karhunen-Loeve（K-L）变换对历史及当前检测行程时间序列进行分解与重构,重构时以历史序列与当前检测序列的欧式距离作为相似性度量指标,优化重构时的特征向量系数,使与当前检测序列相似度高的历史序列信息在重构中占据主要地位,通过重构,实现对后续若干时段的行程时间的预测,实测数据检验显示该方法可实现多步预测,预测精度良好,较以往方法有所提高,且历史数据需求量小,计算量小.