Variability in sound power levels: Implications for static and dynamic traffic models

Classically, one mean vehicle representative of each category is used by both static and dynamic traffic noise prediction models. The spectrum associated with this mean vehicle is determined from a linear statistical regression analysis based on measurement campaigns on a track or in situ. However, the variability of individual vehicle emissions can influence predictions and hinder comparison between static and dynamic models. In order to estimate the induced bias, statistical analysis of the distributions of sound power levels emitted by the individual passage of vehicles during 82 measurement campaigns was carried out. The results show that 92% of the residual regression distributions are Gaussian and that standard deviations can reach 3.6 dBA. The value of the proposed correction term for this case study could reach 1.4 dBA for light vehicles and 1.2 dBA for heavy vehicles. This analysis also shows that the variability in sound power levels and thus the corresponding corrections are higher at the lowest speeds that correspond to urban driving conditions.     

基于EEMD-ELM 的航班运行风险混沌预测

针对航班运行风险可靠预测方案，以某航空公司2016-2018 年航班运行风险数据为基准，通过相空间重构，序列混沌特征的识别，构建基于极端学习机(ELM)的航班运行风险混沌短期预测模型，基于集成经验模态分解(EEMD)阈值降噪方法进行改进；最后，计算风险预测结果，分析不同方式下的预测精度. 结果表明：航班运行风险时间序列具有混沌特征， EEMD方法可抑制序列本征模态函数(IMF)的模态混叠现象；经由EEMD阈值降噪处理后，短期预测结果的修正平均绝对百分误差(MAPE)值显著下降. 证实本文航班运行风险预测方案可行且有效.     

灰色系统理论预测沥青路面平整度性能模型研究

针对沥青路面平整度性能指标,在原有灰色预测模型的基础上,进行数据二次预测拟合,并结合某高速公路近几年平整度检测资料,对模型及预测结果进行分析研究.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

综合交通枢纽客流识别系统的应用研究

本研究意在探究客流感知对综合交通枢纽运营管理的影响,提出客流预测系统的功能需求,构建客流预测系统的架构。     

基于网联数据的电动车快速充电影响因素分析

基于北京市私家电动汽车网联数据，按照充电行为类型提取车辆行程，并对行程中影响快速充电行为的潜在因素进行细致分析；基于Logistic回归模型进行显著性影响因素识别，结果表明，电动汽车续航里程、出行距离、出行时间等因素显著影响电动汽车的快速充电行为；最后，基于显著影响因素建立模型，对私家电动汽车快速充电行为进行预测，预测结果表明，预测模型具有较好的预测效果和可靠度.本文研究成果将有助于优化私家电动汽车的充电行为，提高充电效率.     

航路扇区容量需求的交通流动力学推演与预测

为科学应对交通需求的持续增长，合理进行空域规划，从介观层面刻画交通流动态演化过程，提出航路网络交通流演化模型. 以此为基础，将预测得到的城市对间年度交通总需求量推演到整个航路网络中，实现未来交通需求时空分布的中长期预测；构建航路扇区容量需求预测模型，选取华东地区两个相邻航路扇区为研究对象，进行实例验证.结果表明，所提方法能对航路扇区容量需求进行有效预测，未来5 年内两个航路扇区容量需求将分别由50架次/h、 39架次/h上升为70架次/h、45架次/h.     

共享单车停放需求影响因素分析和预测研究

为了解决城市共享单车的乱停乱放问题,本文基于北京市的共享单车出行大数据,提出了共享单车停放需求预测的多项Logit模型。首先分析了单车停放需求的影响因素,然后选取了时间、空间及天气方面的12个因素为自变量,通过Wald检验分析了这些因素与停放需求的相关性和显著性,基于多项Logit模型建立了共享单车的停放需求预测模型。结果表明:工作日、时段、商业区、所临道路类型、临近轨交站、高温、下雨、以及风力等级与共享单车停放需求显著相关;构建的预测模型总体预测准确率为77.5%,其中对出现频率最高的低停放需求预测准确率高达86.49%。     

基于交通风条件多点进出城市地下道路CO污染物浓度分布特性预测模型

多点进出城市地下道路结构形式复杂且位于城市人员密集区，机动车在行驶过程中排放的污染物(CO、NO_<i>x等)不仅将对隧道内驾驶人员的健康产生影响，同时还会给隧道洞口附近民众的居住环境及健康带来影响。为此，以机动车流排放污染物CO浓度分布规律为重点研究对象，依据质量守恒定律、并联风路理论，并结合上海和长沙4条隧道现场实测以及1∶8缩尺模型试验研究方法，开展了关于多点进出城市地下道路交通风以及机动车流排放污染物扩散特性的研究；基于研究结果，提出了交通风条件下多点进出城市地下道路机动车流排放污染物CO浓度分布特性预测模型构建方法，包括交通风速V_r、对流传质系数h_m和扩散特征系数K等关键参数的确定方法；长沙市营盘路湘江隧道实测结果验证了该模型的有效性，交通风以及污染物浓度预测模型计算值与实测值的误差评估值I_A分别为0.992和0.916。当已知隧道结构特征和交通特征时，利用该计算模型即可预测评估多点进出城市地下道路内沿机动车行驶方向各断面的平均交通风速、机动车流排放污染物CO平均浓度；同时可定量评价各分(合)流匝道对主隧道CO浓度分布特性的影响规律。研究结果可为多点进出城市地下道路科学选址及其通风系统优化设计与节能运行提供参考依据。     

城市交通信号控制干道旅行时间实时预测

城市干道旅行时间预测是实时交通运营管理与交通诱导的核心问题之一,也是出行者的重要需求.文中分析了济南市经十路采集的真实数据,研究发现了交通需求和旅行时间在工作日和非工作日同时段具有较大差异、全天具有显著早晚高峰、以及工作日同时段具有相似性及波动性等特征.基于该类特性,分别改进了适用于周期性数据的卡尔曼滤波和波动性的人工神经网络2类预测模型.提出了组合预测算法,将基于历史同时段数据的卡尔曼滤波算法的预测值作为人工神经网络的输入变量,利用历史天和临近时刻的可用数据进行了预测.结果表明:在3.8 km的信号控制干道上,组合预测模型平均误差低于0.9 min,误差超过2 min的概率低于4%,其预测性能可满足实时的交通需求.