Non-Linear Combined Prediction Model of Medium and Long-Term Civil Vehicle Population of China

With consideration of the economy development tendency in China, a civil vehicle population prediction model is developed based on the space-time theory. First, with the domestic and international experience on vehicle development, the gray Verhulst model is used to describe the vehicle population development tendency and predict the vehicle population in the next 20 years. Second, several social and economical indexes related to the civil vehicle population are selected by comparing the correlation coefficient value, and then, the principal component method is used to reduce dimension of the selected indexes and obtain some principal indexes. Based on the econometrics theory, a forecasting model is formulated to predict the vehicle population in the next 20 years. Integrating these two forecasting models, a non-liner combination forecasting model is developed based on the BP neural network. The reliability and accuracy of the linear combination forecasting model are tested by the vehicle data from 2003 to 2007. Finally, the civil vehicle population of China in the next 20 years is predicted based on the linear combination forecasting model.     

基于实测速度的山区双车道公路运行速度预测模型研究

在充分研究国内外关于运行速度预测方法的基础上,以北京黄关公路为研究对象,基于实测运行速度并结合山区双车道公路的特点,回归以路线平、纵面的主要参数为变量的运行速度预测模型,并以实测运行速度验证预测模型的有效性。该模型合理、实用,可为开展基于运行速度的山区双车道公路安全性评价提供依据。     

基于单参数自调节RM-GO-LSVR的船舶操纵灰箱辨识建模

为实现舵角小、试验数据少条件下船舶操纵辨识建模, 提出了一种船舶操纵运动灰箱模型; 搜集水动力系数已知的船舶运动数学模型作为备选参考模型(RM), 计算被辨识船舶与备选RM的相关系数, 并以此筛选合适的RM; 运用相似准则将观测数据映射到RM的输入值域, 建立被辨识船舶与RM的运动关联, 获得了RM的加速度项, 并使用线性支持向量回归(LSVR)机补偿被辨识船舶和RM加速度项间的误差; 分析了机理模型, 设计了合适的LSVR输入项, 使用全局优化(GO)算法自动调节了LSVR的不敏感边界参数; 基于自航模试验数据训练了灰箱模型, 并与约束模试验(CMT)结果和计算流体力学结果比较, 验证了灰箱模型的泛化能力和预报精度。研究结果表明: 在20°船艏向、20°舵角Z形试验预报中, 灰箱模型所得第一超越角精度至少比CMT、虚拟约束模试验(VCMT)和RM方法所得结果高1°, 灰箱模型所得第二超越角精度至少比CMT和VCMT所得结果高0.4°; 在35°舵角旋回试验预报中, 灰箱模型所得进距精度至少比CMT、VCMT、数值循环水槽试验(NCWCT)和RM方法所得结果高1%, 灰箱模型所得战术直径精度比CMT所得结果低4%, 比NCWCT所得结果高10%;RM方法有助于灰箱辨识建模, GO算法能够优化LSVR的不敏感边界参数, 建立的单参数自调节灰箱辩识建模方法能够实现小舵角、少数试验条件下的船舶操纵辨识建模。     

列车引起环境振动预测方法与不确定性研究进展

系统总结了列车运行引起环境振动的各类预测方法及其不确定性问题, 梳理了初步预测、确认预测和精准预测3个预测等级内各种方法和模型近10年来的发展状况; 讨论了模型输入参数的随机不确定性, 包括车辆之间差异、轮轨磨耗以及预测模型中输入地层参数等带来的不确定性; 根据新的测试结果分析了车轮和钢轨磨耗状态对地铁振动源强不确定性的影响。研究结果表明: 机器学习方法和地层传递函数解析法可用于初步预测阶段; 用于确认预测的各类数值和解析模型日益完善, 预测效率日益提高, 但考虑车轮和钢轨磨耗发展的轮轨激励输入方法仍有待进一步完善, 仍需进一步发展振动传递路径清晰且可用于工程预测的建筑结构动力学模型; 精准预测需要发展混合预测方法并研究其在地下线振动预测中的应用; 目前对预测结果精准性和预测方法可靠性的研究十分欠缺, 绝大多数预测只能给出定值结果, 无法考虑轮轨磨耗、养护管理水平和振动在地层中传播的不确定性; 建议进一步开发具有远程智能离线采样功能, 并可在建筑结构上长期便捷安装的小型振动采集装置, 以便与机器学习预测方法相结合, 从而适应未来智能化预测的发展要求; 建议发展能够描述钢轨短波磨耗状态等级和车轮不圆顺等级的粗糙度谱, 构建完整养护维修周期内环境振动动态预测模型; 应发展具有可靠性及精准度要求的智能化预测方法, 并在未来实现由定值预测向概率预测发展的根本性转变。     

基于时延特性建模的多断面短时交通流预测

针对现有交通流预测方法未充分考虑多断面车流演变规律,提出基于时延特性建模的时空相关性计算方法. 该方法采用对不同断面、不同时刻交通流的分布相似性度量,对输入的车辆到达数据序列进行切割构建时空相似度矩阵,得到相邻断面之间的时延参数. 基于时延特性建模,将多断面之间的流量信息进行融合,使用长短时记忆(LSTM)网络进行流量预测. 通过对实际路段数据的预测和结果分析,验证所提方法的有效性和实用性.     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题,提出基于环境车辆偏离车道程度识别运动模式的方法;构建动态环境车辆横纵向轨迹预测模型,并求解;构建保持、先行、避让在内的决策集,提出基于预测轨迹的单个车辆决策方法,并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11,0.29,0.80 m,预测精度较高;复杂动态环境下,本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

需求响应的集装箱班列时刻表优化及 Benders分解算法

充分考虑集装箱货物与集装箱班列在时间和数量方面的匹配关系,以集装箱货物送达目的站的总延误最小为目标,构建集装箱班列时刻表优化的线性混合整数规划模型.采 用Benders分解算法将原问题分解为确定集装箱货物与班列匹配方案的主问题,以及优化班列时刻表的子问题,通过求解子问题的对偶模型不断产生主问题的割平面.为克服割平面有效性较低的缺点,设计改进策略,使每次迭代产生多个割平面同时添加至主问题中.最后,通过算例验证模型和算法的有效性.结果表明：改进策略的运用有效提高了算法的计算效率,利用模型及算法得到的班列时刻表与集装箱货物的数量、时间分布之间具有较好的匹配性,制定的班列时刻表很好地响应了用户需求.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.     

城市对外交通枢纽交通分布预测

交通枢纽是道路网络的重要节点，其对道路网络上交通影响不能忽略．文中探讨了无现状OD情形下的各种类型交通枢纽分布预测问题,把运输费用（时间）最小作为目标函数，以交通小区发生量和交通枢纽容量为约束，建立了线性规划预测模型，并对交通小区与枢纽间的特定联系在分布预测中如何考虑进行了探论．实例研究证明该模型具有实用性。     

基于ARIMA的交通流量短时预测

采用AKIMA方法进行交通流量趋势预测．建模是利用现场调查得到的非平稳时间序列进行数据处理、建模．并根据AIC准则进行模型定阶,最后通过实测数据进行验证,结果表明。该ARIMA模型能够获得较好的中短期预测精度,因而可用于动态交通信号控制。