日本高速铁路噪声预测方法

日本在设计、建设北陆新干线时采用的高速铁路噪声预测方法,是根据高速铁路噪声的特点,按车辆下部噪声、构筑物噪声、集电系噪声、车辆上部空气动力噪声分别计算后合成,预测受声点处的噪声级。该方法对我国高速铁路和客运专线铁路的噪声预测有一定参考价值。     

基于光流法的舰船运动要素测定原理研究

对基于光流法的舰船运动要素测定原理进行了研究，主要包括光流法测定舰船运动要素的思想、光流场解算、三维运动参数解算和舰船运动要素解算。该方法的提出，提高了运动要素测定的自主性，而且满足新型全封闭舰船的测定要求。     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

长梁山隧道F26断层施工超前地质预报

研究目的：在隧道施工中,准确预报施工前方地质条件,尤其是区域断层的规模、性质和影响范围,将影响施工质量、工期与安全。研究方法：在采用针对性地质调绘、掌子面素描、综合物探、水文长期观测等综合方法基础上,进行相关性分析。研究结果：采用节理相关性预报断层在洞内的出现里程位置,并推导出相关公式。研究结论：经施工验证F26断层采用的综合超前预报技术是合理的、有效的;运用节理相关性分析方法,预报了断层在洞内的出现里程位置;地质超前预报应针对地质特点,选取相应的预测预报技术。     

抗蛇行减振器横向安装位置对机车动力学性能的影响

基于机车车辆动力学理论,运用SIMPACK多体动力学仿真软件,以机车车辆动力学指标为依据,系统分析了抗蛇行减振器的横向安装位置对机车动力学性能的影响。仿真结果表明:增大抗蛇行减振器的横向安装跨距,可以显著提高机车的蛇行临界速度,不会对机车运行于曲线上的脱轨系数、轮重减载率、轮轴横向力3项指标产生明显影响。     

青藏线格拉段5T综合预报关联TFDS信息的探讨

为提高车辆红外轴温探测系统THDS的兑现率,现以青藏线格尔木—拉萨段实施的5T系统预报为基础,关联TFDS信息,进行了热轴综合预报探讨。文中给出了关联TFDS信息的解决方案,应用效果良好。     

塑料排水板堆载预压法处理软基的固结效果

结合某填海造地道路地基处理工程实例,探讨塑料排水板堆载预压法的加固机理;基于现场软基沉降监测实测数据,采用双曲线法对加固后的软土地基沉降进行预测,并分析地基的最终沉降量及固结度。研究结果表明:塑料排水板堆载预压法在软基处理中的加固效果较好,堆载预压结束后,软基固结度可达到80%～95%,满足设计要求。     

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。