一种新的公交乘客上车站点确定方法

公交IC卡是一种新的客流信息采集手段,它的广泛使用为公交管理者进行客流分析提供了新的数据源。充分利用公交IC卡刷卡时间信息,根据相邻两站点间的最短刷卡间隔,通过系统聚类法对IC卡刷卡数据按照时间顺序进行聚类分析。在此基础上,将聚类分析的结果与公交运营资料所推算出的车辆到站时间进行时间匹配,确定持卡乘客的上车站点。最后,通过实例验证了该方法的可行性与实用性。     

细颗粒泥沙絮凝现象研究综述

概述了河口泥沙絮凝研究工作中有关絮凝机理、絮凝特性、影响河口细颗粒泥沙絮凝的若干因子。一般研究表明,泥沙颗粒越细,絮凝现象就越明显。絮团的沉降速度主要取决于絮团密度和絮团大小。水流一方面能加强细颗粒泥沙的相互碰撞,促进絮凝作用的发生,另一方面水流又具有剪切破坏作用,因此水流对细颗粒泥沙絮凝沉降的影响表现为在低流速时的促进絮凝作用和高流速时的阻滞絮凝作用。     

广西铁山港区潮流泥沙数值模拟

铁山湾海域将建设数十个万吨级以上深水泊位和深水航道。通过围填海域建设数量众多的泊位,将引起铁山湾潮流及泥沙运动发生变化。为解决铁山湾海域开发建设的一系列水流泥沙技术难题,在充分掌握海湾水流泥沙运动特性的基础上,采用非结构网格和动边界技术建立平面二维潮流数学模型,模拟研究规划方案建设引起的潮流场变化,计算分析规划港区和航道的泥沙回淤强度及回淤总量,为规划方案优化提供科学依据。     

基于桥墩历史水痕与气象预报的中小桥水害预测

将中小桥山洪水害作为研究对象,以人工神经网络中的BP网络为工具,将桥墩历史上的数次洪水水痕高程和产生当次洪水的雨量记录作为数据基础,提出一种流量计算和预报既有中小桥水害的方法。这种方法物理意义明确。在计算中小流域流量时,传统的单位线法、推理公式法、铁路设计院法等方法将流域和桥渡看成两个系统,雨量通过"流域"系统后产生流量,流量再通过"桥渡"系统后才产生洪水水位。本文方法将"流域"和"桥渡"看成一个系统,直接建立起输入(雨量)与输出(水位)的数学关系,因此,不需要勘测流域面积、主河道长度及平均坡度等工作,可以节约大量的人力物力。多座桥梁的具体应用表明,本文方法具有较高的准确度。     

碎裂玄武岩夹凝灰岩型隧道超前地质预报技术探讨

研究目的:以大丽铁路禾洛山隧道为例,研究了碎裂玄武岩夹凝灰岩型隧道的超前地质预报技术,通过综合各种手段的超前预报资料,提出准确的预报结论和适宜的工程措施,及时指导隧道施工,减少和规避施工地质灾害风险.研究结论:(1)勘察期间,对隧道浅埋地段采用高密度电法、对隧道深埋地段采用CSAMT法进行地面的超前地质预报工作;施工期间,采用地质调查法、TSP法、超前水平钻等进行洞内的超前地质预报工作.(2)综合分析各阶段、各种方法手段的超前地质预报资料,提出最终预报结论和工程措施建议,及时指导施工.(3)提出了超前地质预报工作流程.     

瓦窑坡隧道岩溶地质超前预报

研究目的:瓦窑坡隧道地质条件非常复杂,处于构造剥蚀中低山区,地表溶蚀强烈,存在岩溶、冲沟浅埋段和破碎带等不良地质现象。为预防隧道塌方、突泥、突水等事故,迫切需要提高超前地质预报在岩溶隧道预报中的精度。研究结论:(1)本研究以地质法为基础,TGP206地质超前预报系统为主要手段,预报了溶洞类型、位置及规模;(2)地震反射法适用于预报长距离范围内的不良地质体的构造轮廓;(3)地质震达主要适用于短距离内的地质预报。     

复杂铁路隧道施工地质超前预报中TSP探测技术应用研究

研究目的:铁路隧洞施工中,由于地质情况不明,经常出现塌方、涌水、冒顶等地质灾害,十分需要开展地质超前预报方法研究.TSP203系统作为地质预报的主要方法,对其基本原理和工程应用进行研究十分必要.研究结论:建议当前隧道超前预报工作中应以TSP203超前预报系统为主,配合其它物探方法以及地质详细素描、超前水平钻探等非物探方法进行相互补充,相互印证.     

基于多输出支持向量机的物流量预测研究

物流量预测问题受众多因素影响,而已有的方法都是用多输入单输出模型进行预测,因此难以获得满意的预测效果。一种多输出支持向量机的方法用于广州市的物流量的预测中,为了与单输出预测相比,选取自适应迭代支持向量机方法进行预测。结果表明,多输出支持向量机的预测是有效的。     

西藏地区桥梁混凝土损伤度预测

对西藏地区桥梁耐久性进行评估,基于现有理论模型和实际检测数据,分析冻融循环影响下西藏地区混凝土桥梁的损伤程度,并在此基础上对混凝土损伤度进行预测。对西藏地区冻融循环影响下的桥梁耐久性的分析有指导作用。     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.