城市轨道交通项目建设时机选择的实物期权随机变量模型

考虑到城市轨道交通投资的不可逆性、不确定性、灵活性和公益性,提出城市轨道交通项目建设时机选择的实物期权随机变量模型。该模型运用几何布朗运动描述投资的不确定性因素,包括运营收入与建设成本,推导出这些因素的建设时机影响函数,以揭示推迟投资的影响。定义经营型和引导型价值的计算方法用以反映投资的经济效益和社会效益。运用蒙特卡洛模拟与OptQuest优化技术求解不同目标下的最优建设时机。算例分析表明,考虑城市轨道交通项目投资的引导型价值与单纯考虑经营型价值的最佳建设时机的计算结果不同。研究结果可为城市轨道交通发展规划的制定与实施提供理论依据。     

努力开创都市圈轨道交通协同创新发展新局面

《关于培育发展现代化都市圈的指导意见》(发改规划[2019]328号)、《关于推动都市圈市域(郊)铁路加快发展意见的通知》(国办函[2020]116号)等政策文件的相继发布,使我国都市圈现代化发展进入快车道,与此同时,也为都市圈轨道交通协同发展带来新的机遇.在"十四五"开局之年,统筹干线铁路网、城际铁路网、市域(郊)铁...     

基于社会力模型的邮船舱段疏散滞后性分析

针对邮船遭遇紧急事件时乘客疏散过程中的滞后问题,基于社会力模型并应用逐段分析法分析在不同情景下的人员疏散过程。计算结果表明,随着滞后时间的增长,舱室内乘客的疏散效率逐渐降低。最危险的情况是在疏散开始时滞后3个舱段,人员疏散有效时间在平均疏散时间中占比不及50%,总时间是无滞后疏散的2倍。研究方法对邮船及其他类型客船的人员疏散流线设计具有一定的参考意义。     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识，可以有效提取深层次特征，客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息，便于在深度学习中进行特征提取，采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征，融合卷积神经网络 （Convolution Neural Network，CNN） 和长短时记忆网络 （Long Short-Term Memory Network，LSTM） 各自的优点，建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下，模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证，得到93.69%的验证准确度；采用混淆矩阵对模型进一步验证，总体的预测评价等级与真实评价等级偏差不大，证明模型的预测结果与主观评价结果具有很好的一致性。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。