高峰期考虑乘客议价的网约车定价与平台收益及社会福利优化

现阶段有关网约车动态定价的研究主要是从司机和平台的角度出发，借助排队论、生灭过程等方法描述司机的运行状态，对市场需求的动态变化特征关注较少，同时也没有考虑乘客方的自主议价权力。本文采用动态匹配描述网约车市场中乘客与司机的匹配过程，通过构建动态匹配模型描述短时间内市场变化的影响，采用需求与供给函数描述乘客和网约车的状态，在此基础上，构建平台利润最优模型和社会福利最优模型；然后提出乘客议价影响因子并依据现有数据确定其在市场运行不同时段的函数，将影响因子引入已建立的模型得到修正后的动态匹配模型和定价模型；最后设置算例验证模型可行性，探讨价格变化对市场的作用，分析乘客议价对动态匹配网约车市场的影响。算例结果表明，随着价格变化因子倍数的增加，社会福利、平台利润和匹配量先增后减，在倍数为2.0时，社会福利达到最大，倍数为1.3时匹配量达到最大。对比分析发现，乘客议价将推动市场向供求平衡移动，同时增加网约车市场高峰时段的平台利润和社会福利。     

Fault diagnosis of marine diesel engine intake and exhaust system based on dynamic feature fusion北大核心CSCD

[目的]船舶系统由多设备的复杂机构组成,各组件参数具有动态性和非线性的特点,所以故障诊断过程复杂。为提高诊断效率,提出一种动态特征融合方法。[方法]利用分形理论、动态理论及核主元分析(KPCA)法对系统状态数据进行重构、映射及筛选,得到主元特征数据矩阵,求得平方预测误差(SPE)及相应的控制限,构建出基于船舶柴油机进排气系统健康数据的离线监测模型,利用该模型对系统进行故障诊断分析。为验证模型的有效性,选取某船舶柴油机进排气系统的故障数据进行验证分析。[结果]结果表明,动态特征融合分析方法可有效实现对系统动态非线性状态数据的精确分析,实现对系统故障的高效分析和诊断。与KPCA及支持向量机(SVM)方法相比,所提方法具有更好的故障诊断性能。[结论]该方法可实现船舶柴油机进排气系统故障的检测和诊断,提升系统运行的可靠性和安全性。     

盾构静-动态泥浆渗滤成膜及支护效率控制方法

近年来，泥水盾构在越江跨海隧道中被广泛应用，隧道开挖面“泥浆-土水”相互平衡作用是工程安全的关键。盾构泥浆能否成膜、动态掘进泥膜是否存在、动态泥膜如何发挥支护作用等问题受到广泛关注，理清这些问题是保障开挖面稳定的基础。对此，基于多相流理论提出了泥浆“渗滤-成膜-生长”瞬态力学模型，探明了泥浆的流体特性和地层的水力传导性质的时空变化规律，揭示了盾构停机静态成膜和掘进动态成膜机制，并通过静、动态成膜2个实例计算验证了理论方法的适用性。研究结果表明：盾构静态停机状态下通常为全断面泥膜，泥浆以面力形式进行支护，盾构掘进时表现为动态局部泥膜，泥浆压力可较长距离前向传递，以渗透力的形式发挥作用；盾构掘进时开挖面泥膜分布为多辐扇形的局部泥膜，可分为泥膜渐变区和无泥膜区，无泥膜区域靠近先行刀臂，随着刀盘转速的增加，泥膜的厚度和泥膜面积逐渐减小；实际工程中，可以从泥浆材料和掘进参数两方面提升泥浆的支护作用，一方面根据地层-泥浆粒径比和泥浆黏度双控指标进行泥浆配置，另一方面宜降低盾构刀盘转速，同时适当增加掘进速度，充分发挥局部泥膜的支护作用，提高泥浆的支护效率和开挖面的稳定性。研究成果对泥水盾构施工安全有一定的指导意义。     

招聘启事

招聘职位:专业编辑专业:供电、通信信号、机车车辆、工务等相关专业。职位描述:1.负责轨道交通领域专业论文的编辑审核工作;2.负责轨道交通行业新闻采集、汇编工作;3.负责搭建维护日常媒体平台工作;4.负责与业内企业接洽工作。任职要求:1.全日制本科及以上学历;2.英语四级以上;3.熟悉轨道交通专业相关知识;4.较强的逻辑思维能力及文字编辑能力;5.具备一定的专业编辑、写作技能;6.了解本专业领域的前沿态势;7.熟练掌握word、excel、ppt等办公软件;8.从事过核心期刊编辑者优先;9.有课题、项目研究经验者优先;10.工作地点:北京。一经录用,待遇从优。     

深海工程船锚泊仿真系统研究

为了实现工程船定位和控位快速模拟仿真,本文以45000DWT海洋工程船为例,采用均匀设计试验方法,确定深海船舶工作不同的工况组合,基于Ansys-Aqwa软件对工程船深海锚泊动态响应进行仿真分析,对仿真结果进行回归处理,得到船舶位移和锚索张力与锚索长度、风浪流环境载荷变化的数学响应模型,再对位移数学响应模型进行求反函数处理,获取船舶控位调整锚索长度的方法,为深海锚泊软件仿真系统提供模型支撑。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.