基于实时交通流信息的中心式动态路径诱导系统行车路线优化技术研究

近年来,世界各国纷纷致力于新兴交通科技,如智能运输系统(IntelligentTransportationSystems,ITS)的研究和应用,以应对目前严峻的交通环境。笔者综合应用道路检测器检测的交通流量数据以及路段交通流量与路段行程时间的内在联系,运用增量加载最短路优化的方法对智能运输系统的核心技术—城市交通流诱导系统(UTFGS)中的中心式动态路径诱导系统中的行车路线优化技术展开研究。     

通渝隧道围岩变形的神经网络预测

隧道新奥法施工中，常以围岩变形量作为评判围岩稳定性和支护结构经济合理性的重要指标。公路隧道围岩变形量是随时间而变化的数据序列，因而可以建立一些实时跟踪预测模型和方法。根据通渝隧道围岩拱顶下沉位移变形的特性，采用神经网络技术来预测其变形量，结果表明该方法简易、有效。     

客车主要噪声源识别的试验研究

基于偏奇异值分析法识别噪声源的基本原理，采用了近场声压测量法，同步采集15个传感器的振动与声压信号，识别出客车车外噪声的主要噪声源，分析出各噪声源对车外噪声的贡献并做出降低车外噪声的预测分析。所采用的试验与分析方法具有计算量小、声源定位准确的特点，并且可以准确预测零部件的改进对车外噪声的影响。试验研究和实车应用表明，这种方法可以适用于复杂的工程实际。     

大连振兴路现状交通分析及发展观测研究

本文以振兴路实测现状交通量调查资料为基础，对该路现状交通进行了分析与评介，并依据该路所在地区国内生产总值和公路运输量等社会经济指标的发展趋势，对其未来交通量的发展做出观测，并对相应的道路交通状况进行了分析，最后提出振兴路的合理建设规模，并就立体交叉位置等问题给出建议。本研究成果已应用在振兴路的实际建设工作中。     

中国铁路网需要12万公里

<正> 铁路在我国综合运输体系中占有重要地位。早年孙中山先生曾对我国铁路网总规模提出了设想。解放后铁道部又多次编制了规划。本文作者参考国外预测方法,将主要城市和客货集散点,以及连接线作为基本因子,预测并提出了我国铁路发展总规模。 铁路网规模预测,涉及因素众多,包含了自然、社会、经济等诸多方面。经过分析,我认为考虑铁路网发展的主要因素为人口数量、生产力布局、区域经济发展、社会进步、国防和外贸等。这些因素构成了旅客和货物运输的需求。     

MAN TGL被评为“2006年度卡车”

12月20日，受丰田2006年产量预测的影响，当日通用股价跌至18年来新低，其全球最大整车制造企业的地位受到威胁。据悉，当日在纽约证券交易所，通用股价每股下跌1.05美分，收盘价为每股20美元。而当日最低曾跌至每股19.63美元。这一数字是1987年以来的新低。今年以来，通用股票已经贬值近50％。     

基于LSTM模型的船舶材料成本滚动预测

船舶建造周期长、材料成本占比大,易受大宗商品价格指数和汇率等多个因素的影响,造成实际完工成本与报价估算存在较大误差的情况。采用灰色关联分析（Grey Correlation Analysis,GCA）方法识别材料成本的影响因素,基于长短期记忆网络（Long Short-Term Memory,LSTM）模型构建船舶材料成本滚动预测模型,并使用某造船企业53艘64 000 t散货船63个月的材料成本数据和对应的影响因素数据进行试验分析。结果表明,预测数据与实际数据误差在可接受范围内,可证明所选择方法和构建模型的有效性。研究结果对船舶建造过程的成本实时预测和控制具有现实意义。     

城市轨道交通初期运营客流预测技术研究

城市轨道交通新开通线路初期运营客流预测是开展初期运营安全评估和运营组织筹备的基础性工作。分析初期运营客流预测在预测期、研究对象、基础数据和预测模型方面的特点,总结该类预测工作开展的技术难点。在此基础上提出一套适用于初期运营客流预测的技术路线,阐述其中基础资料收集、交通调查、交通运行特征分析、出行需求预测、评估分析及敏感性分析的研究要点,并概括总结客流预测指标、对既有线的影响评估、需要重点关注的车站等研究内容。研究结果表明,初期运营客流预测重点在于准确把握城市及交通发展现状,而解读城市及交通发展现状资料并掌握其运行现状特点,研判其短期发展趋势是初期运营客流预测的基础性工作;针对宏观交通需求分析模型对微观客流指标预测的精度不足问题,可在城市宏观交通需求预测的基础上,通过开展各类交通调查建立城轨系统出行需求分析专题模型。本研究成果以期为初期运营客流预测的技术方法、研究内容等提供借鉴。     

基于改进 BiLSTM 网络的地铁车轮磨耗预测模型

针对地铁车轮磨耗数据时间跨度较长引起的长期依赖问题,为了进一步提升预测精度,提出一种将麻雀搜索算法(sparrow search algorithm,SSA)优化双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的改进 BiLSTM(SSA-BiLSTM)网络模型,用于地铁车轮磨耗预测。首先,利用麻雀搜索算法对双向长短期记忆网络算法的神经元个数、迭代次数、输入批量和学习率等超参数在给定范围内进行寻优,得到参数最优值;然后,以参数最优值来构建改进 BiLSTM 网络模型,对车轮磨耗进行预测分析;最后,以车轮踏面磨耗和轮缘磨耗作为研究对象,将某地铁 1 车厢 1 号车轮的现场实测历史磨耗数据作为输入,对该模型进行训练及验证分析,并与多层感知机(multilayer perceptron,MLP)、LSTM、BiLSTM 以及 SSA-LSTM 模型的预测结果进行对比。研究结果表明：SSA-Bi-LSTM 模型的车轮磨耗预测精度更高,与 LSTM、BiLSTM 以及 SSA-LSTM 网络模型相比,踏面磨耗的平均绝对百分误差(mean absolute percentage error,MAPE)分别降低了 13.28%、10.32%、1.47%,轮缘磨耗分别降低了 9.5%、0.46%、0.02%;分别对同一地铁 2 号、4 号车厢的 1 号位置车轮磨耗进行预测,并与磨耗实测数据进行对比,踏面磨耗的平均绝对百分比误差分别为 1.34%、1.42%,轮缘磨耗的平均绝对百分比误差分别为 0.18%、0.19%,验证了本文所提模型具有良好的泛化性,为地铁轮对智能化管理提供理论支持,延长车轮使用寿命。     

路基砂土液化的BP网络预测研究

运用人工智能领域中的神经网络知识,提出一种基于BP神经网络模型的路基砂土液化预测方法。提出用MATLAB7自带的神经网络工具箱编程来实现BP神经网络系统。