汽车维修企业法律风险及防范（下）

【案例3】4S店服务人员将客户车辆撞毁,法院判令修复车辆,并赔偿车辆贬值损失 案情简介2008年3月4日,叶女士将自己购买不足半年的凯越牌汽车开到某4S店做常规保养,由于该4S店生意很好,4S店服务人员要叶女士将车开到等候区等候。这时,叶女士的手机响了,她就一边接电话,一边叫服务人员替她将车开走。服务人员接过车钥匙上车,     

一种基于神经网络的轮胎慢漏气时间序列预测方法

轮胎胎压不足的状况一旦发生,易导致行车过程中车辆的失控并带来不可逆的交通伤亡事故。而轮胎的慢漏气故障是一种常见的交通事故诱因,且该诱因不易察觉。因此,为了及时预测到轮胎的慢漏气故障,本研究以某型纯电动车的轮胎胎压时间序列变化数据为基准数据,实现改进的长短期记忆网络,建构基于神经网络的轮胎慢漏气时间序列预测模型。首先,分别进行原始时间序列的正常胎压变化趋势与异常胎压变化趋势的数据筛选与清洗等工作;其次,分别基于变分模态分解及自适应差分进化算法,实现长短期记忆网络的模型训练;最终,分别基于慢漏气时间序列校验集,进行消融实验的预测结果评估与可视化样例的对比分析。消融实验结果相较于基础的长短期记忆网络提升了15%左右的性能,可视化样例中大部分的慢漏气时间预测差值波动范围在6h内。综合实验结果可验证本研究所实现的基于神经网络的轮胎慢漏气时间序列预测模型的优越性。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

宁波市常规公交运行特征分析

常规公交作为一体化城市公共交通体系的重要一环,其运行特征是影响乘客出行方式选择以及公交服务质量的重要因素,研究公交运行特征对于进一步增强公共交通的吸引力,提升公共交通服务质量、缓解交通拥堵等方面具有着重要作用。因此,基于公交GPS数据,对宁波市常规公交运行特征进行了分析,研究结果和建议为提升宁波市常规公交运行效率提供了有益参考。     

波浪影响下船舶横摇运动的时间序列预测数学建模研究

在波浪的影响下,常规的船舶横摇运动时,没有建立横摇运动的模型,降低了预测的精度,不能有效地减小船舶的横摇,存在船舶耐波性较差的问题。当前方法进行船舶横摇运动的建模时,不能减小船舶的横摇,降低了船舶的耐波性。提出一种基于时间序列预测的船舶横摇运动数学建模研究方法。该方法建立波浪扰动船舶横摇运动模型,依据随机的过程理论,求出空间上某固定点波浪倾角的数学模型,依据横摇运动模型得出横摇运动的数据。对船舶横摇运动进行时间序列预测克服了传统方法存在的弊端,运用时间序列的分析方法建立AR模型,应用于船舶横摇运动的时间序列的预测,减小船舶的横摇性,提高了船舶的耐波性,完成对波浪影响下船舶横摇运动的时间序列预测数学建模的研究。实验的结果表明,利用该方法能有效地减小船舶的横摇,提高船舶的耐波性。     

基于时间序列分析的公路降雨型滑坡位移预测

基于公路降雨型滑坡位移远程实时监测数据,从分析降雨型滑坡阶跃型变形规律出发,将滑坡总位移分解为受不利地质条件影响的趋势项位移以及受降雨影响的周期项位移,采用时间序列分析方法将两者叠加构建降雨型滑坡位移预测模型。对滑坡趋势项位移采用灰色等维新息模型进行预测,对周期项位移采用自回归模型进行预测,将两者预测值组合得到滑坡总位移预测值。以湖南娄新高速公路某滑坡实时监测预警为例,采用该模型对比分析了滑坡实测与预测时间位移曲线,表明该模型预测效果较好,能体现降雨型滑坡位移变化趋势,具有较好的应用前景。     

基于D-S证据理论的城市轨道交通与常规公交协调综合评价

为了科学准确地评价城市轨道交通与常规公交协调水平,提出一种基于D-S证据理论的城市轨道交通与常规公交协调评价方法。通过综合考虑城市轨道交通与常规公交协调的影响因素,从线网协调、站点协调、运营协调三个方面建立评价指标体系,引入C-OWA算子实现指标赋权,运用D-S证据理论计算各评价因素的信任区间以及评价的不确定度,借助证据融合算法对各专家的评价结果进行融合以确定协调等级,并设计算例验证了该方法的合理性与有效性。算例分析表明,基于D-S证据理论的城市轨道交通与常规公交协调评价方法能够减弱专家的主观偏好造成的不利影响,可提高了最终评价结果的可靠程度。     

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明：ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。     

基于四维广义离散椭球序列的降秩MIMO-OFDM信道估计方法

传统的基于插值的信道估计器需要高导频负载来对快速时变的频选MIMO-OFDM信道进行稳健估计。为降低对高导频的需求,利用信道对低维子空间的限制作用设计了一种线性最小均方误差(LMMSE)信道估计器,该估计器采用由带限广义离散椭球(GDPS)序列得到的四维基扩展信道模型。仿真结果表明：与基于插值的最小二乘(LS)估计器相比,降秩估计器的均方估计误差较小,且对时延、多普勒和角扩展等均具有较强的鲁棒性。