基于最小二乘法的高速公路线形拟合方法

目前,高速公路的改扩建项目越来越多,这类项目中首要的任务就是要拟合旧路的平纵线形,本文利用现有的道路专业软件,和基于最小二乘法的原理,实现了广州至清远高速公路改扩建工程中旧路平纵线形的拟合,经分析,其误差满足设计的需要。该拟合方法简单、实用、有效,值得广大设计人员借鉴。     

大容量客车疏散路径模型选择

基于我国城市家庭小汽车普及率低的现状,构建停车场、车站以及避难所三者组成的疏散网络。以车辆总疏散行程时间最小为目标,建立以公共交通工具（客车）作为主要工具的紧急疏散路径优化模型,并设计基于最小费用、最大流的求解算法。通过算例说明模型和算法的有效性和可行性,并得到在给定的疏散路网方案情况下,停车场现存车数、车站所需车辆数以及避难所容车数的变化,会引起所有客车最短径路选择变化的结论。     

最小二乘支持向量机在隧道围岩变形预测中的应用

针对基于标准型支持向量机(Vapnik SVM)的岩体变形预测方法计算复杂度大、应用不便的缺点,提出一种基于最小二乘支持向量机的围岩变形预测方法.该方法结合开挖岩体具有高度不确定性的特点,将其作为一个时变系统考虑,首先采用滑动时窗方式选取学习样本,然后利用获得的样本训练最小二乘支持向量机预测模型.利用这种方法对雪家庄隧道围岩变形进行预测,分析结果表明,该方法具有较高的预测精度,是一种简单可行的变形预测方法.     

结构参数对应力层沥青路面结构剪切应力的影响

文章在分析设置应力吸收层的半刚性基层沥青路面结构参数的基础上,研究了沥青路面结构层厚度和模量对水平剪切应力的影响,针对设置应力吸收层对路面结构的剪切应力的不利影响,提出了应确保中面层最小厚度的思路。     

一种基于商用车的自称重算法研究及实现

本文针对商用车自称重这一问题,提出一种基于车辆纵向动力学和积分法的自称重算法。本文使用Matlab/Simulink进行算法模型搭建,使用ControlDesk进行实验控制与自动化测试。在车辆纵向动力学的基础上,进行一次积分处理,即对系统和计算误差做一次平均处理,用以减小算法模型中的积累误差,提高计算精度。同时,利用带有遗传因子的递归最小二乘法对整车的质量进行估计,能够有效提高算法精确度。通过手动挡配置商用车进行算法实车试验,实验结果表明,算法误差在6%以内,算法具有强鲁棒性、适用范围广、计算结果精度高、收敛快等优点。     

基于ASNLS算法的智能浮标浮潜模型参数辨识

[目的]针对智能浮标大深度浮潜模型难以精确量化的问题,提出一种抗数据饱和及测量噪声的最小二乘算法（ASNLS）,以实现浮潜多参数识别及深度预测。[方法]首先,在智能浮标浮潜运动灰箱模型中引入其执行机构的非线性动作特性以契合实际模型,并将连续型浮潜运动方程转化为离散模式以匹配实际离散的数据采样方式;然后,将离散型运动方程构造为基于相关函数的表达形式,以减弱噪声对参数辨识的影响;最后,通过调整协方差矩阵的取值,实现该浮潜参数辨识算法的抗数据饱和功能。[结果]基于2021年智能浮标在南海的大深度试验数据,开展了浮潜运动模型参数辨识及深度预测,验证结果表明：相较于传统的最小二乘算法及支持向量机算法,ASNLS算法的收敛速度更快（较最小二乘算法提高了31.8%）、深度预测误差更小（不同深度下的平均绝对百分比误差均小于9%）。[结论]ASNLS算法可为智能浮标的深度控制和预报提供有效的浮潜模型支撑。     

考虑主线车道数与匝道车速的快速路出入口最小间距计算方法

为完善现行标准、规范,满足日趋精细化的工程实践需求,开展了快速路出入口最小间距计算方法研究.总结了快速路出入口组合形式与最小间距划分方式,根据车辆变道,提出将交织段进一步划分为合流变道段与分流变道段;以尽量避免分合流车辆对主线交通流干扰为原则,重新建立了不同组合形式下出入口最小间距计算式.针对快速路主线自由流、稳定流上段和稳定流3种运行状态,考虑匝道车速,分别建立了加、减速段长度计算模型;引入间隙接受理论,建立了等待合流段长度计算模型;以变道条件最差为前提,结合主线车道数,提出了车道变换长度的确定方法 ,并据此优化了加速车道、减速车道、车道变换、出口标志识认4类长度的计算方法.给出了三级服务水平下,对应于不同主线设计速度、车道数和匝道设计速度的出入口最小间距推荐值,结果表明,在76.5% 的工况中,推荐值小于规范值;推荐值高于规范值的情况集中于主线设计速度高于80 km/h,单向车道数为4的工况中;对应于60 km/h,80 km/h,100 km/h的主线设计速度,推荐值平均比规范值低160 m,138 m,70 m.与规范值相比,推荐值能满足更为灵活的设计需求.      

基于多源公交数据和车时成本优化的公交运营时段划分方法

现有公交运营时段划分方法均基于单一参数（乘客需求或行程时间）的相似性,忽略了乘客需求与行程时间对时段划分方案的协同作用。针对传统方法的缺陷,利用多源公交数据,提出一种新的基于最小化车队运营时间成本的时段划分方法。首先,利用逆差函数模型计算时间窗内完成班次任务所需要的最小车队规模,进而利用滑动时间窗模型,计算全天各时间窗所需的理论最小车队规模。然后,以时段划分方案的时间分割点为决策变量,以最小化全天累计车队运营时间成本为目标建立优化模型,采用遗传算法对运营时段划分方案进行寻优。最后,以广州市87路公交线路实际数据为例进行验证,并对模型参数进行敏感性分析。研究结果表明：与传统方法相比,所提方法能更好地实现运力与运量相匹配,并有效降低车时成本;与以往基于断面客流和基于行程时间的划分方案相比,所提方案的车时成本分别降低25 veh·h和45.33 veh·h。     

驾驶机器人车辆动态制动力矩补偿

为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。     

基于深度学习的混合动力汽车预测能量管理

为了优化混合动力汽车的能量动态分配过程,提升混合动力汽车的燃油经济性和动力电池荷电状态（SOC）平衡性,提高混合动力汽车能量管理策略的鲁棒性,以等效燃油消耗最小化策略为基础,结合对车辆未来行驶工况的预测研究,分析车辆未来行驶需求能量的变化,制定相应的动态调整策略。基于车联网通信技术,实时采集车辆的运行状态信息和交通信息,作为车辆未来工况预测模型的输入变量。以数据驱动为特征,基于混合深度学习建立工况预测模型。利用STL分解算法对各输入变量进行周期性、趋势性等特征分解,并对各输入变量的特征分量,使用混合深度学习网络从数据局部特征及时间维度依赖特征来深度挖掘目标车辆车速与外部信息及历史数据的关系,进而对车辆未来的行驶工况进行预测。利用预测的工况信息,分析车辆未来行驶需求能量的变化,应用于自适应等效消耗最小化策略等效因子的实时动态调整,从而实现对车辆的优化控制,并通过与传统自适应等效消耗最小化策略进行对比,验证该方法的有效性。研究结果表明：基于混合深度学习的工况预测模型预测精度比BP网络预测模型高44.72%;利用精确的预测工况信息预测能量管理,可以实时动态调整发动机和电机的功率输出,降低油耗并维持电池SOC平衡。