基于事故树和模糊贝叶斯网络的铁路超限货物运输风险评估

为量化铁路超限货物运输安全风险并识别薄弱环节,提出一种基于事故树和模糊贝叶斯网络的超限货物运输风险评估方法.在确定超限货物运输影响因素的基础上构建事故树,并将其映射为贝叶斯网络.根据模糊集理论标定底事件的条件概率,将底事件的模糊失效概率(FFR)作为贝叶斯网络中根节点的先验概率.通过在仿真软件中利用贝叶斯网络建立铁路超...     

基于T-S模糊故障树和贝叶斯网络的重特大交通事故成因分析

重特大交通事故是最严重的交通事故类型,为了识别此类事故的主要致因,融合T-S模糊故障树和贝叶斯网络对其进行深入分析.建立了以重特大交通事故为顶事件,人、车、路、环境4个因素为中间事件,24个子因素为基本事件的T-S模糊故障树,将其转化为贝叶斯网络,进而双向推理基本事件的重要度和后验概率,确定主要致因.结果表明:融合T-...     

基于DBN的地铁隧道施工坍塌事故情景推演与应急处置优化研究

为充分利用历史事故的有效经验辅助应急决策,结合当前认知水平和技术水平优化历史事故的应急处置,提高决策的科学性和合理性,提出一种基于动态贝叶斯网络(Dynamic Bayesian Network, DBN)的地铁隧道施工坍塌事故情景推演和应急处置优化方法。从情景分析角度出发,基于情景元理论描述事故情景状态和趋势,分析情景因素间的作用关系,构建情景演化基本单元;分析事故情景的演化规律和路径,构建动态贝叶斯网络,对事故情景进行推演,探讨事故演化路径和发展趋势;从最优路径、最劣路径、最可能路径和实际路径探讨应急处置的优化方法和实施建议;应用该方法对某地铁隧道坍塌事故进行分析,根据推演结果提出应急处置优化方法和实施建议。     

基于本体推理和BN的无人驾驶行为决策

相较于高速与高架路段,无人驾驶行为决策系统在城区路段要面对更为复杂和多变的交通道路环境。文章提出一种将本体知识推理和贝叶斯网络（BN）相结合的方法,通过对道路环境本体模型加以逻辑推理,迁移为BN的结构参数,并根据历史驾驶案例和专家经验构建完整的贝叶斯网络。最后通过BN判断当前场景的最佳驾驶模式。本方法能使车辆较好地判断当前最优驾驶行为。     

港口水域船舶异常能耗云数据挖掘

以港口水域船舶的节能减排为目标,研究港口水域船舶异常能耗云数据挖掘方法。采集港口水域船舶的AIS云数据,删除与船舶能耗无关以及异常数据,利用K-means聚类算法对船舶能耗相关船舶主机转速以及船舶主机功率等数据进行聚类,输出船舶不同运行工况的能耗。利用贝叶斯分类器依据聚类结果识别港口水域船舶能耗云数据是否为异常数据,完成港口水域船舶异常能耗云数据挖掘。实验结果表明,该方法的船舶异常能耗数据挖掘精度高,为船舶的节能减排提供依据。     

桥梁结构非线性模型修正研究综述

针对桥梁服役期间由于结构力学性能减弱从而表现出具有时变特征的非线性振动问题,在回顾非线性模型修正发展的基础上,分别从非线性系统识别、非线性模型修正方法和非线性模型不确定性量化3个方面入手,总结了结构非线性模型修正技术中存在的一些关键问题;结合复杂结构损伤识别、性能评估与安全监测等内容,对其在桥梁结构中的应用展开了讨论。研究结果表明：以固有频率和模态振型为代表的响应特征量仅能反映时不变结构的物理特性,对于非线性结构而言其力学性能随外激励作用而不断变化,基于线性系统特征量的模型修正方法不能很好地适用于具有明显时变特性的非线性结构;结构动力响应主分量的瞬时频率和瞬时幅值包含了振动响应信号的相位信息和幅值信息,可以较为全面地反映动力荷载作用下结构响应的非平稳特性,选择具有时变特性的瞬时特征量来构建目标函数能够更为合理地表征非线性结构的动力特性;不确定性模型修正方法通过综合利用实测响应数据,考虑了测量噪声、模型误差和数值计算方法等不确定因素的影响,提高了模型修正结果的准确性;复杂结构非线性模型修正过程中涉及的参数众多,计算量大,极大地限制了其在实际工程结构中的应用,因此,合理选择具有代表性的非线性模型参数以及提高模型修正的计算效率是当前亟需解决的问题。     

路网抗震可靠性及震后运输调度路径选择研究

道路交通网络在地震作用下会出现一定程度的结构损坏和功能失效,对震后运输调度路径选择产生了影响.为研究路网的抗震可靠性及震后运输调度的路径选择问题,以路网连通概率作为衡量路网抗震可靠性的指标,将贝叶斯网络理论应用于路网形态特征之中,构建量化路网抗震可靠性的贝叶斯网络模型并求解.将震后运输调度路径选择视作多属性决策问题,综合考虑运输时间、运输距离及路径可靠性这3种属性,构建运输调度路径选择的决策效用函数模型,对模型求解确定震后运输调度的路径选择方案.以宿迁市宿城区部分路网为实例,在设定地震影响下,定量分析路网抗震可靠性,选择震后运输调度路径.     

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件.基于 MIT 打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以 S-ACOB 算法为核心搭建最优贝叶斯网络模型.增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性.通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间.     

基于客流大数据的公交发车班次仿真优化

通过优化发车班次,可以有效提高公共交通的服务质量从而提升吸引力。发车班次的优化需要综合考虑车辆的行驶与客流到达的不确定性规律,很难使用解析的数学模型进行建模。本文通过对客流大数据进行分析,构建了一个能够再现现实随机客流的客流生成仿真模型,结合公交运营过程产生的GPS轨迹、进出站信息等数据,建立了整条公交线路的仿真程序。并将响应面分析法中的最速上升思想融入机器学习领域的贝叶斯优化中,建立SA-BO算法模型以提升优化效率。以客流仿真模型和基于SA-BO算法的仿真优化构成了整体的基于客流大数据的公交发车班次仿真优化。结果显示基于客流大数据的仿真模型MAPE指标为0.577%,能够良好的再现现实随机客流;SA-BO算法相比较传统BO算法优化效果提升了26.7%。     

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.