车载显示屏显示异常故障分析与处理

目前,车载显示屏已经逐渐普及,尺寸有3．5’、4．3’、7’和9’的,一般可以输入视频信号,如车载DVD信号、倒车影像车载摄像头信号等,有的还可以加载无线数字接收器接受移动数字电视信号,让人们的有车生活变得更加丰富多彩。     

电足服务优,吉安今年春节亮又暖——国网江西吉安县供电公司畅通春节用电“最后一公里”

2015年春节,吉安县居民用电负荷迅猛增长,为保障电网迎峰度冬安全稳定运行和春节期间电力可靠供应,公司主动作为启动"强电网亮春节"行动,保障吉安度过了一个又亮又暖的春节。受强冷空气南下影响,二月初的江西吉安,天气异常湿冷,居民取暖设备不断增加,加上春节返乡潮涌,吉安县季节性用电负荷迅猛增长,在这一关键、特别的日子里,电力足不     

舰船感应磁性的磁异常信号特征

为了研究舰船的磁性目标特征,基于弱磁环境下铁磁质的线性磁化规律,利用国际地磁参考场模型,研究了不同磁航向情况下舰船磁异常信号的分布。仿真分析表明,在地磁坐标系中,舰船南侧的磁异常信号为正,北侧为负;随着舰船磁航向的变化,磁异常信号等值线的形状略有变化,取向和范围有较大变化;为了减弱磁异常信号,舰船应沿磁东、磁西方向航行,为了提高探测能力,应沿磁南、磁北方向搜索。     

AIS数据分析和可视化展示的应用

通过AIS数据分析和可视化展示结果,分析其在海上助航设施配布和调整、海上施工作业选点和通航安全论证、桥梁通航论证和防撞效能评估、船舶异常行为分析等案例的典型应用场景,为进一步挖掘AIS大数据潜能,提升航海保障服务质量和效率,赋能水上智慧监管和航运企业智慧经营提供参考。     

基于电动出租车数据的充电桩选址聚类方法比较

为有效降低出租车运营企业及经营者的经济成本,通过分析出租车的卫星轨迹数据,比较和选取用于电动出租车充电桩选址规划的聚类方法。以上海市电动出租车充电站的选址规划为研究对象,分别基于孤立森林和聚类算法设计异常值检测方法,对相关时段的出租车卫星数据进行清理以及数据可视化处理;比较层次聚类（Agglomerative Clustering）、高斯混合模型（Gaussian Mixture Model, GMM）、K-means聚类、Mean-Shift聚类以及谱聚类（Spectral Clustering） 5种算法的聚类效果,并选取K-means算法作为充电桩选址规划参考算法。从城市区域划分及企业运营角度确定充电桩选址方案,为未来上海市区电动出租车充电桩的数量和容量配置提供设计依据。     

地铁动车粘着系数的计算

为了较好地发挥车辆的牵引、制动性能,需要较合理地选择轮轨间粘着系数取值,从而使车辆处于较有利的粘着利用状况。从地铁列车的运行特点出发,提出电传动地铁动车计算粘着系数的计算要考虑大加、减速度的影响,并提出了具体的计算公式。     

基于OC-SVM算法的FSK通信设备异常检测研究

针对地铁FSK(频移键控)通信信道的监测数据正负样本量不平衡即故障样本量较少的问题,提出一种基于OC-SVM算法的异常检测方法。通过对FSK通信信道监测数据的处理分析,该算法能够识别出FSK通信设备的相对异常状态,有效助力FSK通信设备的运维从传统的故障修、计划修转变为智能化的状态修、按需修,提升FSK通信设备的可靠性,降低地铁运营成本。     

基于ARIMA模型的极端事件下铁路货运量预测研究

合理预测货运量是铁路部门制定列车开行方案及组织管理的基础,在类似突发疫情这种极端事件时,准确预测铁路货运量的数据与变化趋势对铁路工作的开展有重要的参考意义.建立ARIMA模型,利用2010年1月—2020年1月的铁路货运量正常数据与疫情突发后2020年2月的异常数据,对2020年3—10月的铁路货运量进行预测.结果表明...     

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型（ARIMA-BPNN-DSR, ABD）。混合模型由差分整合移动平均自回归模型（auto regressive integrated moving average model,ARIMA）和反向传播神经网络（back propagation neural network,BPNN）通过动态选择回归算法（dynamic selection of regression,DSR）融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年（疫情影响下）厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明：(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。