����ģ����ϵ���·��װ������Ԥ��

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

基于分段外推法的城市汽车保有量预测

汽车保有量的预测是城市交通规划的一项基础性工作,是制定各种交通需求管理措施的重要依据。分析影响城市汽车保有量的因素,将城市划分成不同的交通小区,并建立相应的评价模型对各小区进行综合评价。同时利用某一小区以往汽车保有量资料,建立基于分段外推法的城市汽车保有量预测模型,为城市汽车保有量的近期预测提供有效方法。     

���ڷ������۵Ķ�ʱ��ͨ��Ԥ���㷨

城市交通诱导与控制需要短时交通流预测作为依据,当预测时间小于5 min时,常用的短时交通流预测方法往往难以满足精度要求. 为了提高短时交通流预测的精度,针对短时交通流的非线性特征,采用基于分形的方法可以缩短预测时间、提高预测精度. 在G-P算法基础上,本文利用欧式模定义相空间任意两点间的欧式距离,并采用筛选法计算备选点的欧式距离,以此提高计算速度,使预测2 min内的交通流成为可能. 以北京西直门至阜成门段一天的断面交通量为实例,应用基于分形的短时交通量预测算法,对712个有效数据点的后30点进行预测,预测精度达到92％以上.     

山区库岸塌岸预测方法综述

库岸坍塌是一种地质灾害,极大地威胁着库岸人民财产和生命的安全,同时也影响着水库库容。介绍了现有常用的一些塌岸预测方法,并对各种方法的特点及适宜性做出了总结。总结的塌岸预测方法有:佐洛塔廖夫为代表的条件类比图解法、康德拉捷夫为代表的数学分析法、平衡剖面法、动力法、徐瑞春的塌岸预测图解的若干修正、超前信息法、数值模拟法等。在工程具体应用中,结合山区水库的特点,坚持理论与实践相结合的原则,根据实际选用合理的方法。     

居民出行分布预测的改进模型研究

出行分布量与小区间现状出行有关,也与连接两小区间的道路网络及起终点的用地性质有关,传统出行分布预测模型都只考虑了这些因素的某一方面,因而在预测中经常会出现与实际明显不符的预测结果。按照出行个体在选择出行目的地时的行为,将影响出行目的地选择的几个重要因素：现状OD、小区用地性质、出行成本综合考虑,并按照影响方式不同,建立出行分布预测模型。计算实例表明,该模型的预测结果优于传统模型。     

公路地基沉降预测及其计算方法研究

为弥补公路路基沉降预测中各现有模型存在的不足,提出一种新的沉降预测模型,并给出了利用该模型进行沉降预测的解析方法和数值方法。分析了该模型的特点,说明了测量误差以及测点数对预测结果的影响。通过与其他预测方法的比较,该模型有明显的优势。结合工程实例验证了该模型的合理性,并指出解析方法在求解过程中会影响实测数据的权重,进而影响预测效果;而数值方法求解简单,方便实用,对测点数的多少要求不高,不影响实测数据的权重,预测精度较高。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

硬质围岩隧道控稳结构面初步分析及应用

为解决在硬质围岩隧道中快速连续施工,对连云港东疏港高速公路后云台山隧道塌方掉块进行全面系统地分析,探讨在硬质围岩隧道中塌方掉块的各种形式,说明控稳结构面的存在是塌方掉块产生的关键因素,并归纳提出控稳结构面预测方法。通过分析可知,利用控稳结构面预测方法配合超前地质预报手段,并采取有效加固围岩等措施能够预防和减少硬质围岩隧道塌方掉块事故的发生。     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于模糊预测的高速铁路客流OD 表的推算方法

科学预测客流的变化趋势与波动及获取路网客流OD 表是制定旅客列车开行 方案的依据.结合高速铁路客运的运营实际,利用客流变化相对稳定特征,本文提出了客 流OD 表的反推方法和计算流程,该方法的计算工作量相对叠加法节省了（n2-2n）.考虑 实际客流日波动特征,依据模糊预测原理,建立了车站客运指标的时间序列模糊预测方 程和预测方法,该方法可获取预测期客运指标的变化区间.以南方一高速铁路线为背景, 对车站发送人数进行了预测,预测值与实际数据相比误差在1%以内.在车站发送人数预 测的基础上,给出了线路客流OD 表的反推演算.