基于灰色残差GM（1，1）模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型（Greymodel）,简称GM模型。本文从理论上介绍了GM（1,1）模型和灰色残差GM（1,1）模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。     

基于路网容量的商圈停车需求预测研究

分析商圈停车、交通拥堵与商圈持续繁荣的关系,商圈停车需求预测对商圈的可持续发展起着重要作用。为合理预见与科学估算商圈停车需求,结合路网容量、区位关系提出基于路网容量的停车需求预测模型。该模型一方面能平衡区域停车供需,缓解静态设施供需矛盾;另一方面能保证停车需求与路网容量相匹配,对动态交通起到必要的控制作用,缓解商圈周边路网的交通拥堵。最后,通过实例分析证明该模型的可行性。     

基于城市轨道交通客流短时预测的运营编组设计

根据城市轨道交通客流短时预测量进行运营编组设计,更接近客流的实际运营情况,具有实时、灵活和快速响应等优点.以一周为周期,使用最近一周的历史断面客流量作为原始数据,应用嵌入式灰色神经网络组合模型进行短时预测,得到的下一周期断面客流量更符合客流不断变化的趋势.以此为基础进行运营编组设计,使其更能适应客流量的实时变化.然后将按计划运营的实际客流纳入历史客流,进行循环修正更新,作为下一周期客流短时预测基础进行运营编组设计.基于城市轨道交通客流短时预测的运营编组优化,在一定程度上可以提高城市轨道交通系统运能,提升运营效率,降低运营成本.     

浮冰冲击作用下的乙烯运输船体 舷侧结构强度分析

对无限航区的21000m3乙烯运输船舷侧结构,分别采用纵骨架式和横骨架式冰区加强设计。根据FSICR规范要求,更新舷侧冰带区域内构件尺寸,并针对艏部冰带区域内船体结构,分别建立了原始的、纵骨架式的和横骨架式的冰带结构设计有限元模型。通过强度计算,认为艏部冰带区新结构满足规范设计载荷要求。在此基础上,单独建立艏货舱冰区舷侧外板板架有限元模型,研究两种新设计形式适用的外板在更大浮冰冲击载荷作用下塑性变形。计算结果表明:纵骨架式结构外板塑性变形明显低于横骨架式。     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

备件消耗预测方法研究现状及发展

备件消耗预测是制定备件消耗标准的基础工作之一,通过对国内外有关备件消耗预测的文献进行研究,在分析当前备件分类的基础上,总结消耗连续型备件和消耗间断型备件的消耗预测方法研究现状,指出不同类型消耗预测模型的优点及存在的不足,揭示了备件消耗预测的研究重点及发展趋势。     

电磁兼容预测分析在试验中的应用

论文分析在复杂的电磁环境下开展试验面临的电磁兼容问题。研究了发射场电磁兼容预测分析的理论方法,给出了干扰预测的数学模型,可以在试验设计、故障诊断、EM C加固方面得到应用。     

基于支持向量机回归树的内燃机振动信号趋势预测

针对标准回归树建立在统计分析基础上所存在的缺陷,提出一种基于支持向量机的回归树预测模型。首先,根据原始振动信号趋势序列构建回归树;然后,针对回归树上包含样本数过少的节点,利用支持向量机,建立能够反映重要变量与响应变量之间映射关系的回归模型。仿真结果表明:即便由于设备出现异常,导致振动信号趋势序列出现非平稳、突变情况,该方法也能准确地预测,性能优于标准分析方法,具有一定的工程实用性。     

基于数据驱动的电动汽车动力电池SOC预测

为准确预测电动汽车动力电池的能耗,缓解驾驶者的里程焦虑,本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型.首先分析电动汽车能耗构成并提取能耗影响因素,接着基于某款电动出租车CAN总线采集的汽车运行数据,采用机器学习算法,提出基于温度分层的能耗模型,通过宏观数据与微观数据的融合减小误差,最后使用该模型对车载BM...     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。