浅析基于大数据水利工程监管体系构建与应用

大数据技术的不断发展与应用,大幅度推动了其他行业的快速进步.然而在水利工程领域,大多数从业者对大数据技术还比较陌生,尤为不了解基于大数据技术水利工程监管体系的运行原理和应用现状.通过大量调研,在梳理大数据与水利大数据概念基础上,探讨与分析水利工程中大数据监管体系框架的构建与应用情况,发掘目前水利工程中大数据技术应用还偏向宏观框架或侧重单项需求,以期为水利行业人员了解与推动大数据技术发展提供一定参考.     

铁路车辆监测图像识别模型训练及验证平台研究

针对铁路车辆轨边图像检测系统现有图像自动识别模型训练及评价过程中训练数据不足、数据质量不高、评价标准不一致等问题,研究铁路车辆监测图像识别模型训练及验证平台。设计故障图像数据统一接入,专家标定数据形成,自动识别模型接入、训练、对比评测等方法,为故障图像自动识别模型提供标准训练数据、统一评测验证与管理服务的能力。实践表明, 该平台实现了车辆故障图像数据的集中汇总与统一管理,为铁路车辆监测图像自动识别技术的发展提供了有力支持。     

城轨交通高架桥墩顶纵向刚度的设计探讨

对桥墩纵向刚度进行计算,分析影响桥梁下部结构刚度的主要因素,包括桩径、桩间距以及墩截面几何尺寸.探讨在相同刚度的条件下,如何合理选择墩柱刚度及基础刚度,以保证结构受力合理且经济性好.     

大数据挖掘技术在列控车载BTM智能分析预警中的应用研究

应答器传输模块（BTM）是列控车载设备的重要组成部分。针对列车运行过程中因数据传输受干扰、设备老化等导致BTM工作状态不稳定,而传统检测手段存在滞后性与局限性的问题,提出一种基于大数据挖掘技术的智能分析预警方法。从无线下载的列控ATP车载设备数据中提取BTM数据,先进行数据清洗,然后提取无效FSK、启机故障、误码率和作用范围等关键特征,采用支持向量机算法构建BTM故障预测模型,通过调整模型参数及确定各特征量的门限值,实现对BTM的智能诊断分析,并给出相应处理意见。应用效果表明,该方法能够有效降低BTM的故障率,提升列控车载设备的运行效率。     

基于改进极限学习机的公交站点 短时客流预测方法

以公交车IC 卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC 卡和GPS 数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO 算法找到ELM的最优隐含层节点参数;最后依托广州市19 路公交车客流数据仓库进行了方法验证.结果表明：所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.     

���������������Ż������о�

利用安装GPS设备的浮动车采集动态交通信息,具有数据精度高、覆盖范围广、实时性强等优点。阐述了基于浮动车的交通信息采集系统的原理和组成,针对目前浮动车采样周期主要凭主观经验确定的问题,提出了采样周期优化的理论方法：将浮动车瞬时速度当作随机信号,利用傅立叶变换对其进行频域分析,然后依据Shannon采样定理,确定浮动车的优化采样频率。结果表明：本文方法确定的采样周期可以获得较高的数据采集精度,满足实用要求。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

基于BP神经网络的复合地层盾构掘进参数预测

盾构隧道穿越复合地层时,由于掌子面上下岩体软硬不均,极易导致盾构机掘进参数出现大幅波动。目前,针对复合地层盾构掘进参数的预测并未考虑地层物理力学参数变化和复合地层岩土占比。依托深圳地铁13号线复合地层段现场掘进数据,首先,根据掘进数据规律提取运行段数据,对运行段数据进行离群检测,去噪与标准化预处理;而后,利用BP神经网络,以刀盘转速、推进速度、螺旋机转速和上下两层岩土占比、岩土体的岩石单轴极限抗压强度标准值、岩土施工工程等级作为输入参数,预测总推力、刀盘扭矩这两个控制盾构机运行主要参数。计算结果表明：(1)对于不同占比的训练集和测试集,预测结果与实测结果吻合度较高,且随着训练集占比增大,预测平均误差逐渐降低,在80%训练集时,刀盘扭矩与总推力的平均相对误差分别为9.2%和7.1%;(2)预测模型对不同复合地层条件下的平均误差在15%以内。     

基于DE-EL的城市快速路合流区危险驾驶行为识别方法

为提高快速路合流区行车安全水平,实现合流区危险驾驶行为准确识别与交通事故预防,基于车辆轨迹数据提出了1种合流区驾驶人危险驾驶操作行为辨识方法。依托合流区交通航拍视频轨迹数据,运用风险度量法与四分位差法确定4类合流区驾驶人危险驾驶操作行为特征指标阈值。通过前期建立的合流区危险驾驶行为谱,计算驾驶人危险操作得分G,标记危险驾驶人,实现驾驶人分类。选用ROS、SMOTE、ADASYN数据均衡算法（data equalization,DE）对不平衡数据集中的危险驾驶人样本进行扩充,降低轨迹数据集的不平衡度。联合XGBoost、LGBM、AdaBoost集成学习分类算法（ensemble learning,EL）建立DE-EL模型,以车速、变速、横向操作、位置特征以及时间占比5类特征参数变量作为输入,对合流区驾驶人危险驾驶操作行为进行识别。通过Spearman相关性分析对DE-EL识别模型输入特征参数进行优化,提升合流区危险驾驶操作行为识别模型的性能,最终从模型的精确率、召回率、F1值和AUC值确定最优合流区危险驾驶行为识别模型。研究表明：合流区驾驶人行车风险水平与横向操作关联度最高,与车辆速度关联度较低;不平衡的轨迹数据集通过单一的EL算法难以有效识别危险驾驶操作行为,DE算法可显著提升分类算法的性能;特征优化工程后,DE-EL识别模型的性能得到了提升,结果表明SMOTE-LGBM模型对合流区危险驾驶行为的识别效果最好,精确率为93.4%,召回率为92.1%,F1值为0.927,AUC值为0.933,模型可用于合流区危险驾驶行为识别、预警以及干预。     

基于改进小波分解的机载位置数据降噪处理

机载经度、纬度、高度数据的精度,对保证飞机定位的精确性和飞行安全性有着重要意义.结合小波分解和经验模态分解(EMD)2种方法的优点,在小波分解的基础上,提出1种基于 EMD 的小波分解降噪方法.利用 EMD 对机载位置数据进行分解,并对高频分量用小波分解方法进行降噪处理,降噪后高频分量再结合低频分量进行重构得到降噪后的数据.以西安到长春某航班巡航阶段的机载高度数据序列为例,进行了仿真验证.结果表明,改进小波分解降噪方法与传统的小波分解降噪方法相比,信噪比提高了0.649,均方根误差减小了0.6969,消噪效果更加明显.改进的小波分解方法在处理机载位置数据方面有着较明显的优点,可获得更精确的飞机三维数据.