全文获取类型
收费全文 | 223篇 |
免费 | 6篇 |
专业分类
公路运输 | 70篇 |
综合类 | 59篇 |
水路运输 | 76篇 |
铁路运输 | 17篇 |
综合运输 | 7篇 |
出版年
2024年 | 2篇 |
2023年 | 10篇 |
2022年 | 3篇 |
2021年 | 10篇 |
2020年 | 2篇 |
2019年 | 7篇 |
2018年 | 2篇 |
2017年 | 6篇 |
2016年 | 4篇 |
2015年 | 6篇 |
2014年 | 14篇 |
2013年 | 9篇 |
2012年 | 9篇 |
2011年 | 13篇 |
2010年 | 18篇 |
2009年 | 22篇 |
2008年 | 10篇 |
2007年 | 14篇 |
2006年 | 12篇 |
2005年 | 20篇 |
2004年 | 11篇 |
2003年 | 3篇 |
2002年 | 6篇 |
2001年 | 6篇 |
2000年 | 2篇 |
1997年 | 1篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1993年 | 3篇 |
1991年 | 1篇 |
1989年 | 1篇 |
排序方式: 共有229条查询结果,搜索用时 15 毫秒
1.
2.
基于周期时变特点的城市轨道交通短期客流预测研究 总被引:1,自引:0,他引:1
分析了城市轨道交通客流的周期时变性特征,并根据该特征在GM(1,1)灰色预测模型的基础上改进了马尔科夫算法,以适用于城市轨道交通短期客流预测。用无偏GM(1,1)模型拟合系统的发展变化趋势,再以此为基础进行了马尔科夫链预测,并采用多转移矩阵排除客流数据中噪声数据的扰动。试验结果表明,改进后的模型在城市轨道交通客流短期预测中具有良好的精确性。 相似文献
3.
4.
高速铁路短期客流预测是铁路运输系统的重要组成部分。无论是对列车开行方案的制定,还是对如何采取正确的营销策略,都具有重大的现实意义。通过混合经验模态分解方法和神经网络方法相结合的EMD-BPN方法来预测高速铁路短期客流量。组合方法主要分为三步:首先,使用经验模态分解方法将客流时间序列分解;其次,将IM Fs作为BP神经网络的输入;最后,应用神经网络对客流量做出预测。数值实例表明,该方法对于高速铁路短期客流预测在精度和稳定性上都有良好的表现。 相似文献
5.
基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型 总被引:1,自引:0,他引:1
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。 相似文献
6.
为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果. 相似文献
7.
采用数值分析软件Sesam/HydroD对某半潜式起重船在航行状态和起重作业状态下的波浪载荷进行长期预报和短期预报.在航行状态下,预报得到的最大波浪弯矩和剪力分别为规范值的1.4倍和2.0倍,用于进行结构疲劳评估(超越概率为10-2)的波浪弯矩最大预报值约为用于进行结构强度评估(超越概率为10-8)的波浪弯矩最大预报值... 相似文献
8.
道路网短期交通流预测方法比较 总被引:27,自引:1,他引:27
介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法. 相似文献
9.
白丽 《交通运输系统工程与信息》2017,17(1):127-135
城市轨道交通客流特征除表现为常态的周期性、季节性及高峰性外,还会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现出差异性和特殊性,本文对较为成熟的常态及研究较少的非常态客流预测方法进行了实验.首先利用通用的ARIMA时间序列预测算法分析样本历史数据实现常态日客流预测;其次针对客流特殊因素提出时间序列及回归分析的组合模型,同时引进虚拟变量和结合相似日样本数据进一步改进,实现非常态预测问题的高精度求解.仿真计算结果表明,本文方法对解决短期客流预测具有良好的适用度,尤其同样本同预测周期条件下的非常态组合改进模型和常用单一时间序列模型的对比,证明改进模型可以很好地应用在客流特征既包括随时间固有不变的性质又表现出特殊因素的研究中,具有较强的自适应性和更好的预测精度. 相似文献
10.