基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析，不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先，将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据，并基于K-Means++算法对各个站点的客流量进行聚类；其次，建立客流量聚类结果与土地利用特征多维参数的拟合方程，计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上，充分考虑属于同一大类站点不同站点的细分特性，使用5类客流量公共特征比重组合精细描述具体站点类型。 实例结果表明，使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内，说明该分类方法具有可行性。     

包头地区筑路材料的分布与选择

针对内蒙古包头地区筑路材料的分布特征，结合工程实践进行归纳分析，并提出相应的见解，可供设计时参考。     

桥式抓斗卸船机不同形式的比较

桥式抓斗卸船机主要有自行小车式和钢丝绳牵引小车式2种形式.钢丝绳牵引式又分为单索起升单索开闭单小车牵引式、主辅小车牵引式、机械差动四卷筒牵引式、电差动四卷筒牵引式等形式,它们各有优劣,主辅小车牵引式被证明是最可靠的形式.     

浅析预应力混凝土连续箱梁与钢混结合梁的优劣

预应力混凝土连续箱梁与钢混结合梁在公路、铁路工程中的应用越来越普及。在京沪高速铁路工程中也得到了广泛应用。本文对这两种梁型从结构、动力特性、施工、应用、经济性等方面进行了比较全面的论述和总结,对这两种在勘察、设计过程中的应用以及节约投资等,具有很好的参考价值。     

长春城市轨道交通线网规划及建设特点

分析长春市城市交通特点,结合城市实际情况及轨道交通线网规划,阐述其发展规划与建设实践,包括已建成并运营的长春轻轨一、二、三期工程以及长春地铁1、2号线工程的规划和建设;分析轻轨工程的内容及主要技术指标,论述长春轻轨的特点;从长春市轨道交通发展的角度,针对轻轨建设中存在的问题提出改进措施。     

“国有民营”一符合地铁本质特征的运营模式

指出地铁运营模式的选择应充分考虑到地铁的本质特性,分析地铁具有线路部分的自然垄断性与运营部分的非自然垄断性、公共性与企业性并存、极强的外部效应等特点,得出“国有民营”是一种符合地铁长质特征的运营模式的结论,并推出新加坡地铁的例证。     

上海市现代有轨电车系统发展策略研究

现代有轨电车是一种舒适度高、低碳环保的中运量轨道交通系统。通过对其特征研究和发展必要性分析,提出其在上海市的发展策略及发展规模,以弥补本市公共交通结构缺失,引导新城地区发展,提升其在公共交通出行结构中的比例。     

新线开通对线网客流特征的影响

随着北京市轨道交通的快速发展,每年的新线开通都将对线网各线的客流分布产生较大的影响,但新线可研多注重新线自身的预测,缺乏线网整体变化的预测分析.结合线网客流变化的关键因素,探索利用新线可研和现有OD数据预测新线开通后线网客流的方法,并以北京地铁4号线开通为例进行验证,从一定程度上证明该方法的可行性和适用性.     

软岩边坡加固中锚索预应力变化影响因素分析

预应力锚索被广泛应用于边坡加固,并获得了良好的加固效果和经济效益,但针对锚索预应力的影响因素及变化规律的研究还不多见。本文简要分析了预应力锚索的受力形式,结合实际软岩边坡工程,比较分析施工期和雨季中大量的监测数据,详细探讨了边坡在最不利时期中影响预应力变化的主要因素及变化特点。主要包括锚索材料、施工影响及外部因素等,对进一步综合归纳预应力变化的规律及计算模型的确定有一定的参考价值。     

Driving cycle prediction model based on bus route features

Bus fuel economy is deeply influenced by the driving cycles, which vary for different route conditions. Buses optimized for a standard driving cycle are not necessarily suitable for actual driving conditions, and, therefore, it is critical to predict the driving cycles based on the route conditions. To conveniently predict representative driving cycles of special bus routes, this paper proposed a prediction model based on bus route features, which supports bus optimization. The relations between 27 inter-station characteristics and bus fuel economy were analyzed. According to the analysis, five inter-station route characteristics were abstracted to represent the bus route features, and four inter-station driving characteristics were abstracted to represent the driving cycle features between bus stations. Inter-station driving characteristic equations were established based on the multiple linear regression, reflecting the linear relationships between the five inter-station route characteristics and the four inter-station driving characteristics. Using kinematic segment classification, a basic driving cycle database was established, including 4704 different transmission matrices. Based on the inter-station driving characteristic equations and the basic driving cycle database, the driving cycle prediction model was developed, generating drive cycles by the iterative Markov chain for the assigned bus lines. The model was finally validated by more than 2 years of acquired data. The experimental results show that the predicted driving cycle is consistent with the historical average velocity profile, and the prediction similarity is 78.69%. The proposed model can be an effective way for the driving cycle prediction of bus routes.