钩形弯交叉口信号协同控制优化方法研究

针对车辆在钩形弯交叉口与相邻常规交叉口间的整体运行特性，建立了各条车道的车辆平均延误计算模型。以各交叉口的周期时长和相位绿灯时间为约束，钩形弯交叉口与相邻常规交叉口间的车辆平均延误最小为目标，建立了信号协同配时方案。以位于苏州市高新区内有轨电车沿线的两个相邻交叉口为例，采用实际数据验证所建立的方法，并设置钩形弯渠化方案。将设置的钩形弯交叉口与其相邻常规交叉口的信号协同作为改进方法，在VISSIM软件中对比分析改进方案与现状方案的车辆延误指标。实验结果表明，钩形弯交叉口与相邻常规交叉口的信号协同优化方法可有效提高交叉口的通行能力，尤其是干道直行机动车的通行能力，可降低车辆的平均延误。     

浅谈工程施工工期延误

本文从工期的确定,工程合同的变更,工期延误的界定及解决工期延误的对策等方面论述工程施工工期,供工程技术人员对工期有全面了解,有效规避因工程延误带来的损失。     

Petri网络在无控制交叉口延误分析中的应用

选用比较适合描述系统组织结构和动态行为的Petri网络模型对主路优先通行的无信号交叉口运行过程建立HSPN模型．在此基础上，结合间隙接受理论，对无控制交叉口进行平均延误分析探索，为交叉口仿真控制软件的研发奠定了算法基础。     

有分离调整和移走时间的两机器流水作业最大延误问题

在工件的调整时间和移走时间独立于加工时间的两机器流水作业问题中，同一工件的“调整”步及“移走”步在两台机器上可重叠进行，但“加工”步不能重叠，本以最大延误为目标函数讨论问题的解中工件排列应满足的条件，根据这些条件我们构作了两个近似算法。     

成组加工的单机延误工件个数问题

证明了成组加工的单机延误工件个数问题是强ＮＰ困难的,即使限定所有工件有单位加工时间且所有组间调整时间为零也是如此。对同组工件是相同工期的限制情形给出了一个多项式算法。关于同组工件既有相同工期,又有相同加工时间的进一步限制情形,由于输入规模的减少,证明了其是普通意义下ＮＰ困难的。     

单机排序中加工时间可控时的延误工件数问题

对一台机器加工时间可控时的延误工件数问题，如何构造延误工件数和加工时间减少量之间的产工线，文献「１」给出了一些理论结果，但未给出具体算法。该文在ｗｊ恒为１的条件下，分析了文献「１」所获得结果，证明了曲线上有效值的个数，并从考虑延误工件数出发在文献「１」基础上给出了构造上述曲线的具体算法。     

交通控制子区划分方法研究

交通控制子区划分主要将相邻的众多交叉口划分为若干个交通子区进行干线协调控制,可有效缓解交通拥堵现象,但现有方法划分出的交通子区无法满足实际协调控制的准确性与鲁棒性。为解决这一难题,结合当前流行的划分技术,考虑4个影响因素:信号交叉口间距、交通流量、周期、通行能力,建立模糊C均值聚类划分方法,再通过实例,借助Vissim仿真软件,验证方法的适用性与可行性。Vissim仿真结果表明:与传统协调控制方法相比,方法可使系统车均延误时间减少27%,协调相位行车时间减少20%。     

满足客流需求的地铁列车延误协同调整方法

以尽快疏散客流为出发点,提出协同调整城市轨道交通初始延误列车前方列车的方法.基于列车能力与客流需求的交互关系、运行约束和调整时间约束,协调考虑车内乘客和站台乘客,以全部乘客总旅行时间最小为目标建立了整数规划模型,并构建多列车、多车站时刻调整的组合动态规划求解算法.实例验证结果表明了模型与算法的有效性,与其他方法相比,该协同调整方法得到了更少的乘客旅行时间.     

全向停车控制交叉口中行人与机动车延误相互影响研究

以美国某典型全向停车控制交叉口为研究对象,通过对该类交叉口进行理论建模分析,研究行人过街延误与机动车延误的相互关系。分析了交叉口中行人与机动车的冲突状况,并将冲突类型分为12种,得出行人半过街和完全过街两种情况下行人与机动车延误相互关系模型,并利用实地数据做验证以及模型误差来源分析。最后利用交通仿真软件对模型做进一步评价,指出现有仿真软件的缺陷。     

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题，提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征，同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明，该模型在中短时预测上的表现均优于其他对比模型；相较于不考虑气象因素的模型，MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。