模糊Petri网在飞机进近排序中的应用

介绍了发达国家正在研究的最后进近间隔工具(FAST)的排序思想,利用该排序思想,讨论了模糊控制和模糊Petri网排序理论在飞机进近中的具体应用,并进行了仿真。仿真结果表明,该方法能达到合理可行的排序结果,明显减少航班队列的延误。基于模糊Petri网的排序方法为解决空中交通管制系统的科学优化排序问题提供了较好的研究思路。     

外汇风险的极值相关模型

研究在已知某一分量极值出现的情况下,通过多维随机向量的联合条件分布的近似分布,利用半参数方法,给出一个极值相关模型,估计多维随机向量的任意尾部事件概率.应用该方法估计加元和日元资产组合一天的99.9%,99.99%,99.999%VaR值分别为0.0321,0.0439,0.0598.     

城市快速轨道交通接运公交路线网规划

合理的接运公交线网规划是城市快速轨道交通系统充分发挥作用的保证,其关键环节是接运站点的选取和接运路线的优化。接运站点以它可能为轨道路线接运的最大客运周转量来选取;接运路线以接运效率最大为目标搜索优化     

一种通用的城市道路交通流微观仿真系统的研究

交通流仿真是研究交通问题的有效工具,本文采用复合概率、模糊逻辑等方法建立了描述交通流中不确定性因素、车辆的到达,在路段上行驶以及通过路口的微观仿真模型,并利用面向对象的方法设计实现了于种基于上述模型的通用城市交通流微观仿真系统,比较真实地再现了车辆在道路网络的行驶过程。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

短时交通流预测FSMSVR模型

针对城市道路短时交通流的复杂非线性特点和以往的预测仅考虑典型交通条件（无交通事故等突发事件）的现状,结合交通流的特征,提出了一种有限状态机支持向量回归模型（finite state machine of support vector regression model,FSMSVR）的短时交通流预测机制. 通过线性回归算法和指数平滑算法划分交通流状态,根据各状态特点结合支持向量回归算法建立有限状态机工作机制,实现涵盖典型和非典型交通条件的短时交通流预测. 通过实验例证,对比了FSMSVR模型和传统SVR模型对城市道路6min交通流的预测,研究结果表明,该预测机制能够提高预测精确度,在非典型条件下有着较好的预测表现.     

基于市场机制的地面等待时隙分配方法

本文针对地面等待中的时隙分配问题,提出了基于市场机制的时隙交易方法,建立了航空公司决策模型.该模型通过航空公司自由交易时隙,不仅可提升时隙交易的灵活性,还能减少各航空公司的延误成本和机场总的延误成本.最后采用国内某机场的运行数据进行仿真和对比,结果表明了其有效性.     

互联网能耗和性能优化的权衡模型

互联网能耗和性能互为矛盾已经成为网络研究人员的广泛共识. 目前的研究方法通常仅将其中一个方面作为主要问题,而将另外一方面作为次要问题来解决. 因此,如何将互联网能耗和性能作为同等重要的指标进行协同优化,是本文所要研究的问题. 本文提出了一种通用优化模型来实现减小互联网能耗的同时提升网络性能. 为将其应用于实际,本文通过引入并定义代价函数和功率-带宽函数,将该通用模型具体化为一个线性规划模型. 评估结果显示,该线性规划模型的最优解能够同时降低网络的最大链路利用率和能耗,并且使得这两者中的每一个指标均近似于对其进行单一优化的模型的最优解,从而实现了对网络能耗和性能的协同优化. 与当前互联网相比,在最大链路利用率方面,本文所提出模型的最优解最多可将其减小60.6%,最少减小45.8%;在能耗方面,该模型的最优解最多可将其减小83.3%,最少减小56.7%.     

基于混沌自适应遗传 ν SVR的城市客运量预测

针对城市客运量预测问题本身所存在的小样本、高维数和非线性等特点,将ν-支持向量回归机(ν-support vector regression,ν-SVR)应用于城市客运量预测.为了提高ν-SVR模型的预测精度和泛化性能,利用基于混沌理论和自适应机制的混沌自适应遗传算法(chaosadaptive genetic algorithm,CAGA)优选ν-SVR模型参数,建立了基于CAGA进行参数优选的CAGA-ν-SVR城市客运量预测模型.结合1978～2008年统计数据进行了仿真预测,结果表明该模型的预测性能优于RBF神经网络模型、GA-SVR模型和GA-ν-SVR模型,平均绝对相对误差控制在2.3%以内,可有效应用于城市客运量预测.     

Sea surface temperature records of core ZY2 from the central mud area in the South Yellow Sea during last 6200 years and related effect of the Yellow Sea Warm Current

Sea surface temperature (SST) records in the South Yellow Sea during the last 6200 years are reconstructed by the unsaturation index of long-chain alkenones (K 37 U ’) in sediment core ZY2 from the central mud area.The SST records varied between 14.1 and 16.5°C (15.6°C on average),with 3 phases:(1) A high SST phase at 6.2-5.9 cal ka BP;(2) A low and intensely fluctuating SST phase at 5.9-2.3 cal ka BP;and (3) A high and stable SST phase since 2.3 cal ka BP.Variation of the SST records is similar to intensity of the Kuroshio Current (KC),and corresponds well in time to global cold climate events.However,the amplitude of the SST response to cooling events was significantly different in different phases.The SST response to global cooling event was weak while the KC was strong;and the SST response was strong while the KC was weak.The difference in amplitude of the SST response is possibly caused by the modulation effect of the Yellow Sea Warm Current which acts as a shelf branch of the KC and a compensating current induced by the East Asia winter monsoon.The warm waters brought by the Yellow Sea Warm Current cushion the SST decrease induced by climate cooling,and both the Kuroshio and East Asian winter monsoon play important roles in the modulation mechanism.The SST records display a periodicity of 1482 years.The same period was found in the KC records,indicating that variation of the SST records in the central South Yellow Sea is strongly affected by KC intensity.The same period was also found in Greenland ice cores and North Atlantic and Arabian Sea sediment cores,showing a regional response of marine environmental variability in the East China Seas to that in the global oceans.