建筑工程施工中的运输资源最佳配置研究

研究了间断性运输系统的工作能力与模糊保证率之间的关系,并以工作空间、资源的供给量以及混凝土初凝时间（对混凝土运输系统）为约束条件,建立了优化模型,得出了具体条件下资源的优化匹配．     

基于神经网络和Markov链的交通流实时滚动预测

将神经网络与Markov链理论应用于随机波动的交通流预测,提出一种交通流实时滚动预测方法TDFNM。该方法采用BP网络构建交通流基准预测曲线,使用SOM网络划分残差的Markov链状态,计算各状态加权中心及状态转移概率矩阵,以此预测未来状态,并以加权中点修正计算得到精度较高的预测值,同时实现实时滚动预测。采用方法TDFNM对实测交通流量进行仿真实验,结果表明,该方法比常规BP网络具有更高的准确性,而且具有较强的适应性。     

基于视频图像处理的矿井轨道运输监测研究

针对轨道运输监测采用轨道电路和压力传感器因受环境条件影响,可靠性差、现场维护困难,提出采用视频图像处理方法,利用模式识别、最优阈值和几何相似理论。实现非接触式可视化远程监控与测量。现场实验表明,系统不仅能对矿井运输列车运动速度、方向、列车异常情况及载荷等数据进行有效监测,同时为地面监控中心提供监控数据和脏控图像,可直接监测井下现场的安全、稳定状况。     

GPS技术在露天运输系统中的应用

针对露天矿传统调度系统效率较低的实际情况,提出了采用卫星定位技术（GPS）、将计算机网络技术、无线数字通讯技术、电子技术、系统工程技术、优化理论、管理信息系统理论等多项现代高新技术理论结合到一起,对运行卡车进行实时优化调度的具体方法,利用GPS系统能够高精度确定出露天采掘、运输设备的位嚣,并能够计算出距离的特点,对运输设备进行优化配置,从而替代了传统的人工经验调度方法,提高了矿山生产效率和经济效益。     

山西省公路货运碳排放时空异质性及影响因素

采用“自下而上”法、空间自相关分析和时空地理加权回归模型,探究2001—2020年山西省公路货运碳排放时空异质性及影响因素。结果表明：（1）研究期内,山西省公路货运碳排放总量快速增长,其中2008年增幅最大,2020年增量最大;（2）山西省公路货运碳排放呈现正向的全局空间自相关性,高-高集聚和低-低集聚是主要的局部空间自相关类型,2010年后高-高集聚类型减少,低-低集聚类型增加,表明山西省公路货运碳减排工作取得一定成效;（3）整体上,人口规模和地形起伏度对公路货运碳排放具有正向影响,而国内生产总值和新能源汽车充电站数量对公路货运碳排放具有负向影响。人口稠密、地势平坦的山西省中南部地区应调整能源结构,人口稀疏、地势崎岖的西北部地区应通过调整运输结构来有效降低公路货运碳排放。     

铁路旅客服务信息系统的应用及发展

介绍了国外铁路旅客服务信息系统的发展状况,分析了我国铁路旅客服务信息系统的现状和存在的问题,指出我国铁路旅客服务信息系统应向车站级系统、列车级系统和社会级系统3种类型发展。     

网格环境下大规模交通仿真及应用研究

网格为大规模的交通仿真提供了高性能的计算资源.在网格环境下大规模仿真从模型的准确性、运算的高效性、系统的可用性等方面都得到了很大的提升.通过对海量流动车辆的GPS历史数据的整合,并结合实时GPS数据估计出大范围的时变OD矩阵.通过Web Service的应用使仿真成为一种互联网上的服务.通过并行计算使得后台的仿真计算能力得到了提升.     

危险化学品运输风险分析

文章从事故率估计和事故后果模拟分析两个维度来分析危险化学品运输风险.应用信息扩散理论估计了危险化学品运输事故率,并基于GIS技术模拟分析了危险化学品运输事故后果,前者弥补了样本信息不足的缺陷,而后者利用详尽的地理信息克服了以往后果分析中准确度低的不足,完善了危险化学品运输风险分析,从而为更好的决策以减少事故、保护人民群众的生命和财产安全提供了保障.     

考虑乘客偏好的共享车辆动态共乘算法研究

现有的共乘路径算法大多只专注于最少的用时与最低的成本,而缺少对乘客共乘意愿比例以及可接受绕行偏差范围的界定,针对这一现象构建了一种考虑乘客偏好的动态共乘策略模型。对乘客和车辆分别进行查找模块处理和筛选模块分类,删除掉不满足要求的车辆以减少乘客和车辆的动态实时匹配时间,然后利用插入算法获得最优路径匹配。结果表明,所提算法可以快速高效地为乘客匹配到满足要求的最优车辆。相比常规算法,考虑乘客合共乘意愿以及绕行偏差的共乘算法,乘客的平均等待时间降低了7.0%;总社会收益提高了44.7%;动态共乘匹配效率提高了34.2%。另外,改变乘客的时间窗长度也可以显著提高共乘效果。     

基于时空图注意力神经网络的交通道路拥塞和异常预测

为全面捕获交通路网的时空特性,分析路况的复杂多变性,实现道路拥堵和突发情况的高效准确预测,研究提出一种时空图注意力神经网络模型,通过将道路网络建模成一系列随时间变化的图,利用图注意力机制(graph attention network, GAT)关注路网图关键节点的空间特性并捕获动态的全图空间特征,再利用门控循环单元(gated recurrent neural network, GRU)充分捕获相邻路网图的时间相关性并降低模型冗余,提升了对道路拥堵和异常情况的预测准确率。采用PEMSD数据集进行实验。结果表明,所提方法与对比模型相比准确率与召回率均优于现有方法,有效提升了交通异常预测精度。