拉林铁路藏木大桥施工期风速概率预测方法

为保障大跨度桥梁在施工期间的抗风安全性,以拉林铁路藏木大桥(主跨430 m的中承式钢管混凝土拱桥)为工程背景,提出了适用于工程推广应用的风速超前概率预测方法。即采用数据驱动的变分模态分解(VMD)将原始风速进行多尺度分解,通过特征选取技术重新组合多阶分量,形成仅包括可预测信息和干扰预测精度信息的两组序列;采用ARIMA-GARCH组合模型获得确定性的风速预测结果;最后基于纯随机性检验的循环迭代方法准确获得风速序列中蕴含的不确定性信息,并采用单变量核密度估计方法得到具有概率意义的风速区间预测结果。将所述方法风速预测结果与风速实测值进行对比,结果表明:所述预测方法风速预测精度高、区间带宽窄,95%置信度的上包络值可为桥梁施工期风灾辅助决策、防灾减灾提供更为可靠的参考依据。     

雷暴风作用下大跨度桥梁抖振响应智能预测研究

面向特异风环境桥梁风振实时推演，开展了雷暴风作用下大跨度桥梁抖振响应智能预测研究。以苏通大桥实测数据为基础，分析了风场参数与主梁抖振响应之间的相关性，确定了桥梁雷暴风效应的主要关联参数。基于前馈神经网络(FNN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)等典型神经网络模型，以主要风场关联参数及历史抖振响应作为输入，开展了桥梁抖振响应预测网络架构与模型训练，并对比分析了4种模型的预测效果。研究结果表明：雷暴风作用下大跨度桥梁的抖振响应主要与平均风速、平均风向、脉动风速均方差、紊流积分尺度等风场参数密切相关；待预测的桥梁抖振响应与历史风场及桥梁状态参数有关，需考虑二者的记忆效应；FNN与CNN未能较好地表征该记忆效应，故预测结果与实测值仅趋势相近，预测误差相对较大；GRU与LSTM的预测效果总体较好，GRU在雷暴风风速较大时的预测效果最优；LSTM在高风速下的预测效果略低于GRU,但在风速较低时的抖振预测精度最高，即具有更强的泛化能力。研究结果可为雷暴风易发区大跨度桥梁的安全运维提供借鉴与参考。     

基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用.由于短时交通流的时变性,传统预测模型效果较差.将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组.将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比.同时将新的学习算法与传统variational和LooCV学习算法比较.结果 表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型.      

基于模糊线性回归的小轿车运行车速区间预测

将小轿车在公路上的运行车速用三角模糊数来表征.基于二级公路上30个样本路段的平曲线半径、纵坡度等线形数据和实测车速,利用模糊线性回归方法建立了小轿车第85百分位运行车速区间预测模型.通过另外10个样本路段数据对该区间预测模型进行了验证,结果表明:小轿车运行车速的95％置信区间大都处于模糊线性预测区间之内;预测得到的模糊中心值与观测值的相对偏差和模糊度与观测值的比值两种评价指标均在10％以内.同时,将模糊中心值和线性回归预测值进行了比较,结果表明:模糊线性回归模型的平均绝对误差、平均相对误差和最大相对误差三个指标均优于线性回归模型,达到了更高的估计精度.     

一种改进的短时交通流多步自适应预测算法

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。本文先介绍一种基于AR(p)模型的线性最小方差自适应预测算法。它采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。在该算法的基础上提出了一种改进的多步自适应预测方法。新算法增加了误差补偿项,能较好地满足时变模型的预测要求。针对大量实测数据进行仿真实验,结果表明:改进算法在应用于时变性强的短时交通流量多步预测时具有较好的预测性能,而且其预测性能优于线性最小方差预报算法。     

融合机器视觉与区间仿射算法的桥梁结构影响线实测研究

影响线是桥梁结构状态评估的重要指标。传统影响线实测方法依赖车辆称重系统(WIM)和接触式传感器,存在使用成本高、效率低、风险大、阻碍交通等问题。为实现“无需接触式传感”、“无需封闭交通”、“无需车辆称重系统”的智能桥梁检测,提出了一种融合机器视觉与区间仿射算法的桥梁结构影响线实测方法。该方法首先利用机器视觉技术获取多工况的桥梁测点动态位移响应;其次,根据车辆出厂信息建立其轴重区间矩阵并通过区间仿射算法计算多工况的影响线区间;最后,采用支持向量机(SVM)从影响线区间中识别桥梁真实影响线。将该方法应用于野外实际桥梁试验,通过控制标定车辆的载重和行驶速度获取多工况的位移响应数据以评估该方法的性能。结果表明：该方法能够有效地从影响线区间中识别桥梁真实影响线,混合工况下影响线的识别相对误差为8.48%;影响线的识别相对误差随车速的增大而增大,在车速分别10、20、30 km·h^-1工况下,影响线的识别相对误差分别为9.22%、10.23%、12.38%。提出的桥梁影响线实测方法具有非接触、高精度、经济灵活等优势,可有效突破现有接触式桥梁影响线实测方法的技术局限,具有较好的...     

大跨度桥梁施工控制中的神经网络方法

神经网络是一种模拟人脑结构和功能的信息处理系统，介绍将神经网络方法用于大跨度混凝土桥梁施工控制中，对桥面预拱度偏差进行预测。实例表明：神经网络利用实测样本的自学习功能，对桥梁施工拱度有较好的预测精度。     

基于SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

基于交通预测的多态交通流信号控制

为解决现有信号控制方法对多态交通流交叉口适应性不足的问题,通过在交叉口设置多功能进口车道和车辆检测器、车道控制器等硬件设施,进行了短时交通流预测基础上的多态交通流条件下交叉口信号配时优化研究。根据交通量预测数据,建立信号控制延误估计模型,以交叉口总延误最小为优化目标选取多功能车道流向,根据每相位最大排队长度逐步优化绿灯时长并实施信号控制。短时交通预测以小波分析为基础,采用RBF神经网络及Markov链分别预测交通流的稳态与随机部分。使用VISSIM软件对设置多功能车道的交叉口多态流信号控制方法进行了交通仿真。分析结果表明：该方法可有效降低行车延误,提高交叉口服务水平。     

基于时间序列聚类和LSSVM的隧道拱顶位移预测

在隧道施工中,拱顶下沉位移的监控量测及其发展趋势的有效预测,对隧道的安全施工具有重要意义。提出一种结合K-medoids聚类算法和最小二乘支持向量机(LSSVM)的智能算法对拱顶下沉位移进行预测,并通过汶马高速鹧鸪山隧道的现场实测数据验证了该方法的有效性。研究结果表明:同一类拱顶下沉位移时间序列用同一模型预测具有可行性;隧道拱顶下沉位移是不平稳时间序列,相比直接用LS-SVM建立模型,采用WPT方法和LSSVM结合的算法具有更高的预测精度;以作为聚类中心的断面作为参考样本预测当前监测断面拱顶下沉位移时,只需要得到当前监测断面的较少数据,从而实现在当前断面的监测初期的有效预测。     

结构—尾流振子耦合模型参数识别及桥梁涡激振动预测

为准确预测桥梁涡激振动特征,基于结构-尾流振子耦合模型涡激振动预测方法,分析其动力方程及近似解,针对目前结构-尾流振子耦合模型中较难确定的模型参数(质量参数M、流场“stall”效应参数γ、结构对尾流作用的耦合项参数A和范德珀尔参数ε),提出了基于涡激振动风速~振幅曲线的模型参数识别方法。开展某主梁节段模型风洞试验,依据其实测涡振曲线,采用该方法识别模型参数,并预测不同阻尼比的桥梁涡激振动特征。结果表明:近似解精度与ε相关,ε越小,精度越高;ε越小,提出的模型参数识别方法越能准确识别模型参数;基于风洞试验实测涡激振动风速~振幅曲线识别的结构-尾流振子耦合模型可有效地预测桥梁涡激振动特征。     

基于LS-SVM的连续宽箱梁桥施工控制的研究

为保障连续梁桥悬臂施工的精度,保证桥梁线性符合设计要求,需要对合拢时的梁体标高和应力进行预测和控制。应用最小二乘支持向量机(LS-SVM)并借助Matlab工具箱建立预测模型,以标高和应力为研究参数,对比分析预测值与实测值,验证了最小二乘支持向量机(LS-SVM)在连续箱梁桥施工控制中的可行性和准确性。     

考虑动态波动性的轨道交通站点短时客流预测方法

轨道交通站点客流预测研究缺乏对短时客流动态波动性的考虑,不能预测短时客流区间.以北京市典型轨道交通站点为例开展实证,构建ARIMA-GARCH模型对误差项建模分析,拟合短时客流的随机波动特征.不同于以往的ARIMA-GARCH模型,研究还通过t分布揭示了客流的“尖峰后尾”效应,通过2种非对称GARCH模型识别了短时客流的非对称波动特征.模型结果表明,相比传统ARIMA模型,ARIMA-GARCH混合模型降低了20%以上的客流平均置信区间长度(MPII),同时提高了1%左右的置信区间覆盖率(PICP);周内客流波动性大于周末客流,而非高峰时段的客流不具有波动性.值得指出的是ARIMA-GARCH模型没有明显降低客流预测的平均绝对误差,尽管如此,混合模型可以在保证客流单点预测的前提下,准确地预测地铁客流区间.      

基于位移反分析的拓宽路基差异沉降预测

针对公路拓宽工程中地基力学行为和变形特性的复杂性、以及土体参数难以确定等特点,以福泉、泉厦高速公路扩建工程为依托,进行了新旧路基差异沉降预测这一关键技术的探索。提出了以现场监测为基础,采用基于进化神经网络的位移反分析方法,并通过建立有限元预测模型对新旧地基差异沉降进行预测;同时,在建立进化神经网络的训练样本时引入正交试验设计理论,减少了样本数量,大大提高了计算速度。结果表明,基于位移反分析的有限元预测方法克服了传统预测方法只能预测单点沉降的缺点,且预测结果与实测结果一致性好。     

桥梁颤振导数识别及颤振分析的不确定性研究

由于风洞试验和理论模型的各种不确定性，通过风洞试验获得的颤振导数及相应的颤振临界风速存在不确定性。为了量化这些不确定性，提出了一种创新的近似贝叶斯方法。该方法通过抽样和模拟来近似表达似然函数，从而实现颤振导数的准确识别和不确定性量化。同时，还研究了颤振导数不确定性在颤振分析中的传播情况。采用子集模拟技术与近似贝叶斯方法相结合，以提高参数后验样本的抽样效率。该方法不仅能够获得颤振导数和颤振临界风速的最优估计，还能获得其后验概率分布。通过理想平板数值模拟和实桥主梁断面风洞试验，验证了该方法的有效性，并将其与传统最小二乘法进行了比较。研究结果显示：该方法得到的颤振导数最优估计与最小二乘法结果非常接近；在低风速下，所有导数的不确定性都较小，而在中高风速情况下，大多数导数都具有较大的不确定性，尤其是接近颤振临界风速时，所有导数的不确定性均较大；颤振导数的不确定性会在颤振分析中传播，导致颤振临界风速也存在较大的不确定性。所提出的近似贝叶斯方法能够准确识别颤振导数，并量化其不确定性，从而实现桥梁颤振性能的概率性评价；为桥梁颤振分析提供了新的思路，为确保桥梁的抗风安全提供了有力支持。     

基于新维改进灰色马尔科夫预测模型的现役桥梁荷载预测

根据公路桥梁荷载的特点,采用新维改进灰色马尔科夫模型进行公路桥梁荷载预测.通过实例预测结果和实测结果比较可知,应用该预测模型对桥梁荷载进行预测,其预测精度、准确度较高,本荷载预测模型可以直接应用于桥梁结构设计和耐久性研究.     

基于实车数据的电动汽车电池健康状态预测

鉴于现有电动汽车电池健康状态(SOH)预测方案多基于条件有限实验室的实验数据,且存在单指标预测精度低等问题,基于实车运行数据分析并提取电池健康状态因子,以电池容量、内阻和单体一致性为特征,构建机器学习模型,实现电池SOH多指标的准确预测;针对实车数据区间不完整、片段间隔大等问题,提出自适应状态估计法;利用非支配排序遗传算法(NSGA-II)进行精度与效率的多目标优化,获得最佳电压区间,提高电池容量的变区间估计精度。结果表明,该方法可有效实现基于实车数据的电池SOH准确预测,采用5-fold交叉验证计算测试集最大平均绝对误差小于2%。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

平潭海峡公铁两用大桥施工海域风速预测研究

平潭海峡公铁两用大桥施工海域气象环境复杂、地质水文条件恶劣,为给大桥建设提供准确的风速预测信息,以便合理安排该桥施工调度,针对外海预报台预报数据精度不足的问题,提出采用BP神经网络法进行施工海域风环境预测。在该桥施工区域沿线建立风环境监测系统,建立外海预报台预报数据与桥址处监测数据相互映射关系的神经网络模型,精确预报该桥不同施工区域未来7d的风速,并与实测风速对比分析。结果表明:神经网络预测风速和实测风速比较接近;与实测风速相比,神经网络预测风速的误差为10%~15%。说明神经网络预测风速的精度较高,可根据其风速预报有效指导实桥的施工组织调度。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。