宁波发展低碳交通的策略研究

低碳交通是低碳经济的重要组成部分。实行低碳交通能提高交通的能源效率,改善交通的用能结构,优化交通的发展方式,最终能够实现交通领域的低碳发展,促进社会经济发展的低碳转型。本文通过对低碳交通内涵的研究,在分析宁波低碳交通发展现状的基础上,提出了宁波市在城市、公路、水路、铁路、港口、航空等不同交通方式下的低碳策略,并对如何构建"四系统合一"的低碳综合交通体系提出建议。     

大型商业综合体交通体系构建策略分析

本文提出的大型商业综合体交通规划设计思路是从交通特性分析入手,在项目策划阶段,应用面向对象分析方法,从多种角度分析各利益主体的交通需求,进而提出交通体系构建策略,在详细规划阶段,做好交通和建筑物的协调设计,使大型商业综合体的交通体系完善且合理,最后提出相应的交通组织和管理手段。     

交通行政执法面临的问题及对策

1交通行政执法风险种类及表现形式 交通行政执法是指依据交通行政法规、规章行使各类交通市场经营主体的行政监管职权。交通在经济社会发展迅速的今天,在人们生活中起到越来越重要的作用,交通市场的有序正常运行,与广大群众的切身利益息息相关,因此交通行政执法工作就愈发显得重要,执法风险也就相对增大。     

基于绿色交通理念的生态新区交通规划与实践

在剖析绿色交通理念及其本质的基础上,对绿色交通理念提出新的理解;从土地利用空间结构、道路网规划、交通发展模式、智能交通和绿色交通新技术、交通管理措施等方面阐述了构建绿色交通体系的五大途径;最后以涿州生态新区规划为例,将理念和构建途径应用于生态新区绿色交通规划中,细化分析了生态新区道路网、公共交通和慢行交通的规划策略和实施方案,绿色交通理念在规划层面得以落实。     

市政路桥工程建设中的混凝土施工技术应用

随着社会经济的发展,人们在生产生活上对于交通的要求也越来越高,交通事业压力日益加大。近年来,我国在交通建设上取得了不小的成就,然而随着交通建设工程数量的增加和交通道路事故频率的上升,人们对于交通建设质量的要求也随之上升。传统的普通混凝土材料已经无法适应如今的交通建设要求,在应用当中容易产生裂缝,不利于交通安全。本文主要针对普通钢筋混凝土的问题、应用等进行了分析。     

融合无人机的交通新产品发展趋势

无人机在交通领域的应用潜力巨大,亟待深入挖掘。文章着眼于融合无人机的交通新产品,分析其国内外研究现状及在交通领域的应用优势,探寻其发展趋势,认为“驿站-无人机”点到点末端协同配送、载人无人机的紧急交通救援、运用智能交通无人机进行巡检、无人机辅助车载网络助力无人驾驶等将成为无人机交通产品的重要应用场景。     

吴忠泽：以智能技术推动综合交通体系建设

本刊讯 科技部副部长吴忠泽日前在第五届中国交通高层论坛上发表演讲时说：“在现有的各种交通基础设施网络上,通过充分利用智能交通技术,将有效促进中国综合交通运输体系的建立。”吴忠泽表示,通过应用以智能交通技术为代表的现代交通技术,可以全面提升交通运输业供给能力、运行效率、安全性能和服务水平,加快交通产业升级和结构优化进程。吴忠泽还说,在现有的基础设施网络上利用信息技术和智能交通技术进行系统集成,     

中国交通体系经济计量模型的分析

交通作为国民经济的动脉,在我国四化建设中起着重要的作用。对我国的交通进行数量经济分析,建立合理的交通体系,可以进一步提高交通在国民经济发展中的作用,使交通运输和国民经济在科学的指导下,得到合理的发展。     

警务“云交通”投入建设

"云交通"系统是一个服务于交通参与者与交通管理者的综合性平台,是云计算技术在智能交通中的整合应用。每天上下班前,车主都会收到定制的特定路线交通信息与出行建议;也可通过手机查看沿途交通的实时视频……随着南京市公安局"警务云计算中心"投入建设,作为其五大系统之一的"云交通"应用平台,也正在同步建设之中。而"云交通"平台建成之     

交通工程施工管理和质量控制的分析

交通工程是我国的重要工程,经济的发展离不开完善的交通系统,为了打造优质的交通环境,我国当前大力地开展交通工程建设,交通工程项目数量急剧增加。对于交通工程来说,最重要的建设指标就是工程的质量,交通工程的质量关系到了交通的顺畅性,决定了交通环境的质量,如果交通工程建设出现质量问题,很容易诱发各类事故,影响到交通运输事业的发展。基于此,为了打造优质项目,在工程开展环节,需要加强质量控制,构建完善的交通体系。文章对此进行分析,并且提出了几点浅见。     

异因同果关联神经网络的研究

提出了一种异因同果关联神经网络模型,可以从不同角度分别建立不同的模型,并由其得到互不相同的模型预测值。异因同果关联神经网络模型将不同角度建立的模型有机结合起来,进而能够将多个神经网络模型进行综合考虑,得到一个综合的统一的模型预测结果。研究了新型模型的机理,结合实例进行仿真并与传统的神经网络模型的预测仿真结果比较,结果表明新型模型具有更高的预测精度。     

城市干道交通拥堵识别技术研究

为快速有效地进行城市干道的交通拥堵识别,文中提出一种基于朴素贝叶斯的城市干道交通拥堵识别算法。最后,基于南京市主干道的交通调查数据,对朴素贝叶斯算法以及基于径向基函数神经网络的城市干道交通拥堵识别算法进行对比。结果表明,朴素贝叶斯算法在对城市干道交通状态的识别上比基于径向基函数神经网络算法具有更好的准确性、优越性以及更低的误判率。     

人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。文中提出了一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法。为了消除单一神经网络预测模型的系统偏差,探讨了组合神经网络时序预测方法;并用实例验证了组合神经网络比单一神经网络的预测精度高。     

基于组合预测模型的航空货运吞吐量预测研究

目前对于机场货运吞吐量的预测方法不尽合理,导致预测与实际情况差别较大,为此本文提出将内在影响因素融入组合预测模型,从而对航空货物运输进行预测,使得预测结果更加接近实际情况.本文以香港国际机场为背景,运用Shapley值法将BP神经网络和灰色理论预测模型进行组合,对其航空货运吞吐量进行了实证研究,并将此预测方法推广应用于其他机场的预测.     

基于非线性主成分分析的信用评估模型研究

传统的主成分分析（PCA）本质上是一种线性映射算法,无法有效处理非线性关系的数据。本文在分析自联想神经网络（AANN）的基础上,借鉴传统PCA方法中的序数主成分概念,提出了基于顺序自联想神经网络（SAANN）的非线性主成分分析法（NLPCA）。进一步,结合神经网络（NN）和Logisitic模型,以我国上市公司为研究对象,分别构建了基于NLPCA-NN和NLPCA-Logisitic的信用评估模型。实证结果及ROC曲线分析表明,本文构建的NLPCA相比传统的线性PCA方法能有效地实现数据的非线性特征提取与降维,提高模型预测性能。此外,实证结果还表明,在相同PCA方法处理数据的条件下,神经网络模型的信用评估效果要好于Logisitic模型。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络（DFNN）进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率（ERR）修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例．通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析．表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析．为研究金融非线性系统辨识提供了启发性思路。     

Forecasting exchange rates using feedforward and recurrent neural networks

In this paper we investigate the out-of-sample forecasting ability of feedforward and recurrent neural networks based on empirical foreign exchange rate data. A two-step procedure is proposed to construct suitable networks, in which networks are selected based on the predictive stochastic complexity (PSC) criterion, and the selected networks are estimated using both recursive Newton algorithms and the method of nonlinear least squares. Our results show that PSC is a sensible criterion for selecting networks and for certain exchange rate series, some selected network models have significant market timing ability and/or significantly lower out-of-sample mean squared prediction error relative to the random walk model.     

Benchmarking regression algorithms for loss given default modeling

The introduction of the Basel II Accord has had a huge impact on financial institutions, allowing them to build credit risk models for three key risk parameters: PD (probability of default), LGD (loss given default) and EAD (exposure at default). Until recently, credit risk research has focused largely on the estimation and validation of the PD parameter, and much less on LGD modeling. In this first large-scale LGD benchmarking study, various regression techniques for modeling and predicting LGD are investigated. These include one-stage models, such as those built by ordinary least squares regression, beta regression, robust regression, ridge regression, regression splines, neural networks, support vector machines and regression trees, as well as two-stage models which combine multiple techniques. A total of 24 techniques are compared using six real-life loss datasets from major international banks. It is found that much of the variance in LGD remains unexplained, as the average prediction performance of the models in terms of R² ranges from 4% to 43%. Nonetheless, there is a clear trend that non-linear techniques, and in particular support vector machines and neural networks, perform significantly better than more traditional linear techniques. Also, two-stage models built by a combination of linear and non-linear techniques are shown to have a similarly good predictive power, with the added advantage of having a comprehensible linear model component.     

Forecasting CPI inflation components with Hierarchical Recurrent Neural Networks

We present a hierarchical architecture based on recurrent neural networks for predicting disaggregated inflation components of the Consumer Price Index (CPI). While the majority of existing research is focused on predicting headline inflation, many economic and financial institutions are interested in its partial disaggregated components. To this end, we developed the novel Hierarchical Recurrent Neural Network (HRNN) model, which utilizes information from higher levels in the CPI hierarchy to improve predictions at the more volatile lower levels. Based on a large dataset from the US CPI-U index, our evaluations indicate that the HRNN model significantly outperforms a vast array of well-known inflation prediction baselines. Our methodology and results provide additional forecasting measures and possibilities to policy and market makers on sectoral and component-specific price changes.     

基于混沌理论和PSO神经网络的短时交通流预测

交通流预测已成为智能交通的重要组成部分,针对短时交通流的非线性和不确定性,文中根据实际交通流中存在的混沌,利用C-C方法和小数据量法对交通流混沌进行了分析,在交通流混沌时间序列相空间重构的基础上构建了基于粒子群优化神经网络的单点单步预测模型,运用该模型对实际采集的美国加州城市快速路交通流数据进行了仿真研究,结果表明,该预测模型具有较高的预测精度,能够满足智能交通控制和诱导的需求。