基于长短期记忆网络的轨道交通短期OD客流量预测

为了更准确地掌握轨道交通客流在线网中的时空分布,更高效地匹配客流需求与运输能力,实现提高轨道交通运输效率、改善运营服务质量的目的,提出了一种基于长短期记忆网络的短期OD(交通起止点)客流量预测方法。以历史客流数据为基础,定性分析车站间OD客流量的时空相关性,利用回归分析法定量分析客流影响因素,筛选出运营时刻、运营日特征、最低气温3个时间特征。为提高预测精度,以长短期记忆网络为基础,结合时间特征,为每对起讫点单独构建预测模型,形成了基于长短期记忆网络的轨道交通短期OD客流量预测模型。以苏州市为例进行验证,结果表明,加入了时间特征的短期OD客流量预测模型较移动平均模型、仅利用历史客流数据训练的基于LSTM网络的短期OD客流量预测模型,预测结果与真实值之间的误差降低了6.27%～8.58%,所提出的方法和模型可为轨道交通运营部门制定列车运行计划、组织客运工作提供更准确的数据资料。     

基于支持向量机模型的地铁进站客流量预测

为了更精确地预测短期站点客流量,动态调整城市轨道交通的日常客流方案,采用支持向量机模型对预测地铁客流量。首先,通过对AFC数据分析,利用上周同期进站量、前一天同期进站量、当日前两个时段进站量以及高峰和非高峰时段参数作为模型的输入变量;然后,构造支持向量机预测模型并运用粒子群算法优化模型(PSO-SVM模型),实现地铁站点客流量预测,并进行不同模型预测误差的比较分析;最后,以苏州地铁数据为例,预测汾湖路地铁站的进站客流量。结果表明,优化模型能够有效改善预测误差,预测结果更为准确,证明PSO-SVM方法能有效用于地铁进站客流量的预测研究,为地铁进站客流量预测提供了新的方法。     

考虑天气因素的高速铁路车站短时客流量预测

高速铁路车站短时客流量预测是铁路客运部门做好车站旅客服务工作的基础和依据。以2017年4月天气状况,晴朗程度,风力大小以及北京南站客流量数据为样本,同时将节假日对客流影响作用考虑进预测方法,在Excel中拟合出高铁客流量与相关因素间的函数关系式,并以此作为预测的函数关系式。获取2017年9月上旬的实际天气预报数据,以此为实例预测当期北京南站客流量。结果表明,预测方法具有较好的精度,模拟结果与实际情况均得到了较好的拟合。     

基于AI视觉识别的商场客流分析系统应用研究

随着AI芯片、AI视觉算法、3D空间重建、大数据平台等新技术日益成熟,购物中心客流系统应用市场正在逐步进入AI精准客流系统时代。本文基于视觉识别的算法系统对顾客表观特征视频进行了分析,同时结合3D重建的空间时空定位技术,获得顾客在商场游逛行为的高准确率、高连续动线的“用户全流程”客流数据,为智慧商业空间建设提供技术验证指导。     

基于地铁车辆全生命周期健康状态的维修策略研究

地铁行业信息化发展过程中，地铁车辆维护管理和运营决策产生了大量的基础数据，但存在数据堆积、利用率不高等问题。基于地铁车辆全生命周期健康状态的上线、维修决策方法，利用FMEA分析、AHP分析建立地铁车辆健康状态模型，量化评估地铁车辆全生命周期健康状态，实现维修决策优化。以杭州地铁4号线地铁车辆为算例，建立2019年度29列地铁车辆健康状态模型，以K04001车健康状态评级为例，进行该车均衡修1作业时间优化，检修的时间缩短了1～2 h，有效提高车辆的运营时间，从优化检修计划层面进一步提升车辆上线率。     

基于深度学习的企业财务困境预测方法研究

上市公司是金融市场中的主体,通过科学的方法对企业财务困境进行及时的预测、预警,避免企业陷入财务困境,对企业和整个金融市场来说意义重大。本文通过系统性的研究和分析,结合我国的金融市场情况,提出了基于深度学习方法的企业财务困境预测方法和模型,同时采用了具有较好的记忆能力和处理时间序列数据能力的LSTM神经网络模型,对ST企业的财务状况进行了分类预测,获取了企业年报中的文本信息、企业股票价格时间序列数据和非财务指标三种类型的实验数据进行了实验,将更多可能影响企业财务状况的因素纳入到实验中来。利用2020年ST和非ST企业的连续两年年度报告、连续三年的股票价格时间序列数据和指标数据进行训练,对2021年ST和非ST的企业进行财务困境的预测,并与其他常用的传统方法进行了对比分析。实验结果证明基于深度学习的方法具有更高的预测准确率和稳定性。     

基于LSTM的煤炭消费预测模型

煤炭消费的预测对把握市场变化具有重要意义。客观准确地预测我国主要耗煤行业煤炭消费量,对上下游企业调整销售、采购政策具有重要作用。利用CCTD中国煤炭市场网的高频数据结合LSTM模型构造了沿海终端煤炭消费量模型,有效表征了煤炭消费的时间序列变化规律,预测效果达到了较好的水准。     

分布活化能模型在生物质热解动力学中的应用

文章建立了玉米秸秆热解反应的分布活化能模型方程,并在此基础上采用遗传算法求解实验值与理论值之,得到误差最小值,分布活化能模型动力学参数进而得到求解,求得玉米秸秆热解反应的分布活化能模型方程推导出的预测理论数据。通过实验测得玉米秸秆热解反应的热重数据与建模后所得理论数据进行比较,结果显示实验测得数据与模型理论结果拟合度较高,说明此模型适合描述玉米秸秆的热解反应动力学行为。     

大悦城速度

“大悦城客流预测系统”在国内商业企业中首次通过计算模拟出实际客流动态,将大数据真正转变为核心竞争力。2014年10月17日,中国大陆地区迎来苹果6及苹果6 Plus的正式发售。大悦城研策部总监张岩为此一直紧张进行着各种数据的计算、分析,以便更好调配资源,以应对当天可能发生的客流潮。2010年i Phone 4国内上市那天,北京西单大悦城店的日销售额曾经创纪录地达到了3.8亿元人民币。那么问题来了——苹果6上市还能打破大悦城的销售记录吗?     

基于滚动时间窗的ε-SVR煤炭价格预测模型研究

从研究煤炭价格序列自身变化规律的角度,提出基于滚动时间窗的ε-SVR预测模型,通过数据重构获得输入与输出样本,随着时间推移,不断更新滚动时间窗的数据内容,从而建立动态的ε-SVR模型预测最新时点的煤炭价格。将此模型应用于秦皇岛港5 500 kcal混煤价格的预测,分别进行了1期、3期、6期、9期及12期的价格预测,所有预测结果的平均误差值不超过3%,可见预测精度较高,预测效果良好。而且此模型数据获取简单、计算灵活方便,可应用于煤炭价格等非平稳时间序列的预测问题中,其结果可以为相关企业决策者提供科学有效的数据支持。     

基于图像的地铁车站施工人员不安全行为识别研究

为了解决人工监测不能实时看护和及时管理地铁车站施工人员的不安全行为等问题,构建了基于KNN,MLP和LSTM模型的不安全行为识别神经网络模型。首先,通过行为理论研究和现场调查分析,对地铁车站施工不安全行为进行了分类;其次,通过实验构建人体数据集,基于人体骨骼关节点提取不安全行为特征,并进行模型训练;最后,基于MobileNet V1的SSD目标检测算法对施工人员进行定位和追踪,结合射线法判断目标是否跨越不安全区域并发出警报,搭建神经网络模型对施工人员的不安全行为进行识别,并获得计算识别率。结果表明：传统机器学习算法KNN总体准确率为93.45%,优化后的MLP和LSTM两种神经网络模型总体准确率分别达到93.94%和93.68%,相对KNN算法分别提高了0.49%和0.23%。因此所提模型能有效识别施工人员不安全行为,可为地铁施工安全智能识别技术应用提供参考。     

The capitalization of metro rail access in urban housing markets

Increasing access to public transportation (including metro rail) can help alleviate traffic congestion and address climate and environmental priorities. Living close to a metro line may be especially important in terms of providing improved commuting options. However, proximity to metro lines can also be associated with negative externalities, such as noise and crime, that may make living near a station less desirable. One way to assess the net value that residents place on metro rail access is to examine how proximity to metro lines is capitalized into house prices. Using a hedonic spatial difference-in-differences model, we analyze the impact of proximity to the stations on the Gold and Expo Lines in Los Angeles, California, on nearby house prices. Our findings suggest that the capitalization effect is heterogeneous. Some residents value living near new metro stations, while others do not. Overall, our results provide evidence that the value residents place on metro rail access varies based on their income levels and other demographics.     

顶管法施工对地铁隧道的影响分析——以深圳某区间隧道施工为例

为研究大直径顶管上跨施工对地铁运营隧道的影响预测问题,以深圳地区1.8m大直径顶管上跨地铁1号线某区间隧道施工为例,采用MIDAS/GTS三维有限元软件建立三维数值模型,对顶管施工引起的地表隆沉、地铁隧道竖向位移和横向收敛变形、顶管隧道本身竖向位移进行数值模拟分析。分析结果表明,顶管施工过程中,由于土体开挖卸载引起下部土体向上回弹,导致地面会发生一定的隆起,最大隆起发生在顶管隧道两端,中部隆起位移较小;地铁隧道水平位移很小,竖向发生向上位移,并伴随横向收敛变形,导致地铁隧道发生竖椭圆变形,但其位移均在地铁保护的允许范围内;顶管隧道本身会发生竖向向上位移,易导致顶管隧道前端产生偏移。该结论可为类似工程施工项目提供参考。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

苏州地铁车站基坑变形的空间效应分析及预测研究

为有效掌握苏州地铁基坑的空间变形特征,实现对其变形的高精度预测,利用数理统计及极限学习机开展基坑变形的空间效应分析及预测研究。首先,基于基坑变形监测成果,开展基坑变形的空间效应分析;其次,利用小波去噪、极限学习机及混沌理论等构建了基坑变形预测模型,以达到基坑变形的时间效应分析。结果表明,在空间效应分析方面,基坑竖向沉降变形及侧向水平位移均以西侧相对最大,其与近接既有住宅楼相关,近接既有建筑物对基坑变形的影响较大,且在不同施工阶段条件下,基坑侧位移随深度变化存在一定差异,第二、三阶段的侧位移增量相对最大;在时间效应分析方面,小波去噪能很好分解基坑变形的趋势项和误差项,但去噪参数对去噪效果影响较大,去噪过程应进行参数的优化筛选;粒子群算法能有效提高极限学习机的预测精度,混沌理论也能有效弱化误差序列,所得变形预测结果的相对误差均值均小于2%,验证了预测模型的有效性,且通过外推预测,得出基坑变形在后4个周期仍将进一步增加,但增加速率相对较小,后期在时间效应条件下趋于稳定。研究结果对开展不同区域地质条件下的基坑变形特性研究、更好地指导现场施工具有参考价值。     

一种基于机器视觉技术的城市轨道交通客流量检测方法

为了准确识别并检测城市轨道交通客流量变化,研究轨道交通客流量的变化规律,以客观图像为研究对象,以机器视觉技术为研究手段,提出了一种新的交通客流检测方法。在对交通客流视频图像进行滤波与增强后,利用Canny边缘帧差法从预处理图像中获取完整的运动目标轮廓。同时,利用AdaBoost检测算法构建的强分类器完成乘客头部的检测,并通过双线差值算法消除视频图像中不同位置尺寸所产生的误检框,实现对目标的跟踪与记载,完成客流量的统计。结果表明,该方法在交通客流量的检测中准确率高于90%。检测方法对提高城市轨道交通客流量的检测准确性具有一定的借鉴意义。     

特高压输电线路工程造价预测模型研究——基于因子分析及BP 神经网络

本文在对特高压输电线路工程进行项目划分的基础上，分析识别出影响特高压输电线路工程造价的主要因素，并使用因子分析法对其中18 个主要影响因素进行度量，将得到的5 个因子作为输入、工程单位造价作为输出，构建了基于BP 神经网络的造价预测模型，以国内已建和在建的9 个特高压输变电工程中的75 段输电线路工程数据为样本进行了实证研究，结果证明预测模型对特高压输电线路工程造价进行预测具有可行性和较高的准确性，为特高压工程全生命周期内管理优化提供了一种新的思路和实现方法。     

基于骨干度与网络编码的链路预测模型研究

为了研究网络表示学习在社交网络中链路预测方面的应用,提出了一种基于骨干度与网络编码的链路预测模型(BDLINE)。在网络表示学习算法LINE的基础上融入骨干度算法,通过给一阶相似度和二阶相似度中增添骨干权重,将网络编码到多维向量空间中,调试到最优参数。实验采用2个真实数据的数据集,分别在不同的算法模型上进行多次实验。实验结果表明:在链路预测方面,BDLINE均比其他网络表示学习算法的性能有所提升,AUC评测值更高,预测效果表现得更好。因此,所提出的方法可以方便地提取网络特征信息,更好地处理社交网络在链路预测中的随机性,对社交网络中预测网络节点的关联性和有效性具有一定的参考。