区域公路网建设项目经济评价模型

本文以项目评价理论为基础,以费效分析为主要方法,提出了区域公路网建设项目经济评价的一般原则;建立了以计算机程序为主体的评价模型。并应用此模型初步评价了NT市公路网建设项目,提出了新的方案。从经济分析的角度解决了实际中悬而未决的问题,对投资决策具有较大的参考价值。     

港口集散系统仿真研究

本文提出了一个新的可用于研究港口货物集散的PCDM模型(Port CargoDistribution Network Model)。该模型是根据随机网络仿真系统构造的。PCDM是一种综合描述港口货物集散过程的网络模型,采用这种方法可以帮助作出合理计划和为未来规划港口项目提供一种定量分析和评审的有实际价值的方法,作者在本文中还例举了一个应用PCDM的例子,卽对NT市L港口扩建项目的仿真研究。     

地区公路网交通量分布仿真及规划

本文研究了地区公路网交通量分布仿真问题。通过“用户最优原理”,建立了模拟公路网上汽车交通量分布的非线性规划模型,并借助该模型研究了NT市公路网的现状、未来情况及多种建设方案实施后所引起的交通量分布的变化情况,据此提出了初步的规划方案。     

法国升级“紫苑”-30弹道导弹防御能力

正法国正在实施升级MBDA集团"紫苑"-30远程防空导弹对弹道导弹防御能力的项目。1月14日,法国国防采办局宣布,MBDA集团将开发"紫苑"-30 Block 1的升级版本"紫苑"-30 B1NT。此合同也包括为法国空军生产"紫苑"-30 B1NT导弹,法国空军计划将该型导弹用在SAMP/T地对空导弹系统中。虽然此消息没有得到法国国防采办局和     

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

亚大地区F2电离层预测方法和CCIR方法的比较

本文将“国际参考电离层”所采用的CCIR频率预测方法和亚大地区F_2电离层预测方法预测的f_0F_2和M(3000)F_2,分别与第21太阳活动周的我国实测数据进行了比较。结果表明,从总体上看,在中国区域内亚大地区F_2电离层预测方法优于CCIR方法。文章建议,在没有更好方法的情况下,未来的“中国参考电离层”可以采用亚大地区F_2电离层预测方法。     

GRECO建模在VC++4.0中的实现机制

GRECO(Graphical Electromagnetic Computing)技术是目前分析高频区复杂目标雷达散射截面(RCS)最有效方法之一.对复杂目标而言,应用GRECO方法的一个重要工作就是对目标的几何造型进行准确地建模,才能获得令人满意的结果.文中结合C-R样条建模理论,阐述了在Windows NT环境下利用VC+ +4.0与OpenGL为GRECO方法进行建模的机制.以标准体与复杂目标为实例,给出了与实验结果符合良好的RCS曲线,具有工程实用价值.      

变工况条件下基于相似性的剩余使用寿命预测方法

剩余使用寿命(RUL)预测是预测与健康管理(PHM)中的核心环节。提出一种变工况条件下基于相似性的RUL预测方法。结合相似性预测方法无需进行复杂的退化过程建模而能提供合理预测的优势,引入工况即设备工作时所处的环境或操作载荷等因素的影响来提升设备RUL预测准确性。对参考样本建立多工况的设备退化模型提升模型精度,在服役样本相似性度量预测中进行工况的匹配以实现在变工况下的RUL预测。方法能够更准确地描述实际工程中设备的退化过程和个体差异。依据相同准确度标准完成多组基本相似性方法和本文方法的对比实验结果表明,本文方法能够有效提高RUL预测准确度。      

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.     

工程系统的实时可靠性评估与预测技术

 作为预测维护策略的重要技术基础,寿命预测近年来得到越来越广泛的关注,实时可靠性评估与预测是一种有效的寿命预测技术。综述工程系统的实时可靠性评估与预测方法,调研实时可靠性评估与预测方法的应用实例,并探讨该研究领域中存在的问题及未来的研究方向。     

区域运输规划模型系统

提出一种区域运输规划模型系统,以求从定量的角度,预测一个区域内的货物运输量,继而确定这些运输量对该区域内存在的多种运输方式的偏好结构,最后仿真这些运量在相应的各种运输网络上的分布情况,同时仿真模型还对运输网线路经过新建或扩建后所形成的新的运量分布进行模拟。根据运量分布情况,就可提出初步的规划建设方案。     

考虑外包的货运航空公司货流分配问题

针对货运航空公司大量、纷繁交错的航空货运需求,制定合理的路径规划和配流方案可以降低运输成本、提高运输效率。考虑货机运输和外包运输2种运输方式,建立了运力配置和货流分配一体化的混合整数规划模型。以中国国际货运航空有限公司为例进行算例求解,根据不同运输距离对货流进行预分配,根据OD对机场所在集合预先规定货流可以中转的机场,不仅缩小了搜索空间,比两者均不处理时节省了85.12%的计算时间,而且中转货流运输路径总长度和中转货流周转量与不处理相比也分别降低了17.19%和28.99%,减少了大量绕路。得到的结果与不考虑外包的模型相比节省了4.87%的成本。引入外包价格系数进行灵敏度分析,随着外包价格系数从1.2到0.8不断减小,货运航空公司通过外包运输的货物量增加,同时小型货机执飞的航段不断减少,而大型货机执飞的航段没有变化。对不同运输方式的单位运输成本随运输量变化的曲线进行分析,当货运航空公司在面临新增局部货运需求时,可以不改变全局方案,而根据曲线及剩余运力情况做出较优的决策。      

改进（DSP）模型运用于货运中心信息系统规划

货运中心信息系统规划,是围绕着公路货物运输网络的信息系统布局,对货运中心适站量的信息输送方式,信息作业规模、以及信息系统的建设水平进行规划。在货物运输过程中,该信息系统需要处理有关物品运输、中转换装、车辆调度、运输代理等多方面的信息流,使之密切配合物流系统的管理,提高货物运输服务水平、工作效率及经济效益。该信息系统群的作业过程,是由一组与物流组织相关的成对信息系统,对每对O—D流进行作业。在满足运输网络流需求的条件下,信息系统的布局应要求以最低的系统费用或最好的效益来安排建设序列。DSP模型是送货系统问题规划模型,本文对该模型进行了适当的改造,首次将之运用到货运中心信息系统规划问题中。主要变化是:(1)一个货运中心为一个节点,所覆盖的运输区内的用户端点都合并到该节点中;(2)成本系数为决策变量的直接相关的函数。本方法已成功地应用于甘肃省货运中心运输网络规划,取得了满意的结果。     

基于改进前景理论的航空货运联盟博弈分析

航空货运联盟的应用有助于航空公司的业务经营，航空公司通过低运营成本，提高服务质量，使得用户获得较大的满足感。以航空货运联盟为基础，探讨不同航空公司在航空货运联盟中有关航线运输业务自营或外包的决策问题。考虑前景理论中的损失厌恶，采用改进的风险价值函数刻画航空公司的成本损失；建立得益矩阵，并通过动态演化博弈分析决策过程。结果表明:当自营成本分摊系数越大，外包成本分摊系数、风险损失系数和风险凹凸系数越小，固定成本越大，飞机的单位运输成本越小，收益率越大时，S航空公司若货运量大于其他航空公司，则宜采取业务自营，反之，则业务外包；当自营成本分摊系数越小，外包成本分摊系数越大时，S航空公司选择自营概率越大；当S航空公司货运量越大时，其选择自营概率越大；其他航空公司自营概率越大，S航空公司自营概率越小。      

多目标组合运输物流量预测建模算法

提出了一种新的多目标组合运输物流量预测建模算法.以时间、领域、影响以及组合运输为基准,运用系统工程理论思想设计出一种四维的物流量影响因素模型,并运用结构方程模型对所建模型做了优化,提取出组合运输物流量的核心影响因素.在改进的神经网络算法的基础上结合遗传算法,提出了一种结合遗传算法的改进的神经网络新算法,弥补了改进的神经网络算法上的缺陷,在多目标组合运输物流量预测的实例应用中,该算法不仅有很高的预测精度,而且具有收敛速度快、运行稳定的特点.      

An improved cyclic multi model-eXtreme gradient boosting (CMM-XGBoost) forecasting algorithm on the GNSS vertical time series

The study of GNSS vertical coordinate time series forecasting is helpful for monitoring the crustal plate movement, dam or bridge deformation monitoring, and global or regional coordinate system maintenance. The eXtreme Gradient Boosting (XGBoost) algorithm is a machine learning algorithm that can evaluate features, and it has a great potential and stability for long-span time series forecasting. This study proposes a multi-model combined forecasting method based on the XGBoost algorithm. The method constitutes a new time series as features through the fitting and forecasting results of the forecasting model. The XGBoost model is then used for forecasting. In addition, this method can obtain higher precision forecasting results through circulation. To verify the performance of the forecasting method, 1095 epochs of data in the Up coordinate of 16 GNSS stations are selected for the forecasting test. Compared with the CNN-LSTM model, the experimental results of our forecasting method show that the mean absolute error (MAE) values are reduced by 30.23 %～52.50 % and the root mean square error (RMSE) values are reduced by 31.92 %～54.33 %. The forecasting results have higher accuracy and are highly correlated to the original time series, which can better forecast the vertical movement of the GNSS stations. Therefore, the forecasting method can be applied to the up component of the GNSS coordinate time series.     

Ⅰ类情况下的运输结构最优控制论模型

一般情况下,交通运输发展速度应该超前于国民经济发展速度,但由于种种原因,造成了我国目前交通运输发展与国民经济极不相适应的局面,把各种运输方式所完成的运输量和运输周转量取决于其运输能力的情况称为Ⅰ类情况。本文用最优控制的原理,研究了如何合理控制此类交通运输的投资,以利于形成一个各种运输方式相互协调发展的,并与国民经济相适应的综合运输结构系统。并以某省作了实例研究。     

用于省内公路干线网规划研究的启发式模型

本文阐述了一种将运量在运输线路上的配置和投资在项目上的分配相结合的启发式方法的模型。文章对这种方法的原理与应用进行了研究探讨。     

基于集成学习的太阳质子事件短期预报方法

太阳质子事件是一种由太阳活动爆发时喷射并传播到近地空间的高能粒子引起的空间天气现象。这些高能粒子会对航天器和宇航员产生严重危害,对太阳质子事件进行准确的短期预报是航天活动灾害预防的重要内容。针对当前主要预报模型中普遍存在的高虚报率问题,提出了一种基于集成学习的太阳质子事件短期预报方法,利用第23个太阳活动周数据,建立了一种集成8种机器学习模型的太阳质子事件短期预报系统。实验结果表明,本文方法在取得了80.95%的报准率的同时,将虚报率降低至19.05%,相比现有的预报系统具有较为明显的优势。      

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection，CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中，为提高太阳风预报的准确率，需要提高CME参数识别的精度.模型以计算任务串行的方式运行，运算效率低导致模型运算时间长，不能满足这种需求.CME参数识别模型的物理运算过程相互不独立，其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架，改进了CME参数识别模型的计算流程，提出CDMR（CME detection under MapReduce）方法，实现了CME参数识别模型的并行计算，并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间，提高了模型的识别精度和计算效率.