基于区块链+北斗的铁路装备可信数字身份服务方法

智能铁路装备是一个典型的分布式物联系统,具有大量复杂的数据交互共享的需求与场景,装备及其产生的数据信令在系统中的数字身份标识是其重要安全基础。应用基于区块链去中心化的分布式数字身份标识技术,结合北斗时空信息,设计了铁路装备身份标识(railway decentralized identifier,RDID)可信数字身份服务,包括服务架构、生成流程、流转流程和验证流程,并进行了应用模型实现与效能分析。服务可以有效提升装备及其产生的数据信令的规范安全性,保证标识身份全局唯一,可追溯认证,从而提高智能装备系统通信过程数据的完整性与可靠性。     

基于分数阶理论的铁路基础设施形变监测数据分析与挖掘

北斗高精度定位系统因噪声等因素会产生一定范围内的随机误差,这导致传统模型难以直接对监测数据进行精准分析,因此提出基于分数阶理论的北斗监测数据分析方法,从数据整体趋势角度挖掘铁路基础设施形变演化规律。首先,给出分数阶分析方法的理论框架,并对基础理论进行详细介绍;其次,提出利用α稳定分布对原始数据进行概率密度拟合,实现数据的非高斯特性估计;再次,通过长程相关特性和多重分形特性挖掘隐藏在监测数据中的深层次趋势特征,从数据分数阶特性维度分析未来变化趋势;最后,所提分析方法应用于国内某重载铁路的基础设施形变监测,实验结果表明所提出的分析方法能够在噪声干扰下实现北斗监测数据的精准分析,能够对各组监测数据的演化规则和铁路基础设施形变程度进行精准判别。     

考虑进出交通影响的扇区运行通行能力研究

针对繁忙扇区受进出交通影响，缺乏量化决策模型，从而依赖空中交通管制员的个人经验，进而导致运行通行能力大幅下降的问题，开展考虑进出交通影响的扇区运行通行能力研究。首先，根据民航实际运行规则、扇区结构、机型组合和飞行速度等建立理论通行能力模型；然后，通过结合进出交通流构成和运行特征，对理论通行能力模型进行改进，得到进出交通影响下的运行通行能力模型。仿真结果表明，仿真计算值与平日观测值的平均绝对百分比误差为7.1%,证实了航迹规整度以及阻碍时间对扇区运行通行能力有显著影响。     

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

空中交通复杂性研究进展

空中交通复杂性是空中交通态势的本质属性，是空中交通管制工作负荷的主要驱动因素。空中交通复杂性的科学评价是实现空中交通精细化管理的关键，也是当前空管领域研究热点。本文介绍了国内外空中交通复杂性的研究团队，梳理了空中交通复杂性与工作负荷、安全水平等相互之间的区别和联系，并详细分析了现有研究的具体研究路线。在分析新一代空中交通管理系统特征的基础上，对空中交通复杂性的未来研究趋势和方向进行了展望。