基于路网容量约束的停车设施泊位规模优化

针对目前停车规划中很少考虑道路网络容量限制的情况,建立了基于路网容量约束的停车设施泊位规模优化模型.该模型考虑道路网络容量对停车需求的限制和约束,通过各处停车设施规模的优化,引导停车需求合理分布,以充分利用道路网络资源,实现效益与公平性最大化.该模型优化目标为在满足道路网络容量约束下使得效益(即可满足的停车需求)最大,并通过用户平衡模型计算流量在道路网络上的分配,介绍了用遗传算法对模型求解的方法.数值算例表明,通过优化建模与求解,可得到各处停车设施的最佳泊位规模,并得到满足路网容量约束的合理停车需求分布.     

城市居民停车共享泊位选择行为分析

停车共享泊位的出现为解决城市停车问题提供了新思路,"停车共享"也渐渐成为国内外专家学者研究的重点。为进一步研究城市居民停车共享泊位选择情况,文中对停车泊位选择影响因素进行定量分析,并建立共享泊位离散选择Logit模型。经检验,停车费率、停车后步行距离、停车信息、停车场使用方便程度对停车者停车决策有显著影响。     

多维时空因果关系学习的停车泊位占用率预测技术

针对停车泊位占用率预测方法中对空间因素和多维度影响因素考虑不足的问题,扩展了格兰杰因果关系模型,提出一种综合考虑时空相关性和多维度影响因素的停车泊位分析模型,并在此基础上设计了基于神经网络的停车泊位占用率预测算法。采用欧盟FP7项目提供的CityPulse数据集进行仿真实验,实验结果表明:基于多维时空因果关系的神经网络学习预测方法较其他基于时空相关性的停车泊位预测方法的预测精度都有提高;在容量为56辆车的停车场样本中,对0. 5 h后和1. 0 h后停车泊位占用率进行预测的平均绝对误差低至2. 488、3. 418,绝对误差小于20%、10%的预测结果占比更大。     

停车场空余泊位数时段变化规律及停车预报方法

为了解停车场空余泊位数时间变化的规律并对停车信息进行预报以帮助驾驶员进行出行前的停车决策,在对某个实际停车场空余泊位数时间变化数据统计分析的基础上,得到了一些有用的结论与规律,包括连续一周内各工作日的空余停车泊位数变化规律、短时期内各工作日的空余停车泊位数变化规律及较长时间内工作日的空余停车泊位数变化规律等;并在此基础上确定了停车预报的基本方法和依据,且通过模糊c-均值聚类方法对各时段停车特征进行了归类预测,归类结果有助于驾驶员的出行决策.     

出行系统最优配置下共享停车选择及泊位分配

为提升城市出行及停车供需匹配的效率,提出了一种面向出行系统最优配置的停车选择及泊位分配整合模型。构建考虑共享停车用户出行费用和非共享停车用户出行费用的停车选择均衡模型,并设计下降算法求解停车选择均衡模型;对共享停车用户,建立共享停车平台运营商、泊位供给者和泊位需求者综合泊位分配整数规划模型,出行选择模型与泊位分配模型之间通过共享停车泊位分配决策变量建立联系。算例分析结果表明,提出的泊位分配模型对用户预约请求接受率达到83%,且模型能够高效应用于实际停车问题;出行用户更倾向于选择行驶距离和步行距离近的停车场,共享停车与非共享停车流量增速差距最大的停车请求规模既可以使运营商获得较高利润,又能够提高共享停车与非共享停车流量之间的平衡性。     

居住区与毗邻商务区的夜间停车泊位共享配置模型

针对目前居住区与毗邻商务区的停车供需不匹配现状,基于相邻片区车位共享的停车模式,提出一种居住区与毗邻商务区夜间停车泊位共享的配置方法.分析居住区与毗邻商务区共享停车的概念与前提条件,建立毗邻片区停车泊位共享配置模型,并设计求解算法.以南通市某居住区及其毗邻商务区为例,验证模型及算法的可行性和正确性.研究成果可为我国大城市毗邻片区的停车共享规划与管理提供方法依据.     

基于神经网络的油气预测方法

以濮阳凹陷白庙构造为研究区，以沙二下亚段第1砂层组为目的层，根据神经网络原理，选取能够反映储层参数及油气分布特征的“S”型函数，构造出可以产生任意复杂判断的三层感知器，利用误差反传播算法，使估价函数最小化。提取20余种地震波反射特征参数，将地震道旁的特征参数输入到神经网络中，使其学习、训练和记忆，给定神经网络各个节点间的连接权值和节点内部的阅值，通过神经网络所记忆的知识，用钻井、测井、地质、试油等资料进行约束，对未知区域的储层特征参数和含油气分布进行预测，取得了较好的效果。     

基于路边停车的路段通行能力研究

路边停车（指占用道路红线范围内的停车）会占用道路资源,对道路实际通行能力有一定影响。在分析路边停车对道路交通流影响的基础上,建立了基于平行式路边停车的路段通行能力模型,并对模型中的停车后剩余车道数、车道宽度及侧向净宽、车辆进出泊位三个对通行能力的修正系数进行了详细分析,提出了路边停车剩余车道数的修正系数模型,通过公式推导构建了车辆进出泊位对通行能力的修正系数模型,最后给出了考虑路边停车时提高通行能力的措施建议。以上研究可以为路边停车的设计和管理、道路通行能力的研究和设计提供一定的理论依据,也可以为其他的路段虚拟瓶颈对道路通行能力的影响分析提供借鉴。     

基于径向基神经网络的污垢预测方法研究

污垢的形成是一个复杂的物理化学过程,影响因素众多。传统的基于形成机制的清晰理解而开展污垢预测的研究方法,虽历时多年,仍进展缓慢。应用径向基神经网络和BP网络分别对污垢形成进行预测,研究表明RBF网络能有效地预测污垢热阻,且比BP网络具有更快的收敛速度和更高的预测精度。     

基于模糊神经网络的周期性结垢预测方法研究

针对间歇换热设备的周期性结垢现象,以及由此引起的对象特性时变并造成常规控制器动态性能下降等问题,提出了一种基于模糊神经网络(FNN)的周期性结垢预测方法.把间歇换热设备的周期性结垢分解为可逆垢和不可逆垢,通过两个多入单出四层模糊神经网络分别学习结垢的短周期可逆垢增长趋势和长周期不可逆垢增长趋势,并由两者的组合得到更为精确的污垢热阻预测值.实验结果表明,使用该方法对于一类间歇式麦汁蒸发器污垢热阻的预测精度较经验估计式明显提高,利用该预测方法所构造的时变增益补偿因子在麦汁蒸发器蒸发强度控制系统中亦获得了成功应用.     

基于物联网的智能停车场系统

针对目前国内智能停车场存在全程物理导航费用高、部分导航表达不明确和无法实现二次导航寻车等问题,设计了利用物联网将数据传输给移动设备实现全程导航的方案,并给出了硬件结构和软件组成。采集停车场停车数据于PC机,通过停车场基站号码段识别技术将数据传输给用户手机,用户利用手机接收的数据进行停车场全程导航和二次导航寻车。通过软硬件设计和调试实验结果表明,数据能够可靠传输到用户手机,用户利用手机接收的数据链接百度地图能够轻松实现停车场内定位、导航和二次导航寻车。     

基于RBF神经网络的交通流预测

针对交通模型是一个非线性、不确定的复杂动力学系统,难以用精确模型来表达的问题,采用RBF神经网络建立交通流预测模型,具有较强的局部泛化能力,收敛速度快,克服了BP神经网络收敛速度慢、易陷入局部极小的缺点．实例仿真研究表明,该方法预测效果较好．     

浅谈城市地下停车场

近几年来，我国大力发展汽车产业，城市里的汽车总量不断增加，但是，由于城市停车场发展战略与政策的滞后，城市规划建设缺乏前瞻性、预见性，许多商贸集中区和居民生活小区内没有设置或预留停车位，导致停车问题日益突出，建设城市地下停车场将是城市可持续发展、解决城市用地紧缺的有效途径。     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

基于多尺度卷积神经网络的短期电力负荷预测

In order to improve the accuracy of short-term load forecasting of power system, a multi-scale information fusion convolutional neural network(MS-ConvNet)model based on deep learning technology was proposed. A full convolution network structure and causal logic constraints were introduced to enhance the expression of time series features; a multi-scale convolution was utilized to extract the relationship among time domain data of different lengths for obtaining more abundant series features; a residual network structure was designed to increase the network depth, which increased the acceptance domain of outputneurons and enhanced the prediction accuracy. The results show that the accuracy and stability of MS-ConvNet model is better than those of multi-layer perceptron machine, long-short term memory network and gated recurrent unit network, indicating that the as-proposed model has a good application prospect in power load forecasting.     

Short-term load forecasting based on fuzzy neural network

The fuzzy neural network is applied to the short-term load forecasting. The fuzzy rules and fuzzy membership functions of the network are obtained through fuzzy neural network learming. Three inference algorithms, i.e. themultiplicative inference, the maximum inference and the minimum inference, are used for comparison. The learningalgorithms corresponding to the inference methods are derived from back-propagation algorithm. To validate the fuzzyneural network model, the network is used to Predict short-term load by compaing the network output against the realload data from a local power system supplying electricity to a large steel manufacturer. The experimental results aresatisfactory.     

电梯零速停靠的RBF神经网络预测算法

针对电梯运行过程中存在爬行距离的问题,提出了基于RBF(Radial Basis Function)神经网络的爬行距离预测模型.将预测的爬行距离增加到电梯速度曲线的匀速段,实现减小或消除爬行距离的目的,从而实现电梯的零速停靠.从电梯运行现场采集大量的原始数据,建立RBF神经网络预测模型,与BP(Back Propagation)预测方法进行仿真比较,结果表明RBF神经网络具有更好的预测效果.给出了应用零速停靠RBF预测算法前后电梯运行的速度曲线,爬行距离减小或消除,电梯的运行时间变短,实现了节能.     

Electricity price forecasting using generalized regression neural network based on principal components analysis

A combined model based on principal components analysis (PCA) and generalized regression neural network (GRNN) was adopted to forecast electricity price in day-ahead electricity market. PCA was applied to mine the main influence on day-ahead price, avoiding the strong correlation between the input factors that might influence electricity price, such as the load of the forecasting hour, other history loads and prices, weather and temperature; then GRNN was employed to forecast electricity price according to the main information extracted by PCA. To prove the efficiency of the combined model, a case from PJM (Pennsylvania-New Jersey-Maryland) day-ahead electricity market was evaluated. Compared to back-propagation (BP) neural network and standard GRNN, the combined method reduces the mean absolute percentage error about 3%.     

基于人工神经网络的鲁棒短期负荷预测方法

提出一种用神经网络设计提前一天的短期负荷预测系统的方法.在对神经网络进行训练前,先通过一种简单的方法对数据进行了预处理,以使设计的系统具有处理由于突发事件等因素引起负荷突然变化的能力.用山东省电网2003年的负荷数据进行试验,试验结果表明方法的适用性.     

基于模糊集的电力系统神经网络负荷预报研究

提出了电力系统短期负荷预报基于模糊集的神经网络方法 .该方法计及了天气和日期特征量 ,具有训练时间短预测精度高的特点 .采用两种学习算法 ,依据模糊集概念用某地区电网实际数据建立样本集后 ,对ANN进行了训练 ,通过分析比较得出了优化模型 .计算事例表明用该方法是可行和有效的