基于免疫遗传算法的OD矩阵反推模型与算法

针对在反推OD矩阵的非结构化方法中,各模型都将路段流量一次观测得到的样本值作为路段流量的真实值来推算OD矩阵,导致推算结果出现偏差的问题,在熵极大化模型的基础上,引入了路段流量真实值参数,对模型进行了修正。在反推过程中,利用免疫遗传算法良好的全局搜索能力,提出了基于免疫遗传算法的OD矩阵反推模型。算例表明,免疫遗传算法在进行OD矩阵反推时,能够快速、有效地搜索出最优OD矩阵。     

应用行程时间信息反推OD矩阵的模型与算法研究

为提高OD反推的精度,提出一种新的双层优化模型,在原来模型的目标函数上加入行程时问的误差项,使更多的信息源数据可以被利用在OD矩阵反推中.采用一种能近似获得全局最优解的模拟退火算法来求解这个新模型.实例验证表明引入行程时间信息的新模型反推得到的OD矩阵解比仅利用流量信息的原模型更准确.     

公交线路客流OD反推研究

公交客流OD反推技术越来越受到重视,即不进行直接的公交OD调查,而进行调查量相对较少的站点上下客人数调查,通过一定的反推模型,计算出公交客流OD矩阵.本文在参考传统公交OD反推模型的基础上,研究了大同公交乘客出行OD概率分布,分析公交客流OD矩阵反推的各项影响因素,从实际调查的公交OD矩阵数据中建立新的反推模型.新模型综合考虑了土地利用性质与平均乘距两项指标,利用公交站点上下客人数反推单条公交线路客流OD矩阵,改进了传统方法,有一定的工程使用价值.     

基于隐马尔科夫模型的变压器剩余寿命分析

针对电力变压器故障引起的被迫停机状况,推进符合运维需求的视情维修机制,利用隐马尔科夫模型对变压器剩余寿命进行了研究.收集系统相关运行状态和工况数据,利用退化信息及历史寿命数据基于隐马尔科夫模型对系统进行退化状态评价,得出状态转移矩阵以及观测概率矩阵.利用故障比率模型进行可靠度分析,得出变压器剩余寿命概率分布.结果表明,本文方法能大概率准确预测变压器剩余寿命.     

基于隐马尔科夫模型的变压器剩余寿命分析

针对电力变压器故障引起的被迫停机状况,推进符合运维需求的视情维修机制,利用隐马尔科夫模型对变压器剩余寿命进行了研究.收集系统相关运行状态和工况数据,利用退化信息及历史寿命数据基于隐马尔科夫模型对系统进行退化状态评价,得出状态转移矩阵以及观测概率矩阵.利用故障比率模型进行可靠度分析,得出变压器剩余寿命概率分布.结果表明,本文方法能大概率准确预测变压器剩余寿命.     

基于Transformer和隐马尔科夫模型的中文命名实体识别方法

提出了一种基于Transformer和隐马尔科夫模型的字级别中文命名实体识别方法。本文改进了Transformer模型的位置编码计算函数,使修改后的位置编码函数能表达字符之间的相对位置信息和方向性。使用Transformer模型编码后的字符序列计算转移矩阵和发射矩阵,建立隐马尔科夫模型生成一组命名实体软标签。将隐马尔科夫模型生成的软标签带入到Bert-NER模型中,使用散度损失函数更新Bert-NER模型参数,输出最终的命名实体强标签,从而找出命名实体。经过对比实验,本文方法在中文CLUENER-2020数据集和Weibo数据集上,F₁值达到75.11%和68%,提升了中文命名实体识别的效果。     

整周模糊度的半参数解算方法

利用罚最小二乘原理构造加权惩罚平方和，利用半参数回归模型方法解算整周模糊度，导出了模型中正规化矩阵正定时参数平差的计算方法，用直接法得到了整周模糊度的估计量，给出了相应的公式，并用一个实例说明了此方法的有效性。     

OD调查抽样模拟试验及抽样率影响因素分析

OD调查主要目的之一是获得准确、可靠的OD矩阵,交通区划分的数目越多,则OD矩阵构成元素越多,即每次出行试验的结果越复杂,要得到可靠的OD矩阵需要的调查样本量也越大,而目前常用居民抽样率确定方法均未考虑交通小区划分数目的影响.本文编程模拟了OD调查抽样随机试验,并利用多元回归分析技术,量化分析了交通区数目、调查精度和OD矩阵元素不均匀程度对抽样样本量及抽样率的影响,证明随着交通区数目、调查精度和OD矩阵元素不均匀程度的增加,调查样本量也将大幅度增加.     

基于超级交通网络的换乘枢纽空间布局优化

利用交通规划理论与超级交通网络,优化城市交通换乘枢纽的数量、空间位置以及规模.依据样本城市的超级交通网络和OD出行矩阵,建立换乘枢纽选址的双层规划模型.上层模型追求交通系统社会效益最大和换乘枢纽建设费用最小,下层模型是超级交通网络上全方式OD交通量的用户平衡分配模型.通过引入改进的禁忌搜索算法实现上下层模型之间的循环反馈.     

PSO算法在交叉口OD矩阵推算中的应用

针对由交叉口已知交通量推算OD矩阵时,当已知交通量数小于OD变量数时难以得到满意解的问题,提出了采用基于群智能技术改进的粒子群优化算法(Particle Swarm Optimization,简称PSO)来进行全局优化求解.论文设计了用粒子群算法求解交叉口OD矩阵推算模型的方法,确定了目标函数和终止条件,给出了具体的计算步骤及粒子群算子的选择,通过初始化粒子的速度和位置,不断送代更新直到搜索出全局最优值.最后用Matlab语言编程进行了仿真试验.仿真结果表明,该方法具有较高的效率和准确性.     

美联航事件中的机票超售问题研究

机票超售是航空收益管理的重要组成部分,确定最佳超售水平是机票超售的核心问题。为了确定最佳超售水平,基于二项分布的超售模型,综合考虑No-show人数和DB人数对总收益的影响,借助Matlab对多变量函数参数变化进行数值分析后,得到了航班的最优订票水平与旅客到达机场的概率以及处理DB旅客的费用之间关系,并给出了有效建议。最后对模型进行了实例分析,证明此方法简便可行,能够作为航空公司制定订票水平时的参考。     

基于出行意图的潜在高价值旅客发现概率模型

由于潜在高价值旅客当前乘机历史记录少,较难被航空公司准确发现并关注.对此,提出基于出行意图的潜在高价值旅客发现概率模型.首先建立一个基于统计的潜在高价值旅客发现概率模型,再将旅客出行意图引入概率模型,发现旅客潜在航线需求,优化旅客潜在价值计算,从而通过出行意图发现潜在高价值旅客.实验结果表明,相比于次数法、里程法以及RFM模型等传统的旅客价值度量方法,基于出行意图的潜在高价值旅客发现概率模型能够有效识别潜在高价值旅客.     

基于交通区数目抽样率确定新方法

编程模拟了OD调查抽样随机试验,证明随着小区数量的增加调查样本的数量将大幅增加,并量化分析交通小区数量、调查精度要求和OD矩阵元素不均匀程度对抽样样本量的影响。建立了OD调查样本量与影响因素关系模型,提出OD调查样本量(或抽样率)确定方法,该方法克服了常规方法中无法考虑交通小区个数和区间出行不均匀弊端。     

公共交通大站快车调度模型

为满足公交企业调度管理需求,建立公交管理中实施快车调度的数学模型,应用公交随车调查数据,进行客运量O-D矩阵反推,筛选出公交客流量O-D矩阵中较大的站点,作为大站快车站点,并将原线路客流量分为快车站点和调度后线路客流O-D矩阵,分别用断面客流量和车厢满载率进行发车时间表设计,最后采用速度、等车延误、行驶延误、停车次数等指标对调度前后模型进行评价.编制的计算机程序,实现对客运量O-D反推、断面流量和公交车时间表程序化计算.结果表明:模型可以减少乘客延误和车辆停车次数,满足了不同乘客乘距的出行需求,提高了车辆旅行速度和服务质量.     

用公交车站上下客数推算公交 OD 分布的方法

公交客流的ＯＤ分布是城市公共交通系统优化设计线路网和调配车辆所不可缺少的基础数据，本文把八十年代国外提出的使用路段断面车流量推算道路网中车辆出行ＯＤ分布的新方法移植到公交系统，根据各线路各车站调查的上下车人数推算公交客流的ＯＤ分布。这一方法已于９４年成功地应用于成都市，这在国内尚无先例，经成都市有关资料校核与通过人造网络的计算分析，表明精度是满意的。     

地铁乘客站点的选择行为分析及预测

采用数据互补的方法,融合智能卡数据和公交车GPS轨迹数据,获取了公交和地铁乘客在地铁新线路开通前后的乘客个体出行信息。利用居民空间行为指标——“出行质心”对地铁乘客的公交出行质心定位,并分析了地铁站点与乘客公交出行质心之间的距离对乘客地铁站点选择的影响。结果表明有86.15%的乘客选择距离他们公交出行质心更近的地铁站点,地铁站点与乘客公交出行质心之间的距离是影响乘客出行站点选择的重要因素。基于这一发现,建立Logit模型对乘客是否会选择新地铁站点进行预测,预测准确率、精确率、召回率和特异性分别为83.87%、 84.23%、83.66%和84.09%,预测结果表现良好。研究结果可用于评估计划新建的地铁站点对邻近既有站点的影响,有助于地铁营运计划的设计。     

基于灵活停站时间的轨道交通网络末班车接续优化

为提高城市轨道交通网络末班车换乘接续效果,以换乘客流时空分布特征及列车运行过程为基础,采用数学规划方法,选取末班车发车时刻及停站时间为决策变量,以有效换乘客流量最大化为目标,构建末班车协同接续优化模型,并利用CPLEX优化软件进行求解.以北京市轨道交通网络为对象进行实证研究,与实际列车运行计划对比分析的结果显示:有效换乘客流量增加12.4%,末班车协同接续数量提高8.2%,表明所构建方法能较好地提高末班车接续效果.     

公交车调度的优化模型

根据给定的某路公交车各时段乘客流动统计数据，做了如下工作来制定公交车调度：1）计算各时段运行参数，其中包括车辆的周转时间、车辆数、行车频率以及行车间隔等，给出参数汇总表；2）按行车间隔分配与排列方案、主要运行参数依次推定各时间段的运行班次。得出结论：最优日发车辆数为44辆，高峰时期的发车间隔为2－3min，每小时发车30辆。低峰时期的发车间隔为2－8min。满载率为：R＝67％，顾客的满意率为：δ＝97％。基本上满足了乘客的乘车需要。