CTC仿真列车运行模型研究

从实用角度出发,针对调度集中仿真列车运行模型进行研究,建立CTC仿真实训系统的列车运行模型,提出仿真列车速度曲线计算方法,同时提出仿真列车运行模式的切换机制,可为调度指挥人员提供完全真实的仿真列车运行参数,对仿真实训系统建设具有重要意义。

基于PSO-LSTM优化模型的网络流量预测研究

网络流量预测是网络规划、设计和建设的重要依据,对有效满足人民网络需求有着极其重要的意义。本文通过构建基于PSO-LSTM优化预测模型,不仅提高了对网络流量预测的效果,还自动实现了对LSTM神经网络模型参数的优化,大大降低了LSTM神经网络模型优化的工作量。研究结果表明,基于PSO-LSTM优化预测模型能够实现对网络流量的准确预测,相比单纯基于LSTM神经网络模型,预测结果与实际值的均方根误差降低31%。

基于大规模实景路况与人工智能的交通平台——以实景路况为基础的多层级分布式AI模型与传统建模相结合的交通系统

本文提出以实景路况为基础的多维度、多层级分布式AI模型与传统建模相结合的实景路况交通平台解决道路资源合理化分配以及调控的问题。大规模动态实景路况可以实时给出更高维度的路况信息,打破现有算法滞后性带来的局限;分布式AI模型可以在大幅度降低模型复杂度的同时,降低系统误判带来的“蝴蝶效应”式影响,从而大幅度提高系统的稳定性;多层级AI模型可以在街道(乡镇)、县级市(县、区)、地级市、省(直辖市、自治区)以至于国家层级进行调控,打破AI模型在交通中难以人为调控的难题。本文研究结合传统模型可以在AI模型发生误判时,大幅度降低不良影响,及时止损,并讨论了以该模型建立交通平台可衍生的应用场景。

超密集网络中基于业务特征的干扰协调技术研究

本文以业务特征为着眼点,设计了两种适用于超密集网络的干扰协调技术——大规模CoMP(协作多点传输)、ON/OFF(动态小区开关)机制。通过对3种典型业务的分析与建模,并基于3种业务对两种干扰协调技术进行仿真,仿真结果表明在特定的业务模型下,两种干扰协调技术均能有效地降低系统干扰,提升系统性能。

LIBSVM回归算法在话务预测中的应用

话务量预测在工程规划建设中有重要的意义,但常用的预测方法总体准确率不高,而LIBSVM算法在解决回归问题上表现出优良的性能。本文以H市连续587天早忙时话务量样本作为LIBSVM模型训练,之后用60个样本点作为测试数据,验证LIBSVM模型的预测性能,并对结果进行均方误差和平均相对误差的指标评价分析。

以提升流量价值为导向的互联网内容运营模式探析

本文以运营商与互联网ICP的合作共赢为基本出发点,提出了内容运营的概念,内容定向运营的模式,并建立了相应的模型,为运营商与互联网ICP之间和合作提供了可量化的合作模式及相应的建议。

新基建背景下静态交通产业发展研究

随着我国汽车产业的蓬勃发展,围绕汽车出行生活的相关交通基础设施投资建设以及运营的相关市场需求也在不断增长。在新基建的背景下,停车类基础设施项目开展的投融资模式、建设方案、运营管理模式成为各类国有企业和相关上市公司研究的重要环节。本文所研究静态交通领域主要以停车基础设施投资为主要研究范围,以行业发展和市场环境演进为研究背景,来探讨静态交通产业的投融资模式和未来发展。

移动互联网环境下业务模型建模方法研究

在移动互联网时代,随着网络能力的不断提升,用户的使用行为习惯也发生了巨大变化,业务模型的特性也随之发生着改变。本文通过研究通信业务模型标准以及分析总结各种业务的参数,建立了统一的无线网络规划仿真业务模型,确定了模型各个参数的含义。利用现网核心网分组抓取以及固网分组抓取分析统计,得到了模型各个参数的随机特性与期望值,针对参数期望值差异进行了分析,并给出了模型参数取值建议。

信号灯作用下的车辆跟驰模型研究

为更好地模拟城市信号交叉口交通流的运行特性,在深入分析信号交叉口减速停车过程中车辆跟驰运动特性的基础上,提出一种考虑信号灯作用的车辆跟驰模型。首先,设计一种基于视频的数据采集方法来采集信号交叉口减速停车过程中的跟驰数据;然后,对实测数据进行挖掘分析,选择相对速度、车间距、前导车加速度和跟驰车到信号灯的距离作为拟构建模型的输入变量;最后,在GM模型的基础上确定新模型的结构并进行参数标定、效果验证和比较分析。结果表明:新提出的模型能够很好地拟合实测数据,其平均绝对误差值比重新标定的GM模型减小了6.08%,拟合性能明显优于重新标定的GM模型。

应用型本科财务管理专业ERP课程教学实践探索

《ERP管理及应用》课程为山东英才学院财务管理专业课程,2013年被评为山东省高等学校精品课程。教学过程中我们结合学校办学定位与专业人才培养目标,依据课程目标与课程特色,针对教学主体大四毕业班学生的特定需求,围绕"一个中心两个基本点",以提升学生职业能力、培养自主学习能力为核心进行教学实践和探索。