某百万通流改造机组通流面积优化及经济性比较

提出了针对1000MW等级火电汽轮机通流改造机组通流面积对经济性的影响,并进行了分析,提出通过精准通流面积控制进一步提高机组经济性的措施。

2024年春节假期干线公路交通流量分析

2024年春运是疫情防控平稳转段后,公众出行意愿充分释放的第一个春运。今年春节假期周期长,小客车连续9天免费通行全国收费高速公路。本文基于全国公路交调大数据平台收集到的数据,分析了2024年春节假期全国干线公路交通流总体变化情况、时间变化特征和空间分布特征。数据显示,2024年春节假期,探亲、旅游等出行热度高涨,全国干线公路网交通流量显著上升,同比2023年、2019年春节假期分别增长15.9%、10.9%,达到历史新高。

基于图对比学习的稳健交通流量预测

作为智能交通系统的核心技术,稳健的交通流量预测是一个长期存在但具有挑战的任务。不论是工业界还是学术界,现有模型需要大量训练数据、易受数据噪声影响而表现不稳健,是限制该领域发展与实际应用落地的重要因素。而在学术界,图对比学习可以通过数据增强与对比损失来降低数据需求量,同时提升模型抵抗数据噪声的能力。提出一种交通流量图对比学习(TFGCL)框架,用于稳健的交通流量预测。TFGCL框架有3个创新点:针对交通流量图(TFG)数据的独特时空特性,TFGCL框架从时间和空间2个角度出发,提出3种TFG数据增强方法。针对TFG数据中语义相似的假负样本,提出一个过滤策略使TFGCL框架能够免受其干扰,从而学习到高质量的表征。TFGCL框架通过联合交通流量预测任务和图对比学习任务进行同时训练。在3个真实交通数据集上与8个基线模型进行对比实验,结果表明:TFGCL框架的预测性能更为稳健,较最优基线模型最高提升6.24%,TFGCL框架的稳健性尤其体现在数据缺失较为明显的数据集和长时交通流量预测任务中。

基于循环独立机制的交通流量预测

交通流量预测是智能交通控制和管理系统的一个重要环节,但交通流量数据具有时间和空间上的非线性和复杂性等特征,为对其进行精准预测,本文提出了Graph Temopral Recurrent Independent Mechanisms (G-tRIM)模型。该模型使用图注意力网络(Graph Attention Networks, GAT)来有效捕获交通流量数据的空间依赖关系,使用循环独立机制(Recurrent Independent Mechanisms, RIM)来精准刻画交通流量数据的潜在状态。最后在北京和贵州数据集上,以均方误差(Mean Square Error, MSE)和平均绝对误差(Mean Absolute Error, MAE)为指标进行实验,结果表明,G-tRIM在各个数据集上的表现均优于基准模型。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

短时交通流预测方法分析研究

1.引言近年来,由于城市居民生活水平不断提高,机动车拥有量持续上涨,以及节假日集中出行的特征,导致高速公路交通负荷日益增强,交通拥堵现象频发。造成交通拥堵现象的原因多种多样,在道路硬件建设不可能短期实现的情况下,如果能够预测不同线路车流情况,可以对出行者出行进行引导,控制交通流量,减少交通拥堵。

多视角融合的时空动态GCN城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性.

ST-WaveMLP:面向交通流量预测的时空全局感知网络模型

交通流量预测在智能交通系统中起着至关重要的作用。精准的交通流量预测不仅能帮助城市管理者进行更好的交通管理,也能帮助人们制定合适的出行计划。然而精准预测交通流量颇具挑战性,主要难点在于如何捕获交通流量数据中复杂的时空依赖性。近年来,深度学习方法已被成功应用于网格交通流量预测,主要采用深度卷积神经网络来捕获时空依赖性。但是卷积神经网络主要关注数据中空间特征的提取与整合,难以充分挖掘其中复杂的时空依赖性,而且单层卷积网络只能捕获局部空间依赖,因此,要想捕获全局空间依赖就需要对超多层的卷积网络进行堆叠,这将使整个网络模型训练收敛速度变慢。为了解决些问题,提出了一种面向交通流量预测的全局感知时空网络模型ST-WaveMLP,主要使用以多层感知机(MLP)为基础的可重复结构ST-WaveBlock来捕获相关的时空依赖。ST-WaveBlock中包含了捕获全局空间依赖和局部时间依赖的模块(SGAC),以及用于捕获局部空间依赖和全局时间依赖的模块(SLAC)。ST-WaveBlock具有较强的时空表征学习能力,通常仅用2~4个ST-WaveBlock堆叠就能有效捕获数据中的时空依赖性。最后,在4个实际交通流量数据集上进行实验验证,结果表明ST-WaveMLP具有更好的收敛性以及更高的预测精度,相较于之前最好的方法,所提方法预测精度的提升最高可达9.57%,模型收敛速度的提升最高可达30.6%。

百万千瓦级核电汽轮机通流改造提效的研究与应用

由于汽轮机通流技术更新迭代及核电厂延寿、提升效率的需求,核电汽轮机在运行20~30年后需要考虑进行一次整体通流改造。某集团2003年投产的两台百万千瓦级合资型汽轮机改造前存在出力达不到设计值问题,通过研究汽轮机隔板通流面积与反应堆的匹配关系并考虑大修工期及造价因素,进行更换前、后流道第一级隔板和后流道第3级隔板的通流改造,改造后两台合资型汽轮机分别提升出力10.02MW、6.98MW。该集团1994年投产的两台百万千瓦级进口型汽轮机长期运行后暴露出铆钉头冲刷脱落、静叶摩擦阻力及扰动损失大、低压缸余速损失大的问题,在20年大修窗口进行高压缸转子、隔板等通流部件更换的通流改造,改造后两台进口型汽轮机分别提升出力8.8MW、8.6MW。

时空图神经网络在交通流预测研究中的构建与应用综述

交通流量预测是城市交通管理和规划中的关键问题,而传统预测方法在面对数据稀疏性、非线性关系和复杂动态性等挑战时表现不佳。图神经网络是一种基于非欧结构数据的深度学习方法,近年来在各种复杂网络建模和预测任务中得到广泛应用。为了应用于交通流量预测领域,提出了时空图神经网络,其能够捕捉空间和时间相关性,相较之前的预测模型有显著进步。对近年来使用时空图神经网络进行交通流量预测的模型进行分析,概述和比较了多种邻接阵的构造方式,然后从空间相关性和时间相关性的角度列举了构建交通流预测模型的常用组件,并对不同的时空融合方式进行了分类和对比;在应用方面,根据时间尺度的不同将时空图神经网络模型分为长期预测、短期预测与兼顾长短期的预测三类,分析了各自的目标与要求,并列举比较了近年来较为突出的新模型。最后,讨论了现有研究的局限性,对相关模型的未来研究做出展望。

区域船舶交通流量预测ChebNet-LSTM模型

针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network,ChebNet)和长短期记忆网络(long short-term memory,LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。

基于透平通流化技术的BPRT机组提效改造

本文研究了基于透平通流化技术的BPRT机组提效改造项目,该机组是高炉鼓风机和高炉煤气余压透平发电装置的高炉二次能源回收装置。通过建立透平效率监测平台,发现机组运行效率低,影响了能耗,采取了一系列措施来提高透平运行效率。具体措施包括建立透平效率监测平台、学习对标锭鑫钢铁BPRT改造项目、优化透平设计等。通过这些改进,透平机组的运行效率提升至83%。还优化了透平效率监测平台,实现了机组效率的实时监控和报警提示功能。该项目的创新点在于首次引入效率监测管理理念,建立了大型用能设备的在线效率监测平台,为类似机组的改造提供了借鉴。

某小功率汽轮机三维通流计算及分析优化

文章主要采用CFD手段,对某小功率汽轮机进行了三维通流计算。根据计算结果,对机组质量流量、焓降分配、反动度、汽封漏汽进行了分析,并根据分析结果对机组进行了优化设计。

基于VAR-LRTC-TNN的交通流量数据补全框架模型

从各类传感系统收集到的交通流数据往往会因探测器或通信故障等缘故出现数据连续性的缺失,故准确补全缺失的交通流数据对制定合理的交通管理策略至关重要。鉴于交通流数据具有低秩的特性,通过低秩张量补全模型可较好地刻画出交通流数据的全局一致性,但却无法很好地捕捉数据的局部变化趋势,一定程度上影响了效果。基于此,提出了将VAR模型和基于残差序列的LRTC-TNN模型相结合的交通流补全框架模型;采用VAR模型对缺失数据进行粗略估计,移除平均趋势,利用LRTC-TNN模型对残差时间序列进行补全,再将平均趋势还原,从而完成对交通流量数据的高精度补全;该方法不仅保留了交通流数据的全局结构,还考虑了数据局部变化的特征。研究结果表明:与基于原始交通流量数据的填充方法相比,该模型框架对单传感器和多传感器数据的连续性缺失均具有更高的补全精度。

考虑外部因素的MCNN-ABiLSTM交通流量预测模型

针对交通流量序列的时间依赖性、空间相关性及易受外部因素的干扰等问题,提出一种基于多尺度卷积神经网络和融合注意力机制的双向长短期记忆神经网络自适应融合预测模型(MCNN-ABiLSTM模型)。通过串联的多尺度结构增强卷积神经网络的特征提取能力,融合注意力机制的双向长短期记忆网络提升对时序特征的连续性、周期性的挖掘能力,将2个分支特征自适应融合以提升交通流量预测的准确性。同时,通过计算各路口时序流量的皮尔逊相关系数分析交通流量的空间相关性,并提出改进粒子群算法(IPSO)设置外部因素标签值。实验结果表明,MCNN-ABiLSTM模型比其他基线模型预测准确性更高,RMSE、MAE以及MAPE均有明显下降。

基于多通道时空编码器的交通流量预测模型

传统的交通流量预测模型对历史数据进行时空建模,忽略了交通数据的时间周期性内部潜在关系和交通路网间节点的距离特征和相似性空间特征。据此,提出面向交通流量预测的多通道时空编码器模型MC-STGNN,用于提高交通流量预测的准确率。首先将交通数据处理成三通道的周期性时间序列,并对整体的序列数据进行时间位置编码和自适应的空间位置编码,提取路网节点间的动态相关性;其次引入具有卷积结构的多头自我注意力机制,更大程度地捕获周期数据不同程度的时间相关性;最后提出一种图生成器生成新的时空图,提取路网节点间的相似性和距离特征,并利用门控图卷积网络整合原始图和新时空图的空间信息。在高速公路数据集PEMS03和PEMS08上进行一小时的交通流量综合预测实验,结果表明,MC-STGNN模型与其他的基线模型相比,具有更佳的性能指标,说明MC-STGNN模型具有更优的建模能力。

基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network,PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit,MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。

机场场面交通流量预测方法研究

针对机场场面交通可获数据的局限性,为精准提取机场交通数据时空特征及预测场面交通流量。首先,基于推出控制理论,建立机场场面运行数值仿真模型,得到因数据局限无法获取的预测指标;其次,搭建卷积神经网络(CNN)与长短期记忆网络(LSTM)组合预测模型提取时空特征;最后,以河南郑州机场为例进行试验验证,比较模型在不同训练数据量下的预测性能与误差指标,结果表明基于仿真指标的预测模型预测结果精确度高且性能稳定。

高速公路建筑施工的短时交通流量统计预测的大数据分析

城市道路路网建设直接关系着市民的生活质量与城市的未来发展状况。现今时代,交通拥堵问题已成为城市发展过程中不可避免的重要问题,如何解决交通拥堵问题更是成为了城市可持续发展的重要前提。为了构建一个科学合理的城市道路交通体系.

智慧城市路网交通流量均衡性优化调度方法

早高峰和晚高峰时段的路网交通混乱,极易发生拥堵情况,为缓解交通系统压力,设计节点元胞划分下智慧城市路网交通流量均衡性优化调度方法。获取不同交通路线间的流量分离函数,定义路径交通流量和可用路段费用,得到出行者在某段路径上的概率函数,计算智慧城市路网各路段交通流量;获取流量守恒和车辆传递函数,计算可变元胞的单独序列,建立交通节点元胞划分模型;设计交通流量均衡性优化调度算法,得到城市路网均衡性的优化调度结果。设置仿真参数,对比优化前后三个路网模型的路径流量,仿真结果显示:早高峰和晚高峰时段路段内的路径流量明显降低,在其他时段,优化后的路径流量也不同程度下降,且路网模型越复杂,该优化方法的调度效果越好。