CN107273605B - 基于多重分类器系统的实测轴载谱确定方法 - Google Patents

基于多重分类器系统的实测轴载谱确定方法 Download PDF

Info

Publication number
CN107273605B
CN107273605B CN201710439730.5A CN201710439730A CN107273605B CN 107273605 B CN107273605 B CN 107273605B CN 201710439730 A CN201710439730 A CN 201710439730A CN 107273605 B CN107273605 B CN 107273605B
Authority
CN
China
Prior art keywords
load
axle
data
parameters
space distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710439730.5A
Other languages
English (en)
Other versions
CN107273605A (zh
Inventor
肖鹏
沈燕
杨继伟
康爱红
伏伟俐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN201710439730.5A priority Critical patent/CN107273605B/zh
Publication of CN107273605A publication Critical patent/CN107273605A/zh
Application granted granted Critical
Publication of CN107273605B publication Critical patent/CN107273605B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Road Repair (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于多重分类器系统的实测轴载谱确定方法，包括以下步骤：(10)基础数据采集：利用动态称重系统，采集和存储高速公路不同车道的车辆特征参数和荷载参数，建立车辆特征和荷载参数数据库；(20)数据结构建立：将车辆特征参数和荷载参数进行编码组对，得到特征数据对；(30)荷载数据多重分类处理：将特征数据对输入多重分类器，得到荷载时间‑空间分布表和荷载时间‑空间分布图；(40)实测轴载模型回归：根据荷载时间‑空间分布表和荷载时间‑空间分布图，采用混合正态分布回归方法，拟合得到实测轴载谱。本发明的实测轴载谱确定方法，精确度高、可操作性好。

Description

基于多重分类器系统的实测轴载谱确定方法
技术领域
本发明属于路面设计领域，特别涉及一种精确度高、可操作性好的基于多重分类器系统的实测轴载谱确定方法。
背景技术
实测轴载谱用于描述道路交通量和轴载，实测轴载谱中的轴重大小和轴次频率分布直接影响路面结构设计承载力和结构强度。分析实测轴载谱，对道路交通特性有较为系统的认识，确定交通流中重型车的比例，为分析车辆荷载作用下的道路面层结构力学特性特供依据。
我国现行的沥青路面设计方法选取路表弯沉值作为主要设计指标。设计完成后，利用沥青层层底弯拉应力作为验算指标。现行设计规范中路表弯沉值是一个重要的参数，我国现阶段沥青路面大部分都是半刚性基层，相比于半刚性基层的刚度而言，其他层位的刚度可以忽略不计。
此外，随着柔性路面的广泛使用，现行的路表弯沉设计体系不能满足实际的建设需要，也无法描述与病害之间的数量关系。虽然交通运输部对此开展了很多相应的研究(如：沥青路面设计指标体系、沥青路面设计指标和参数研究等)，主要将国外的研究经验结合我国实际道路现状进行扩展，构建了我国新的沥青路面设计规范，根据实际工程实用性，2017年公布了《公路沥青路面设计规范JTG D50-2017》，从9月1日开始实施，其中对沥青路面轴载换算做了进一步明确，但是仍保留了累计轴载换算的设计标准，无法满足实测轴载谱的描述。
现有研究成果中缺乏对沥青路面结构中交通荷载影响的系统研究。现行的设计方法中，对于交通荷载的处理办法是依据等效破坏原则将所有交通荷载转换成标准当量轴载作用次数(ESAL)。由于交通荷载轴载类型的多样性，目前的分类方法不能准确的反映实际的交通荷载组成情况，容易将轴载组合差距较大的不同车型划分为同一类别。
《公路沥青路面设计规范JTG D50-2017》中将车辆分为11个大类，超过20种不同的车型。但是，在现行的车辆分类方法在将车辆分为6类，每类车辆的代表车型均取一个典型轴重值，这种典型值的方法本身就存在随意性，在取值过程中调查数据的陈旧与不足进一步增加了标准当量轴载转化时的误差，对于标准轴载换算系数的标定十分不利。
我国在沥青路面结构设计体系中对于实测轴载谱法的应用实例还很少，系统性的交通数据也比较缺乏。部分地区开展了交通总量、车辆类型以及轴重数据的搜集与分析工作，其结果主要服务于计重收费和超载查处，并不能有效地服务于路面结构设计。而且，数据搜集过程中存在弄虚作假和把关不严的情况，数据与真实情况不能很好地吻合。加上不同地区使用的搜集渠道与分析方法大相径庭，所得结果缺乏普遍适用性。
《公路沥青路面设计规范(JTG D50-2017)》中标准轴载的当量轴次计算公式虽然也涵盖了轴载数据的应用，但是仍有不足之处：其一，规范中涉及的轴载数据呈现不连续的柱状分布，无法比较不同轴载特性的分布差异；其二，规范中的标准轴载当量轴次与累积当量轴次之间没有联系，使得计算过程无理可据。
总之，由于(1)现行沥青路面设计轴载分析过程较为复杂，车辆分类方法各地区差异较多，分类准确性不一；(2)《公路沥青路面设计规范(JTG G-2017)》中规定11种车型，在实际实施多采用6类典型车型，统计具有局限性；(3)现行路面轴载分析多采用标准当量轴载作用次数表征轴载特征，该技术局限于轴载总量层面，忽略了不同车型实测轴载特征；(4)现行的轴载谱拟合过程没有统一的标准和方法，拟合精度和轴载谱函数的实用性无法得到保障等多种原因，导致轴载谱精确度不够，可操作性不强。
发明内容
本发明的目的在于提供一种基于多重分类器系统的实测轴载谱确定方法，精确度高、可操作性好。实现本发明目的的技术方案为：
一种基于多重分类器系统的实测轴载谱确定方法，包括以下步骤：
(10)基础数据采集：利用动态称重系统，采集和存储高速公路不同车道的车辆特征参数和荷载参数，建立车辆特征和荷载参数数据库，所述车辆特征参数包括车辆的车轴数量、车轴类型、车轴间距，所述荷载参数是指各个车轴所对应的轴重；
(20)数据结构建立：将车辆特征参数和荷载参数进行编码组对，得到特征数据对；
(30)荷载数据多重分类处理：将特征数据对输入多重分类器，得到荷载时间-空间分布表和荷载时间-空间分布图；
(40)实测轴载模型回归：根据荷载时间-空间分布表和荷载时间-空间分布图，采用混合正态分布回归方法，拟合得到实测轴载谱。
本发明与现有技术相比，其显著优点在于：
1、精确度高：改进了现行技术中6类车型分类方法，本发明可以对各个地域、各个级别的道路类型分别进行交通荷载特性数据的搜集，在详尽的数据调查基础上，分析得到车辆的类型分布系数、轴型的轴载分布系数、交通量的月、日、小时分布系数等更为精确；
2、可操作性好：该发明提出的实测轴载谱回归分析方法，对交通荷载进行了全面分析，综合分析车辆类型的分布情况、车轴数量分布、轴载在不同轴重区间的分布比例等参数均得到量化标定。将轴载谱法应用到沥青路面结构设计体系中能够更准确地反映实际交通荷载特性，较我国现行的设计方法可操作性更好。
下面结合附图和具体实施方式，对本发明作进一步说明。
附图说明
图1是本发明的基于多重分类器系统的实测轴载谱计算方法流程图。
图2是本发明的所收集数据原理的结构图。
图3是本发明的荷载数据时间-空间分布表样表。
图4是本发明多重分类器各个层次结构图。
图5是本发明基于混合正态分布回归所得的实测轴载谱模型。
具体实施方式
如图1所示，本发明基于多重分类器系统的实测轴载谱确定方法，包括以下步骤：
(10)基础数据采集：利用动态称重系统，采集和存储高速公路不同车道的车辆特征参数和荷载参数，建立车辆特征和荷载参数数据库，所述车辆特征参数包括车辆的车轴数量、车轴类型、车轴间距，所述荷载参数是指各个车轴所对应的轴重；
所述(10)基础数据采集步骤中，所述的动态称重系统数据是100Km高速公路路段3个不同收费站的称重系统数据。
以某100km六车道高速公路路段计算分析，该段高速公路路段中有3个高速收费站，设立了动态称重系统，分别检测车轴数量、车辆类型、车轴荷载数据，选择采集齐全的数据作为本发明的实测分析数据，所述数据采集方式为每过一辆车进行数据采集，分别分为6个车道数据，全年记为365天，累计采集近1000万条有效数据。对数据进行批处理，删除有错误的数据，收集数据原理如图2所示。
数据收集包括检测线圈所检测的车辆类型数据、车轴计次器所采集的车轴数量数据和地磅秤所采集的车轴荷载数据三个组成部分。i车道的车辆类型数据记为CALSS_INDEXi，j车辆的车轴数记为AXLESj，车辆总重记为GROSS，第n车轴对应的轴重为AN_WTn，第n车轴对应的轴重为AXLE_TYPEn。
通过上述基础数据采集方法，克服了现有技术数据采集困难，获取数据“单一”的问题。
(20)数据结构建立：将车辆特征参数和荷载参数进行编码组对，得到特征数据对；
所述(20)数据结构建立步骤具体为：
将车辆特征和荷载参数数据库中的车轴数量、车轴类型、车轴时间参数进行编码组对，得到特征数据对<Key,Value>，其中，Key为车辆类型，用0-6的7个数字所表示，Value数值为车轴参数和荷载参数，车轴参数用“S”表示单轴、“D”表示双轴、“T”表示三联轴，荷载参数分别为各个车轴所对应的荷载数据。
通过统一编码方式，实现跨区域、时域数据的结构化表达，有利于提高数据处理的效率和精度。
(30)荷载数据多重分类处理：将特征数据对输入多重分类器，得到荷载时间-空间分布表和荷载时间-空间分布图；
所述(30)荷载数据多重分类处理步骤中，所述多重分类器的第一层采用前馈神经网络按照车轴数量和车轴类型进行车辆分类，第二层采用决策树算法对荷载参数进行分级，第三层采用朴素贝叶斯推理算法。
所述(30)荷载数据多重分类处理步骤具体为：
将特征数据对<Key,Value>输入多重分类器，输出荷载时间-空间分布表，并将荷载时间-空间分布表中的荷载等级分别确定在[0-2.5KN)、[2.5-4.0KN)、[4.0-9.0KN)、[9.0-10.0KN)、[10.0-13.5KN)和[13.5,+∞)6个荷载区间内，以纵坐标表示荷载区间内车轴数量的频率值，以横坐标表示荷载区间，得到荷载时间-空间分布图。
从路面轴载区间的改进出发，改进了原有的标准轴载100KN的固定数值，利用荷载区间分布频率确定路面设计轴载，能够更好地反映路面实测轴载。
该多重分类器算法组合了一组异构的互补的算法，对所述步骤一的车轴数量、车轴荷载、车轴间距数据和车辆总重数据、时间数据进行分类。利用各个分类模型的统计学和数学优点，避免单个分类器时发生的冲突。在多重分类器算法中，提高模型的分类性能和可转移性，这对确保空间和时间可转移性至关重要。此外，多重分类器架构允许基于相同数据集和预处理技术直接比较各种数学和统计分类。
多重分类器算法结构设计如图4所示，本发明所设计的多重分类器结构是多层次的4。第一层采用前馈神经网络算法，使用动态称重系统的数据(车轴数量，车辆类型和车辆长度)来对车型和车轴类型进行分类；第二层采用决策树算法对荷载进行分类，第三层使用朴素贝叶斯算法将轴型和荷载数据进行融合分析。根据车轴数，间距和总车辆重量阈值区分了11种车型。
对于前馈神经网络的训练方法比较多，效果也根据实际训练数据各有差异，本发明选取EM方法训练前馈网络来构成个体网络。EM方法的特性是能够保证网络具有一定的正确率，且不容易使得整个网络的分类数据陷入局部最优解，因而使用EM算法训练多层前馈网络，使得输出的分类结果具有概率意义。
本发明中使用前馈网络进行车辆数据分类，其中输入变量设为C＝(C1,C2…Cn)是动态称重系统中所采集的车辆类型已知标号数据集，数据集中所述n＝(1,2,3…N)，车型数据分类按照《公里沥青路面设计规范JTG D50-2017》可分为11个类别，设一组神经网络分类器为F＝{F1,F2…FL}，，其输出为具有11个元素的向量，每个分量代表对应类别的概率如下式1所示：
fL(xn)＝(fl1(xn),fl2(xn)……fl11(xn)) (式1)
多重分类算法第二层采用决策树法进行轴载数据分类，本发明选取的是ID3算法，该方法主要讲信息熵作为选择测试属性的标准，对训练实例进行分类，并构造决策树来预测整个实例的空间划分。决策树法，从荷载数据的单条数据开始，如果该条数据满足某一特定分支的“是”条件，则转入该分支，遍历该条数据所有的属性值后，将该条数据作为树叶，并钉上树叶的标签；否则，算法在使用信息熵作为启发信息，对该节点进行“分裂”或者“测试”属性。荷载数据均为离散数据，因此满足该算法的实用条件。
第三层采用朴素贝叶斯算法对荷载数据和轴型数据进行融合分析，多贝叶斯估计法为数据融合提供了一种手段，是融合静态环境中多传感器高层信息的常用方法。将轴型数据和轴重数据依据概率进行组合，测量不确定性以条件概率表示，由于轴载数据和荷载数据所对应的时间数据一致，因此，可以直接对传感器的数据进行融合。贝叶斯估计将每一个轴型和轴载数据作为一个贝叶斯估计，将各个单独物体的关联概率分布合成一个联合的后验的概率分布函数，通过使用联合分布函数的似然函数为最小，提供多传感器信息的最终融合值，融合信息与环境的一个先验模型提供整个环境的一个特征描述。基于Linux系统，编制如上所述的多重分类器的架构，基于SQL2008建立动态称重系统数据库。
通过多重分类器算法进行数据分类，分类结果包含绘制实测轴载谱所需的轴重分布系数、轴数系数、交通量月分布系数、交通量小时分布系数和车辆类型分布系数。根据数据分布确定各个参数的代表值，结果可供路面结构分析和设计使用。分析表明，各种车辆前轴的轴重分布系数基本上是呈单峰型，而承重轴则有明显的双峰型，分别对应于车辆空载和满载两种情况。通过本章所确定的轴载谱参数，可以完整、准确地反映现场交通荷载状况。
荷载时间-空间分布图如图3所示。
(40)实测轴载模型回归：根据荷载时间-空间分布表和荷载时间-空间分布图，采用混合正态分布回归方法，拟合得到实测轴载谱。
所述混合正态分布回归方法为现有常规数学方法，本文不再赘述。
实测轴载谱如图5所示。
本发明所采用的是根据时间-空间分布数据存在多个聚合点的问题，选取混个正态分布来表征轴载分布，将实测轴载谱分解为多个正态分布的求和，在这项研究中开发的方法的核心是利用理论分布的混合来表征整体轴载分布。在图中，f1和f2表示以适当比例相加在一起以形成最终概率密度函数f*的理论分布。在数学上，这可以表示为式2。
f*＝p1f1+p2f2 (式2)
关于这种混合分配模式，需要解决了两个关键的技术问题。首先，确定了两个正态分布模型和关键参数；第二，除了其他模型参数之外，确定每个分布的相对比例；第三，最终模型f*的精度。

Claims (5)

1.一种基于多重分类器系统的实测轴载谱确定方法，其特征在于，包括以下步骤：
(10)基础数据采集：利用动态称重系统，采集和存储高速公路不同车道的车辆特征参数和荷载参数，建立车辆特征和荷载参数数据库，所述车辆特征参数包括车辆的车轴数量、车轴类型、车轴间距，所述荷载参数是指各个车轴所对应的轴重；
(20)数据结构建立：将车辆特征参数和荷载参数进行编码组对，得到特征数据对；
(30)荷载数据多重分类处理：将特征数据对输入多重分类器，得到荷载时间-空间分布表和荷载时间-空间分布图；
(40)实测轴载模型回归：根据荷载时间-空间分布表和荷载时间-空间分布图，采用混合正态分布回归方法，拟合得到实测轴载谱。
2.根据权利要求1所述的实测轴载谱确定方法，其特征在于：
所述(10)基础数据采集步骤中，所述的利用动态称重系统，采集和存储高速公路不同车道的车辆特征参数和荷载参数是100Km高速公路路段3个不同收费站的称重系统采集和存储的数据。
3.根据权利要求1所述的实测轴载谱确定方法，其特征在于，所述(20)数据结构建立步骤具体为：
将车辆特征和荷载参数数据库中的车轴数量、车轴类型、车轴时间参数进行编码组对，得到特征数据对<Key,Value>，其中，Key为车辆类型，用0-6的7个数字所表示，Value数值为车轴参数和荷载参数，车轴参数用“S”表示单轴、“D”表示双轴、“T”表示三联轴，荷载参数分别为各个车轴所对应的荷载数据。
4.根据权利要求1所述的实测轴载谱确定方法，其特征在于，所述(30)荷载数据多重分类处理步骤中，所述多重分类器的第一层采用前馈神经网络按照车轴数量和车轴类型进行车辆分类，第二层采用决策树算法对荷载参数进行分级，第三层采用朴素贝叶斯推理算法。
5.根据权利要求1所述的实测轴载谱确定方法，其特征在于，所述(30)荷载数据多重分类处理步骤具体为：
将特征数据对<Key,Value>输入多重分类器，输出荷载时间-空间分布表，并将荷载时间-空间分布表中的荷载等级分别确定在[0-2.5KN)、[2.5-4.0KN)、[4.0-9.0KN)、[9.0-10.0KN)、[10.0-13.5KN)和[13.5,+∞)6个荷载区间内，以纵坐标表示荷载区间内车轴数量的频率值，以横坐标表示荷载区间，得到荷载时间-空间分布图。
CN201710439730.5A 2017-06-12 2017-06-12 基于多重分类器系统的实测轴载谱确定方法 Active CN107273605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710439730.5A CN107273605B (zh) 2017-06-12 2017-06-12 基于多重分类器系统的实测轴载谱确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710439730.5A CN107273605B (zh) 2017-06-12 2017-06-12 基于多重分类器系统的实测轴载谱确定方法

Publications (2)

Publication Number Publication Date
CN107273605A CN107273605A (zh) 2017-10-20
CN107273605B true CN107273605B (zh) 2020-05-22

Family

ID=60067083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710439730.5A Active CN107273605B (zh) 2017-06-12 2017-06-12 基于多重分类器系统的实测轴载谱确定方法

Country Status (1)

Country Link
CN (1) CN107273605B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108363892A (zh) * 2018-04-26 2018-08-03 扬州大学 随机车辆荷载作用下应力谱编制方法
CN110533629A (zh) * 2019-07-10 2019-12-03 湖南交工智能技术有限公司 一种桥梁裂缝的检测方法及检测装置
CN110470570B (zh) * 2019-08-27 2021-09-07 长安大学 用于鲜活农产品运输车辆装载合规性的查验方法及系统
CN111209667B (zh) * 2020-01-03 2023-08-08 交通运输部公路科学研究所 一种基于沥青面层剪切疲劳等效破坏的轴载换算方法
CN115330578B (zh) * 2022-08-22 2023-08-22 交通运输部规划研究院 公路轴载的确定方法、装置、设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012038955A1 (en) * 2010-09-20 2012-03-29 Innowattech Ltd. Piezoelectric-based weigh-in-motion system and method for moving vehicles
CN102809413A (zh) * 2012-08-06 2012-12-05 北京万集科技股份有限公司 一种车辆动态称重作弊检测方法及装置
CN103218511A (zh) * 2013-03-12 2013-07-24 天津市市政工程设计研究院 根据车型不同确定汽车荷载限制值的方法
CN104933284A (zh) * 2015-02-12 2015-09-23 长安大学 一种基于实测数据的公路桥梁随机车流模拟方法
CN105651368A (zh) * 2015-12-29 2016-06-08 韦金城 公路轴载谱快速无损检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012038955A1 (en) * 2010-09-20 2012-03-29 Innowattech Ltd. Piezoelectric-based weigh-in-motion system and method for moving vehicles
CN102809413A (zh) * 2012-08-06 2012-12-05 北京万集科技股份有限公司 一种车辆动态称重作弊检测方法及装置
CN103218511A (zh) * 2013-03-12 2013-07-24 天津市市政工程设计研究院 根据车型不同确定汽车荷载限制值的方法
CN104933284A (zh) * 2015-02-12 2015-09-23 长安大学 一种基于实测数据的公路桥梁随机车流模拟方法
CN105651368A (zh) * 2015-12-29 2016-06-08 韦金城 公路轴载谱快速无损检测方法

Also Published As

Publication number Publication date
CN107273605A (zh) 2017-10-20

Similar Documents

Publication Publication Date Title
CN107273605B (zh) 基于多重分类器系统的实测轴载谱确定方法
CN111460551B (zh) 二维车辆超限荷载谱的模拟、分级和编制方法
CN107180160A (zh) 基于sem模型的公共自行车用户忠诚度确定方法
CN111652198B (zh) 一种城市边缘区识别方法及系统
Caceres et al. Estimating traffic flow profiles according to a relative attractiveness factor
CN110555565A (zh) 基于决策树模型的高速路出口匝道事故严重程度预测方法
CN108388540B (zh) 基于模糊综合评价的道路网选取方法
CN116739376A (zh) 一种基于数据挖掘的公路路面预防性养护决策方法
CN110659774B (zh) 大数据方法驱动的停车需求预测方法
CN116933946A (zh) 一种基于客流去向结构的轨道交通od客流预测方法及系统
Apronti et al. Four-step travel demand model implementation for estimating traffic volumes on rural low-volume roads in Wyoming
Miller et al. Scaling GPS trajectories to match point traffic counts: A convex programming approach and Utah case study
Fox Temporal transferability of mode-destination choice models
Gecchele et al. Advances in uncertainty treatment in FHWA procedure for estimating annual average daily traffic volume
CN111008730A (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
Banai-Kashani Discrete mode-choice analysis of urban travel demand by the Analytic Hierarchy Process
CN114880954A (zh) 一种基于机器学习的滑坡敏感性的评估方法
CN110704789B (zh) 一种依托“城市超脑”计算平台的人口动态测算方法和系统
Laviolette et al. A kilometer or a mile? Does buffer size matter when it comes to car ownership?
Moazami et al. Fuzzy inference and multi-criteria decision making applications in pavement rehabilitation prioritization
CN112734110B (zh) 一种加油站油量需求预测方法及系统
Jiang et al. Predicting the pavement performance: A comparison on traditional and multivariate time series model
Kawamoto Transferability of standardized regres Person-based approach sion model applied to person-based trip generation
Mahmoudabadi The assessment of applying chaos theory for daily traffic estimation
MANUKA et al. Modeling trip generation pattern by adopting multiple linear regression in at existing traffic condition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant