简介:【摘要】针对城市公交的客流受天气、节假日和重大活动等因素的多重影响,存在不确定性和随机性的特点。文中基于客流设备采集的客流数据,通过分析采用正态分布方式,用95%的置信区间来进行修正。在修正的数据基础上,利用均值预测、泊松分布预测、中位数预测和截尾平均预测分别进行预测与对比。结果表明四种预测方法在不同样本下的数据略有偏差,而且偏差存在一定的随机性。最后利用四种预测方法加权平均来进行修正。
简介:摘 要:为解决电网突发性故障导致系统稳定性下降,提高电网功率和系统频率的共同稳定,本文借助IEEE 9 bus(Institute of Electrical and Electronics Engineers 9 bus)系统模拟故障,利用互补群惯量中心相对运动变换(Complementary Cluster Center of Inertia Relative Motion, CCCOI-RM)模型计算功角曲线,对功率分配进行优化。研究表明,单一蓄电池系统会在0.4秒识别故障现象,但会造成有功缺额16kw;多源储能系统在0.4秒识别出故障时间的同时会提供大量功率继续支撑系统,保证功率和系统频率共同稳定。本研究在保证低碳环保的发展环境下,对提升电力系统整体稳定性,加强功率控制效果起到重要作用,进一步证实了故障发生时多源储能系统的可行性,起到在保证响应时间的情况下提高系统频率稳定性的作用。
简介:摘要目的探讨RapidPlan模型在不同多叶准直器(MLC)系统间的建模和拓展应用情况。方法选取北京大学肿瘤医院2014年5月至2015年6月接受放疗的直肠癌患者的历史计划(配置为MMLC加速器)共81例和2017年11月至2019年5月接受立体定向放疗(SBRT)的肺癌患者的历史计划(配置为HDMLC的加速器)共35例,分别训练M_MMmlc和M_HDmlc RapidPlan模型,测试它们在同种及另一种MLC计划上的应用效果。结果无论对于M_MMmlc还是M_HDmlc,两种MLC配置下RapidPlan对于相同病例在相同布野条件下生成的优化参数完全相同。将两种MLC配置下优化的计划分别归一至靶区满足最低处方要求后:(1)M_MMmlc优化的两种MLC计划的平均DVH几乎重合,差异幅度不超过2%,PGTV靶区剂量适形性相似,但HDMLC的均匀性指数(HI)比MMLC低20%,除此之外的剂量学参数总体最大差异不超过0.97%;(2) M_HDmlc优化的PTV与IGTV DVH的尾部:HDMLC高于MMLC。其余DVH几乎重合。HDMLC计划与MMLC计划相比具体剂量学参数表现为:PTV适形指数(CI)值低0.96%;HI值高1.75%;16项危及器官剂量学参数中的9项前者表现更优;正常肺的V5 Gy(P<0.05)、V10 Gy、V20 Gy(P<0.05)、D1000 cm3均更低;脊髓最大剂量高2.07%,D0.35 cm3高2.88%,D1.2 cm3高3.99%(P<0.05)。结论RapidPlan模型在不同MLC之间展现了良好的拓展性和可共享性,HDMLC相对于MMLC的剂量学优势在肺SBRT患者的小体积肿瘤上有所体现,该差异可以作为未来自动计划设计选择MLC配置的一个指导。
简介:摘要目的通过分析患者临床信息及甲状腺病灶多模态超声图像特征构建定量诊断列线图模型,以期术前准确预测可疑结节恶性概率,为临床决策提供有效参考。方法收集在2020年9月1日至2021年6月10日于哈尔滨医科大学附属第二医院行手术治疗的甲状腺结节超声恶性危险分层中国指南(C-TIRADS) 3~5类的933例患者共计1 121个结节,按照8∶2随机分为训练集897个,测试集224个。基于逻辑回归分析筛选甲状腺结节良恶性相关因素构建列线图,并以曲线下面积(AUC)评估其诊断效能。结果①经单因素分析初筛后,多因素分析显示年龄、回声、方位、局灶强回声、边缘、后方回声特征、弹性评分与结节良恶性显著相关(均P<0.001),良恶性结节的声晕差异有统计学意义(P=0.012);②列线图在测试集AUC为0.903(95%CI=0.862~0.944),并在最大径≤10 mm或>10 mm的结节中分别达到0.889(95%CI=0.832~0.946)、0.960(95%CI=0.925~0.994),显示出较高的诊断性能。结论该列线图能够术前有效鉴别甲状腺结节良恶性,对最大径>10 mm的结节具有较高的诊断性能,可有效减少不必要的穿刺活检和手术。
简介:摘要目的基于简化多模态磁共振影像(MRI)构建影像组学模型诊断乳腺癌。方法回顾性分析2014年6月至2019年3月所有具有穿刺或手术切除病理结果的1 306例乳腺疾病患者(良性病变416例,乳腺癌890例)的乳腺MRI图像,分为训练集(n=702)、内部验证集(n=302)、外部验证集(n=302)。所有图像简化为:联合模型组[T2加权脂肪抑制序列(T2WI)、扩散加权成像序列(DWI)和增强第一期图像]、非增强组(T2WI和DWI)及单期增强组(增强第一期图像)。提取影像特征并用方差分析和拉索回归法筛选有效特征;采用3种分类器(Bagging决策树、高斯过程、支持向量机)预测乳腺癌;选择最佳者构建乳腺癌诊断模型;最后通过内部和外部验证集验证。结果应用高斯过程分类器,联合模型和非增强模型预测乳腺癌AUC值,训练集为0.903和0.893、内部验证集为0.893和0.863、外部验证集为0.878和0.864。结论应用简化多模态MRI构建的影像组学模型能够准确诊断乳腺癌,而且非增强模型无需造影剂也可准确诊断乳腺癌,为简化诊断流程提供了可行性。