路段行程时间多时间尺度预测方法
城市道路交通流量预测方法
城市道路交通流量预测方法随着城市化进程的加速，城市道路交通流量的预测变得越来越重要。
准确预测交通流量可以帮助交通管理部门合理规划道路网络，优化交通流动，提高交通效率。
本文将介绍一些常见的城市道路交通流量预测方法，包括传统方法和基于人工智能的方法。
一、传统方法1.时间序列分析时间序列分析是一种常用的交通流量预测方法。
该方法基于历史交通数据，通过分析时间序列的趋势和周期性，预测未来的交通流量。
常用的时间序列分析方法包括自回归移动平均模型（ARIMA）和季节性自回归移动平均模型（SARIMA）等。
这些方法在一定程度上可以预测交通流量的长期趋势和季节性变化，但对于突发事件的影响预测能力有限。
2.回归分析回归分析是另一种常见的交通流量预测方法。
该方法通过建立交通流量与影响因素（如时间、天气、节假日等）之间的回归模型，来预测未来的交通流量。
常用的回归模型包括线性回归模型和多元回归模型等。
回归分析方法可以考虑多个因素对交通流量的影响，但需要准确选择和处理影响因素，否则预测结果可能不准确。
二、基于人工智能的方法1.神经网络神经网络是一种常用的人工智能方法，可以用于交通流量预测。
神经网络通过模拟人脑神经元之间的连接，学习历史交通数据的规律，并预测未来的交通流量。
常用的神经网络模型包括前馈神经网络（Feedforward Neural Network）和循环神经网络（Recurrent Neural Network）等。
神经网络方法可以自动提取数据中的特征，但需要大量的训练数据和计算资源。
2.支持向量机支持向量机是另一种常用的人工智能方法，可以用于交通流量预测。
支持向量机通过在高维空间中构建超平面，将不同类别的数据分开，从而预测未来的交通流量。
支持向量机具有较强的泛化能力，可以处理高维数据和非线性关系。
但支持向量机方法需要选择合适的核函数和调整参数，否则预测结果可能不准确。
3.深度学习深度学习是一种基于神经网络的人工智能方法，可以用于交通流量预测。
考虑季节特性的多时间尺度电动汽车负荷预测模型
第50卷第5期电力系统保护与控制Vol.50 No.5 2022年3月1日 Power System Protection and Control Mar. 1, 2022 DOI: 10.19783/ki.pspc.210628考虑季节特性的多时间尺度电动汽车负荷预测模型牛牧童，廖 凯，杨健维，向悦萍(西南交通大学电气工程学院，四川 成都 611756)摘要：当前对电动汽车(Electric Vehicle, EV)充电负荷预测的研究大多集中在短期单一时间尺度，且鲜有考虑在较长时间尺度下不同季节电动汽车充电负荷存在的差异。
基于此，提出一种考虑季节特性的多时间尺度电动汽车负荷预测模型。
首先，考虑季节特性对EV的电池最大载电量、里程耗电量和空调耗电量的影响，结合时空分布规律建立短期日内的电动汽车充电负荷预测模型。
其次，为了展现从短期(短时间尺度)到中长期(长时间尺度)的多时间尺度特性，建立考虑多种因素影响的Bass修正模型预测未来不同年份的EV保有量。
结合短期EV充电负荷预测模型，可延展至中长期EV充电负荷的预测，从而实现综合短期、中长期的多时间尺度EV负荷预测。
最后，采用上海市气温信息及行车数据进行仿真验证。
结果表明，所提模型可以有效地预测未来数年EV发展趋势以及考虑季节特性的多时间尺度EV充电负荷。
关键词：电动汽车；负荷预测；Bass模型；多时间尺度；季节特性Multi-time-scale electric vehicle load forecasting model considering seasonal characteristicsNIU Mutong, LIAO Kai, YANG Jianwei, XIANG Yueping(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 611756, China)Abstract: Current research on electric vehicle (EV) charging load forecasting is mostly focused on a short-term single time-scale, and few consider the differences of electric vehicle charging load in different seasons on a longer time scale.Therefore, a multi-time-scale electric vehicle load forecasting method considering seasonal characteristics is proposed.First, a short-term day-to-day electric vehicle charging load prediction model is established taking into account the influence of seasonal characteristics on the initial battery power, mileage power and air-conditioning power consumption of the EV, and combining time and space distribution rules. Secondly, in order to show the characteristics of multiple time scales from short-term (within a day) to medium-and long-term (years), a modified Bass model that takes into account the influence of multiple factors is built to predict the EV holdings in different years in the future. Combined with short-term EV, the charging load forecasting model can be extended to mid-to-long-term EV charging load forecasting, thereby achieving multi-time-scale EV load forecasting and integrating short-term and mid-to-long-term. Finally, through simulation verification with the temperature information and driving data of Shanghai, the results demonstrate that the proposed model is able to effectively predict the EV development trend over the next few years and the EV charging load under multiple time scales considering seasonal characteristics.This work is supported by the National Natural Science Foundation of China (No. 51977180).Key words: electric vehicle; load forecasting; Bass model; multi-time-scale; seasonal characteristics0 引言以电动汽车(Electric Vehicle, EV)为代表的新能源动力交通工具是解决化石能源危机与环境污染问题的重要措施之一[1-2]。
交通运输中的道路交通流量预测与控制
功能：实时监测道 路交通流量，提供 实时交通信息
组成：包括交通信 息采集、数据处理、 信息发布等环节
应用：用于交通流 量预测、控制和优 化，提高道路通行 效率
技术：包括大数据 分析、人工智能、 物联网等技术
道路封闭：在紧 急情况下，封闭 部分或全部道路 以减少交通流量
交通管制：通过 设置交通标志、 信号灯等手段对 车辆行驶进行限 制和管理
限速措施：根据 道路状况和交通 流量，限制车辆 行驶速度以降低 事故风险
紧急救援：建立 应急救援队伍， 在发生交通事故 或其他紧急情况 时迅速响应并处 理
实时监测道路交通流量，优化交通 信号灯控制
评估交通政策效果，调整交通管理 策略
添加标题
添加标题
添加标题
添加标题
预测交通拥堵，提前制定疏导措施
提高公共交通服务水平，引导市民 选择绿色出行方式
政策支持：政府出台相关政策，鼓励企业、高校、科研机构等开展跨领域合作与创新
社会需求：随着城市化进程的加快，交通流量预测与控制的需求日益增长，需要跨领域合作与创新来满足这一需 求
汇报人：
,
汇报人：
01
03
05
02
04
时间序列分析法：通过历史数据预测未来流 量
神经网络预测法：利用神经网络模型进行预 测
卡尔曼滤波预测法：通过状态空间模型进行 预测
贝叶斯网络预测法：利用贝叶斯网络进行预 测
遗传算法预测法：通过遗传算法进行优化预 测
模糊逻辑预测法：利用模糊逻辑进行预测
基于历史数据的预测模型：利用历史数据建立预测模型，如ARIMA模型、神经网络模型等 基于实时数据的预测模型：利用实时数据建立预测模型，如卡尔曼滤波器、贝叶斯网络等
公交车辆行程到站时间预测模型优化研究
公交车辆行程到站时间预测模型优化研究刘兆祥【摘要】随着智能公交系统的发展,有效提高公交车辆到站时间预测精确率,是提升公共交通服务水平,结合智能交通(ITS)发展的关键举措.在结合公交车辆GPS运行数据的基础上,构建卡尔曼滤波与支持向量机结合的预测模型.最后,应用山东省日照市19路公交线路的公交运行数据对该模型进行校验,并评价该模型的预测精确程度,评价结果表明,对公交到站时间据本文模型有较高的预测精度.【期刊名称】《内蒙古公路与运输》【年(卷),期】2016(000)004【总页数】4页(P56-59)【关键词】公交到站时间;SVM支持向量机;卡尔曼滤波;公交预测;GPS【作者】刘兆祥【作者单位】长安大学公路学院,陕西西安 710064【正文语种】中文【中图分类】U491进入大数据时代，实时的公交到站时间信息是智能公交(ITS)发展的基础，准确的公交到站信息能够减少乘客的候车时间，合理安排出行计划，提高公共交通的吸引力[1]。
为此国内外学者进行了大量的探索研究，Patnaik和Chien[2]利用上下公交车的乘客数量和车辆延误时间，提出了基于多变量回归算法的车辆到站时刻预测模型。
周雪梅，杨晓光[3]等通过研究公交车辆驶于相邻公交站点间的时间建立回归函数，利用历史数据标定回归参数，预测公交车辆的到站时间。
杨兆升[4]等采用模糊回归方程构造了行程时间的预测模型。
温惠英，徐建闽，傅惠[5]基于灰色理论分析影响行程时间的各个因素的灰色关联，对常规滤波预测模型进行优化，结果表明，优化后的卡尔曼滤波模型要优于常规的卡尔曼滤波[8]模型。
Cathey[6]等开发了基于GPS系统的公交车辆到站时间预测模型，经研究表明，该模型精度高于传统时刻表算法。
于滨[7]建立了基于路段当前行程时间和之前路段行程时间的支持向量机模型[9]。
公交车到站时间是评价城市公交服务水平的重要指标之一。
公交车辆到站时间由路段行驶时间和站点停靠时间组成，因此在研究构建公交车辆到站时间的预测模型时，要综合考虑两部分的影响因素。
高速公路节假日交通流量预测与调控研究
高速公路节假日交通流量预测与调控研究随着经济的发展和人民生活水平的提高，节假日成为人们休闲度假、外出旅游等活动的重要时机。
然而，与此同时，高速公路交通流量的激增也给交通管理带来了巨大挑战。
为了解决这一问题，高速公路交通流量预测与调控成为了当今交通管理的重要研究方向。
一、高速公路节假日交通流量特点高速公路节假日交通流量呈现出一些明显的特点，对交通管理产生了较大的影响。
首先，由于大多数人口集中在城市，节假日期间城市内部的交通流量大幅增加，进而引发高速公路的拥堵。
其次，随着经济的发展，私家车的普及程度逐渐增高，高速公路交通流量的增长速度远远超过了公路扩建的速度。
因此，高速公路节假日交通流量的预测与调控变得尤为重要。
二、高速公路节假日交通流量预测方法高速公路节假日交通流量预测是提前分析和预测交通流量的变化规律，以便及时采取措施缓解交通压力。
目前，常用的高速公路节假日交通流量预测方法主要包括基于统计学模型、基于神经网络模型和基于机器学习模型的方法。
基于统计学模型的预测方法主要利用历史交通流量数据进行建模和预测。
通过分析历史数据的趋势、周期性和相关性，建立数学模型来预测未来交通流量的变化。
然而，随着时空信息的增多和复杂性的提高，传统的统计学模型难以满足实时、精准的预测要求。
基于神经网络模型的预测方法通过模拟人脑中神经元的机制来进行交通流量预测。
神经网络模型具有自适应学习、非线性映射能力强的特点，能够对大量复杂的非线性数据进行处理和预测。
然而，神经网络模型需要大量的数据和计算资源来训练和运行，且容易出现过拟合问题。
基于机器学习模型的预测方法则将机器学习算法应用到交通流量预测中。
机器学习模型能够通过学习和分析大量的数据来建立预测模型，并根据实时数据进行自适应调整。
相较于传统的统计学模型和神经网络模型，机器学习模型更能满足高速公路节假日交通流量预测的需求。
三、高速公路节假日交通流量调控策略高速公路节假日交通流量调控是为了缓解交通拥堵、保障道路交通安全和提高道路使用效率而采取的一系列措施和策略。
城市交通拥堵状况预测与优化模型
城市交通拥堵状况预测与优化模型随着城市人口的增加和汽车数量的增加，城市交通拥堵问题日益凸显，给人们的出行带来了很大的不便。
为了更好地解决城市交通拥堵问题，提高交通运行效率，研发了许多城市交通拥堵状况预测与优化模型。
一、城市交通拥堵状况预测模型城市交通拥堵状况预测模型是通过对历史交通数据的分析和建模，结合实时交通数据的监测与采集，预测未来一段时间内城市交通拥堵状况的模型。
常见的交通拥堵预测模型包括基于时间序列方法、基于统计回归方法、基于人工神经网络方法等。
1. 基于时间序列方法基于时间序列方法是根据历史交通数据的特征和规律，建立数学模型来预测未来的交通拥堵状况。
常用的时间序列方法包括ARIMA模型、指数平滑模型等。
ARIMA模型基于时间序列的自相关性和移动平均性，能够较好地预测一定时间范围内的交通拥堵情况。
指数平滑模型则是基于时间序列中的平滑系数，通过调整权重来预测未来的交通状况。
2. 基于统计回归方法基于统计回归方法是通过建立交通拥堵状况与影响因素之间的关系模型，来预测未来的交通拥堵状况。
通常采集的影响因素包括交通流量、路网结构、道路限制条件等。
通过对这些因素的统计分析和回归建模，可以预测未来一段时间内的交通拥堵情况。
3. 基于人工神经网络方法基于人工神经网络方法是通过模拟人脑神经网络的工作原理，建立交通拥堵状况与影响因素之间的复杂非线性关系模型。
人工神经网络模型能够自动学习和提取交通数据中的隐藏信息并进行模式识别，从而准确预测未来的交通拥堵状况。
二、城市交通优化模型城市交通优化模型是为了减少交通拥堵，提高交通效率，设计出合理的交通规划和控制策略的模型。
常见的交通优化模型包括交通信号优化模型、路网优化模型、出行路线选择模型等。
1. 交通信号优化模型交通信号优化模型是通过对交通信号灯的控制策略进行优化设计，来提高交通流量和驶过路口的效率。
常用的交通信号优化模型包括传统的固定周期控制模型、感应控制模型、自适应控制模型等。
交通量预测内容和方法
交通量预测1.1交通量预测内容和方法根据本项目在大理市公路网布局中的地位和作用，通过对项目影响区域内机动车的出行流量、流向以及车辆装载情况调查，同时考虑区域内综合运输网络布局及影响区域经济发展规划情况，项目实施后周边路网上的交通量可分为两部分：趋势交通量与诱增交通量。
前者为由于项目实施而产生的交通量，后者是由于道路的基础设施条件改善而引发的交通量。
1、影响区内自然增长的趋势交通量通过对项目影响范围内运输通道历年交通量以及对影响区历年客货运量的统计分析可知，随着项目影响区域社会经济的不断发展，项目影响区内交通出行量将快速增长。
本项目道路沿线经过红山综合物流园区、创新工业园区华营普和箐地段以及大理经济开发区上登工业园区，项目建成后，通道内交通出行量呈快速增长趋势。
2、本项目建设带来的诱增交通量本项目建成后将改善区域内的交通运输条件，将对沿线区域经济发展产生促进与激励作用，可以大大缩短沿线群众的出行和货物运输时间，节约车辆运营成本，能够提高满江片区、凤仪组团、创新工业园区华营普和箐地段以及大理经济开发区上登工业园区之间的快速联系，并提升项目周边地区的区位条件和经济可达性，加强各影响区之间的经济联系，促使项目各影响区经济产生新的增长，由此将产生诱增交通量。
本项目区域公路运输占交通运输中的主导地位，在预测年份内不会发生根本变化。
因此，本项目远景交通量主要为趋势型交通量的自然增长，及项目建成后考虑一定比例的诱增交通量两部分组成。
项目交通量预测的基本思路是：参考近年云南省和大理市居民出行调查的相关数据，在详细分析历史年份路网车流量增长情况和客货运发展趋势的情况下，进行定性和定量分析，预测本项目远景年交通量。
具体流程如下所示：1、根据本项目区域范围内主要相关公路、收集调查社会经济、交通运输的发展状况和趋势，在综合比较选定基年交通量、交通量平均增长率基础上，预测各特征年交通量。
2、根据《城市道路设计规范》的规定，城市主干道交通量预测年限为通车后20年，确定以2015年为基准年。
5 四步骤交通需求预测模型(4.1)交通分配
交通规划理论与方法（4）——
“四步骤”交通需求预测模型
西南交通大学交通运输学院
杨 飞 （博士、讲师）
交通运输学院
主要内容
交通分配的基本问题描述
交通分配作用 基本概念： 路径与最短路径、交通阻抗、交通均衡问题、非均衡 问题、交通网络的数学化表示
非均衡分配方法
如全有全无分配法、单路径分配法等 B-L均衡分配法（重点）
4.3 基本概念
（4）交通阻抗 A.路段阻抗的函数关系确定 通过实测数据进行回归分析或者理论研究两种方 式对于公路走行时间函数研究
其中被广泛应用的是由美国道路局（BPR –Bureau of Public Road）开发的函数，被称为BPR函数
4 交通分配
4.3 基本概念 （4）交通阻抗 A.路段阻抗的函数关系确定 时间-流量函数曲线变化特征猜想
如果两点之间有很多条路线可供出行者选择那每个出行者自然都选择最短路径随着这两点之间交通量的增大其最短路径上的交通流量也会随之增加增加至一定程度之后这条最短路径的走行时间就会因为拥挤或堵塞而变长以至长过次短路径的走行时间于是就有一部分道路利用者会选择次短的道路随着两点之间的交通量继续增加两点之间的所有道路都有可能被利用特大城市支路的利用4交通分配45交通均衡基础问题道路网均衡状态特征如果所有的道路利用者都准确知道各条道路所需的行走时间并选择走行时间最短的道路最终两点之间被利用的各条道路的走行时间会相等没有被选择的道路的走行时间会更长两点之间被利用的各条道路的走行时间会相等没有被选择的道路的走行时间会更长这种状态被称之为道路网的均衡状态1952年wardrop给这种均衡状态下了准确定义4交通分配45交通均衡基础问题wardrop第一原理在道路网利用者都知道网络的状态并试图选择最短路径时网络会达到这样一种均衡状态
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
简称 “Ｔ ” 的发展 对路 段行 程 时 间预测 提 出 了新 的 ＩＳ ）
交 通 流诱导 系统 需要路 网中各路 段全 面 、准确 的行 程 时 间数 据 作 为 支 持 。 当路 网 中浮 动 车 较 少 时 ，可 能会 出现某 个 路段上 行程 时 间数据缺 失 。另 外 ，由于 交通系统 是 一个 复杂 的 、时 变 的 、有 着较
ｓ ｉ ｓ ｏ ｈ ｔ ｂ ｔ ｂ ｏ ｕ ｅ ａ ｄ ｒ ｌ ｔ ｅ ｄ ｖａ ｉｎ ｂ ｔ ｅ ｌ ｉ ｃ ｌ ｒ ｄ ｃｉ ｅ ｄ ｔ ｎ ｒ ｅ ｄ ｔ ｒ ｕ ｔ ｈ ｗｓ ｔ ａ ｏｈ ａ ｓ ｌ ｔ ｎ ｅ ａｉ ｅ ｉ ｔ ｅ ｗｅ ｎ ｍｕ ｔ ｔ ｖ ｏ ｉ ｍｅ ｓ ａｅ ｐ ｅ ｉｔ ａ ａ ａ ｄ ｔ ａａ ａ ｅ ｖ ｕ
方 法 的 交通 流 路 段 行 程 时 间 多 时 间尺 度 预 测 结 果 与 真 实值 之 间 的 平 均 绝 对 相 对 误 差 均 小 于７ ， 完全 满足 路 段 行 程 时 间预 测 ％
的精 度 要 求 。 关键 词 ：智 能 交通 系统 ； 多时 间 尺度 预 测 ；人 工神 经 网络 ；路 段 行 程 时 间
Ｗ ＡＮＣ ｉ １ Ｈ０ Ｌ ｎ， ＮＧ Ｘｉｏ ｌｎ ２ ＭＡ Ｌ ｉ ＹＵ ｅ ａ — ｏ ｇ。 ｅ Ｙｕ ３
（．ｅ ａｏａｏ ｆ ｎｅｉｅｔ ｒｎｐｒ ｔｎＴ ｃｎ ｌ ｙｉ Ｒ ｓａｃ ｓｔ ｅｏ ｉｈ ａ Ｔ Ｂ ｉｎ ０ ０ ８ Ｃ ｉａ １ ｙＬ ｂｒｔ ｙｏ ｔ ｌ ｎ ａ ｓｏｔ ｉ ｅｈｏｏ ｅｅｒｈＩ ｔｕ ｆ ｇｗ ｙＭＯ ， ｅ ｉ １０ ８ ， ｈｎ ； Ｋ ｒ Ｉ ｌｇ Ｔ ａｏ ｇ ｎ ｎ ｉｔ Ｈ ｊｇ
Ｔ ｆ ｎｉ ｅｎ 交通 工程 ｒｆ ＥＱ ｅｒｇ ａｉ ｎ ｉ ｃ
汪 林 。洪 晓龙ｚ 雷ｓ ．马 ，于 悦
（ ． 通 运 输 部 公 路 科 学 研 究 院 智 能 交 通 技 术 交 通行 业 重点 实 验 室 ，北 京 １０ ８ ；２乌 鲁 木 齐 市 城 市 综合 交 通 项 目研 究 中心 ， １ 交 ００８ ．
新疆 乌鲁 木齐 ８ ０ ０ ；３燕 山大 学 车 辆 与 能 源 学 院 ，河 北 秦 皇 岛 ０６ ０ ） ３００ ． 调 查 数据 对一 种 基 于浮 动 车 的 路段 行程 时 间 多 时 间尺 度 预 测 方 法进 行 仿 真 实验 ， 结果 表 明基 于该
Ａｂ ｔ ａ ｔ ｈ ａ ｅ ｕ ｓ ｆ ｒ ｒ ｈ － ｉ ｃ ｌ ｒ ｄ ｃ ｉ ｎ ｍｅ ｈ ｄ ｆ ｒｒ ａ — ｅ ｔ ｎ ｔ ｖ ｌｔ ａ ｅ ｓｒ ｃ ：Ｔ ｅ ｐ ｐ ｒｐ ｔ ｏ ｗａ ｄ ａ ｍｕ ｉ ｔ ｍｅ ｓ ａｅ ｐ ｅ ｉｔ ｔ ｏ ｏ ｏ ｄ — ｃ ｉ ｒ ｅ ｉ ｂ ｓ ｄ ｏ ｓ ｏ ａ ｍｅ
ｏ ｒ ｂｅ ｖ ｈｉｌ ．Ａ ｉ ｌｔｏ ｘ ｅ ｉ ｎｔｂａ ｅ ｎ ｔ ｅ ｉ ｖ ｓｉ ａ ｅ ｔ ｆＣｈ ｎ ｃ ｕ ｉ ｓ ｄ ｓｇ ｅ ．Ｔ ｅ ｎ ｐ ｏ ｅ ｃｅ ｓｍｕ ａｉ ｎ ｅ ｐ ｒｍｅ ｓ ｄ ｏ ｈ ｎ ｅ ｔ ｔｄ ｄａａ ｏ ａ ｇ ｈ ｎ ｃｔ ｉ ｅ ｉ ｎ ｄ ｈｅ ｒ － ｇ ｙ
２Ｃ ｍ ｒｈ ｎｉ ｒａ ｒｎｐｒ ｔｎＰｏ ｃｓ ｅｅｒｈＣ ｎ ｒ ｎＵ ｕ ｉＵｕ ｑ ３０ ０ Ｃ ｉａ ．ｏ ｐｅ ｅｓ ｅＵｂ ｎＴａ ｓｏｔ ｉ ｒ ｅｔ Ｒ ｓａｃ ｅｔ ｒｍｑ， ｒｍ ｉ ０ ０ ， ｈｎ ； ｖ ａｏ ｊ ｅｉ ８ ３ Ｃ ｌ ｇ ｆ ｅｉ ｅａｄＥ ｅｇ ， ａ ｓａ ｎｖｒ ｔ Ｑｎ ｕ ｎｄ ｏ ６ ０ ４ Ｃ ｉａ ． ｏ ｅｅ ｈｃ ｎ ｎ ｒ Ｙ ｎｈ ｎＵ ｉ ｓｙ ｉｈ ａｇ ａ ６ ０ ， ｈｎ） ｌ ｏＶ ｌ ｙ ｅ ｉ， ０
强 随机干 扰 的非 线性 系统 ，当路 段上 出现 交通 事件
ｓ ｃ ｉｎ ｔａ ｅ ｉ ｅ ｔｏ ｒ ｖ 】ｔｍｅ
Ｏ 引 言
１ 基 于浮动 车的路 段行 程 时间计算 方法 １１ 单车路 段行 程 时 间的预 处理 方 法 ．
智能交通系统（ ｔｌｇｎ ｒｎｐｒ ｔ ｎＳ ｓ ｍｓ Ｉ ｅｌ ｅ ｔ ａ ｓｏｔ ｉ ｙｔ ， ｎ ｉ Ｔ ａｏ ｅ
ｌ ｓ ｈ ｎ ７ ．ｗｈｉｈ ｆ ｌｙ ｓ ｔｓ ｅ ｈ ｅ ｉ ｔ ｎ ａ ｃ ｒ ｃ ｅ ｕｉｅ ｎ ｒｒ ａ —ｓ ｃ ｉｎ ｔａ ｅ ｉ ． ｅ ｓｔ ａ ％ ｃ ｕ ｌ ａｉｆ ｓｔ ｅ ｐｒ ｄ ｃ ｉ ｃ ｕ ａ ｙ ｒ ｑ ｒ ｍｅ ｔｆ ｏ ｄ ｅ ｔｏ ｒ ｖ ｌｔｍｅ ｉ ｏ ｏ Ｋｅ ｒ ｓ ｎ ｅｌｇ ｎ ｒ ｎ ｐ ｒａｉ ｎ ｓ ｓｅ ｙ ｗｏ ｄ ：ｉ ｔ ｌｉｅ ｔｔａ ｓ ｏ ｔｔｏ ｙ ｔｍ；ｍｕ ｔ— ｉ ｃ ｌ ｒ ｄｉｔｏ ；ａ ｉ ｃ ａ ｅ ｒ ｌｎ ｔ ｒ ；ｒ ａ — ｌｉ— ｍｅ ｓ ａｅ ｐ ｅ ｃ ｉ ｎ ｒ ｆ ｉｌ ｎ ｕ ａ ｅ ｗｏ ｋ ｏ ｄ— ｔ ｔｉ
中图 分 类 号 ：Ｕ４ １ ９ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ０ — ７ ６（ ０ ２ ２ — ０ — ４ ０ ２ ４ ８ ２ １ ） ０ ０１ ５ ０
Ｍ ｕ ｔ— ｉ ｅ Ｓ ａ ｅ Ｐ ｅ ｉｔｏ ｅ ｈ ｄ ｆ ｒ Ｒｏ ｄ ｓ ｃ ｉ ｎ Ｔｒ ｖ ｌＴｉ ｅ ｌ ｔ ｉ ｍ ｃ ｌ ｒ ｄ ｃ ｉ ｎ Ｍ ｔ ｏ ０ ａ － ｅ ｔ ａ ｅ ｍ ｏ