为了提升建筑能耗预测的精度、鲁棒性和泛化能力，提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法，将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量，利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测，并叠加重构得到最终预测结果. 模型评估结果表明，混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型，所提模型的预测效果更好，且具有较强的鲁棒性和泛化能力，能够更为有效地用于建筑逐时电力能耗预测.

以非稳态斜槽颗粒流为切入点，利用离散元方法再现颗粒流在离心超重力场中的运动机制，以量化科里奥利效应对岩土体动力过程的影响.利用已发表的离心试验数据验证数值模型的可靠性；从宏观和细观尺度系统量化非稳态流中模型布置方向、斜槽倾角、超重力、斜槽底面粗糙度等试验参数对科里奥利效应的影响规律. 结果表明，在不同模型布置方向下，科里奥利力会大幅改变颗粒流的流态，科里奥利效应与斜槽倾角以及斜槽底面粗糙度正相关，但是科里奥利效应对超重力不敏感.研发抵消科里奥利效应的试验手段是岩土体动力灾变超重力离心模拟领域亟须解决的技术瓶颈之一.

基于交通波模型，提出利用车牌识别数据估计城市道路自由流行程时间. 无需额外架设检测器或现场测算，所提方法具备准确性、科学性、实用性的特点. 基于车辆均匀到达的假设，将行程时间分为自由流行程时间和延误，建立信号影响下的路段行程时间分布函数. 针对现实环境中车流非均匀到达的特点，提出数据重采样方法生成符合均匀流假设的行程时间数据；拟合行程时间分布函数以获得路段自由流行程时间. 在杭州市多个路段的数据验证结果表明，重采样后的行程时间数据较好地拟合了行程时间分布模型，估得的自由流行程时间准确且具备理论支撑.

针对基于深度强化学习的交通信号控制方法存在难以及时更新交叉口信号控制策略的问题，提出基于改进深度强化学习的单交叉口交通信号控制方法. 构建新的基于相邻采样时间步实时车辆数变化量的奖励函数，以及时跟踪并利用交叉口交通状态动态的变化过程. 采用双网络结构提高算法学习效率，利用经验回放改善算法收敛性. 基于SUMO的仿真测试结果表明，相比传统控制方法和深度强化学习方法，所提方法能明显缩短交叉口车辆平均等待时间和平均排队长度，提高交叉口通行效率.