案例推理的研究现状基于案例推理（Case-based reasoning，简称CBR）是近年来人工智能领域中兴起的一项重要的推理技术。与基于规则的推理模式不同是，它通过访问案例库中的同类案例（源案例）的求解从而获得当前问题（目标案例）的解决方法，是一种基于经验知识(案例) 进行推理的人工智能方法。其思想最早由耶鲁大学教授Roger Shank提出，基本思想为借鉴已有的知识与经验形成的案例来求解新的问题，实现案例学习。其具体做法是收集与问题相关的大量案例并归档到案例库，当出现了新的问题需要进行求解时，从案例库中查询出与当前问题类似的案例作为参考和解决方案的模板，并对之进行适当的修正，作为当前问题的解决方案。CBR的特点决定其用来解决非结构化的问题十分有效。64309

目前，CBR已被众多学者用于不同的领域中。杨文继[1]将CBR 技术运用于交通信号的控制中,在分析交通信号的控制的基础上,提取出交通信号案例特征、案例表示、案例检索算法选择、案例的修正算法等方面提出了具体的实施方法。华中科技大学的陈琦[2]结合电信长途传输线路故障预案调度知识管理系统的设计，介绍了如何在知识管理中应用CBR更好的为长途传输线路故障找到合适的预案，详细描述了故障信息在系统中是如何描述的以及如何用树形结构表示故障信息的详细说明内容，提出了基于剪枝策略来进行故障案例匹配以及用数据挖掘的原理对案例库和预案库进行知识的挖掘。此外，技术投资判断、市场选择与分析、供应商管理等方面也出现了比较成熟的CBR 应用；在工业设计上，出现了很多成熟的基于CBR 的CAD 和CAM 软件产品，并已成功应用；在计算机辅助教育方面，已经出现了基于CBR 的图形仿真教育系统，并且，针对个体特征的教育教学方法研究也有所突破[3]。此外，比较成功的应用还有，北京航空航天大学和南京航空航天大学建立的基于CBR的飞机故障诊断系统。

近几年，案例推理这一概念受到了广大学者的关注，CNKI中近十几年来关于案例推理的期刊文献数量不断增加，文献的发表数量从2000年的200篇，到去年关于案例推理的文献数量已经增加到2600多篇。这说明在现在社会的各个领域对于案例推理的应用更加的广泛。论文网

轨道交通运营智能控制的研究现状

近年来，我国城市轨道交通建设速度明显加快。截至2011年上半年，我国已建成了49条城市轨道交通线，成为目前世界上最大的城市轨道交通建设地之一[4]。许多新技术、新理念都值得我们进行学习研究。

刘海东等[5]分别从曲线(特别是小半径曲线)、坡道(分上、下坡道)以及列车重量等方面对线路进行了研究,并对节能坡的节能情况进行了分析,得到适合不同区间条件下的节能坡方案。王玉明[6]构建的灰色关联模型对城市轨道交通管理总体策略进行了评价。宋敏华[7]针对城市轨道交通现状及存在的问题，总结了已采用的主要管理措施，并探讨了未来城市轨道的技术发展方向。

一些学者还对具体的城市轨道交通工程进行了针对性的研究。杨臻明、岳继光等[8]以上海轨道交通运营统计数据为基础,建立了城市轨道交通系统的回归模型。杨俭等[9]通过对上海轨道交通二号线在正常运行时牵引和制动系统参数的测试分析，研究了制动与电阻间制动的关系。有的学者开展了线路的研究和列车运行图的研究, 提出了最佳的列车运行方式。如香港地铁线路采用的运行方式。

案例系统在交通管理中的应用

    二十世纪八十年代末，CBR 开始被应用于交通管理领域的研究,经济合作与发展组织创建了专家组讨论专家系统在交通中的应用，并出版了两本论文集来总结研究成果。张松懋[10]论述了一个基于知识和推理的分布式交通控制系统的组织、结构、功能和系统实现。该分布式系统的各结点间采用多协作方式，共享实时信息，形成了一个多级分布结构。谈晓洁[11]融合了数据仓库理论、基于粗糙集的知识获取方法等多项研究领域，提出了新的基于知识的城市交通拥堵疏导决策支持系统结构。欧洲的KITS 系统通过定义 Agent/Actor/Supervisor 等智能体，建立了系统的、标准的、分布式的多层次知识结构，强调了案例模型在不同交通管理任务中的应[12]。TRYS 系统是提出了一种交通管理策略控制模型，针对每一个问题区域，相应的智能体给出局部的建议，然后由协调器给出全局的最终建议。它们都应用了知识系统中的多层次结构化知识模型。随着先进的信息技术、自动控制理论及方法在自适应城市交通管理中的应用，交通管理研究中可测量过程的建模及多形式数据的分类工作已比较完善。