基于LOF改进的K-means算法在交通事故黑点识别中的应用

为改进传统K-means聚类算法受初始聚类中心及异常点影响较大的问题,提出使用离群点检测(LOF)改进的K-means聚类算法,并应用到交通事故的黑点识别中.使用数据集为2018年7月1日至2018年12月31日于美国洛杉矶发生的交通事故数据.首先,利用LOF对事故点坐标数据集进行离群点检测;其次,剔除掉原数据集中的离...     

一种基于激光与视频信息时空数据融合的行人检测方法

针对城市交通行人安全问题,本文提出了一种基于激光与视频数据融合的行人检测方法.通过激光与视频数据空间和时间上的融合,将激光数据映射到图像坐标;在激光聚类过程中,采用K-means 聚类算法对激光云点进行聚类分析,然后运用行人宽度模型提取候选行人区域;在基于图像的行人检测过程中,选取头肩、躯干以及腿部人体特征部位,采用Haar-like 特征集和Boosting 算法进行训练,得到部位检测器;最后,基于贝叶斯决策的组合策略对候选行人区域进行有效判定.实验结果表明,本文所述算法有较好的检测精度和实时性能.     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.     

��������ͨ��Ϣ�ɼ��봦��ؼ���������Ӧ���о�

为了推动浮动车交通信息采集与处理技术的深入研究、沟通交流和推广应用，本文在概括总结国内外研究及应用现状的基础上，重点描述了基于浮动车运行数据进行实时旅行时间和平均速度估计及预测、拥堵状态判断的核心流程，介绍了国家智能交通系统工程技术研究中心自主研发的创新性的关键技术，其中主要包括浮动车地图匹配算法和路段旅行时间估计算法等，展望了浮动车交通信息采集与处理技术的应用前景。     

基于投影和密度的高维数据流聚类算法

在经典数据流的聚类算法基础之上,提出了一种基于投影和密度的高维数据流聚类算法——HpDenStream,该算法结合滑动窗口技术,采用投影算法对高维数据流进行降维处理,并运用密度聚类算法对降维后的数据进行异常数据检测。仿真实验结果表明:该方法占用的存储空间小,算法的工作量少,并提高了算法的执行效率。     

基于两次聚类的PWARX驾驶行为辨识模型

针对传统基于聚类的PWARX模型依赖先验知识和子空间划分精度不高的问题,提出一种基于两次聚类的PWARX辨识模型改进算法,并将其应用于驾驶行为建模。首先通过近邻传播算法在样本空间上进行聚类,在所得类簇上用线性模型进行拟合,并通过K-means算法在线性模型的参数空间上进行聚类,以获得PWA子模型的区域划分,最后在各个子空间上对PWA子模型进行求解。该算法合理利用了近邻传播算法和K-means算法的特点,通过在样本和参数空间上的两次聚类获得了良好的子模型区域分割效果。并对10名驾驶员的驾驶行为的建模实验结果表明,所提算法的模型辨识的平均准确率达到了91.5%。     

基于iForest+Biscting K-means的驾驶风格辨识方法研究

提出了一种基于iForest+ Biscting K-means模型的客运驾驶员驾驶风格辨识方法.该方法针对在Bisceting K-means模型中,聚类质心严重影响聚类结果问题,采用iForest模型训练聚类中心候选集作为聚类质心集的方法加以改进.通过考察某城际客运线路30位客车职业驾驶员,在直线道路行驶工况下,90余天约400万条客车行驶数据开展模型验证.试验表明:在加速度标准差和超速倾向系数作为聚类指标的情况下,客运驾驶员驾驶风格聚类为谨慎型、普通型和激进型3类,其中谨慎型11人,普通型19人,激进型0人.     

实时分布式地图匹配系统的设计与实现

在智能交通系统的基础上,设计实现了基于实时浮动车数据的分布式地图匹配系统.分布式架构的应用旨在提高系统数据接收和处理的实时性.同时提出了一种基于道路网格和最短路径的快速地图匹配算法,通过网格划分确定候选路段,根据二次网格划分、GPS角度和数量对候选路段权重进行修正,并利用最短路径算法寻求最符合路径,在保证处理效率的同时匹配的精度也有所提升.仿真实验选用三台匹配处理节点,经验证,完成大连市1000辆出租车约130万个GPS点的地图匹配用时为1分37秒,算法的平均正确匹配率为93.3％.实验结果满足实际智能交通系统的基本要求.     

基于浮动车交通信息采集的虚拟仪器设计

交通数据探测器由于其成本高、覆盖范围小等缺点,很难满足智能交通系统的需求,将虚拟仪器技术应用于浮动车系统可以基本上解决这一问题。介绍了虚拟仪器的概念和特点,并就应用于浮动车交通信息采集的虚拟仪器进行了设计。结果表明,虚拟仪器技术,尤其是与数据融合技术相结合的虚拟仪器技术,在智能交通系统中具有十分重要的作用和广阔的应用前景。     

���ڸ��������ݵij��п���·��ͨ�¼�����㷨�о�

交通事件是引发快速路交通延误的主要因素,迅速、有效的检测事件是快速路交通管理与控制的重要组成部分。本文利用CUSUM理论提出了基于浮动车数据的城市快速路交通事件自动检测算法;通过采集北京市快速路上的真实事件信息以及浮动车探测数据,对不同采样间隔条件下的算法性能进行了实际验证,并与传统的基于浮动车数据的UCB算法验证结果进行了对比分析。结果表明：所提算法在采样间隔为1分钟条件下的检测性能要优于采样间隔为5分钟条件下的检测性能;相对于UCB算法而言,所提算法的检测性能大大提高,在同一误报率条件下检测率可提高10%左右。     

基于簇形均衡评估的高速公路收费数据聚类

高速公路收费数据是一种高维、海量、分布特征未知的数据集,因此难以选择 何种算法和参数最适合此类数据的聚类.针对此问题,提出一种基于簇形均衡的聚类评估 指标IBCS,对各簇的形状、分布、密度和尺寸等多种形态进行均衡综合评估.该指标根据 数据集稀疏程度自适应调整邻域置信区间来度量簇结构的分散度和分离度;度量密度使 得IBCS 具有面向数据集的算法选择能力;度量簇大小避免簇划分过于悬殊的问题.UCI 数据集上多种候选算法评估比较实验验证了该指标灵活有效,能获得准确簇数并合理划 分.最后,基于IBCS 评估的西宝高速公路收费数据聚类结果表明,采用K-means 算法,簇 数为5时聚类模式最佳.     

���ڸ��������ݵ��Ŷӳ��ȼ�ⷽ���о�

排队长度作为评价信号交叉口运行效率的一个重要指标,能有效反映交叉口处的运行状况.传统排队检测模型大多基于线圈检测器,且模型假设过于理想化,本文提出一种面向低采样率浮动车数据、具有良好数据驱动性的信控交叉口在线排队长度检测方法,方法关键在于利用队尾浮动车位置估算最大排队长度.检测过程采用固定时间间隔,主要步骤包括地图匹配、等距划分交叉口进口道并统计停车点数量、判定队尾浮动车的位置、修正得到最大排队长度估计值.实测数据表明,此方法的精度与浮动车比率有直接的关系,在浮动车比率较高的许多主干路交叉口,精度可以达到理想效果,30 m以内的平均绝对误差对高峰期的排队检测依旧具有很大价值.     

汽车制动力曲线异常检测

研究了制动力曲线异常检测方法, 分析了回踩异常特性, 考虑了制动力检测工况和制动力曲线变化趋势, 基于余弦相似度与相对误差, 对制动力数据进行聚类, 建立了制动力曲线分段算法; 将制动力曲线分为阻滞段、上升段、持续段和释放段, 提取出相应的数据子集; 对3家检验机构的9 120条制动力曲线进行人工筛选和分析, 归纳了制动超前、回踩、增长滞后3种异常特征, 给出了相应异常检测算法; 对于较难识别的回踩异常, 根据动态规划思想, 找出上升段最长连续趋势下降子序列, 计算了该子序列占制动力曲线上升段的行程比, 并结合经验值来判定该子序列是否异常。研究结果表明: 对于维度不大于32的低维制动力数据, 通过余弦相似度可聚类制动力曲线的阻滞段、上升段、持续段和释放段; 对于维度大于32的高维数据, 因为维数较高, 行程比较小, 分界点对整个序列相似度影响较小, 在这种情况下, 必须在考虑相似度的情况下, 通过分界点的相对误差进一步约束聚类结果, 可以确定制动力曲线的阻滞段、上升段、持续段和释放段; 由于采集的回踩子序列占制动力曲线的行程比为9.8%, 大于行程比的经验阈值8.2%, 因此, 该制动力曲线具有回踩异常, 判断结果正确, 方法可靠。      

������ϵͳ���ܷ�����Ӧ������о�

作为一种新型、经济的道路信息检测手段，浮动车系统受到广泛关注，并被应用于出行诱导、交通事件检测等领域。本文从浮动车系统的特点出发，分析了交通系统不同部门的各种需求，深入挖掘了浮动车系统在各个部门的应用，并对浮动车系统进行了功能定义和应用系统得模块设计，以北京市的浮动车数据为基础，给出了部分分析结果和界面。     

���ڴ��ģ���������ݵĵ�ͼƥ���㷨

地图匹配问题是浮动车技术中必须解决的关键问题。由于浮动车数据自身的特点，传统的导航地图匹配算法难以直接适用于大规模的浮动车数据匹配。本文在分析基于浮动车数据的地图匹配与传统的导航地图匹配的异同点的基础上，提出了浮动车地图匹配模型族的解决方案和相应的道路网格拓扑结构，设计了包括道路初次匹配模型、平行方向道路识别模型、节点匹配模型、延时匹配模型在内的浮动车数据地图匹配算法体系，并对算法进行了评估和验证。本文提出的浮动车数据地图匹配算法模型已经在广州市ITS示范工程中得到了实际应用，应用结果表明该算法具有准确、高效和实用的特点。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

基于深度学习的绝缘子故障检测仿真研究

针对无人机巡检中采集到的绝缘子图片受干扰严重、检测精度低的问题，在YOLOv5s算法的基础上进行优化，基于改进后的YOLOv5s算法进行了绝缘子故障检测的仿真研究。通过在颈部网络添加CBAM注意力模块、运用K-means聚类重新计算先验框大小、采用MetaAconC作为激活函数3种措施改进了原算法，并基于Python进行了实验结果分析。实验结果表明本方案算法平均精度均值mAP达到了96.7%，对比原YOLOv5s模型，平均精度均值m AP提升3.3%；且方案算法训练出的权重文件大小仅有15.1 M,仅比原YOLOv5s大了0.1 M，仍然保持了轻量化的特点，在智能巡检工作的部署上有良好前景。     

���ڵͲ���Ƶ�ʸ��������г̳�����Ϣʵʱ�ɼ�����

智能运输系统(ITS)是当前解决交通问题的最佳途径之一,而动态交通信息的发布与预测是ITS的关键所在。然而由于在各种外部因素下,道路交通状态呈现出随机变化的特性使得动态交通信息的发布与预测成为一大难点。结合某城市的实际情况,本文建立了在定位误差、采样间隔、车辆类型、道路类型等因素影响下的行程车速估计模型,并用实测数据对模型进行精度验证。结合出租车车辆的特殊信息,改进了低采样频率浮动车技术的估计算法,建立了空车数据处理模型;针对城市复杂和相似路段问题,提出了基于距离、方向角、连通性、历史数据以及车流方向等约束条件下的地图匹配算法;针对低采样频率浮动车数据,提出了考虑交叉口影响下的行程车速估计算法,通过实测数据评估了算法的性能;最后,针对不同检测技术的特征,提出了数据融合算法。     

基于多源数据的城市群枢纽间多模式交通系统异常状态影响研究

为探究城市群多模式交通系统异常状态的影响范围,从需求端非常态客流变化和供给端运输能力下降两方面对多模式交通系统异常环境进行分类,提出了基于手机信令数据、意向出行调查及客票信息等多源数据的异常状态影响范围识别流程和分析方法;以京津冀城市群为例,确定强链接枢纽间通道客流动态安全阈值,提出了基于贝叶斯预测的通道客流异常检测方法;利用提升度、余弦相似度及其标准化值来区分枢纽关联规则的有效性,提出了基于强关联规则确定异常状态影响范围的方法。研究表明：基于贝叶斯预测的通道客流异常检测方法具有实时性,提高了客流安全阈值精度;基于实际手机数据和假定异常情况下的意向调查数据并结合关联规则确定枢纽影响范围,可为利用数据挖掘技术分析突发异常状态的影响和对策提供借鉴。     

���ھ�������ij��н�ͨ·�λ����о�

根据交通流特性的相似性进行交通路段划分对城市交通管理和控制具有重要作用。交通流数据具有时间序列特征,相似性度量问题是时间序列聚类中的最基本的问题之一。本文为交通流数据聚类给出了一种基于灰色关联的相似性度量方法,通过比较试验确定了它具有较高的聚类精度。在每个时段时间序列间的相似性差异、在某一个时段的异常数据等会影响到在整个时间区间的交通流数据聚类,为此本文提出了一种基于时段划分的交通流数据聚类方法。这个方法首先对每个时段数据进行聚类,然后采用最大频繁项集方法得到最终聚类结果（即交通路段划分）,实例证明了方法的有效性。