不完整信息下城市交通速度修复算法

通过深入分析不完整信息数据的交通流路段速度,提出神经网络与线性回归组合模型的速度修复算法,利用相关性分析在交通流数据中找到路段速度在时间和空间上影响因素,将在时间上影响路段速度的因素作为神经网络模型的输入变量,将在空间上影响路段速度的因素作为神经网络模型的输入变量,分别输出路段速度预测结果,将以上模型预测结果作为线性回归模型输入变量,最终得出路段速度二次预测结果。     

道路交通事故宏观预测模型

道路交通安全已成为全社会普遍关注的问题,为了对中国未来的交通安全形势作出科学准确的预测,分析了中国道路安全状况的评价指标和主要影响因素,以交通事故死亡人数作为评价指标（输出变量）,以机动车保有量、公路里程、人均GDP为输入变量（影响因素）,建立了基于遗传算法的神经网络道路交通事故宏观预测模型和BP神经网络预测模型．模型的训练利用1978～1998年的道路交通事故数据为样本;模型的检验利用1999～2004年的道路交通事故数据进行检验．模型对未来年份的死亡人数进行了预测．预测结果表明：基于遗传算法的神经网络模型比BP神经网络预测精度较高,网络泛化能力强;得出2010年和2020年中国的道路交通事故死亡人数值分别为13．9万人和16．7万人．     

中国城市私人汽车拥有量的影响因素分析

为了探讨中国城市私人汽车拥有量的影响因素,在收集中国32 个省会城市和计划单列市的 2001—2013 年的面板数据的基础上,以私人汽车拥有量的对数为被解释变量,从经济属性、城市 属性、交通属性和政策属性4 个角度出发,选取9 个解释变量,分别建立固定效应模型和随机效 应模型。对模型进行异方差检验、序列相关检验和截面检验之后,利用STATA统计分析软件进行 回归分析,并通过豪斯曼检验进行比较,选取最优模型。研究结果表明固定效应模型较优,人均 地区生产总值、人口密度、城市化率、人均城市道路面积、每万人拥有公共汽车数以及公路里 程,这些因素均对我国私人汽车拥有量具有显著性的正效应。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

行人过街人车冲突等级评价及影响分析

无信号控制路段人车冲突等级的划分对于采取交通安全策略有重要意义,本文采用交通调查和数据分析的方法探索人车冲突严重程度的影响因素.通过视频采集确定了综合人、车、路 3方面特性的 14个解释变量,通过变量间相关性分析对解释变量进行筛选,再建立基于Odered Probit回归分析的人车冲突量化模型确定了影响显著的因素.     

神经网络在路面使用性能评估中的应用

应用神经网络BP算法原理，建立评估路面状况指数PCI的模型。通过平整度和路面破损率数据的学习，预测了路面破埙指标PCI，并把神经网络模型和回归模型进行了比较，证明了神经网络模型在路面使用性能评估中有更好的应用前景。     

基于遗传BP神经网络的电控发动机故障诊断研究

为提高发动机故障诊断的正确率与精确度,提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。     

神经网络在路面使用性能评估中的应用

应用神经网络BP算法原理,建立评估路面状况指数PCI的模型.通过平整度和路面破损率数据的学习,预测了路面破埙指标PCI,并把神经网络模型和回归模型进行了比较,证明了神经网络模型在路面使用性能评估中有更好的应用前景.     

高速公路动态交通流Elman神经网络模型

为了提高高速公路交通流建模的精度,分析了离散的高速公路动态交通流数学模型,基于Elman网络原理,建立了回归神经网络交通流模型。回归神经网络的输入层、上下文层、隐含层和输出层的节点数目分别选为8、30、30和2,采用Levenberg-Marquardt算法对回归神经网络进行训练,并对一条5路段的高速公路进行仿真。结果表明:回归神经网络平均相对误差为8.683 7×10-5,最大相对误差为4.237 1×10-4,与BP神经网络和RBF神经网络相比较,Elman回归神经网络能更好地逼近交通流数学模型,真实地描述交通流基本特性,能准确地建立动态交通流模型,适应交通状况的变化。     

船舶阻力计算BP神经网络的研究

建立了基于系列60船模原始实验数据的船舶阻力计算3层BP神经网络系统,利用随机选取的检验样本和插值样本作为输入向量,应用输出与目标的线性回归、相关系数和相对误差,以及利用该神经网络绘制的曲线,验证了该神经网络的可靠性．在该神经网络的建立过程中,对训练函数、性能函数、传递函数、隐层神经元数和神经网络绘制的性能曲线进行了实验,并通过数据预处理方式,确定了最佳的船舶阻力计算3层BP神经网络系统．     

基于套索（Lasso）的中文垃圾邮件过滤

使用向量空间模型表示的文本邮件数据高维而稀疏,不利于邮件过滤分类模型的建立,通常需在分类器训练前进行维数约减。Lasso回归是一种基于l1正则化的多元线性模型,其在模型参数估计的同时实现了变量选择。提出使用Lasso回归进行垃圾邮件过滤,建立Lasso回归邮件分类模型、Lasso回归词条选择结合逻辑回归的分类模型,结合中文文本垃圾邮件数据集TREC06C进行垃圾邮件过滤实验。实验结果表明Lasso回归词条选择结合逻辑回归的邮件分类模型性能更佳。     

基于BP神经网络的城市公交服务质量影响因素主成分分析

为改善城市公交服务质量,根据乘客服务质量问卷调查数据分析,运用主成分分析方法对公交服务质量影响因素进行降维处理,把15个影响变量提取为8个主成分变量.在此基础上,运用MATLAB7.0建立影响因素主成分与公交服务质量认可度的BP神经网络模型,在不同参数下进行试验和比较,计算出模拟数据下公交服务质量认可度折减影响系数均方差为0.000 957,表明该模型所选参数值可以用于评估公交服务质量的影响因素分析.最后,根据权值和阀值计算得出影响城市公交服务质量的关键因素为公交车内拥挤程度、驾驶员服务态度和首末班车时间,其影响程度分别为53.09％、32.02％和30.36％.研究结论可以为城市公交服务质量改善提供依据并明确重点改进的方向.     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

Term Structure of Interest Rates Based on Artificial Neural Network

In light of the nonlinear approaching capability of artificial neural networks （ ANN）, the term structure of interest rates is predicted using The generalized regression neural network （GRNN） and back propagation （BP） neural networks models. The prediction performance is measured with US interest rate data. Then, RBF and BP models are compared with Vasicek＇s model and Cox-Ingersoll-Ross （CIR） model. The comparison reveals that neural network models outperform Vasicek＇s model and CIR model, which are more precise and closer to the real market situation.     

基于手机运动传感器数据的交通流拥挤识别

准确的交通流状态识别是智能交通管理与控制的基础.通过所开发的手机端软件从手机中提取车辆的加速度与角加速度数据,在研究了其统计特征后,发现该数据可反应周围车辆对目标车辆运行环境的影响,从而与交通流状态的变化有着密切关系.利用支持向量机学习算法,以加速度与角加速度统计参数作为输入变量识别断面交通流状态.实验结果识别精度最高达到92%,表明加速度和角加速度指标可作为交通流状态的表征参数.该研究采用Lasso模型和最小角回归算法对输入参数进行变量选择,在降低计算成本的同时保证了良好的识别效果.      

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

������ع�-BP ������Ĺ��ƹ�������Ԥ�ⷽ��

基于空中交通复杂程度刻画管制工作负荷是当前空中交通管理领域的研究热点。本文采集了厦门空管站的雷达数据,计算得出10个空中交通复杂性评价指标数值,通过共线性诊断发现复杂性指标间存在较强的多重共线性。在利用岭迹图对复杂性评价指标进行筛选的基础上,建立岭回归—BP神经网络组合模型对管制员工作负荷进行预测,并通过实测陆空通话数据进行验证。结果表明,本文提出的岭回归—BP神经网络组合模型收敛速度快、训练时间少;组合模型的均方误差、均方根误差、平均绝对误差、平均绝对相对误差等4项性能指标都相对较小,预测精度较高。