基于改进的隐马尔可夫模型交通拥堵识别研究

为准确高效地追踪识别城市区域交通路况信息,提供合理的交通出行策略,针对原始的隐马尔可夫模型(hidden markov model,HMM)初始状态参数难以选择且训练过程极易陷入局部最优解的问题,提出了一种改进的隐马尔可夫模型的交通拥堵态势识别机制,有效地拟合了城市道路相邻交叉口交通拥堵状况.将粒子群优化(particle swarm optimization,PSO)算法引入到隐马尔可夫模型的训练中,结合Baum-Welch算法分别对该模型的状态数等参数进行优化,最后根据Viterbi算法聚类出城市道路交叉口最佳拥堵状态序列.根据采集的真实交通流和GPS数据、车辆延误时间特征数据进行实验,其结果表明,改进的隐马尔可夫模型在道路交通拥堵识别的准确率和稳定性上有明显提升.     

用灰色马尔可夫模型预测水上交通事故量

灰色GM(1,1)是一种水上交通事故量预测模型．这种模型不适合长期的、随机和波动性较大的数据序列预测．马尔可夫模型适合描述随机波动性较大的预测问题．本文将两模型结合,形成一个灰色马尔可夫预测模型．按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高．文中给出两个例子,算例证明了谊模型的诸多优点．     

基于向量空间模型的文本自动分类系统的研究与实现

分析了文本自动分类的关键理论及技术，给出一个已实现的基于向量空间模型(VSM)的文本自动分类系统的框架模型，重点描述此系统的实现算法．此算法在训练阶段通过部分训练集确定向量的特征提取维数，并提出一种“平均值”匹配阈值调整方法，从而在精度和效率方面优于传统的分类算法．实验表明此系统查准率为91．8％，查全率为85％。     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别，解决单参数无法直接识别道路交通状态问题，本文利用高频浮动车速度数据，使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性，围绕固定时间窗口内车辆的平均车速、对比度和逆方差，采用FCM (Fuzzy c-means)算法进行聚类分析，得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法，分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明，时间窗口越小其保持原有交通状态的可能性越大，时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度，结果表明，随着序列长度的变化，精度显示出先升高后降低的趋势，且固定时间窗口越大，不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别，综合精度分别为92.00%、84.89%、88.48%，同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型，说明道路车速的波动特征可以很好地反映道路交...     

最短路径子图

在大型网络中两节点之间的最短路径常常不止一条，而且在带限制条件的路径选择等应用上，常常需要找出多条最优或近优的路径．一些经典的单源最短路径算法，如Dijkstra算法，能找出一条从起始点到目的点的最短路径，但并不能求解两点之间的所有最短路径．本文给出了最短路径子图的概念，用于存储图中两节点之间所有最短路径信息，能够节约存储空间．并给出了最短路径子图构造算法SPSG，其时间复杂度为O(n e)，比同类算法时间复杂度更低．随机网络模型的仿真结果表明：SPSG算法效率更高，     

城轨ATO系统子空间预测控制方法

为提高城市轨道交通列车自动驾驶(automatic train operation,ATO)系统跟踪给定运行曲线的精度,基于子空间辨识方法,利用列车运行的历史数据,建立与实际运行状态相吻合的非线性子空间预测控制模型,设计子空间预测控制器,实现模型辨识数据和参数在线更新.运用MATLAB软件对比分析传统动力学模型与子空间预测控制模型的跟踪能力.结果 表明:子空间预测控制模型在速度、位移、加速度的跟踪精度上有明显优势,牵引/制动特性更加缓和.子空间预测控制模型可以保证列车运行安全、准时,并提高乘客乘坐舒适性.     

采用一种新的马尔可夫模型进行癌症医学图像分割

将数据驱动的蒙特卡罗型马尔可夫链(DDMCMC)这一新的马尔可夫模型运用于分割癌症医学图像．这一图像分割过程为：先将需要处理的空间分割成3层；创建平稳的马尔可夫链；采用数据驱动的方法运算得到启发式的信息；运用适合的数学原理来选取图像粒子．通过对比可知采用DDMCMC方法比采用其它算法在癌症医学图像分割方面更具有优点。     

灰色马尔可夫模型在交通事故预测中的应用

采用传统灰色GM(1,1)模型预测道路交通事故这类随机性、波动性较大的数据,存在拟合较差、精度不足等问题。运用马尔可夫模型对预测结果进行优化,并建立灰色马尔可夫预测模型。将该模型应用于1998~2007年全国道路交通事故数据来预测2008年事故次数,结果表明采用该模型预测精度达到96.9%,明显优于单独使用GM(1,1)模型的预测结果。     

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.     

基于多元线性回归的线性系统状态空间辨识算法

提出了一种新的多变量线性系统状态空间辨识算法.该算法采用多元线性回归,而不是传统算法中的子空间投影.首先通过多元线性回归获得系统的预估器马尔可夫参数,然后基于一个关鍵等式获得系统的预估器可观性矩阵与状态序列的乘积矩阵,接着通过奇异值分解得到状态序列,最终再次运用多元线性回归求得系统状态空间模型的各个矩阵.由于本文的算法是预估器式的,因此适用于开环和闭环辨识.基于AIC准则,设计了算法的阶次选择策略,通过仿真例子,验证了该算法的有效性.