基于轨迹数据的共享电动自行车逆行风险行为影响因素研究

为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析。研究结果表明：CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施与土地利用性质来看,道路周围公交站地铁站出口数量及餐饮、公司、购物等设施数量与逆行频次呈现非线性影响关系,在一定范围内设施数量与逆行行为存在正影响作用;从道路条件来看,过街通道间距在50~400 m时不易发生逆行,在非机动车道无物理隔离设施或过街通道间距在400~600 m时容易发生逆行,间距大于600 m时作用不稳定;从路段机非分隔形式来看,护栏分隔的逆行概率较低,绿化带分隔的逆行概率较高;从交通状态来看,当骑行速度、加速度较低或较高时与逆行行为负相关,当骑行速度在6~16 km·h^-1及加速度在0.3~1.0 m·s^-2时与逆行行为正相关。研究成果可为共享电动自行车风险骑行行为辨识、非机动车交通安全管理提供有效的技术支持。     

基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

基于感知机学习算法的地铁无线通信故障分析

针对上海轨道交通11号线出现的车地无线通信失效的问题,对无线通信故障进行了研究。主要采用机器学习PLA算法(感知机学习算法)相关知识,对无线通信系统中列车运行时产生的日志数据进行分析研究,并使用AP(无线接入点)时间-状态曲线图、AP异常状态统计图和AP告警统计表等3种方式对轨旁通信设备AP运行状态信息进行统计及可视化展示。利用地铁公司提供的真实日志数据,验证了这种故障分析方式的有效性。该分析方式能够帮助地铁工作人员及时发现AP设备隐患、故障并维护,从而改善通信质量、提高通信效率,同时对其他地铁沿线通信故障分析也具有重要的借鉴意义。     

基于深度学习的交通信号灯实时决策研究

为有效缓解城市交通压力,提升交通信号控制的智慧化水平,提出一种基于图像识别并融合深度学习的多交叉口交通信号灯实时决策模型方法。采用图像识别的方法判别拥堵状态,搭建区域多交叉口交通信号灯实时决策模型,以总调度期内通行评分最高为目标函数构建深度学习网络;采用机器学习思想优化决策方案,通过预训练增加决策方案容量并缩短现场决策时间,达到实时决策的目的;将研究模型应用于湖北省武汉市武昌区中山路路段,并进行模型论证和结果分析。研究结果表明,所提出的模型方法能有效解决区域多交叉口交通信号灯联合调度问题,可为交通管理者提供更合理的决策方案。     

基于模型树的大跨径悬浇连续梁桥变形预测

大跨径悬浇连续梁桥的变形预测是相关工程实施过程中的重点之一。为充分挖掘大量已建悬浇施工桥梁变形监控数据的价值,使其为新建类似桥梁的变形预测提供校核数据参考,提出了采用模型树机器学习算法预测悬浇施工各节段预抬高值来预测桥梁变形的方法,并通过编写计算程序对该方法进行了测试与验证。结果表明:采用模型树机器学习算法获取悬浇施工桥梁节段预抬高值来预测桥梁变形的方法是可行的,该方法可广泛应用于桥梁工程的变形预测中,以充分挖掘已有工程数据的价值。     

基于深度卷积神经网络的钢材微观组织分类识别

通过引入多种深度卷积神经网络及分类器构建机器学习模型,对钢材金相图数据集进行学习,研究了一种能够准确、高效识别钢材微观组织的方法。研究结果表明,文章中所涉及的3种深度卷积神经网络在钢材微观组织的分类识别上均表现出优异性能,其中Inception-V3表现尤为突出,其与人工神经网络分类器组合而成的机器学习模型的分类精度可达99.60%。