汽车电脑板故障浅析

修理高档汽车最让人头痛的，就是汽车的电脑了。修理人员碰到电脑故障时，一是不敢断定就是电脑的问题，且因电脑的价格较高而不敢轻易决定购买更换；二是不容易找到同类的电脑产品来进行代换试验；三是即使找到了同类的电脑产品（比如对一辆同类型的车），也不敢贸昌然将好的电脑板插上去进行试验，因为电脑的损坏往往都是因外部电路有故障而造成的。     

考虑数据缺失的高速公路交通参数计算方法

为提高数据异常状态下的高速公路交通参数计算的精确度，提出了基于数据融合的交通参数计算方法，首先结合收费站数据对门架数据所缺失的行车记录进行填充，再根据每辆车的平均行程速度，利用两阶段的聚类算法剔除驶入服务区和行驶异常的车辆，最后计算各个路段的路段流量和路段平均行程速度，对缺失的交通参数利用融合时间特征的KNN算法进行填充。选取3 d 15个门架的行车数据作为实验数据。结果表明，门架数据行程记录缺失较大，平均缺失率为46.95%,其中门架数据记录最大缺失率为56.25%,最小缺失率为31.73%,并且速度较快的小客车相较于速度较慢的中大型货车的行车记录更容易缺失。两阶段的聚类算法可以有效地识别并剔除驶入服务区和行驶异常的车辆。在填充连续复杂缺失场景下的交通流时空数据集方面，KNN算法相较于最大似然估计、决策树、链式方程多重填补方法在RMSE指标上分别下降24.90、15.88、5.81,添加时间特征以后RMSE在原始KNN基础上下降3.03,证明了融合时间特征的KNN算法在填充连续复杂缺失的交通流场景下的可行性和有效性。数据异常情景下的交通流缺失值填充以及交通参数计算方法为管理部门在高速...     

基于高速公路收费数据的用户交通出行多维度特征分析

为提升高速公路信息化管理水平，调节高速公路需求分布不均衡问题，构建了包含时间、空间、用户个人属性3个维度的特征指标体系，在K-means聚类算法的基础上，设计并使用Mini-Batch-Kmeans聚类算法对出行用户进行了分类，同时从时间、空间、个人属性3个不同维度深入分析了各类出行特征指标。研究结果表明：1)高速公路出行者多为单次出行或周末出行；2)经PCA降维和Mini-Batch-Kmeans聚类后，出行用户可分为6类；3)时间上，用户出行早晚高峰为7:00—9:00和16:00—18:00;空间上，用户出行站点多在经济水平较高城市，长途用户多在沿海或有货物中转站的城市；个人属性上，通勤用户与长途用户多使用ETC支付且花费金额高。