排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
随着智能交通系统中采集和应用的基础数据规模不断扩大，数据缺失问题的重要性也日益凸显。针对交通数据中常出现的数据随机缺失和连续缺失问题，本文提出基于鲸鱼优化算法优化最小二乘支持向量机的组合近似填补方法(Combined Approximate Filling, CAF)。考虑缺失数据整体变化趋势的同时，参考数据的波动特征，根据多重填补思想对缺失值分别使用单变量填补和多变量填补，然后引入图片识别中自适应阈值分割法对不同时段下的差异值进行动态划分处理，最后利用不同时段的动态差异度阈值将单变量填补和多变量填补的结果进行结合，完成缺失值的高精度近似填补。为验证填补方法的性能，利用云南省玉溪市大量实车轨迹处理数据设计多组实验。实验结果表明，在小样本数据中，CAF填补方法能够适应多种场合的填补工作，该方法总体优于其他方法，在不同缺失率下均表现良好，尤其是随机缺失填补，最大RMSE为0.365。实验还证明了该方法在不同缺失类型和不同数据离散度下数据填补效果相比于其他方法优势更加明显。 相似文献
2.
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... 相似文献
1