适于动态导航系统的城市道路交通状态判别

城市道路交通状态判别是动态导航系统中的关键技术之一,文章从城市道路交通流系统的高度复杂性特点出发,提出了一种基于神经网络的城市道路交通状态判别方法．首先,利用灰关联熵分析方法选取交通状态的关键性特征指标;然后,建立交通状态判别的神经网络模型并利用实测数据对其进行离线训练;最后,应用训练后的神经网络进行城市道路交通状态在线判别．实验表明,用于城市快速路的交通流状态判别方法效果良好。     

基于投影寻踪的快速路交织区交通状态判别方法

为了准确判别城市快速路交织区的交通状态,实现交通控制策略的优化决策,基于投影寻踪模型与k-means聚类算法,研究了一种新的交通状态判别方法.以交通状态的量化分析为目标,考虑投影寻踪模型的特性,定义了交通状态系数;根据类内聚集度与异类间散度的分析,建立了聚类效果评价系数表达式;应用推导的改进式遗传算法,结合k-means聚类算法,计算获得最优投影方向与聚类中心;应用最优投影方向将新观测的交通流数据转化为交通状态系数,判定欧式距离最小的聚类中心,获得相对应的交通流状态.新方法克服了传统方法对专家经验的依赖性,解决了熵权法对小概率事件信息熵的过量估计问题,并改进了投影寻踪模型的聚类效果评价系数.仿真实验结果表明,新方法状态判别准确率为96.63%,较神经元网络和决策树算法分别提高了5.58% 和7.01%,能够准确判别交织区交通流状态.      

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

用概率神经网络对水电边坡稳定性预测

概率神经网络(PNN)是一种训练速度快、结构简洁明了、应用广泛的人工神经网络,该方法采用贝叶斯分类决策理论建立系统的数学模型,以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点。阐述了PNN的基本结构及其训练算法,提出了基于PNN的水电边坡稳定性预测方法,并采用免疫进化算法(IEA)对高斯型函数的标准偏差σ进行参数优化。理论分析和实例结果验证了基于IEA-PNN的水电边坡稳定性预测方法的正确性和有效性。     

基于K近邻非参数回归的交通状态概率预报技术

针对城市道路交通系统中交通流演变的随机性和复杂性,以及实时交通状态判别本身所具有的不确定性,基于模式识别和相似预报的思想,提出了一种交通状态概率预报的K近邻非参数回归模型。模型首先利用城市道路路段上环形线圈采集的交通流数据,采用模糊聚类技术,生成历史样本数据库;接着采用相似离度指标进行近邻搜索;然后根据近邻子集,构建交通状态概率预报函数,对路段未来时段的交通流运行状态进行预报,并用概率定量描述该状态发生的可能性大小。最后根据该模型,结合实际数据,进行了不同预报时长的分级交通状态的概率预报试验,独立样本检验结果表明,该模型预报准确率高,稳定性好。     

基于数据分布特征的城市道路拥堵判别算法改进

针对传统模糊c算法与阈值两种交通流状态划分方法的适用性不足,分析了交通流数据的分布特征,并在二维空间的城市道路以各状态离散性变化差异作为参考进行状态的划分,在FCM算法的基础上加入历史先验数据与后验概率进行初始聚类中心的优化,并以对不同维度数据之间变化关系与离散性更加敏感的马氏距离代替传统欧式距离进行改进,并在最终的结果单值化时不再采用整数使结果更加接近实际交通运行状况。并使用实验数据进行算法验证,判别结果与数据表现更加接近,验证了方法的稳定性与有效性。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

混合小生境遗传-模拟退火算法在动态交通分配中的应用

为了解决已有的动态交通分配模型普遍存在的优化计算时间过长,严重影响网络规模扩展的问题,提出了一种新的动态交通分配优化算法。将模拟退火和隔离小生境技术有机地结合起来,融入到遗传训练过程中形成了一种混合小生境遗传-模拟退火算法,不仅可以有效地避免传统遗传算法可能出现的不收敛现象,加快进化速度,具有更强的全局寻优能力,而且计算速度和算法稳定性也得到提高。将其与Papageorgiou M.提出的动态交通分配模型框架相结合,设计了动态交通分配的快速模拟优化算法,并进行了实例研究。仿真结果表明,新的优化算法显著降低了优化计算时间,大大提高了动态交通分配模型的实用价值。     

模拟退火算法在路径优化问题中的应用

模拟退火算法是解NP完全组合优化问题的有效近似算法,将该算法应用于路径优化问题,利用该算法对类似货郎担问题的路径问题进行求解;针对城市道路行走不同的目标条件(路径最短、时间最短)进行优化,选择最佳行走路径;并将用该算法优化得到的计算结果与树形算法进行比较,显示该算法能够克服传统优化算法易陷入局部极值的缺点,同时表明该算法在解类似货郎担交通路径方面的问题时有较高的精确性。因而该算法在解决城市道路交通问题方面具有一定的实用价值。