基于手机传感器数据的交通出行调查实证评估

应用手机传感器与调查问卷, 同步采集了校园内高校学生2周的真实出行轨迹; 考虑了真实出行环境下的手机传感器数据特征, 结合高斯滤波预处理数据, 根据轨迹点的时空聚类特性, 用时空聚类算法识别了出行端点和出行时间, 结合轨迹点速度、加速度特征, 利用支持向量机识别了出行方式; 将手机传感器数据与调查问卷、查核线数据对比, 分析了手机传感器数据出行特征识别的准确程度, 验证了出行特征的提取效果。分析结果表明: 手机传感器与问卷调查识别出行链的成功匹配比例为81.66%, 说明手机传感器数据可有效记录出行轨迹; 时空聚类算法参数中核心点空间半径为26.92 m, 最小样本点为129, 时间约束为129 s时, 出行端点识别准确率为93.02%, 出行时间识别准确率为90.84%, 说明手机传感器识别出行端点和出行时间的效果较好; 当支持向量机设置类型为经典支持向量机, 核函数为径向基函数, 惩罚系数为0.797, 核参数为2.260时, 出行方式识别准确率为89.86%, 即利用手机传感器能够有效识别出行方式。可见, 手机传感器数据识别结果合理, 能为手机传感器数据应用于实际出行调查做支撑。      

����PSO-SVM�ľ�����з�ʽԤ��ģ�ͪ�

居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.     

基于手机GPS定位轨迹的出行信息采集技术

针对居民出行调查主要依靠传统纸质问卷形式获取居民出行信息、调查数据很难准确反映实际交通需求特征的问题,提出运用手机GPS技术获取个体出行轨迹信息,挖掘分析不同交通方式的轨迹特征,并运用支持向量机算法对出行方式进行识别。结合实例分析表明:提出的算法对步行-自行车-步行、步行-公交车-步行、步行-小汽车-步行3种组合的出行方式识别正确率均较高,为以后城市居民出行调查提供一种新型的调查方法。     

基于GPS轨迹数据的不同交通状态下交通方式识别流程优化方法

基于GPS轨迹数据的交通调查技术能够有效弥补传统居民出行调查方式的不足，该技术在高峰拥堵时段的交通方式识别效果有待进一步研究.针对公交车和小汽车识别精度较低的问题，本文提出基于支持向量机(SVM)的流程优化方法，加入基于短时傅里叶变换 (STFT)的频域属性，利用遗传算法(GA)对SVM的惩罚系数和核参数进行联合优化，评估不同交通状态下交通方式和方式转换点的识别效果.结果表明：频域属性的加入能够有效提升交通方式识别精度，在道路畅通状态和一般拥堵状态下，交通方式和方式转换点的识别效果均较为理想；在严重拥堵状态下，机动化方式易与非机动化方式相混淆，方式转换点最大识别误差在13 min以内，相比于基于主观回忆的人工问卷调查方式仍具有参考性.     

基于支持向量机的出行链活动类型识别研究

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

基于多重分形与SVM的高速列车运行状态识别方法

为了评估高速列车服役性态问题,提出基于多重分形与支持向量机(SVM)的高速列车状态识别新方法.该方法计算了高速列车振动信号的多重分形谱,分析了多重分形谱参数与列车状态之间的关联关系,提取了多重分形谱宽度、分形维数差和谱偏斜度作为高速列车状态的特征,使用支持向量机来对高速列车状态进行识别.获取了某型列车的正常状态、抗蛇行减震器失效、空簧失效3种典型的多重分形特征,训练了不同速度下的SVM和单一速度为160 km/h的SVM,并进行了工况识别实验.所提方法对高速列车的状态识别率大于88.8%,表明了该方法的有效性.      

����֧���������ij����������ʶ���о�

基于支持向量机理论对出行链活动类型的识别方法进行了研究. 首先对居民出行的时间序列位置信息做数据预处理,提取出行链的出行过程和活动地点信息,并结合地理信息系统（GIS）提取活动的备选类型;然后从出行链和活动的时间和空间因素提取活动类型识别的特征,形成特征向量作为分类器的输入,并建立基于支持向量机的两两分类器,采用分类器投票的方法从备选集中选择活动的类型;最后利用模拟数据和交叉验证的方法对两两分类器进行训练检验,分别从高斯径向机核函数和多层感知器核函数的角度分析活动类型识别率. 结果表明：在两两分类中,高斯径向机核函数的最高识别率为99%,最低识别率为62%;多层感知器核函数的最高识别率为97%,最低识别率为54%.     

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于 KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显.     

遗传算法优化支持向量机的城市交通状态识别

城市交通状态识别是智能交通控制、诱导和协同系统的基础。为提高支持向量机(support vector machine,SVM)在城市交通状态识别研究方面的泛化能力,将遗传算法(genetic algorithm,GA)与支持向量机相结合,利用遗传算法全局搜索优势对支持向量机的关键参数——惩罚系数C和核函数参数σ进行优化,建立基于遗传算法优化支持向量机(GA-SVM)的城市交通状态识别模型,并在MATLAB平台下进行实例验证。研究结果表明:相较于SVM模型,GA-SVM模型克服了依靠经验确定参数方法的缺点,识别精度提高3.75%,即模型可更好地识别城市交通状态。     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性...     

居民轨道选择意向建模与应用研究

基于轨道交通大发展的背景,对居民选择轨道交通出行的意向进行建模分析,旨在为大城市的轨道交通建设提供依据。通过分析居民出行交通方式选择的影响因素（传统的出行方式、出行费用、性别等）,构建了居民轨道选择意向转移模型,并确定模型的输入输出向量,利用MATLAB-ANN的BP网络,求解模型效用值,最后结合苏州市进行应用研究。     

基于神经网络的公路工程造价快速估算分析

从影响公路造价的影响因素中提取特征因子,用神经网络建立起公路造价快速估测模型,以工程特征为参数,用历史数据为依据,建立模型,文章最后用实例验证了BP神经网络模型在公路工程造价估测中的优良效果,结果显示,BP神经网络在这方面应用效果较好.     

基于BP神经网络的沙漠公路交通事故预测模型

介绍人工神经网络理论,论述BP神经网络的模型结构与原理,利用BP神经网络构建了交通事故预测模型,用MATLAB语言编写了相应的程序,并给出了模拟与预测的结果。模拟结果表明,构建的BP神经网络预测模型是成功的、有效的。     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息,提高出行效率,需提升高速公路行程时间的预测精度。鉴于此,将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中,构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化,截取其中有效字段,获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型,利用Matlab进行实验。实验结果显示,PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高,而且能较准确地预测出行程时间的走向及波动情况,在收敛速度方面也呈现出一定的优势,具有较好的适应能力。     

基于神经网络的引线键合质量预测模型研究

针对引线键合质量与其影响参数之间存在非线性、强耦合关系的特点,提出一种基于弹性BP算法的BP神经网络引线键合质量预测模型.通过引线键合工艺过程的分析,提取了影响引线键合质量的工艺参数,采用BP神经网络结构,建立了引线键合质量预测模型.不同算法下的网络训练结果表明,弹性BP算法具有较快的收敛速度和较高的训练精度.仿真结果表明所建模型具有较高的预测精度,能够准确地反映键合质量综合指标的变化趋势.     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象,在考虑降雨数据的基础上,设计一个基于非最小路段的行程时间计算方法,建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后,以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明,加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析,发现在满足数据精度的前提下,本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。