道路多源交通流信息融合分析技术研究与应用

多源交通流信息融合是多源信息融合在交通领域的应用,其可以获得准确的交通状态和参数估计.简单介绍了多源交通流信息融合的原理和基本模型,并着重讲述了其关键技术和应用.     

交通运输信息融合功能模型

综述一般信息融合功能模型和交通运输信息融合应用的进展,指出这两个方面的联系和差异.针对交通运输应用的信息本质和功能特性,提出交通运输信息融合的一般定义,并建立了交通运输信息融合功能模型.模型对信源引入机器信息与认知信息的划分,提出了分属机器信息和认知信息两个层次的采集校验融合、状态特征融合、预测评估融合、规划设计融合和综合决策融合五级信息融合功能,提供了五级融合功能的三种应用模式,实现了不同交通运输应用功能与信息操作功能的衔接,与一般多传感器数据融合功能模型具有统一性.论文还以交通拥挤管理问题为例,给出了相应的信息融合功能模型.     

在城市交通信息集成中基于本体的语义融合模型

交通信息融合技术已成为智能交通系统中研究热点,它对于城市交通综合管理、交通预案应急联动以及数字城市建设有着十分重要的意义. 采用本体技术和语义逻辑代数方法,
对多源异构的城市交通信息的统一表示、融合等问题进行了深入探索. 通过城市交通本体建立静态和动态的城市交通信息的统一语义模型,并定义本体在语义层面上的融合规约和代数操作,以实现城市交通信息融合在语义上的完备性和一致性. 在城市交通信息集成中增加语义融合功能,对降低交通信息集成的数据量,提升集成后交通信息的查询和分析效率及准确性都有较大帮助,在实践应用中也体现了一定的效果.     

�ڳ��н�ͨ��Ϣ�����л��ڱ���������ں�ģ��

交通信息融合技术已成为智能交通系统中研究热点,它对于城市交通综合管理、交通预案应急联动以及数字城市建设有着十分重要的意义. 采用本体技术和语义逻辑代数方法,
对多源异构的城市交通信息的统一表示、融合等问题进行了深入探索. 通过城市交通本体建立静态和动态的城市交通信息的统一语义模型,并定义本体在语义层面上的融合规约和代数操作,以实现城市交通信息融合在语义上的完备性和一致性. 在城市交通信息集成中增加语义融合功能,对降低交通信息集成的数据量,提升集成后交通信息的查询和分析效率及准确性都有较大帮助,在实践应用中也体现了一定的效果.     

Application of Information Fusion Technology in Automatic Incident Detection

多传感器信息融合技术这一新兴信息处理技术的出现,为交通事件自动检测(Automatic Incident Detection,AID)算法的设计提供了新的解决方案.将多传感器信息融合技术引入交通事件检测领域,设计了一种基于信息融合技术的交通事件自动检测算法.该方法结合了信息融合理论和小波神经网络算法,充分发挥了多传感器信息融合与小波神经网络理论的优势,使得事件检测的结果更加准确.通过仿真试验,该检测算法的优越性得到验证.     

基于信息融合的综合集成研讨厅故障诊断系统研究

通过对多传感器信息融合系统和综合集成研讨厅的本质分析,提出了一种通用的基于多源信息的综合集成研讨厅信息融合系统体系结构.结合对基于信息融合技术的复杂系统故障诊断框架分析与研究,以及信息融合综合故障诊断的一般过程,构建了一个通用的贯穿故障综合诊断过程的、基于信息融合的综合集成研讨厅故障诊断系统的体系结构,寻求到了一种基于多源信息融合故障综合诊断研究的新途径.     

设备故障信息融合问题的思考

认为信息融合技术是工程需求和科技发展的必然结果,给出了信息融合前应当去噪的信息熵解释,探讨了对信息融合方法的要求,提出了融合－识别的构架问题并了三类融合识别构架,对现有的一些信息融合的方法进行了回顾和小结。     

VTS中雷达信息与AIS信息融合的探讨

文章对VTS中雷达信息与AIS信息的来源、种类与特点进行了比较,论证了两者信息融合的可行性与必要性,同时给出了信息的融合模型与方法,也提出信息融合需要进一步解决的问题.     

基于NSCT和Bilateral滤波器的含噪声图像融合

对于含噪声红外与可见光图像的融合,在滤除噪声的同时通常也会损失同为高频信息的边缘细节.为了解决这个问题,提出了一种基于Bilateral双边滤波器和非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)的含噪声图像融合算法.首先采用NSCT方法对图像进行多尺度分解,调整参数使得到的红外图像和可见光图像的高频图像中包含了大部分的边缘信息和噪声,为了保留边缘信息和滤除噪声,采用Bilateral双边滤波器分别对两幅高频图像进行处理,并得到红外高频图像的细节图像.为了将原始图像的边缘细节信息尽可能多地提取到融合图像中,同时增强边缘信息,将红外细节图像与可见光高频图像叠加到一起,提升融合图像的视觉效果.然后,采用局部区域标准方差系数方法作为红外与可见光图像低频图像的融合规则进行融合.最后,将融合后的高频图像和低频图像根据NSCT反向变换进行重构,得到融合后的图像.实验结果表明,该算法在滤除噪声的同时能够很好地保持边缘细节,对于含噪声图像的融合具有很好的效果.     

基于多尺度模糊边缘特征的遥感影像融合方法

针对全色与多光谱遥感影像融合,提出了一种基于多尺度模糊边缘特征的融合方法.该方法根据à trous小波变换特点以及全色与多光谱遥感影像的频率关系,对全色影像进行多层小波分解,并将不同尺度下的小波面叠加得到多尺度小波面,然后对其进行模糊增强处理提取边缘细节信息,最后将边缘细节信息叠加到多光谱影像中得到融合结果.实验中与传统融合方法进行了主观分析与客观定量比较,结果表明本文方法具有良好的融合效果.     

基于实车数据的电动汽车电池剩余使用寿命预测

电动汽车电池剩余使用寿命预测是当下电池研究领域的热点内容,现有电池剩余使用寿命预测模型大多基于单一预测指标,预测精度较低,模型的泛化性能较差。本文通过实车数据构建了GM-LSTM的Stacking融合模型,实现电动汽车电池剩余使用寿命的准确预测。首先根据电池剩余使用寿命影响因素,提取车辆真实的运行参数和环境参数,基于随机森林算法筛选最优特征集合作为模型输入,其次选择差分整合移动平均自回归算法对所选特征进行惯性延伸,克服数据时间维度上的限制,最后基于数据特点,分别建立灰色预测模型和长短时记忆神经网络模型实现电池剩余使用寿命预测,并通过Stacking模型融合进一步降低预测误差。结果表明：模型融合 后平均相对误差为1.6%,平均绝对误差为0.013,能够稳定可靠的实现电动汽车电池剩余使用寿命预测。     

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。     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

基于神经网络的港口潮汐预报研究

分析调和分析法潮汐预报的局限性和神经网络技术用于潮汐预报的可行性,设计潮汐预报的神经网络模型,用验潮站20多年的潮汐记录作为样本进行网络学习和预报,验证神经网络用于潮汐预报并提高预报精度的可行性.     

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。     

基于神经网络的内燃机油清净剂复配性研究

清净剂间的交互作用是很复杂的,两种或多种清净剂间复配性难以用数学模型进行描述,应用神经网络处理非线性问题的强大功能,对清净剂复配性试验的结果进行了处理,并在神经网络的强大推广能力的基础上,计算出内燃机油清净剂复配的最佳比.该值与以前的结论极吻合.     

模糊神经网络在船舶柴油机维修决策中的应用

为了减少船舶柴油机维修决策过程中人为因素的影响,从历史数据中学习专家经验知识,提出一种新的决策模型——模糊神经网络。经过MATLAB仿真试验证明,该模型可以较好地学习历史数据中蕴涵的规律,所得决策结果与实际情况比较吻合。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于小波神经网络的高速公路区域经济影响评价

引入小波神经网络的自适应机制,建立基于小波神经网络的多属性综合评价模型EMWNN(15,20,1),并进行了实际应用.