基于萤火虫-免疫算法的CVIS测试序列优化方法

为了对车路协同系统的功能进行有效测试,提高测试效果,对测试序列优化方法进行了研究。通过对车路协同系统进行功能需求分析,构建包含多交叉路口、多路段、多车的车路协同系统典型应用仿真场景,并对典型场景利用故障树分析的方法进行功能特征分析,建立基于系统功能特征的系统测试用例,研究车路协同的功能特征,生成的测试用例进行带端口标记的时间输入/输出自动机建模,并用建模工具UPPAAL完成建模实现,利用UPPAAL建模工具的测试序列生成模块,完成基于带端口标记的时间输入/输出自动机的测试序列的自动生成,得到针对车路协同系统仿真测试的测试序列。着重设计运用萤火虫算法和免疫算法对已经生成的测试序列进行优化,并且从序列覆盖度、冗余度、快速性方面对测试效果做出了评估。研究结果表明:当示例场景状态数较多时,优化算法能保证测试序列的覆盖度为100%,且能降低测试冗余82%,缩短测试时间约为10s;基于萤火虫-免疫算法的测试序列优化方法在测试冗余的降低上卓有成效,且优化算法较时间自动机而言能够更快更有效地降低测试冗余,优化算法的测试效果明显优于时间自动机生成的原始序列;通过对测试冗余的降低实现测试效率的提高具有可行性。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

序列模式挖掘及其算法的研究

数据挖掘在最近几年里已被数据库界所广泛研究,而序列模式挖掘是数据挖掘中最重要的研究课题之一,本文介绍了序列模式挖掘的概念,并重点分析了序列模式挖掘的一种经典算法。     

浅论数学建模的先进算法

本文讨论了在数学建模中的两类常用算法,对优化类算法中的先进算法包括遗传算法、神经网络、模拟退火法以及预测类的先进算法包括灰色预测、时间序列预测的算法思想和算法实现过程进行了说明.     

路径行程时间的组合预测方法研究

立足于历史和实时数据的融合应用,从实际应用角度出发,构筑了一种路径短时行程时间的组合预测模型和相应算法。该组合预测模型包含基于历史数据特征向量的聚类分析子模型和基于路径行程时间序列的自回归子模型,通过贝叶斯概率公式实现子模型的权重分配。并对数据进行滚动式处理,实现权重系数的实时更新。最后选择上海市快速路系统3条典型路径进行实例分析,并与实际牌照自动识别行程时间数据进行对比验证。     

一种短时交通流异常数据识别新算法

为了提高短时交通流预测建模的准确性和可靠性,需要对原始交通流时间序列中的异常数据进行识别和修正。首先分析了异常数据的来源,重点介绍了一种基于统计的双重准则识别算法;其次给出了一个实例分析,在建立短时流量预测模型前,将双重准则识别算法用于交通量时间序列以排查异常数据。实例研究表明,文章提出的双重准则识别算法可快速有效地辨认出交通流异常数据。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

新多维序列挖掘算法:对AprioriAll算法的改进

本文在序列模式挖掘算法AprioriAll算法的基础上,提出了一种新的序列模式挖掘算法。该算法改进了AprioriAll算法每次从候选项集中挑选大项集都要扫描数据库的缺点,以位图袁示法(bitmap representation)描述数据库,并利用矩阵式的数据结构对候选集进行计数,减少了数据库扫描次数,从而提高了挖掘的效率,实验证明,该算法在性能上优于AprioriAll算法。     

公路交通规费收入的月度预测时间序列分析

本文旨在对公路交通规费月度收入变化情况进行预测。以四川省公路养路费收入的月度时间序列为研究数据,采用时间序列季节单整自回归移动平均模型进行分析,并对其预测效果进行了评估。结果表明,SARI-MA模型可以较好的拟合研究对象的历史数据,结合时间序列特点,可以对研究对象进行较为科学、准确的预测。     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

混合交通交叉路口跨摄像机自行车再识别研究

为了从跨摄像机自行车协同跟踪过程中获得高精度的动态运行轨迹,针对跨摄像机自行车跟踪过程中再识别问题进行了试验研究。考虑到混合交叉路口环境复杂、室外光照变换强烈、摄像机拍摄视角差异等因素的影响,提出了一种在无视域重叠条件下基于样本序列分组相似性度量的混合交通交叉路口跨摄像机自行车再识别算法。采用统计学方法,将自行车样本划分为3个部件并统计出各部件分割比,通过对自行车图库中各部件提取的特征进行聚类分析得到对应部件原型特征。采用对比分析法,将样本序列代替单个样本作为查询图像并对样本数进行了定量分析。从特征鲁棒性设计方面进行分析,通过将每个样本部件与对应部件原型进行相似性度量形成更具抽象性的原型相似度特征。通过系统抽样的方法将图像序列进行分组,并采用组内全连接而组间不连接的方式计算样本间相似度来改善算法时间复杂度。为了有效分析该算法的性能,制作了1个自行车再识别数据集BIKE1,并且在分组性能评估、部件原型参数设置以及同类算法性能比较3个方面进行了试验对比。研究结果表明:采用样本序列作为查询图像具有更高的识别准确率,并且将样本序列分为2组时识别率最高;自行车样本划分为3个部件有效地增强了算法对光照变化等影响因素的鲁棒性;与当前同类算法相比,所提算法具有更高的识别率。     

高速公路交通流混沌特性研究

提出了一种基于Zuo Binwu矩阵算法的判别交通流混沌的最大Lyapunov指数改进算法，并用这种改进算法和功率谱法研究了高速公路实测交通流的混沌问题。绘制了高速公路交通流实测的时间序列的功率谱曲线。通过分析这种车头间距的功率谱曲线，可以明显地观察到交通流频谱出现了噪声和宽峰的变化。应用最大Lyapunov指数改进算法计算这些时间序列的最大Lyapunov指数，用它判定实测交通流是否存在混沌现象。结果表明高速公路实测交通流中存在混沌现象。最后对结果作了分析．得出了对于研究与应用交通流有益的结论。     

基于多参数状态时间序列的交通状态预测方法

利用多个参数描述交通状态时,交通流数据表现为多维空间数据。提出了将属于每个状态的多维空间数据转换为一维时间序列的方法,对于此状态时间序列采用BP神经网络进行了下1个时段的交通状态预测。实验结果表明,多参数状态时间序列比单个参数时间序列能更准确地描述交通流状态变化过程,且算法简单,具有较强的预测实时性。     

快速路交通流时间序列分形维数研究

对取自于北京、沈阳和上海3座城市的4组快速路交通流数据进行分析,判别出交通状态为同步流或自由流.通过改变时间尺度观察时间序列的自相似特性和利用功率谱法判别,发现在两种状态下,系统都具有分形和混沌特性,可以应用相关理论进行研究.应用G-P算法计算了流率和速度序列在不同统计间隔下的关联维,计算了流率、速度的Hausdorff维数,并对计算结果进行了讨论.在此基础上,指出了分维在交通流理论研究中的应用方向.     

基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究

对锂离子电池动力学系统进行了非线性特性分析,并判别了其混沌特性。采用相空间重构技术恢复锂离子电池动力学系统原有的混沌特性,得到多维状态空间的时间序列,利用LS-SVM模型对重构后的时间序列进行预测,获得荷电状态(State of Charge,SOC)的预测值。仿真结果表明:与BP神经网络预测模型相比,该预测方法具有较高的预测精度和较好的适应性,对实际应用具有一定的指导意义。     

基于BIM的多塔斜拉桥评估系统研究

本文基于王家河特大桥多塔斜拉桥,建立了桥梁BIM模型,通过轻量化和网页化形成了在线评估平台。基于江苏省地方标准《大跨径悬索桥和斜拉桥养护和评估规范》开发了多塔斜拉桥的评估系统,通过层次分析法确立了桥梁的评估指标。基于斜拉桥的健康监测数据,对索力等序列指标进行时间序列分析,提取了指标的趋势变化,并通过监测数据验证了预测方法的准确性,根据其趋势变化及上下限值对序列指标进行评估。通过BIM平台与评估体系的融合,为大跨度多塔斜拉桥服役性能评估提供了技术支撑。     

基于近似熵和统计复杂度的交通流复杂性测度

为了定量描述交通流系统的复杂性,引入非线性动力学的近似熵和统计复杂度特征量,计算混沌区域Henon和Logistic序列、周期序列、白噪声序列的近似熵和统计复杂度,并通过计算5个实测交通流时间序列数据对其近似熵和统计复杂度进行了计算分析。结果表明:这2种特征量能够有效测度系统的随机性和非线性,可以解决复杂性刻画的"短序列、可比较"难题,适于实测交通流的复杂性测度;交通流系统随机性较强,带有非线性结构,可能产生混沌,应该综合使用多种复杂性测度方法。     

基于分形理论的交通事故分析

以某市交通事故统计资料为例,首先采用功率谱分析方法论证了分形理论用于交通事故分析的可行性,计算结果表明在统计意义上,该市交通事故时间序列具有自仿射性。接着利用分形的自相似性与标度不变性将内区间的分形特性进行延拓,并由此构造了具有外推功能的分形插值算法,实现交通事故预测。该算法利用内区间的迭代函数系和吸引子由特定初始点进行搜索,通过迭代使得到的点集与吸引子的均方偏差最小,从而获得需要外推点的函数值作为预测值。最后对交通事故时间序列进行R/S分析,进一步验证了预测结果的合理性,结果表明该市未来几年交通事故仍有增长趋势,应继续加强交通管理。     

基于相空间重构的短时交通流预测研究

短时交通流预测在城市交通控制和管理中起着十分重要的作用。本文通过分析短时交通流量数据在时间序列上的特点，引入混沌理论的分析方法，从非线性时间序列预测的角度对交通流量预测进行了研究。通过计算交通流系统相空间重构参数，给出了一种基于相空间重构理论的局部预测方法，对城市道路路段交通流量进行短时预测，取得了较为满意的效果。