基于视觉的非结构化道路识别综述

非结构化道路识别在无人驾驶中是一个具有挑战性的问题,涉及到道路本身类型不固定、形状不规则、表面不平整和边界模糊等复杂性。为了全面了解基于视觉的非结构化道路识别方法和研究现状,通过文献综述分析了3种主要的道路识别方法,分别是基于道路特征、基于道路模型和基于机器学习的方法。同时,整理了当前常用的非结构化道路开源数据集。结果表明基于道路特征和基于道路模型的方法计算复杂度高且识别精度较低,基于机器学习的方法能够显著提升识别精度,但也存在数据需求量大、训练时间长和可解释性差等问题。     

乘用车加速行驶车外噪声影响因素相关性分析

本研究通过对比统计学相关性分析方法和机器学习Lasso特征选择方法，分析多组乘用车加速行驶车外噪声试验结果与其影响因素间的相关性关系。首先使用SPSS软件按照正态性分析、皮尔逊相关系数分析、显著性检验的顺序对样本数据进行相关性分析，结果表明发动机额定转速、额定功率、气缸数、排量以及前悬长度与噪声试验结果有显著的正相关性。然后借助Python语言搭建Lasso算法模型对样本数据进行特征选择分析，结果显示发动机额定功率和额定转速与噪声结果的特征相关性显著。两种方法能够得到相近的结论，说明机器学习算法在整车试验数据挖掘领域中的应用前景广泛。     

基于机器学习的路面病害成因判别方法研究

为了构建路面病害成因的自动判别方法，以重庆市内环快速路为工程实例，分析了不同路段类型的沥青路面病害的典型特征，基于不同类型损害的关联特性确定了数据降维分析的可行性，并采用主成分分析法对路面的众多状态信息数据进行降维处理，且通过随机森林算法实现了路面病害的自动成因分析。结果显示，通过机器学习模型训练得到的成因结论与实际现场调查结论基本一致，可认为基于机器学习的智能判别方法对路面病害的成因分析具有一定的可靠性，可为后续智能养护决策系统的开发提供自动化的判别方法。     

岩土参数统计特征的贝叶斯估计

岩土参数的统计特征，如平均值、标准差对于岩土参数设计分析的可靠性至关重要。准确估计这些统计特征通常需要较多岩土参数的试验数据。实际工程中，由于工程预算、工程周期等原因导致具体场地所得岩土参数数据相对较少。试验数据的相对稀疏以及在工程设计中对岩土参数统计特征的需求经常使得工程师在工程实践中陷入困境。为了解决这一问题，利用贝叶斯估计的方法，将工程经验和少量的试验数据系统地耦合起来，进而帮助估计岩土参数的统计特征。同时以工程实例加以说明，并以模拟数据进行验证。     

基于神经网络的实时事故预测方法研究进展

道路交通事故预测作为道路主动安全管理的重要组成部分,在降低事故发生概率、帮助管理者制定安全决策等方面起着重要作用。随着数据需求的不断增加,传统方法已无法满足大数据的需求,机器学习和人工智能算法在动态、实时和复杂情况下的道路交通事故预测领域显示出强大的潜力。文章从数据获取和特征变量选择开始介绍,详细叙述了基于机器学习的神经网络及与深度学习结合后该方法在国内外的相关研究,分析了使用神经网络相关方法在建模时会面临的优缺点,最后对基于神经网络的交通实时事故预测方法进行了总结及展望,给出未来的发展趋势。     

基于聚类支持向量机的车型识别方法研究

地磁感应波形通过数据融合初步提取出结构、频谱和数值3个范畴的特征.利用Filter-Filter-wrapper模式对初步提取的特征进行组合式特征评估,即采用改进的ReliefF算法挑选最适合车型分类的不冗余特征,再建立Top-K机制的交叉验证搜索最优特征组合.引入基于聚类支持向量机(C-SVM)的车型分类算法,并采用微粒群算法对C-SVM算子中的核函数参数和惩罚系数进行了优化,构建了微粒群优化的C-SVM车型分类器.实验结果显示该车型分类方法能显著提高数据挖掘的效率,机器学习的能力,并且具备较高的车型分类准确率.      

基于收费数据的交通运行参数估计方法

为更精准利用收费OD数据获取路网时空交通运行参数,提出一种机器学习预测服务区驶入与收费OD数据增量迭代相结合的计算交通运行状态的方法.首先利用机器学习方法开展服务区驶入预测,通过调查获取23 515份问卷数据,利用随机森林模型、支持向量机、朴素贝叶斯模型3种机器学习方法开展训练和预测精度敏感性分析,结果表明进入服务区最...     

大数据背景下的桥梁结构健康监测研究现状与展望

结构健康监测（SHM）技术在许多大型桥梁的运营养护管理中均有应用，但已有监测系统积累的海量数据并未被充分解读。为将大数据技术引入到桥梁SHM数据的处理分析中，首先总结大数据的概念和构成要素；然后分析SHM数据的工业大数据属性，梳理桥梁SHM大数据的研究方向；随后综述包括处理技术和分析方法在内的大数据技术在桥梁SHM中的应用现状，在由数据预处理、数据融合、特征工程、模式识别、可视化构成的大数据分析流程中提出SHM大数据研究的需求和应用场景；最后对大数据技术在桥梁SHM中的前景与驱动力进行展望和讨论。结果表明：SHM大数据研究应以结构状态评估为落脚点；大数据处理技术在SHM的系统框架搭建及数据分析能力扩展方面虽已得到较多应用，但其并非SHM大数据研究的重点；SHM数据融合对大数据分析方法有迫切需求，以实现桥梁SHM数据与外观检测等多源异构数据的多层面融合；深度学习、集成学习为结构状态敏感特征的提取提供了新的算法；有监督、无监督机器学习方法结合海量SHM数据将对结构状态评估下的模式识别问题形成更全面的认知；异常识别、相关分析、迁移学习等方法可为实桥SHM损伤识别提供支撑。研究结果可为SHM领域的大数据研究提供参考。     

基于数据驱动的电动汽车电池安全风险预测

为了对电池安全风险进行准确预测，本文提出基于一种车-天气-驾驶员的多指标电池安全风险预测方法。首先提取车内外多维度信息即运用数据挖掘提取了天气状况、汽车行驶工况和驾驶风格等多指标特征，以模拟实际的电池应用场景；然后通过随机森林和SHAP组合模型的方式对特征进行筛选，从而提高了模型的泛化性和鲁棒性；最后将电池安全风险预测问题解耦为机器学习预测和时间序列预测问题，分别选择XGBoost和随机森林模型进行预测，并在此基础上建立新的Stacking集成模型对电池安全风险进行预测。最终模型的预测效果和数据实验的结果表明，该方案对电动汽车电池安全风险能做出较为准确的预测，可以为安全化、智能化的电池管理系统提供辅助决策信息。     

基于材料基因组方法的沥青混合料基因特性综述及展望

基于数据驱动的材料基因组方法是未来材料研发的趋势，尤其对于具有复杂材料组成、显著结构随机性和材料分布不均匀性的沥青混合料具有重要的指导意义。为推动沥青混合料基因组方法的应用，综述了影响沥青混合料性能的材料基因组体系及与使用性能的关联。首先，总结了目前材料基因组方法在材料工程领域的应用；然后，介绍了沥青混合料基本材料特征基因，主要包括沥青组分、沥青微观结构、集料矿物组成和集料形貌特征，并分析主要特征基因与材料性能之间的联系；进而，介绍了沥青混合料细观结构特征基因，包括空隙分布、集料分布和集料接触关系，总结了细观尺度上的研究方法及特征基因与沥青混合料性能的联系；最后，展望表征沥青混合料性能的代表性材料基因组体系、基因组数据库、共享平台及数据挖掘方法。     

磷酸铁锂电池循环寿命的加速试验验证方法

为建立一种电池容量衰减的加速试验评估方法，分别在 15 ℃和 25 ℃下，选取 0.5 C、1.5 C、2.0 C 充电倍率作为变量进行寿命循环试验，获得容量衰减数据；应用机器学习中的Lasso 回归方法对数据进行三次多项式、二次多项式、一次多项式及不同正则化力度的拟合，确定适于当前数据的拟合方程；以充电倍率作为应力输入的逆幂律模型，建立以多项式系数为寿命特征的加速循环寿命模型，预测曲线任一点寿命。试验结果表明，该方法预测效果较为准确，具备一定的参考价值及应用意义。     

基于可解释极端随机树模型的 DCT 液压响应预测

为解决传统湿式双离合器变速器 （Dual Clutch Transmission， DCT） 控制策略在硬件误差以及复杂工况下液压响应预测精度不完全可控的问题，提出了一种基于 SHAP 图可解释极端随机树预测模型，使用机器学习方法结合某汽车公司 DCT 实验室采集的真实离合器数据对 DCT 液压响应进行预测。模型利用 SHAP 算法对于重要特征选择的可解释性，筛选并保留对液压响应影响较大的特征，将时间切片和升降压判定作为特征加入训练数据，训练预测模型。结果表明，该模型训练结果的均方误差 MSE 为 0.670 3，可决系数 R2为 1.000 0，并且在测试集上预测值与实际值之间的平均误差为12.99 kPa，远低于设计误差 25 kPa，具有较高的预测精度，特征选择较准确，可以很好地解决传统物理模型无法计算不同工况下液压响应的问题，为下阶段基于数据和物理双驱动的DCT控制策略优化提供较准确的预测结果。     

基于社交网络数据的交通突发事件识别方法

为了从社交网络数据中挖掘出交通突发事件,研究了基于机器学习的文本识别方法.通过关键词和地点定位,利用网页爬虫"Beautiful Soup"爬取到原始文本.采用正则匹配、重复度计算以及"0-1"标记预处理原始文本.基于预处理后文本特征,研究了基于特征权重的特征词选取方法;其中,特征权重的计算综合了词语的出现频率和含有该...     

基于机器学习的超大跨度悬索桥健康状态评估

随着桥梁健康监测系统及其应用的不断完善,采用机器学习进行桥梁健康状态评估成为必要趋势。以超大跨度悬索桥为研究对象,基于桥梁监测数据与机器学习算法,建立了一种以提取结构损伤特征为目标的回归网络,并以峰值系数法和连续小波变换法作为对比,采用密度聚类法对桥梁结构的健康状态进行评估。结果表明:采用改进四分位距法可有效消除监测数据中的异常跳点,回归网络提取的损伤特征与密度聚类法在桥梁健康状态评估中的适用性良好。研究成果为机器学习下的超大跨桥梁健康状态评估提供了理论借鉴和方法参考。     

适用于机器学习的公路典型选线案例库构建方法与实践

为应对采用机器学习技术开展公路智能选线研究中对高质量案例数据的需求,研究了公路典型选线案例库构建方法。首先,采用文献调研、专家访谈的方法进行了选线案例数据整理和分析,明确了公路选线案例库构建面临的数据源分散、人工数据采集分析困难、算法模型接口需求多样及涉密数据安全性高等4个方面技术难点。提出了“以既有勘察设计及咨询项目成果数据为源头,案例数据预处理、标准化、后处理流程为核心,研发系列软件实现案例内容生成自动化”的选线案例库构建思路及实施技术路线;其次,通过梳理各项目管理系统中工程数据库、设计技术资源库等企业项目数据资源,甄选出了40个包括高速公路和其余各等级公路的选线设计代表性案例项目,并按制定的数据标准进行分类、数字化存储,制作了一套可供机器学习的案例库;最后,探讨了在实际公路选线设计工作中动态持续更新案例库的方法和实现路径,对构建更大规模高质量选线案例库和智能选线算法研究具有示范和参考价值。     

基于大数据的总装设备的预测性维护系统

文章主要研究预测性维护在汽车总装设备上的应用,首先通过物联网技术构建设备底层的数据采集系统,然后引入大数据分析工具Python,对实时数据和历史数据进行数学分析,抽取各种工况下的设备特征和模型,建立该系统的大数据模型,最后通过机器学习,实现设备的预测性维护,降低维修成本或停线风险,从而提高设备开动率。     

基于道路线形的智能汽车事故多发路段预判模型

分析了道路线形对智能汽车行驶安全性的影响,分别使用数据驱动的机器学习方法和模型驱动的经典数学建模方法,建立了以道路线形技术指标为输入的神经网络模型和多元数学模型,预测事故多发路段;计算了各个道路线形技术指标与事故率之间的偏相关系数,从中挑选出与事故率相关程度较大的道路线形特征,使用T检验和F检验验证了道路线形特征组合和...     

机器学习在桥梁病害检测识别中的研究应用进展

由于受到车辆荷载、自然环境等影响,桥梁在运营期间将产生不同程度的病害缺陷,从而影响桥梁安全使用。传统的桥梁病害检测识别容易受到人为主观因素影响且效率较低,机器学习(ML)作为人工智能的核心技术,以其高效、便捷、智能的优点在土木工程病害检测领域中逐步得到应用。本文从检测识别现状、机器学习理论、基于机器学习的病害检测识别等方面,重点阐述了机器学习在桥梁病害检测识别中的实现方法与应用前景。     

基于机器学习的中小跨径公路梁桥抗震设计评价方法研究

为了探究机器学习方法在桥梁抗震中实现的基本思路,简要回顾了桥梁抗震分析理论与技术的发展和现状,综述了机器学习的应用领域,特别是在土木工程领域中的应用现状。介绍了机器学习的概念,总结了其关键因素和搭载平台,通过简单实例说明了机器学习的常用方法和代表算法。首先,总结了我国公路中小跨径桥梁多采用简支梁和连续梁的梁桥形式,同时统计了汶川地震中该类桥型的震害现象,包括桥墩、支座和挡块、桥台根据震害现象的破坏等级划分。其次,总结了国内外学者针对支座和挡块、桥墩、桥台开展的一系列抗震性能试验研究,回归出用于抗震分析的本构关系,进而得到桥梁各构件(包括基础)的抗震设计因素。最后,阐述了机器学习方法辅助该类桥梁抗震设计和评价中实现的总体思路,说明面向桥梁抗震任务的机器学习主要有两方面的工作:第一项是收集数量可观的桥梁设计资料,建立数据集;第二项是数据挖掘,包括对原始数据的处理,调试或开发合理的机器学习算法模型,并简要探讨了现有基于性能的概率抗震设计和评价方法对我国桥梁进行分析时存在的不足。在此基础上,指出下一步工作,展望桥梁抗震分析技术的未来发展方向——基于人工智能的桥梁抗震研究,并倡导学科之间的相互融合及专业人员之间的相互交流。     

基于大数据的高速公路交通事故分析系统研究

高速公路交通事故数据体量大、类型多、时效性要求高,应用大数据理论深度挖掘数据特征以提升运营安全已成为趋势。为建立交通事故分析系统,集合道路线形、交通流、历史事故数据等,首先采用邻近度技术、关联分析法清洗数据;然后从行车危险度角度,界定并筛选高速公路事故特征路段;最后利用变量柔性的广义负二项分布构建特征路段的事故预测模型。该系统的建立将可以充分挖掘事故数据特征,并辅助道路交通管理者实施决策。