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。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

汽车故障诊断中的缺省规则挖掘

对基于Rough集理论的缺省规则挖掘算法进行了研究，在引入规则支持度概念后，提出了一种基于Rough集的缺省规则挖掘新算法。并将该算法应用于汽车故障诊断领域的知识挖掘。试用表明该算法具有一定的实用价值。     

基于时间序列挖掘的城市供水控制系统研究

本文从分析当前城市主要的供水控制系统入手,提出了基于时间序列挖掘的系统方案,进而改善了数据处理的算法并提高了系统实时监控的能力。本文设计了系统的前馈、反馈控制结构,并给出了时间序列分析算法。     

交通网络中多路径优化选择算法的研究

指出了传统的多路径问题及其算法存在的缺陷,给出了多路径优化算法的几个定义,在此基础上,提出基于重叠惩罚的多路径选择算法,设计出了重叠惩罚函数数学模型结构以及路径相似性评价函数定义,对惩罚函数中的协调因数敏感性进行分析,给出了合适的协调因数。该算法能有效地解决候选路径重叠相似性问题,而平均总旅行时间比率基本不变,从而更适合驾驶人员的实际选路需求。与传统k最短路径算法进行了试验比较,结果表明该算法明显优于传统k最短路径算法。     

A Multi-license Plate Location Algorithm for Vehicle Sequential Images

针对序列图像的多车牌定位问题,提出了一种综合车牌特征与梯度分析的定位算法.该算法使用灰度均衡化与中值滤波算法对图像预处理来消除噪声,利用测试样本图像提取出若干有效的车牌参教作为定位系统的输入,实现了全自动定位车牌的目的.并引入MGD梯度分析方法辅助边缘提取算法来提取车牌候选区域,利用HSV颜色模型,使用主颜色分析方法分析候选区域,并通过车牌字符纹理分析方法做进一步的判断.使用Hough轮廓检测方法计算非文本区域块的直线斜率.该算法定位效果较好,鲁棒性强,有很好的工程应用推广价值.     

基于深度学习的时空交通流预测算法

在智能交通系统中,准确地预测交通流量对优化交通管理和提高城市整体流动性起着至关重要的作用。随着深度学习技术的广泛应用,人们对交通流时空特征提取展开了深入的研究。本文提出了一种基于图卷积网络和Transformer的交通流预测算法,利用深度学习算法的强大功能来捕获交通动态数据中固有的复杂的时空模式。首先,通过时空图卷积网络提取空间特征;其次,通过Transformer动态地提取全局时间依赖关系;最后,为了验证该算法的性能,我们在真实交通数据集上进行了大量实验,结果表明该算法的预测准确性优于对比模型。     

浅析关联规则挖掘算法

数据挖掘(Data Mining),指的是从大型数据库或数据仓库中提取人们感兴趣的知识,这些知识是隐含的、事先未知的潜在有用信息.本文首先介绍了关联规则的基本概念、分类、价值衡量方法,然后详细叙述了现有的关联规则挖掘算法.最后对于实际问题的解决作了简单讨论.本文主要涉及单维布尔关联规则,对多层和多维关联规则挖掘仅作简单介绍.     

城市轨道交通客流预测算法研究

城市轨道交通客流预测是客运组织的基础,预测结果可为运营管理提供决策依据.针对城市轨道交通客流量预测问题,提出了一种ARMA-RBF组合客流预测算法:首先根据变点算法,通过对客流数据构成的时间序列处理得到变点集;然后基于小波变化对变点集进行去噪处理;最后利用ARMA-RBF算法对城市轨道客流进行预测.以北京地铁4号线新街口、平安里、西四地铁站进出客流数据进行方法验证,结果表明,相较于单独的ARMA算法或RBF神经网络算法,ARMA-RBF组合客流预测算法可提高城市轨道交通进站客流预测的精度.     

基于纹理特征的低照度环境下车牌定位与识别算法

在深入分析低照度环境下车牌图像特征的基础上,提出一种低照度环境下的车牌识别算法。该算法利用车牌区域水平灰度投影具有的显著纹理特征寻找车牌可能存在的区域作为车牌候选区。然后根据候选区域中的灰度分布特征确定最终的车牌位置。针对汉字与字母数字的结构上的差异,分别采用2种模板对汉字和数字字母进行了识别。对157张低照度条件下的车牌抓拍图像进行了算法测试。结果表明:提出算法的车牌定位准确率为97.46%,字符分割准确率为97.10%,字符识别准确率为94.71%,基本满足了实际工程需求。     

基于R—图的联接操作序列产生算法

在Ｒ－图的基础上提出了结关接子图的概念，并给出了一个有效的产生新关系模式的无损联接操作序列算法。     

基于GABP算法的车身装配分析

合理的车身装配公差分配可以在产品质量要求与生产成本限制之间得到平衡。文章提出了一种遗传算法（GA）BP神经网络的混合算法,用于生成和优化顺应组件的装配顺序。通过装配建模来描述其几何形状,其中包括三组零件,零件之间的关系和关节。装配序列被表示为个体,被分配评估函数,该评估函数由适应度和约束函数组成。适应度函数用于评估可行序列;此外,约束函数用于演化不可行的序列。混合算法从随机初始的染色体群开始,通过使用繁殖、交叉和变异操作进化新群体,并终止直到可接受的序列输出。描述了薄板组件的组装过程,提出混合算法以选择合适关键测量点（KMP）的最佳方案。     

城市道路土基病害核匹配追踪识别算法

为准确识别道路土基病害以避免路面塌陷事故的发生,采用探地雷达对城市道路进行检测。针对城市非硬化道路和硬化道路土基病害出现的一般规律,首先通过维纳滤波器对探地雷达图像进行一维滤波,在滤波过程中,对增益函数进行倒谱域内的平滑处理,进而得到增强的雷达图像;然后,采用傅里叶变换、小波变换等信号处理方法,得到探地雷达图像在不同变换域的结果,并通过构建傅里叶核函数、多项式核函数、克罗内克核函数等不同的核函数字典,对探地雷达图像在不同变换域的结果进行匹配追踪,比较在不同核函数下的核匹配追踪序列;最后,通过比较不同核匹配追踪序列的差异,分别找出对道路土基水害和空洞病害类型敏感的核匹配追踪序列,通过该序列识别城市道路土基病害的类型。利用基于相关系数的病害度量算法比较核匹配追踪序列,判断城市道路土基病害发生的区域,并通过算法识别非硬化道路与硬化道路的地下病害。结果表明:病害类型及范围与实际情况相符,水害和空洞均能得到有效识别;通过5组城市道路探地雷达探测数据集验证了算法的有效性,识别准确率达到了99%以上;利用核匹配追踪算法处理探地雷达图像有助于城市道路土基病害识别,可减少路面塌陷事故的发生。     

基于序列影像种子跟踪的道路线自动提取算法

为快速建立道路精确的几何模型,利用车载移动测量系统获取的序列影像开展了道路边线自动提取方法研究.针对不同类型道路边线的特征,提出了一种基于序列影像种子跟踪的道路线自动算法.首先,对不同质量道路影像分别采用基于灰度信息和梯度信息的道路边线边缘检测方法;其次,采用线性回归模型拟合道路边线,以当前帧拟合直线为种子点,提出了基于种子直线的序列影像感兴趣预测方法,在此基础上对下一帧影像道路边线进行跟踪;最后,以高速公路和城市街区道路序列影像为例,开展了道路边线自动跟踪提取试验,结果表明此方法可以达到优于20 cm的精度,具有很好的鲁棒性.     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。     

基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。     

基于OGS-DTW算法的交通事件自动检测方法

为提高交通事件检测方法的综合性能,使用动态背景更新和改进的运动估计,将动态图像序列转化为车辆标号场,实现对车辆的跟踪;构造轨迹建模和编码,提取车辆的运动轨迹,并建立自组织神经网络进行行为模式学习;最后,使用OGS-DTW算法对轨迹数据进行预处理,并对距离函数进行求解,从而实现待测事件序列的轨迹与典型轨迹数据模式的匹配。分别以U形转、违章左拐和违章变道3种事件为对象进行了多组对比,检测成功率均在80%以上。试验还进行3种检测方法指标的对比,在平均耗时方面,一般的DTW算法、改进的DTW算法及基于OGS改进的DTW算法分别是126.5、62.5、69.8 s;而它们的事件检测成功率分别是84.6%、68.8%和88.3%。结果表明:基于OGS-DTW算法的交通事件检测方法稳定且可靠,在显著降低计算量的同时,仍然保证了较高的匹配准确性,成功率高、实时性好。     

基于不完备信息系统最小决策算法的研究

数据挖掘中面临大量的不完备信息系统,即可能存在部分对象的一些属性值未知的情况。不完备的数据可能使挖掘过程陷入混乱,导致不可靠的输出,同时也可能存在部分对象的一些属性值未知,而这些属性值却为数据的关键属性。本文从不完备信息系统中抽取最小规则集的、进行研究,提出一种决策算法的极小化方法以获得最小决策算法。     

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.