基于K-Means和GA-WNN的交通流量预测

如何对交通流进行准确和实时的预测是实现交通管理的关键所在。文章根据交通流数据的时间序列特性,提出基于K-Means算法与遗传算法(GA)优化的小波神经网络(WNN)预测方法:首先对交通流流量序列按照流量采用K-Means算法进行分割,分割后的结果较符合流量的分布情况;然后使用GA-WNN对分割后的每一个时间段的交通流数据分别进行建模和预测。仿真结果表明,该方法对交通流量预测的精度较好。     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

基于改进孤立点算法的异常交通数据识别

以地磁检测数据为基础,分析导致交通数据异常的原因;基于对异常数据的识别,对基于相似系数和的孤立点算法进行改进,即对规律性的交通数据进行时段划分,计算相似系数,采用交通量和时间占有率逐次逼近基础值的方法设定阈值。通过实例对分别采用传统阈值筛选法和改进后的孤立点算法对异常交通数据的识别结果进行对比分析。研究结果表明:基于改进相似系数和的孤立点算法对异常数据识别的检测率高于85%,误检率低于25%,识别结果优于传统阈值筛选法,可快速、有效地识别交通异常数据。     

基于手机运动传感器数据的交通流拥挤识别

准确的交通流状态识别是智能交通管理与控制的基础.通过所开发的手机端软件从手机中提取车辆的加速度与角加速度数据,在研究了其统计特征后,发现该数据可反应周围车辆对目标车辆运行环境的影响,从而与交通流状态的变化有着密切关系.利用支持向量机学习算法,以加速度与角加速度统计参数作为输入变量识别断面交通流状态.实验结果识别精度最高达到92%,表明加速度和角加速度指标可作为交通流状态的表征参数.该研究采用Lasso模型和最小角回归算法对输入参数进行变量选择,在降低计算成本的同时保证了良好的识别效果.      

考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.     

改进多层分类策略的随机森林网络入侵检测方法

在当前网络入侵检测方法研究中,存在样本数据不平衡的问题,小样本数据(异常数据)过少是检测准确率低的重要原因,现有方法对小样本数据存在检测率低的问题.为了解决该问题,提出一种改进多层分类策略的随机森林网络入侵检测算法,该算法使用随机森林作为基本单元构建多层模型.首先,在不同层划分出不同的超类,在划分超类前,利用聚类质心技...     

基于Dense_YOLO的室内目标异常检测

针对室内场所,运用目标检测等算法实现对监控视频的实时异常检测.为提高检测效果,对YOLO v2模型进行了三个方面的改进:利用稠密网络中特征融合方式改进网络结构;使用K-means++对目标框进行聚类改进网络参数;利用迁移学习的方式对网络进行训练;改进最终得到Dense_YOLO目标检测模型.实验结果表明Dense_YOLO正确率达到了93.66%,相比YOLO v2提高了7.06%.针对人、宠物、贵重物品这几种常见的监控目标,利用Dense_YOLO对目标状态进行异常检测,并分别在一般场景、光照强、光照弱、目标被遮挡、目标较小等不利条件下进行测试,区域入侵检测、物品移动/移出检测两种特定目标异常检测功能分别到达92.73%、90.07%的平均正确率.     

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题，提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法；为提高模型对道路车辆的检测能力，采用K-means++聚类算法对目标候选框进行聚类分析，选择合适的Anchor box数量，并在网络浅层增加了特征提取层，可提取到更精细的车辆特征；为加强网络对远近不同目标的鲁棒性，在保留原YOLO v3模型输出层的同时，增加了一层输出层，将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图，并将其与浅层同尺寸特征图进行拼接，实现车辆目标的检测；为了降低目标遮挡对检测效果的影响，提高对视频上下帧之间关联信息的关注度，将改进YOLO v3模型和Deep-SORT算法相结合，以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能，与在网络浅层增加特征提取层的模型相比，平均精度提高了1.4%，与增加一层输出层的模型相比，平均精确度提高了0.8%，说明改进YOLO v3模型提取的特征表达能力更强，增强了网络对小目标的检测能力；改进YOLO v3模型在引入Deep-SORT算法后，查准率和召回率分别达到90.16%和91.34%，相比改进YOLO v3模型，查准率和召回率分别提高了1.48%和4.20%，同时保证了检测速度，对于不同大小目标的检测具有良好的鲁棒性。      

航道内实时船舶交通流航行风险主动评估

为主动评估航道内实时交通流航行风险,并对交通事故状态做出预警,利用高斯混合模型和最大期望算法构建了贝叶斯网络。基于长江草鞋峡水道内船舶检测器数据和交通事故数据,学习和训练贝叶斯网络的结构和参数,构建了贝叶斯网络分配器。分别对8组船舶交通流数据建立贝叶斯网络分类模型,结果表明:采用交通事故发生前20~40 min内、且距离事故地点最近的2个船舶检测器的数据构建的模型分类效果最优,正确率为78.13%。最后通过与BP神经网络和K近邻两种估计算法比较,证明了BN模型预测效果更优,是一种较好的实时交通流航行风险评估方法。     

基于分类与回归算法(CART)的城市道路交通状态阈值划分研究

交通仿真平台建设作为目前ITS的重要部分,对交通诱导、交通管理控制等有着密切的关联,而交通状态阈值的划分与交通仿真息息相关。本文提出了一种基于分类与回归树(CART)算法的交通状态阈值划分方法,运用三相交通流理论分析交通流状态的分类与转移过程,以确定交通状态阈值划分的基本原理,进而对合理构建决策树奠定理论基础。通过对昆明市学府路和一二一大街上的交通流量特性分析,验证了该方法的有效性与合理性。     

改进的Sliding Window在线船舶AIS轨迹数据压缩算法

分析了船舶AIS数据的时间序列特征与船舶操纵特性, 提出了改进的Sliding Window在线压缩算法; 计算了277艘船舶总计1 026 408个坐标点的AIS轨迹数据, 确定了合适的压缩阈值, 分析了距离阈值与角度阈值对算法压缩率的敏感程度; 根据压缩率图像的阶跃点, 推荐了高、中、低3个档位的距离阈值和1个角度阈值, 对比了Douglas-Peucker算法和改进Sliding Window算法的压缩率与压缩效率。试验结果表明: 随着压缩率的提高, 压缩后所剩下的点越来越少, 数据所保留下来的有用信息也越来越少; 压缩率与距离阈值、角度阈值均呈正比; 经量纲为1化处理的高、中、低档位压缩距离阈值分别为43%、38%、33%船长; 距离阈值为130m时, 角度阈值超过9°后压缩率平稳, 所以推荐角度阈值为9°, 与《海港总体设计规范》 (JTS 165—2013) 中风流压差角8°相接近; 随着距离阈值的增大, Douglas-Peucker算法和改进Sliding Window算法压缩率趋于相近, 当距离阈值为120 m时, Douglas-Peucker算法压缩率仅比改进Sliding Window算法高1.74%;在5种距离阈值的情况下, Douglas-Peucker算法运行所用的平均时间是改进Sliding Window算法的5.39倍; 随着数据量的增大, 2种算法压缩效率的差距更加明显。可见, 改进的Sliding Window算法能在降低压缩风险的同时大幅提高压缩效率, 可以在数据持续更新的状态下一直保持压缩状态, 与普通压缩模式相比, 系统所占用的资源更少, 处理效率更高, 可用于船舶轨迹数据处理、电子海图显示与对船舶关键行为特征提取等方面。      

基于时空行为规律挖掘的公交乘客分类方法

应用智能公交系统(APTS)提取个体乘客出行信息，构造了公交出行链，研究了基于时空行为规律挖掘(STBRM)的公交乘客分类方法；应用时间序列表征乘客出行时间特征，利用互相关距离(CCD)算法计算了个体乘客出行时间规律；应用带噪声基于密度的空间聚类(DBSCAN)算法，挖掘了个体乘客的出行空间规律；依据出行强度和出行时空规律，将乘客划分为极少出行、时间规律、空间规律、时空规律和不规律等5个群体；以出行天数、类似上车时间数量和类似上车站点数量为聚类指标，应用K-Means++算法将乘客划分为高规律、中规律和低规律3类，比较了本文提出的STBRM方法和K-Means++聚类方法的分类结果，揭示了2种方法分类结果之间的关系。研究结果表明: 当时段划分长度取5 min，时间规律性判断阈值取3.0时，利用CCD算法识别时间模式规律乘客的效果最佳，与常用的DBSCAN算法相比，识别率提升了14.64%；增加时间窗长度能够提高时间、空间模式规律判定结果的稳定性；时间窗长度达到3周后，空间模式规律的乘客比例下降趋缓，达到6周后趋于稳定；时间窗长度达到2周后，时间模式规律的乘客比例增长趋缓，达到4周后趋于稳定；时间规律、空间规律和时空规律等3类乘客数量仅占总乘客数量的30.4%，但其出行量占到了总出行量的84.7%，公交依赖度很高，应作为公交机构重点保障的对象；本文提出的STBRM方法与K-Means++聚类方法的分类结果具有较强的关联性，规律性极高或极低的群体高度重合。      

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。     

基于MFCM的改进聚类算法及其在交通中的应用

在交通流状态模糊化的过程中,对已有的交通模糊控制研究引入了太多的主观因素.为了解决这个问题,提出了一种基于MFCM算法的分级递减聚类算法,利用MFCM算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类别数数据集的聚类.将改进算法应用到交通流状态聚类中,可以更科学地确定交通流状态的聚类数和各类模糊隶属度函数的结构等,最后,通过算例,说明了该算法对于未知聚类数及服从高斯分布的数据集具有聚类效果好、收敛速度快的特点.     

一种结构优化的深度信任网络短时交通流预测

针对短时交通流预测中存在的训练数据过于依赖时间序列训练数据,对空间关联性考虑不足,且模型结构参数选取形式过于固定等问题,提出一种结构优化的深度信任网络短时交通流预测方法,该模型可同时训练3种与预测节点交通量相关的交通数据,增强预测的时空关联性,克服训练数据过于依赖时间序列的缺陷;同时,优化深度信任网络短时交通流预测模型结构,提出一种改进的花朵授粉算法对预测模型的隐层结构参数进行优化,避免因模型结构参数选取形式过于固定所导致的模型预测结果陷入局部最优解及实用性降低的问题。通过采集福州市两个交叉口的相关交通量数据,分别对预测模型的可行性进行评估。同时,将MFPA-DBN模型分别与不同隐层结构的深度信任网络模型及GA-LSTM、CNN-SVR、TGWO-BP 3种模型进行对比。实验结果表明：在相同训练数据的条件下,结构优化的深度信任网络(MFPA-DBN)短时交通流预测方法可行、有效,预测精度优于其他深度学习预测模型,实时性能也能满足实际要求。     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

基于蒙特卡罗模拟的交通状态辨识

提出了一种基于蒙特卡罗模拟的利用交通流参数实现交通状态辨识的方法.采 用 FANNY 算法实现了四种交通状态的聚类分析;利用蒙特卡罗模拟方法建立了 SVC 交 通状态辨识模型;分别构建了固定窗口模型和滑动窗口模型对交通状态进行辨识并综合 评价.分析结果表明：该方法能够对实时交通流参数进行准确辨识,尤其是构建的滑动窗 口模型,对交通状态辨识平均精度、召回率和 F 度量分别为 97.98%、94.64%和 96.21%.本方 法可为分析高速公路交通状态演化规律和发展趋势,建立预测预警、应急处置和信息发 布等应急运行机制提供科学方法和数据支撑.     

桥梁下部结构裂缝提取的改进C-V模型算法(英文)

应用改进C-V模型,进行桥梁下部结构裂缝图像分割,通过裂缝截取、图像填充和旋转变换精确提取裂缝宽度。对不同光照条件下拍摄的在役混凝土桥梁结构裂缝图像,分别利用改进C-V模型算法、自适应阈值法、形态学算法、C-V模型以及Canny算法进行试验对比。分析结果表明:改进C-V模型算法误分率和运算时间最小,分别为3.02%与89ms;1 000幅桥梁结构裂缝图像试验对比显示裂缝检测准确率大于90.8%,裂缝宽度平均误差小于0.03mm。可见,改进算法可有效提高检测准确率,减少运算时间。     

基于K-Means聚类模型的隧道施工安全风险评价方法及应用研究

隧道施工安全风险受到多方面因素影响,对于风险信息的深度挖掘是提高风险评价结果准确性的有效途径。将K-Means聚类算法引入到传统LEC法的综合计算中,建立了基于K-Means聚类的隧道施工安全风险评价模型。首先,通过WBS-RBS法识别隧道施工全过程中的风险,并构建风险事件集;然后,将事故发生可能性、人员暴露时间和事故后果严重程度作为隧道施工安全风险评价指标,利用语言型多属性决策法把风险评价信息转化为数据集,采用K-Means聚类算法对数据集进行处理,基于聚类结果确定事件风险等级;最后,将模型应用于文笔山1号隧道洞口工程施工风险分析中。结果表明：所建模型风险评价结果与现实相吻合,分析结果可为隧道施工风险控制提供决策参考。