交通流缺失数据处理方法比较分析

针对交通数据的缺失问题,采用基于时间相关性、空间相关性和时空相关性的多种数据修复方法对缺失数据进行处理.基于时间相关性的修复方法包括历史数据法、移动平均法、指数平滑法和线性回归法等.基于空间相关性的修复方法利用相邻车道和相邻检测器所采集的数据对缺失值进行处理.基于时空相关性的数据修复方法结合交通流的时间相关性与空间相关性对缺失数据进行修复.基于美国加州I-880高速公路交通流数据的实验结果表明,平滑系数α=0.1时的指数平滑法和利用相邻车道数据加权平均法得到的缺失值修复结果最优.      

基于交叉验证的XGBoost算法在岩爆烈度分级预测中的适用性探讨

为解决机器学习算法在样本较少时,所得岩爆烈度等级的预测结果存在可靠性不足的问题,采用一种基于交叉验证的XGBoost算法,并讨论其适用性。先选取岩石单轴抗压强度σc、单轴抗拉强度σt、洞室围岩最大切应力σθ、岩石弹性变形指数Wet以及岩体完整性系数KV等5个评价指标; 再以国内外岩爆实例数据为样本,通过多次交叉验证计算XGBoost算法岩爆预测准确率,与支持向量机算法、随机森林算法所得准确率比较; 最后对评价指标重要性进行分析。结果表明： 1）在样本较少时,样本划分和排序的随机性对预测结果影响较大,通过多次交叉验证求取预测结果平均值,可提高结果可靠性; 2）评价指标中KV与σθ重要性最大,σc重要性最小; 3）XGBoost算法具有较高的预测准确率,在岩爆烈度分级预测中具有一定适用性。     

基于UWB定位的邮轮乘员伴随关系发现算法

准确发现邮轮内部空间乘客之间的伴随关系, 在室内环境安装UWB定位设备开展室内人员定位实验。根据UWB定位的位置数据特点, 提出结合室内位置语义的Hausdorff-DBSCAN算法以聚类邮轮乘员轨迹, 并利用LSTM神经网络对疑似伴随关系对象进行相似度变化趋势的预测。传统的Hausdorff算法在计算轨迹相似度时未考虑轨迹时序一致的问题, 引入位置语义序列能够较好地解决这个问题。改进后的Hausdorff-DBSCAN算法的输入为乘员轨迹数据集, 根据轨迹整体相似度阈值选定聚类半径, 输出具有伴随关系的乘员轨迹聚类结果; LSTM神经网络以定长时间窗口的点邻近度序列为输入, 预测后1个时刻点邻近度值, 结合轨迹相似度阈值和预测结果分析乘员伴随关系的时序变化。利用Anylogic建模单层邮轮室内环境进行乘员仿真得到的轨迹数据验证算法的有效性。改进的Hausdorff-DBSCAN算法的准确率为0.920, 召回率为0.950, F₁值为0.934, 准确率高出对比算法至少5.7%, 召回率高出对比算法至少8.0%, F1值高出对比算法至少6.7%。同时LSTM在预测邮轮乘员之间相似度变化时, 收敛后的误差值能保持在3%~4%左右, 预测结果具有较高的准确性。      

基于线性路段行程时间描述的交通输出流特性

已知路段输入流u(t)条件下,利用动态交通分配模型中广泛使用的路段行程时间与路段车流量具有线性关系即τ(t)=α βx(t)的模型,给出了路段输出流v(t)的一般表达式和路段行程时间的递归表达式。在路段车流满足先进先出(FIFO)的条件下,结合任意时刻t的车流量表达式和线性路段行程时间模型得出了输出流v(t)与输入流u(t)的关系式。并由此得出了时刻的路段车流量表达式,从而给出了关于路段行程时间更明确的结果。根据文章的结论,对文献[2]中的实例进行了数值仿真,验证了其结果;同时运用道路交通流调查所得到的数据,进行了数值仿真,所得结果与实际相符。     

短时路况预测在动力电池实时配送中的应用

电动汽车及时获得能量供应是其大规模普及的关键,而动力电池配送车辆在获取最优配送路径时缺乏实时性信息支持,实时交通路况信息已不能满足其需求。文中提出利用短时路况预测模型动态预测路况未来变化,并利用预测值来选择最优配送路径。该方法综合利用实时采集数据与历史交通数据,以5min为时间间隔,对城市道路交通参数进行短时预测,主要从时间和空间两方面进行预测,并利用相对误差、绝对误差及均等系数对预测结果进行评价。仿真结果表明,该预测模型的预测效果较理想,尤其是在高峰时刻,可应用于电动汽车动力电池配送车辆的实时最优路径获取。     

基于时序马尔科夫模型的电子警察采集数据异常识别

针对电子警察采集数据存在的数据延迟、数据缺失和异常偏离三类常见问题,在保证数据未出现延迟和缺失时,基于马尔科夫模型判断数据的异常偏离;考虑流量序列间的关联关系,建立基于历史数据的转移概率矩阵,在此基础上利用马尔科夫模型进行流量概率分布预测,进而利用EM算法拟合概率分布得到对应的均值和标准差;根据模型预测结果和设定的流量合理分布阈值,以置信区间的形式直接判断流量的异常偏离情况。实例验证结果表明,基于马尔科夫模型的流量预测准确率达87%,异常偏离识别准确率为83%左右。     

交通流量数据缺失值的插补方法

交通流量的时空数据挖掘需要完整的数据，因此必须处理交通流量数据中的缺失值。章叙述了数据的缺失方式和常用的插补方法，根据交通流量数据时间上的周期性和空间上的相关性，采用平均值方法、最大期望法和数据增量法等确定性和随机性方法插补缺失数据，分析了这些方法的优缺点．并对插补结果进行比较。提出了交通缺失值插补的研究方向。     

基于速度的城市快速路交通拥堵预测研究

交通拥堵预测是解决交通拥堵问题的重要步骤之一.为缓解交通拥堵,选取速度这一参数建立交通拥堵预测模型.在对速度时间相关性和空间相关性分析的基础上,提出了基于时空特性和径向基神经网络的速度预测多点模型.将预测结果与决策阈值相比较,粗略地判定拥堵等级,并运用模糊算法对速度和拥堵程度进行量化,建立相应的模糊规则体系,并应用模糊逻辑推理得到定量的拥堵度指标.结合实例进行仿真和分析,与基于单一时间序列的预测方法相比较,基于时空特性的预测方法的平均绝对相对误差由7.45%下降到了3.61%,有效地提高了速度预测精度,基于速度的拥堵预测模型的识别准确率较高.利用模糊算法评判拥堵程度,可得到量化的拥堵度指标,使拥堵程度一目了然.      

一种车载数字相机与激光雷达融合算法设计

环境感知是智能辅助驾驶的底层模块，单传感器感知存在易受干扰、所需配置传感器数量多和感知效果差等弊端，为此提出一种车载数字相机与激光雷达融合算法。综合考虑信息融合高效性与系统鲁棒性采取决策级融合策略，利用CENTER POINT算法对雷达点云数据进行处理，再利用Yolo v3算法进行密集型数据训练处理图像数据，最后使用交并比匹配（IOU）和已有文献的D-S论据实现数据融合并输出决策结果。经过KITTI数据集验证，该融合算法输出的识别效果优于单传感器，且在多种路况上均有良好的目标检测效果。     

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。     

一种修复交通流异常数据的改进KNN算法

现场采集的交通流数据经常出现错误与缺失等异常现象。为有效修复交通流异常数据,文中提出一种改进的KNN算法——相关系数-调幅权重法。该算法采用每天采集的所有数据构造固定长度状态向量,以适应异常数据随机分布的特点;采用相关系数筛选近邻指标,以满足近邻须为相似交通流的要求;采用相关系数和调幅系数对传统距离倒数权重进行修正,以克服相关系数过小和近邻距离过远带来的不利影响。基于实测交通流数据进行蒙特卡洛分析,结果表明该算法具有良好的数据修复能力,能适应近邻相关系数与欧式距离严重背离的情况。     

面向高级辅助驾驶雷达和视觉传感器信息融合算法的研究

为提高高级辅助系统对车辆前方环境识别的准确性,提出一种基于雷达和视觉传感器信息融合的目标识别方法。雷达与视觉融合算法是基于决策级的雷达与视觉检测目标,在世界坐标系中进行目标时间空间对准、数据关联匹配、滤波,最后根据应用功能输出融合目标信息。结果表明该算法具有较强的环境适应性和准确率,弥补了单一传感器在目标识别中的不足。     

基于相关向量机的换道安全性评估

针对传统换道预警系统算法存在的准确率和可靠率等问题,利用毫米波雷达、AWS视觉传感器、车载陀螺仪等设备搭建了试验车,在普通高速公路上对19名被试人员进行了实际道路驾驶试验,并从试验数据中筛选出近1000次换道行为数据.以3段式换道轨迹模型为基础,将横摆角速度统计值作为确定各个阶段曲率半径的依据,根据横摆角速度α= 0.05的上侧分位数确定可接受安全域的上限;并以换道持续时间的极大值为基准,通过分析12 s以上的换道过程,形成一系列控制点,采用B样条曲线规划确定了可接受安全域的下限.通过利用相关向量机(RVM)模型对换道过程参数进行估计,并利用7次多项式模型对换道轨迹进行拟合,然后将拟合轨迹与可接受安全域上限或者下限所围成面积与可接受安全域面积的比值作为预警参数,实现了对换道安全性的评估.利用真实数据对上述评估算法进行验证,结果表明,所提出的换道安全算法的评估结果能正确反映换道的真实安全性,并且与驾驶人的操作行为具有良好的相关性.      

路面结冰时间预测方法

通过室内控制试验获取路面结冰相关数据,将温度、风速及降雨量作为输入变量,结冰时间作为输出变量,建立了路面结冰时间的多变量多项式回归预测模型;引入核函数,将路面结冰预测问题转化为高维空间中的线性回归问题,构造了多输入、单输出的支持向量机路面结冰时间预测模型。将预测结果与实测数据进行比较。结果表明,两类方法均能较好地预测路面结冰时间,四次多项式统计模型预测值与实际值的相关性为0.974,支持向量机预测值与实际值相关性为0.99,支持向量机预测结果更精确,表明支持向量机更适用于处理小样本、非线性、维数灾难和局部极小等问题。     

基于毫米波雷达和机器视觉融合的车辆检测

针对车辆检测中使用传统单一传感器的识别效果差、易受干扰等缺点,本文提出一种基于毫米波雷达和机器视觉融合的车辆检测方法。首先利用分层聚类算法对雷达数据进行处理,过滤无效目标;利用改进的YOLO v2算法降低漏检率,提高检测速度;然后运用目标检测交并比和全局最近邻数据关联算法实现多传感器数据融合;最后基于扩展卡尔曼滤波算法进行目标跟踪,而得出最终结果。实车试验结果表明,该方法的车辆识别效果优于单一传感器,且在多种路况下识别效果良好。     

基于地磁传感器的车辆检测算法

地磁传感器是一种动态检测地磁场变化的感应设备。文中提出了基于地磁传感器的一种车辆检测方法,通过对地磁检测器所采集的数据进行预处理和波形特征提取来进行车辆信息的检测。利用安装在路面上的2个地磁感应器,和基于动态基值的波形特征提取算法,对车辆流量和车辆速度及车型等信息进行有效的检测,试验结果表明基于地磁感应的车辆检测方法的准确率高达98%。     

基于数据场理论的公路自然区划指标分析方法研究

为了提高公路自然区划的准确性与实用性,基于数据场理论,结合公路工程建设的实际需求,进行公路自然区划指标分析方法研究。在分析数据场基本原理的基础上,提出基于数据场理论的公路区划指标空间插值算法,详细论述了利用场强变差函数确定各样本数据权重的方法;将区划指标空间插值算法与地理基础数据和空间数据处理平台相结合,同时考虑公路工程建设需求,提出了基于数据场理论的公路区划单要素指标分析方法。利用单要素指标分析方法、反距离权重法和地统计的插值方法对施工不利日数(CLPDavg)值进行预测,对3种方法预测结果进行交叉验证。结果表明,利用基于数据场理论的单要素指标分析方法得到的公路自然区划指标分布图具有更高的精度,更符合实际。     

城市交叉路口的短时交通流建模预测

短时间尺度交通流预测是解决城市拥挤的关键。随着预测时间跨度的缩短，交通流的规律性越来越不明显，传统的预测方法难以凑效，章使用自回归求和滑动平均模型ARIMA(p，d，q)对短时交通流数据进行建模预报，提出以城市交叉路口信号灯时间周期作为动态流量数列的时间刻度。实际应用表明，该模型取得良好的预测效果。章提出的对缺失值的处理方法，提高了模型的适用性。     

基于试验数据的大跨度拱桥有限元模型修正

为了获取菜园坝长江大桥的基准有限元模型,结合Kriging代理模型和一种改进的粒子群优化算法,利用荷载试验数据对其初始有限元模型进行修正。首先,叙述模型修正和Kriging模型基本理论,在基本粒子群算法中引入交叉变异计算,提出一种改进的粒子群算法,并通过测试函数对改进的粒子群算法进行验证;其次,简要介绍菜园坝长江大桥荷载试验、荷载试验结果及初始有限元模型;最后,根据敏感性分析选定6个待修正参数,通过试验设计得到频率和位移关于修正的参数的样本,并建立有限元模型的Kriging代理模型以预测结构响应;以频率和位移的试验值和计算值残差为目标函数,分别利用基本粒子群算法和改进的粒子群算法在修正参数的设计空间内寻找目标函数的最小值,并对比分析模型修正的结果。结果表明：测试函数表明改进的粒子群算法具有较好的稳定性和成功率,并能获得更为精确的优化结果;建立的Kriging代理模型均方根误差较小,可以替代有限元模型预测结构频率和位移;经过模型修正,菜园坝长江大桥前5阶频率计算值与试验值相对误差均控制在5%之内;除个别测点外,位移相对误差均控制在10%以内;相比基本粒子群算法,改进的粒子群算法获得了更小的目标函数值,修正后的频率和位移的相对误差更小。     

基于带约束BP神经网络的黄土湿陷系数预测模型研究

通过现场试验和室内试验得到某黄土场地Q3黄土的湿陷系数及相关物理力学参数,分析了黄土湿陷系数与其主要物理力学影响因素之间相关性。针对室内试验数据具有离散性较强的特点,基于传统BP神经网络模型进行改进,建立了带约束的BP神经网络模型并对黄土的湿陷系数进行预测。结果表明:湿陷系数与含水率、天然密度、饱和度成负相关,与压缩系数和孔隙比成正相关;带约束的BP神经网络模型可以定量保证预测结果的准确性,其预测误差在10%以内。