基于神经网络的桥梁异常状态识别方法

针对桥梁结构监测采集到的桥梁异常状态下长期积累演变的惊人数据量,提出了基于主成分分析与人工神经网络相结合的桥梁结构异常状态识别方法。布设多种类型传感器监测获取高维数据,采用主成分分析法对原始高维特征数据进行预处理,将结构异常特征变量的主成分作为人工神经网络的输入特征。该方法有效的降低了神经网络的结构复杂度,同时提高人工神经网络的训练速度,也保证了人工神经网络具有良好的收敛性和稳定性。应用于江苏南通如泰运河大桥和江苏无锡开源大桥的实际监测数据的结果表明,基于主成分分析的人工神经网络方法用于桥梁结构异常状态识别,与传统的神经网络以及其他模式识别算法相比,有更好的识别精度。     

基于数据预测的区域道路状态模糊判别

区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。      

基于主成分法的道路监测点的分析

对北京市二环快速路微波检测器采集流量数据的分析,用主成分分析法筛选出能反映二环路运行状况的关键检测器对应的路口或路段,这样交管部门可以通过协调相应关键路口或路段来改善交通运行状况,既可以减轻工作负荷又有助于提高工作效率和效益。同时,利用主成分分析法的结果得到基于流量的综合服务水平指标函数,可以此来标定道路的服务水平。     

基于核主成分分析的柴油机技术状态评估

提出了一种基于核主成分分析的柴油机技术状态评估方法,该方法通过跟踪柴油机全寿命周期内的机体振动信号,引入振动信号频域内振动烈度与统计特征值构成特征子集,利用核主成分分析方法获得特征子集的主分量,选用极限学习机对主分量特征样本进行分类和测试,可有效地消除冗余信息,提高识别精度。对柴油机技术状态评估后的结果表明,该方法较主成分分析法识别精度约提高了25个百分点。     

基于改进PCA-Logistic模型对个人汽车保有量预测

我国个人汽车保有量数据的变化是一个长期的非线性过程,其影响因素复杂,并且因素之间也存在非线性关系,需要合理准确的方法进行分析和预测。为了研究在GDP、城镇人口变化、消费水平等多因素的影响下我国个人汽车保有量的变化问题,采用了改进的主成分因子分析和Logistic非线性模型相结合的方法,对传统主成分分析法进行了改进,考虑数据的完整性,选取1985—2018年之间影响我国个人汽车保有量的8个代表性因素,首先通过改进主成分分析法对其进行了"非线性"的降维处理,再利用Logistic非线性模型描述汽车保有量和提取主成分之间的关系,最终提出了改进PCA-Logistic模型。比较分析了改进的PCA-Logistic模型与传统PCA-Logistic模型在对个人汽车保有量预测的不同和改进后模型的优点,结果表明:改进PCA-Logistic模型可以有效地消除数据之间非线性关系,可以将传统方法得到的二次非线性主成分回归曲线变成线性曲线,从而更符合主成分分析法原则;得到的非线性Logistic回归曲线与实际数据拟合度更高,说明能更准确地评估我国个人汽车保有量。根据此模型预测了2019—2024年我国个人汽车保有量,发现我国个人汽车保有量在2021年可能会突破3亿。     

随机放电工况下锂离子电池容量预测方法

针对锂离子电池容量预测精度不高的问题,提出一种基于人群搜索优化的支持向量机(seeking optimization algorithm-support vector machine, SOA-SVM)的容量预测方法。通过分析锂离子电池随机放电过程,构建反映容量变化的随机放电容量均值和标准差两个指标,并以此作为预测容量的特征参数。采用主成分分析法分析特征参数之间的相关性,并提取主成分。基于部分测试电池第1主成分和容量数据,采用SOA对SVM超参数进行全局优化并训练模型。采用优化后的模型结合其余电池第1主成分数据预测锂离子电池容量。预测结果表明,本文中提出的锂离子电池容量预测方法具有较高的预测精度。     

BP神经网络主成分分析法在汽车保有量预测中的应用

针对影响汽车保有量预测的多个因素,采用主成分分析的方法提炼出较少的与线性无关的主要因素,并根据这些因素,利用BP神经网络方法对汽车保有量进行了预测,最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较,得知BP神经网络主成分分析法在运算效率、运算精度上较优.     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于关联规则挖掘的车辆故障码分析

本文中基于车载诊断原理，将车载自诊断过程产生和保存的故障码（diagnostic trouble codes, DTC）分析与关联规则挖掘相结合，提出适用于挖掘故障码数据关联的改进FP-Tree算法，并根据得到的关联规则建立整车故障码关联图，将其应用于历史数据分析流程与车辆维修流程。挖掘数据中有趣关联规则，提供关联可视化结果；对维修过程读取的驳杂故障码进行分析，减小故障码复杂性，分析主要故障码，缩短基于故障码的检修时间，协助维修人员定位故障。     

船舶行为异常检测研究进展

船舶行为异常检测对于海上安全、海域的智能监管具有重要意义.异常检测算法不能满足轨迹大数据挖掘在实时性、准确性和鲁棒性等方面的需求.将异常行为进行分类,分析目前几类主要的异常检测方法:统计分析在对数据分布做出正确假设时根据概率分布获取异常情况,确定合适的异常阈值较为困难;预测法基于对历史数据的了解程度,易受多种因素影响;机器学习依赖数据特征、计算复杂度高.基于此,总结可能提高统计分析、机器学习和预测法检测效果的方法,指出将在线实时检测引入船舶检测,并展望数据处理、轨迹表示、挖掘分析和情境语义在异常检测中的可能研究方向.      

基于APRIORI-GBDT算法的沥青路面路表温度预测

为探讨沥青路面路表温度与气象因素之间的相关关系,实现路表温度变化趋势的准确预测,在使用Python平台清洗数据集中缺失和错误数据的基础上,利用关联规则挖掘算法(Apriori)分析了气象因素与路表温度之间的关联性。在识别出影响路表温度关键气象因素后,分别采用梯度提升树(Gradient Boosting Decision Tree,GBDT)、随机森林(Random Forest,RF)以及线性回归(Linear Regression,LR)等3种分析技术构建了以关键气象因素为输入量,路表温度为输出量的冬季沥青路面路表温度预测模型。结果表明:Apriori算法在关联规则分析上表现优异,且在最小支持度为0.003,最小置信度为0.8的条件下,识别出影响沥青路面路表温度变化的关键气象因素是气温、气压、露点温度和相对湿度;梯度提升树模型的温度预测效果优于随机森林和线性回归,均方误差小并一直稳定于1.5,与随机森林相比鲁棒性相对较高,拥有良好的泛化能力,在预测领域中具有良好的适用性。研究成果为机器学习相关算法在关联规则分析领域以及预测问题应用中提供了理论与实践依据。     

基于关联规则的居民公共交通依赖性致因分析

鉴别不同出行者对公共交通的依赖程度,并分析其形成的致因差异,有助于从规划设计、政策制定等维度针对性地改善公共交通服务质量。设计并实施了居民出行的行为调查（revealed preference,RP）线上问卷,在数据质量检验的基础上引入关联匹配技术,通过融合出行调查数据与公共交通出行交易数据实现了个体公共交通出行链提取。提出了公共交通依赖性度量指标与关键致因指标,构建了AGNES-Apriori模型开展公共交通依赖性分级与不同层级群体强关联规则挖掘,并据此提出了公共交通依赖性层级提升的“两阶段”框架及出行激励策略集。结果表明：(1)居民公共交通依赖性可被划分为低、较低、较高和高依赖性4个层级,不同层级对应的强关联规则间具有显著差异性;(2)关联规则包含的指标数量与3个参数值呈负相关关系,高依赖性强关联规则出现的概率为低依赖性的2.1倍;(3)家和目的地到站点总距离、收入、小汽车可用性等客观条件是影响居民公共交通依赖性的关键致因,而公共交通出行低自由度是导致居民公共交通依赖性降低的重要原因;(4)较低的客观条件指标值通常促使居民形成较高的公共交通依赖性;(5)小汽车低可用性变量主要出现在...     

基于启发式算法和自适应模糊逻辑方案优化VANET性能

固有的高速移动节点和不可预测的环境使得车载自组织网络(Vehicular Ad-hoc Network,简称VANET)拓扑结构不断变化。为了确保有效的数据包传输,VANET中的节点应能适应VANET拓扑结构的变化。本文提出一种新的启发式和自适应模糊逻辑方案,根据网络和交通情况调整竞争窗尺寸和传输功率。现有的VANET方案只从一个参数优化竞争窗尺寸和传输功率,未考虑干扰这一主要因素在VANET劣化传输时的影响。在VANET中,由于干扰或在运行的时间内数据丢包可以出现在不同的传输阶段,在方案中,基于3个参数(即碰撞丢包率、信噪比和队列溢出),代表不同传输阶段的数据包丢包,模糊逻辑自适应地优化数据包竞争窗尺寸。传输功率通常是静态参数,在考虑了VANET干扰影响的情况下,也可以用启发式和自适应模糊逻辑方案优化。启发式和自适应模糊逻辑方案能评估道路交通仿真网络和城市交通网络仿真,其仿真结果表明,与默认的IEEE802.11P和现有的方案比较,此方案能提高吞吐量,降低端到端延迟和提高数据包传输成功率。     

路侧感知车辆轨迹数据质量智能评估方法

智慧公路布设了大量路侧智能传感器，可以获取全时空车辆运行轨迹数据。然而，如何实现轨迹数据质量高效便捷的评估一直是困扰行业管理部门的难题。现有评估方法大多存在量化指标维度单一、鲁棒性较差等问题。为此，提出一种通过挖掘轨迹数据多维特征以快速评估轨迹数据质量的方法。首先基于轨迹多元信息从元素特征、时序特征和空间特征3个维度设计轨迹合理性、波动性与交互异常性评估指标，并分析评估指标与轨迹数据质量水平的相关关系；在此基础上提出一种利用多元评估指标实现轨迹质量评估的自适应融合回归模型；最后，结合公开轨迹数据集和实测数据集对指标和模型的可靠性及稳定性进行测试与验证。结果表明：轨迹合理性、波动性指标与数据质量显著相关，可基于此构建指标融合模型评估轨迹质量，且引入提出的交互异常性指标可较好地提升模型评估效果。随着模型得分的降低，轨迹数据的运动与交互特征的异常程度增大，持续时间增加。提出的智能评估模型可以挖掘评估指标与轨迹质量的关系，对不同质量水平的轨迹均保持较好的评估效果且优于传统的单一维度评估指标方法，具有良好的稳定性、鲁棒性和优越性，可为车路协同环境下海量的路侧感知轨迹数据提供可靠的质量评价与监测方法。     

极限学习机在车身前纵梁装配中误差预测应用

在智能制造推动下,制造业对大数据的收集与特征分析愈加重视,数据分析技术更是大数据应用的关键技术,总结现有基于数据驱动的装配偏差控制方法,提出基于极限学习机建模的车身装配偏差预测控制方法,通过对检测数据的拟合建模,实现车身产品装配质量预测,并应用于制造生产线指导。文章应用极限学习机(Extreme Learning Machine,ELM)基于采集的车身前纵梁制造装配数据预测装配过程中的关键特征质量误差状态,从结果分析角度说明ELM准确预测误差状态。     

基于灰色关联与Apriori算法的道路交通事故数据分析

针对运用关联规则挖掘道路交通事故(road traffic accident,简称RTA)数据产生大量无效规则与使用灰色关联分析无法发现数据隐藏联系的缺陷,提出将灰色关联分析与关联规则的Apriori算法相结合的方法,并将其运用于RTA数据。首先进行数据预处理;然后运用灰色关联分析,找到与RTA发生数有强关联的因素,并保留其数据,反之剔除相关数据;最后对保留下来的数据进行关联规则挖掘,找到数据之间令人感兴趣的联系。将此方法运用在四川省RTA数据上,通过与仅采用Apriori算法相对比,实验结果表明:此算法的时间缩短了近40%,冗余规则减少了近50%。由此挖掘出了RTA数据之间有趣的联系,并证明了灰色关联分析与Apriori算法相结合方法的有效性。     

数据驱动的UHPC与钢筋界面黏结强度研究

超高性能混凝土(Ultra-high Performance Concrete, UHPC)与钢筋界面的良好黏结是保证结构安全和正常使用的关键，直接决定了结构设计与性能评估。然而，传统基于试验或力学推导的界面黏结性能评估方法难以反映众多因素的影响，预测精度低、方差大。近年来，基于人工智能的数据驱动技术发展迅猛，为解决上述问题提供了新思路。建立了样本容量为670的钢筋与UHPC界面黏结试验数据库，分析了特征相关性和主要因素影响规律。剔除数据缺失、数据噪声等无效数据后，得到了557组有效数据子库。基于机器学习方法训练并生成了9种黏结强度预测模型，包括4个线性模型和5个非线性模型。采用决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)指标开展了模型预测精度评价，对比了机器学习模型和传统模型的预测精度。结果表明：钢纤维掺量2%的试验样本占75.8%,钢筋直径16 mm的试验样本占64.6%,缺乏其他纤维掺量与钢筋直径的研究样本，尤其是低配纤、高配纤以及大直径钢筋的试验数据。5次随机抽样训练预测结果中，人工神经网络模型对试验结果预测最好，R²     

基于模糊综合评价的超限超载检测站点布局方案比选

道路超限超载检测站点的合理化布局是科学精准治超的前提条件。首先分析了超限超载检测站点的类型及特点,归纳剖析了检测站点布局的影响要素。其次,利用主成分分析法选取影响超限超载检测站点布局评价的关键指标,将其作为模糊综合评价的评价指标,通过熵值法确定各评价指标权重,采用梯形函数构建评价指标的隶属度函数,根据最大隶属度原则确定评价结果,从而建立了基于模糊综合评价的超限超载检测站点布局评价模型。最后,对某地区超限超载检测站点布局方案进行了比选,说明所提出方法的有效性。     

基于PCA/ICA的中心区转向试验数据提取

基于主成分分析(Principal Component Analysis,PCA)及独立分量分析(Independent Component Analysis,ICA)方法,利用PCA降维功能及ICA独立盲源信号分离挖掘技术,对PCA/ICA计算方法进行改进,并应用于车辆中心区转向试验数据处理环节,有效排除了测试中各种干扰因素,实现了原始信号降噪,从统计学意义上保证了所提取数据指标的一致性。     

基于神经网络的停车需求预测模型及应用

结合停车需求特点分析了停车需求影响因素,提出了基于主成分分析的BP神经网络停车需求预测模型,该模型主要是通过对城市中心区停车需求的经济、土地、交通的特征分析,利用主成分分析法,明确了影响停车需求的主成分,简化了神经网络的输入样本,消除了网络输入之间的相关性,提高了网络的性能,实现了公共停车需求的准确预测。