基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一，为解决现有预测算法模型精度低、相对误差大的问题，本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入，通过聚类和过滤封装式特征筛选，提取最优特征集合，并基于行驶片段样本量选择预测方法，通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度，通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035，平均相对误差为1.71%，能够精确稳定地实现行驶里程预测.     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

基于随机森林算法的港口集装箱吞吐量预测方法

为助力智慧港口建设,针对港口集装箱吞吐量预测准确性不足的问题,利用随机森林算法处理高维变量,构建一种港口集装箱吞吐量预测方法.首先考虑港口集装箱吞吐量受复杂环境影响,建立特征变量训练集;再通过泛化误差分析训练随机森林模型,根据MDA分析对特征变量重要性进行分析,筛选重要影响特征变量集合;最后构建随机森林预测决策树,建立基于随机森林算法的预测模型.以大连港为案例进行验证,并与三次指数平滑、多元回归分析和BP神经网络3种方法预测进行对比,结果表明:随机森林算法预测准确性更高.     

自行车驾驶员交通行为方式判定研究

鉴于我国交通事故中涉案者交通行为方式对于事故责任认定具有重要作用,提出一种基于特征选择的自行车驾驶员交通行为方式判定方法。采集交通事故案例数据并构建组合特征后,基于SMOTE算法进行数据不平衡处理。针对不同数据集构建支持向量机、随机森林和人工神经网络这3种多分类模型,运用交叉验证和受试者工作特征曲线进行模型评价,确定最优分类准确率和关键特征变量。研究表明:该判定方法准确率在组合数据集可达78.83%,在原始采样数据集可达82.19%;车座损伤、车座旋转、机动车类型、车把旋转是交通行为方式判定的关键特征变量。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于高分遥感影像的农村地区公路网规模预测

为准确预测农村地区公路网中短期发展规模,研究提出了基于高分遥感影像与地形、区域功能及周边环境划分的农村地区公路网中短期发展规模预测模型.模型采用基于地形区域分类的方法,以深度神经网络提取的路网高分遥感影像为基础数据,综合考虑路网分布、自然村分布及路网提取算法精度等客观情况,并对遥感影像质量偏低导致的识别率下降进行了里程...     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势，能精细化地反映物质微观特性. 为此，引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点，提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction，ELM-IPDP）模型. 此外，为进一步提升预测性能，引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示，继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP，HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验，从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高；当训练集与测试集比例为9∶1时，ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7，而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.      

融合PHOG和MSLBP特征的铁路扣件检测算法

为了提高铁路扣件检测的识别率和鲁棒性,以及扣件图像PHOG特征的有效性,提出了简单有效的枕肩定位算法,该算法首先在提取PHOG特征前,根据枕肩、扣件和背景间的位置关系去除冗余背景信息;然后,模拟人眼视觉注意机制,设计MSLBP特征采样方式,提取扣件图像的宏观纹理特征;最后,采用分层次加权融合的方法联立两类特征,并采用SVM分类器进行扣件分类识别,提出一种基于计算机视觉和PHOG-MSLBP融合特征的缺陷识别算法.将该算法应用于实验,结果表明:与使用PHOG、MSLBP单一特征相比,基于PHOG-MSLBP融合特征检测算法的平均识别率分别提高了6.3%、4.5%,且鲁棒性更强,可满足扣件缺陷自动化检测的需要.     

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HOG-Gabor特征融合与Softmax分类器的交通标志识别方法

为了提高交通标志识别的正确率和实时性,提出了一种基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法。采用Gamma矫正方法提取HOG特征,采用对比度受限的自适应直方图均衡化方法提取Gabor特征,基于线性特征融合原理,将提取的HOG和Gabor特征向量直接串联,得到刻画交通标志的融合特征向量,采用Softmax分类器对融合特征向量进行分类,采用德国交通标志识别基准(GTSRB)数据库测试了所提方法的有效性,比较了基于单特征与融合特征的交通标志识别效果。试验结果表明:在图像增强过程中,针对HOG特征,采用Gamma矫正方法的分类正确率最大,为97.11%,针对Gabor特征,采用限制对比度的直方图均衡化方法的分类正确率最大,为97.54%;采用Softmax分类器的最小分类正确率为97.11%,耗时小于2s;针对HOG-Gabor融合特征,采Softmax分类器的识别率高达97.68%,因此,基于HOG-Gabor特征融合与Softmax分类器的交通标志识别方法的识别率高,实时性强。     

基于多变量决策树交通事件持续时间预测模型

基于粗集理论和决策树方法,建立了交通事件持续时间的多变量决策树预测模型。通过分析交通事件的属性特点,运用粗集理论中的属性约简方法,确定了交通事件的核心属性;运用等价关系相对泛化原理构造了多变量组合检验,并根据变量依赖度确定了最优变量组合;以多变量组合判据代替单变量判据建立了决策树模型,利用决策树高度和节点样本数对树的规模进行控制,优化了决策树结构。实例应用表明,该模型对交通事件持续时间的分类和预测能力较强,预测精度较高。     

特征融合与约简的纹理分类方法研究

提出了一种新的基于多特征融合的纹理分类算法.首先,通过灰度共生矩阵(GLCM)、高斯马尔科夫随机场(GMRF)和二进制小波(Wavelet)抽取纹理特征,采用基于K近邻域(K-NN)分类器的留一法交叉验证错误率作为顺序前向搜索算法(SFS)的评估函数进行特征约简,从而有效地将多特征进行融合,最后利用K-NN分类器对融合后的特征进行分类.对Brodaz纹理库的测试结果证实:(1) GCLM,GMRF和Wavelet方法提取的纹理特征具有互补性与协同性;(2)与单独的纹理特征提取方法相比,多特征融合与约简的方法取得了更高的识别精度;(3) 与简单的特征联合方法相比,文中提出的方法识别率可提高约4%;(4) 与经典特征降维方法(主成分变换(PCA)、Fisher判别(LDA)法)相比,文中提出的方法在识别精度和识别效率方面更具有优势,是一种实用的纹理分类方法.     

驾驶人手机通话行为中基于图像特征决策融合的手势识别方法

为鲁棒检测自然环境中驾驶人的通话行为, 提出了一种驾驶人手机通话手势的识别方法。运用Adaboost算法检测驾驶人面部区域, 在YC_gC_r色彩空间中分别对面部肤色亮度分量和色度分量进行稀疏网格间隔采样, 由此建立了肤色的高斯分布模型; 针对驾驶室光照强度的不均匀性, 提出了肤色分量的漂移补偿算法, 建立了适应光照变化的在线肤色模型, 以准确分割左右手部肤色区域; 运用HOG算法获取手部肤色区域的2 376维HOG特征向量, 运用PCA方法将HOG特征降至400维; 同时提取手部肤色区域的PZMs特征, 并采用Relief算法筛选出权重最大的8个PZMs特征向量, 建立了融合PCA-HOG特征和Relief-PZMs特征的通话手势支持向量机分类决策。试验结果表明: 基于PCA-HOG特征的手势识别率为93.1%, 对光照变化的鲁棒性较好, 但易受到手部与头部转动的干扰; 基于Relief-PZMs特征的手势识别率为91.9%, 对于头部与手部姿态的耐受度较好, 但光照鲁棒性较差; 基于PCA-HOG和Relief-PZMs多元特征融合方法的手势识别率达到94.5%, 对光照波动、手部与头部转动等干扰条件具有较好的适应性。      

基于贝叶斯网络的交通事件持续时间预测

随着数据采集手段的不断提高和相关研究技术的发展,基于数据挖掘的模型逐渐成为交通事件持续时间研究的主要方向。根据荷兰交通部门提供的交通事件采集数据,进行分类和预处理,观察事件持续时间的频数图,并根据相关的研究按照事件典型的类别把采集的数据进行分类。使用主成分分析和逐步回归提取出显著性的影响因子,利用数据挖掘软件WEKA建立贝叶斯网络模型,用数据集中80%的数据进行学习建模,20%的数据作为测试集来检测模型的预测效果,并做出性能评价。实验结果表明,与同类数据集的其他预测方法相比,贝叶斯网络模型对于变数众多,随机性特别大的交通事件,预测精度较高,证明贝叶斯网络模型的算法是具有一定优越性和实用价值。     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

危险货物道路运输车辆驾驶人风险倾向性分类研究

为加强危险货物道路运输安全风险源头管控，本文充分挖掘轨迹大数据和动态监控数据等多源异构行车数据，研究危险货物道路运输车辆(危货车)驾驶人风险倾向性分类。基于广泛可用的GPS轨迹数据所蕴含的驾驶行为模式和运行环境特性，引入时变随机波动率的概念，提取5种速度波动性指标，构建表征驾驶风格的属性特征集，加之行为抑制控制力、认知抑制控制力和生理负荷特征，共同组建危货车驾驶人风险倾向属性指标体系；利用Critic赋权法计算各指标客观权重，并基于多准则妥协解排序算法(VIse Kriterijumski Optimizacioni Racun, VIKOR)对危货车驾驶人的属性进行评分；建立基于K-medoids聚类算法的危货车驾驶人风险倾向性分类模型。结果表明：运用分类模型，本文将危货车驾驶人分为4类。其中，驾驶风格激进加行为抑制控制力薄弱型驾驶人面对拥堵路段和恶劣天气时表现出更大的速度波动和更多的车辆控制报警；认知抑制控制力薄弱型驾驶人分心次数更多，愿意将更多的注意力分配给分心对象，且更频繁地在分心对象和前方路况间进行注意力转移；易疲劳型驾驶人表现出更多的疲劳报警和超时驾驶报警，驾驶人承受更大的...     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布.     

基于对照CT影像的股骨头坏死预后预测

目的 利用影像组学方法开发一种基于CT影像的股骨头坏死患者预后预测模型,探究对侧正常股骨头区域的影像特征对预后预测的附加价值。方法 本回顾性研究共纳入患者51例,所有患者均在术前行CT扫描。对每位患者勾画坏死股骨头和对侧正常股骨头两部分作为感兴趣区域。对患者的感兴趣区域共提取968个影像组学特征。综合利用单变量和多变量分析,根据股骨头坏死区域、对侧正常股骨头区域和综合两个区域的特征开发了3个预测模型。使用10次随机实验的方式进行模型构建及验证,计算10次实验的平均结果作为最终结果。结果 对于坏死股骨头的影像特征,37个特征显示出对预后的预测价值,平均AUC值为0.708 2±0.029 9。预测模型在训练集和验证集的AUC分别为0.911 0±0.029 4和0.688 6±0.089 3。对于对侧正常股骨头的影像特征,14个特征显示出对预后的预测价值,这些特征的平均AUC为0.703 6±0.006 9,基于正常股骨头的影像特征构建的预测模型在训练集和验证集的AUC分别为0.867 2±0.039 5和0.669 0±0.072 6。综合预测模型在训练集和验证集的AUC值均高于基于坏...