排序方式: 共有72条查询结果,搜索用时 15 毫秒
11.
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。 相似文献
12.
为了解决单一信息源带来的网络安全状态感知误差高的问题,研究舰船通信系统5G网络多维度安全状态感知技术。构建舰船通信系统5G网络多维度安全状态感知框架,通过多源网络安全状态信息采集单元获取5G网络安全状态信息,融合处理单元利用层次量化评估方法对其作标准化等处理后,获得5G网络安全态势样本数据集,将其作为基于Att-GRU的5G网络安全状态感知模型的输入,利用鲸鱼优化算法实现模型参数的寻优,输出为5G网络安全态势预测结果,依据预测结果与实际结果的差值计算5G网络健康度,通过还原单元对预测结果作累减反归处理,获得5G网络安全态势值,并与设置阈值作对比,实现舰船通信系统5G网络的多维度安全状态感知。实验结果表明:该技术可实现5G网络安全状态感知,神经元个数为35、批处理规模为1.2时,5G网络安全状态感知模型性能最优;5G网络安全态势预测的平均适应度与最优适应度相贴近。 相似文献
13.
14.
在以上几种车内照明灯中,当打开车门时能够点亮的称为门控灯。门控灯控制信号输入电路见图14,门控灯电路见图15和图16。门控灯在以下条件下点亮: 相似文献
15.
城市轨道交通车辆门的频繁使用,使得车辆门系统中门控单元的故障时常发生。以上海市轨道交通车辆的门控单元作为研究对象,设计了一台针对其运行工况下的检测平台,从硬件上模拟了门控单元的运行环境,从软件上模拟了门控单元的运行流程,实现了对两款门控单元的功能检测。并通过试验验证了检测平台可以实现维修前的故障初步确定和修理完毕后的状态确认等,提高了检修和维修的工作效率。 相似文献
16.
东风日产蓝鸟(U13)一代车不带遥控器,二代车分两种,早期车钥匙和遥控器是分开的,要匹配时需要拆卸防盗主机读取外壳上的序列号,才能ST购相同的遥控器,后期的和三代车、四代车、智尊车型一样,车钥匙和遥控器一体化,匹配如下:打开左前门,按下门控开关两次,在10s内用车钥匙把点火开关从OFF转到ON,重复三次,成功后喇叭会响一下,危险灯闪一下。拔下车钥匙, 相似文献
17.
为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型(directed graph convolution network-gate recurrent unit,DGC-GRU)的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明:在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)均优于对比模型,与传... 相似文献
18.
19.
针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波(UKF)和门控循环单元(GRU)的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明:在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。 相似文献
20.
针对现有车辆运动状态估计算法严重依赖动力学模型精度且在大的质心侧偏角工况下准确性难以保障的问题,本文提出了一种基于混合神经网络的车辆运动状态估计算法。通过分析车辆本身的动力学基本特性,设计了适合于车辆运动状态估计的HNN混合神经网络架构,实现了车辆运动状态的深度学习估计。基于多个标准工况组成的数据集与典型实车测试工况进行了网络训练与测试验证。结果表明,相比于传统算法,本算法基于神经网络实现了精准的无动力学模型的汽车运动状态估计,提高了估计精度,且对路面附着系数变化具有鲁棒性。 相似文献