基于微博的交通事件提取与文本分析系统

近年来,受到公众广泛欢迎的微博,不仅是人们良好的社交工具,而其所蕴含的大量数据,在如今大数据时代也很有价值.针对节假日期间,公众可能在微博上发表的有关交通流、交通事件等信息,开发了1套基于微博的节假日突发交通事件提取与分析系统,旨在高效抓取并提取出交通主题相关微博,以利于分析交通状况,评估交通参与人的情感状态等.     

B2 C泊位共享管理模式及时间窗调控方法

为解决泊位共享实践中安全性、效率性和时间冲突等主要发展障碍,弥补既有停车需求预测模型不适应短时需求预测且共享匹配算法缺乏时变可共享泊位数量和时间窗数据的不足.从泊位共享市场运营管理机制入手,在B2C商业共享模式下采用流动化泊位管理模式和分时段共享选择模式以满足共享双方高效性和安全性诉求.基于车辆抵离与泊位占用间协整关系,以短时动态需求预测为导向构建向量自回归模型把握泊位供需时变规律,并结合路内停车时长分布特征确定1.5h最小共享时长,在设定动态预留泊位比例和最大共享数量判定原则的前提下,成功获取了各时段可开放泊位数量和时间窗动态分布数据.数值实验表明,该共享模式和时间窗调控策略可优化泊位资源配置结构,挖掘样本区域内既有配建泊位66.4% 的闲置服务能力.     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于刚度与耐撞性要求的车身结构轻量化研究

以某型轿车为例,综合考虑弯曲刚度及侧面耐撞性能,进行车身结构轻量化研究。为提升计算效率,利用支持向量回归方法建立各项性能指标的近似模型,避免了整车碰撞优化方法计算量大、收敛缓慢的缺点。之后,通过结合自适应过程的优化方法,在保证各项性能要求的前提下,优化车身零件厚度和材料特性参数,从而实现车身结构的轻量化,减轻质量9.1kg,轻量化效果达5.44%。     

面向车身前部结构轻量化的试验设计方法研究

针对车身结构耐撞性能响应具有强非线性的特点,以某车身前部结构轻量化为例,在利用支持向量回归建立近似模型阶段,分析比较了3种常用的试验设计方法对模型精度的影响.结果表明,将均匀设计与支持向量回归相结合最适合耐撞性能近似模型的构造.基于所得最优近似模型进行车身前部结构的优化设计,在保证耐撞性能的前提下,达到减重2.61 kg、实现6.51%轻量化的效果.     

基于SVM的高速公路路基病害自动检测算法

针对当前探地雷达(GPR)数据解释主要依赖专家经验存在的解释结果主观性强和数据解释周期长等问题,利用高速公路路基病害将导致其厚度和层界面反射信号的幅度发生改变等客观信息,结合探地雷达杂波抑制、层界面检测和平滑、感兴趣区域(ROI)提取、特征提取和模式识别技术,提出了一种新颖的高速公路路基病害自动检测算法,并利用该算法对江西省昌九高速公路南昌段采集的GPR数据进行了分析.研究结果表明:该算法的检测结果与结合专家经验和钻孔取芯样本构建的Ground Truth数据库的吻合度高达92.7％,且具有自动、快速等优越性,可为指导制定合适的养护策略及合理分配养护资金提供科学依据.     

基于激光雷达点法向量的车辆实时位姿估计

为解决复杂交通场景下激光雷达获取运动车辆点云残缺而导致位姿信息难以提取的问题,提出一种基于点法向量特征的动态刚性目标实时位姿估计方法.利用最小二乘拟合算法求解目标表面点法向量,采用自适应聚类算法求解点法向量聚簇中心数量,求取聚类点拟合平面,选择互相垂直的平面代表点法向量分别作为待测目标所属坐标系内X轴和Y轴,通过运动学...     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于PCA-SVM的DCT汽车驾驶员起步意图识别

针对目前对于双离合自动变速器(Dual Clutch Transmission,DCT)汽车驾驶员起步过程中意图变化的研究有限,且现有方法的识别准确率不高这一问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)的变化起步意图识别模型。根据驾驶员针对车辆反馈的反应时间,将起步过程划分为6个阶段;基于K均值聚类确定各个阶段的缓慢起步、一般起步、紧急起步这3种起步意图的界限;基于主成分分析挖掘出各个阶段起步意图识别的新特征;在此基础上构建6个SVM模型,并利用这6个模型分别对各阶段的起步意图进行识别。经过验证,该模型的平均测试准确率为94.92%,比只利用线性SVM模型高16.89%,且单个模型的平均耗时为0.008 s,能够快速有效地识别出DCT汽车驾驶员的起步意图。     

基于多分类支持向量机和D-S证据理论的轴承故障诊断

针对支持向量机( SVM)硬判定输出分类结果缺乏定量评价的问题,提出了一种多分类SVM后验概率建模的改进方法。通过引入D-S证据理论,得到多分类SVM在D-S证据理论识别框架下的基本概率分配,使样本在分类时同时具有定性解释和定量评价。接着,将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合,以提高诊断精度。最后,将该方法应用于轴承故障的诊断中。结果表明,该方法能正确分类采用单源信息时所错分样本,降低识别的整体误差,显著提高故障诊断的准确性。