安防和乘客异动在途监测系统设计

针对城市轨道交通视频监控的重要性与传统的视频监控的局限性,提出利用前端图像处理模块实现动态背景建模、目标检测和跟踪,对正常的群体行为进行建模、识别乘客异动。设计采用贝叶斯分类器将目标和背景进行分类,实现目标检测,并利用乘客特征的先验知识制成模板,将运动区域与目标模型匹配实现跟踪的过程,并将乘客行为抽象成为时空变化的数据分类问题。本系统的设计旨在保证地铁列车的安全运行,建设与轨道交通相适应的车载视频监控系统。     

A hybrid Bayesian Network approach to detect driver cognitive distraction

Driver cognitive distraction (e.g., hand-free cell phone conversation) can lead to unapparent, but detrimental, impairment to driving safety. Detecting cognitive distraction represents an important function for driver distraction mitigation systems. We developed a layered algorithm that integrated two data mining methods—Dynamic Bayesian Network (DBN) and supervised clustering—to detect cognitive distraction using eye movement and driving performance measures. In this study, the algorithm was trained and tested with the data collected in a simulator-based study, where drivers drove either with or without an auditory secondary task. We calculated 19 distraction indicators and defined cognitive distraction using the experimental condition (i.e., “distraction” as in the drives with the secondary task, and “no distraction” as in the drives without the secondary task). We compared the layered algorithm with previously developed DBN and Support Vector Machine (SVM) algorithms. The results showed that the layered algorithm achieved comparable prediction performance as the two alternatives. Nonetheless, the layered algorithm shortened training and prediction time compared to the original DBN because supervised clustering improved computational efficiency by reducing the number of inputs for DBNs. Moreover, the supervised clustering of the layered algorithm revealed rich information on the relationship between driver cognitive state and performance. This study demonstrates that the layered algorithm can capitalize on the best attributes of component data mining methods and can identify human cognitive state efficiently. The study also shows the value in considering the supervised clustering method as an approach to feature reduction in data mining applications.     

贝叶斯网络在电控发动机燃油系统故障分析中的应用

贝叶斯网络(Bayesian Network)是近年来发展起来的一种基于概率理论的推理工具,本研究简要介绍了贝叶斯网络的基本理论,建立了电控发动机燃油供给系统故障信息的贝叶斯诊断网络,并利用Hugin Expert软件计算当燃油供给系统某一部件出现故障时不同故障现象出现的概率。研究表明,贝叶斯诊断网络能够有效诊断电控发动机燃油供给系统故障信息关联度。     

高速公路尾随相撞事件的贝叶斯网络致因分析模型

应用上海市高速公路1104条事件数据,基于专家知识和数据融合方法建立贝叶斯网络结构;利用服从Dirichlet分布的贝叶斯方法进行参数学习;运用团树传播算法进行推理分析。研究了上海市高速公路尾随相撞事件类型与不同道路环境条件之间的关系。在验证贝叶斯网络模型的有效性后,系统分析事件致因,并提出改进措施。发现重大尾随相撞事件易发生在大中型车与小型车之间;夜间易发生大中型货车的重大尾随相撞事件,尤其是凌晨0时至6时;路表潮湿状态下的非普通路段上易发生大中型客车的重大尾随相撞事件。结果表明贝叶斯网络建模能够更好的反映事件致因因素的多维性及关联性,是交通事件致因分析的有效方法。     

����Ȧ������ٶȹ��Ƶı�Ҷ˹����ģ��

实时精确的车流速度对于交通管理系统来说是至关重要的. 然而,最普遍的单线圈检测器却不能输出速度参数. 本文提出了一种新的单线圈检测器速度估计的贝叶斯网络方法. 在分析流量及时间占有率与速度之间的因果关系基础上,通过单线圈检测输出采样间隔内的流量和时间占用率数据,建立了速度估计的贝叶斯网络模型,采用高斯混合分布函数和EM算法进行模型表达及参数训练. 通过北京快速路实地数据对算法进行了验证,结果表明算法不同采样间隔、不同车道及不同交通状态下均具有较强的鲁棒性,与传统算法相比平均绝对误差减少2 km／h左右. 这一方法可以应用于交通管理系统速度的估计.     

机动目标跟踪典型算法评述

机动目标跟踪算法可以划分为两种：极大似然法和贝叶斯估计法，前者通过对目标量测序列的分析，采用与当前目标运动模式匹配度最高（极大似然性）的模型（包括系统模型和观测模型）对目标状态进行跟踪和估计；后者则首先假定一组模型，再根据量测序列进一步估计出其中每个模型的匹配概率，最后采用贝叶斯公式对全部或部分模型估计进行综合。在此框架下，论文对其中的一些典型算法进行总结和分析。     

基于贝叶斯网络的辐射源威胁等级评估算法

贝叶斯网络是近年来人工智能领域最重要的研究成果之一，在具有不确定性的推理和决策问题中得到了广泛的应用。以贝叶斯网络及其推理机制为基础，主要研究了贝叶斯网络在辐射源威胁等级评估方面的应用。选取了部分影响因素，建立了基于贝叶斯网络的辐射源威胁等级评估模型。最后通过一个计算机仿真实例验证了算法具有连续性和累积性，能够对辐射源威胁等级做出较准确评估。     

考虑交通小区相关性的小汽车拥有行为研究

为分析建成环境对家庭小汽车拥有的影响，考虑交通小区间的空间相关性，分别基于0-1 邻接矩阵、共同边界邻接矩阵及质心空间距离矩阵构建了层次Bayesian 模型，并与不考虑空间相关性的模型结果进行了对比.基于长春居民出行调查数据对模型参数进行估计，结果表明：交通小区间的空间相关性显著存在；以不考虑空间相关性的模型作为对比，基于公共边界邻接矩阵的层次Bayesian 模型拟合效果最优；在控制家庭层面社会经济变量后，居住密度、土地利用混合度、交叉口密度及公共交通站点密度均对家庭小汽车拥有具有显著的负向效应，表明通过优化城市建成环境策略可有效抑制小汽车拥有量的增长.     

Bayesian estimation of multinomial probit models of work trip choice

In this paper, we estimate a multinomial probit model of work trip mode choice in Seoul, Korea, using the Bayesian approach with Gibbs sampling. This method constructs a Markov chain Gibbs sampler that can be used to draw directly from the exact posterior distribution and perform finite sample likelihood inference. We estimate direct and cross-elasticities with respect to travel cost and the value of time. Our results show that travel demands are more sensitive to travel time than travel cost. The cross-elasticity results show that the bus has a greater substitute relation to the subway than the auto (and vice versa) and that an increase in the cost of an auto will increase the demand for bus transport more so than that of the subway.     

运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力, 提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中, 根据运动目标与道路背景统计特性的差异, 基于贝叶斯概率准则, 提出一个自适应背景更新算法, 检测分离运动车辆目标前景, 采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪, 并对在重庆某交通干道的交通流视频进行检测。试验结果表明: 该方法在常规视频分辨率下能实现实时处理视频, 平均检测准确率为94%, 具有较好的实时性与鲁棒性, 能够实现城市交通环境中各类运动车辆的检测与跟踪。