基于混合高斯背景建模的交通视频运动目标检测

目前最常用也最有效的运动目标检测方法是背景减除法,其中背景提取是背景减除法的核心.传统的运动目标检测方法无法解决场景的光线突变、背景图像发生变化以及前景运动目标物体的阴影干扰等问题.针对交通视频中背景模型的实际情况,采用混合高斯分布对视频背景进行建模,将前一帧视频图像与所建立的当前背景图像进行相减,得到车辆在当前时刻的运动图像,并将所得图像进行形态学去噪处理.通过相关的仿真实验,证明了该方法能够比较准确地检测出前景运动车辆目标.     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于机器学习的舰船机电装备故障诊断

随着信息技术的发展,以机器学习、模式识别为代表的人工智能技术在故障诊断领域逐步得到应用。通过对振动噪声信号的采集,利用时频分析技术对信号进行分解,并提取故障特征参数,再利用机器学习或模式识别技术对信号进行判别分类,可以实现舰船机电装备的智能诊断。为了验证该方法,选择经验模态分解方法进行信号分解,采用支持向量机进行诊断分类。通过实验表明,该方法有着较高的诊断精度,故障诊断率达到了96.7%,可以对舰船机电装备常见故障进行准确的智能诊断。     

GMDSS综合业务实训理实一体化评估方法研究

针对传统的GMDSS综合业务实训评估方法过于刚性的问题,结合实施"理实一体化"新教学模式,论文给出了新的GMDSS综合业务实训评估方法:评估主体采用多元化方式,并增加了平时成绩的考核,在专业技能评估时,采用新的评估方法和标准,并将评估结果改为百分制进行打分,通过加权求和得到最终评估结果。新的GMDSS综合业务实训评估方法不仅具有可行性和可操作性,而且能够反映学生掌握设备操作的实际情况和专业技能的差异性。     

高职暖通空调专业“准员工2＋1”人才培养模式的改革与实践

本文以高职暖通空调专业工学结合“准员工2＋1”人才培养模式的改革为例,确定暖通空调专业发展方向,制定人才培养目标,搭建专业课程体系,落实人才培养模式改革的保障体系。实践证明。该模式对暖通空调专业高素质技术技能型人才的培养具有一定参考价值和借鉴意义。     

轮机专业英语课程改革与实践

笔者从行业对轮机工程技术专业人才的职业能力要求入手,从教学对象特点、课程特色、教学方法和考核评价机制四个方面切入,进行轮机专业英语课程改革探索和总结。     

提高高职课堂教学学生学习参与度研究

提高高等职业院校的课堂教学质量,是高等职业院校加强内涵建设和实施素质教育的需要。高等职业院校的课堂教学质量受学生学习参与度的影响。找到高职课堂教学学生学习参与度的影响因素,应当能够梳理卅提高高等职业院校的课堂教学学生学习参与度的措施。     

A behavioral analysis of freight mode choice decisions

This paper develops a behavioral analysis of freight mode choice decisions that could provide a basis for an acceptable analytical tool for policy assessment. The paper specifically examines the way that truck and rail compete for commodity movement in the US. Two binary mode choice models are introduced in which some shipment-specific variables (e.g. distance, weight and value) and mode-specific variables (e.g. haul time and cost) are found to be determinants. The specifications of the non-selected choice are imputed in a machine learning module. Shipping cost is found to be a central factor for rail shipments, while road shipments are found to be more sensitive to haul time. Sensitivity of mode choice decisions is further analyzed under different fuel price fluctuation scenarios. A low level of mode choice sensitivity is found with respect to fuel price, such that even a 50% increase in fuel cost does not cause a significant modal shift between truck and rail.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.