排序方式: 共有218条查询结果,搜索用时 15 毫秒
141.
本文根据汽车故障诊断系统的特点,提出了汽车故障诊断专家系统学习机械模型,通过在学习机中引入三种学习模式-机械记忆学习模式,启发参数修正自学习模式和自动教导注入学习模式,实现了一种具有学习能力学习型汽车故障诊断专家系统。 相似文献
142.
为探讨主观幸福对出行方式选择的影响,以北京市开车通勤者为研究对象,在对出行行为分析的基础上,将通勤者的思维过程分为搜索规则和决策规则。在通勤成本变化场景下,采用机器学习算法定性探索主观幸福的作用阶段。结合相关性分析结果建立结构方程模型,定量分析主观幸福对出行方式选择行为的作用机理以及主观幸福的测量变量。研究结果表明:主观幸福对开车通勤者是否改变现有出行方式的决策具有显著影响;主观幸福包括通勤过程满意度(0.73)、场景实施前开车幸福感(0.66)、通勤成本增加后开车幸福感变化(-0.20)三个因素。将主观幸福纳入通勤出行方式选择指标体系,从心理层面为交通政策的制定提供新视角。 相似文献
143.
公共交通出行者的出行特征是地铁及公交线网规划与运营优化的重要依据。基于多模式刷卡数据,提出城市公共交通系统出行链提取方法,利用存在换乘的出行链调查数据进行验证,提取成功率达 96.1%。基于出行者历史刷卡数据构建了多种机器学习分类器以识别通勤人群,经过精度比较,发现随机森林分类器效果最优,准确度达 99.96%。利用分类器和出行链提取方法,对北京市公共交通系统出行链结构、换乘特征等进行初步分析。该方法可以有效提取分析通勤人群出行特征,为公共交通系统方案的优化提供数据支持。 相似文献
144.
145.
为了提升车辆的安全性和能量利用率,从路径规划的层面出发,针对避免车辆遇到极端工况及低效率工况的问题,提出将车辆稳定性判据模型和交通流模型相结合的方法来规划车辆路径,使得车辆在路面湿滑情况下实现快速、安全的行驶。使用交通流模型预测车辆未来将要面临的交通环境变化,再使用稳定性判据模型评估未来交通的安全性,以便为混合动力车辆规划出最快且最安全的路径。具体来讲,为了预测混合动力车辆未来将要面临的车速及车流密度的变化,使用通量矢量分裂格式求解广义Aw-Rascle-Zhang(GARZ)宏观交通流模型。此外,使用驾驶人在环仿真平台PreScan,收集了同一驾驶人在不同车速及不同相对前车距离时给出的前轮转向角响应。基于前轮驱动(FWD)前轮转向(FWS)车辆和全轮转向(AWS)分布式驱动车辆(DDV)的Simulink模型,给出了不同前轮转向角对应的轮胎力饱和因子(δTFSC)响应。使用人工神经网络训练不同车速和车流密度对应的δTFSC,建立了车辆的稳定性判据模型。使用新建立的稳定性判据模型对交通流模型预测的参数(车流速及车流密度)进行稳定性评估。然后,基于以上的方法优化了车辆行驶路径,以确保车辆在湿滑路面上的行驶安全。最后,使用US-101真实交通流数据来验证交通流模型的预测结果。经实例验证得出:交通流模型与车辆横向稳定性判据模型相结合可以从路径规划的层面保证车辆安全行驶并提升交通系统的通行效率。 相似文献
146.
针对传统风洞试验、数值模拟等方法计算噪声值费时长、资源消耗大等问题,提出一种基于机器学习的气动噪声预测方法。以后视镜特征参数为数据集输入,对不同特征参数下的后视镜模型进行瞬态流场与声场联合仿真,将计算得到的总声压级值作为数据集输出,分别用不同数量的样本数据训练支持向量回归机,通过建立的预测模型对同一测试集进行预测得到总声压级预测值。结果表明,基于支持向量回归机的预测方法能得到与计算值误差较小的预测结果,在较少样本数据支撑下也具有较高的预测精度,可用于汽车后视镜气动噪声的预测。 相似文献
147.
为确定施工现场深基坑沉降变形值,结合3种机器学习算法,建立沉降量与相关因素之间的非映射关系,并以上海某基坑为例对沉降量进行预测。结果表明,相比支持向量机和决策树算法,随机森林算法具有较高的预测精度,其拟合优度R2和均方根误差RMSE分别为0.96、1.13,能很好地预测基坑变形量;内摩擦角对基坑沉降的影响最显著,土层渗透系数的影响较小。 相似文献
149.
网约车合乘出行可有效提高车辆运输效率,与常规网约车出行相比具有显著的碳减排潜力。然而,现实中网约车合乘出行能否真正减少碳排放受多方面因素影响,往往存在较大差异与不确定性。为识别碳减排潜力较大的网约车合乘订单,提出一种基于机器学习的网约车合乘出行碳减排状态预测模型,并解析其碳减排机理。首先,基于成都市真实的网约车合乘订单与轨迹数据,应用COPERT(COmputer Program to calculate Emissions from Road Transport)排放模型分别计算合乘出行碳排放量及其替代的独乘出行碳排放量,进而得到合乘出行相比独乘出行的碳减排量。然后,基于历史的合乘行程碳减排及其订单特征数据,训练XGBoost(eXtreme Gradient Boosting)模型以预测未来潜在合乘出行的碳减排状态。最后,采用ALE (Accumulated Local Effects)分析方法对预测模型进行特征变量解析,以识别影响合乘出行碳减排状态的关键因素。结果显示:研究区域内平均每次网约车合乘出行可减少碳排放307.23 g,但仍有15%的网约车合乘行程未能实现减碳;XGBo... 相似文献
150.
为保障高速公路服务区供暖系统的健康运行,本文结合供暖系统的构成和运行特征,设计了一种用于评估服务区供暖系统运行健康状态的极致梯度提升(Extreme Gradient Boosting, XGBoost)和支持向量机(Support Vector Machine,SVM)的双层机器学习模型,并将系统运行健康状态分为健康、亚健康、故障和异常四个等级。首先,分析电压、电流、水温、机组运行状态、蓄热泵、循环泵和泵运行状态7个子系统的运行特征,使用随机函数和欠采样处理构建特征向量集。其次,采用XGBoost构建下层各子系统健康状态评估模型,并输出各子系统的健康状态。然后,融合各子系统健康状态的评估结果,输入至上层SVM系统评估模型,得到整个?供?暖系统的健康状态。最后,将实验与决策树、AdaBoost和XGBoost等模型进行对比,结果表明所提出的XGBoost+SVM双层机器学习模型相较对比模型而言,不仅判断精度更高,同时还可评估整个供暖系统以及各子系统的健康状态。 相似文献