大数据背景下的路径选择行为建模

路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况。基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景。研究结果表明：随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机性方法生成的选择集中选择路径,包括多项Logit （MNL）模型以及更先进的MNL修正模型、广义极值（GEV）模型、混合Logit模型和非GEV分布模型,后者以路段为基本选项,动态地求解路径选择问题,无需生成选择集,包括各种递归Logit模型;路径选择模型的参数估计可使用有标签数据或无标签数据,前者通过地图匹配在交通网络中重构出真实路径,后者则依概率考虑一系列可能的路径。近年来,基于机器学习的路径选择模型因具有更优的预测性能而受到广泛关注。在未来的路径选择研究中,应进一步结合离散选择模型和机器学习模型,使两者优势互补。     

基于机器学习的高铁边坡位移预测不确定性度量与应用

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型（BGB模型）。该模型首先采用基于Bootstrap的门控循环单元（Gated Recurrent Unit,GRU）算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明：BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机（Extreme Learning Machine,ELM）和支持向量回归（Support Vector Regression,SVR）为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预...     

机器学习在船舶不沉性设计策略中的应用

船舶不沉性是衡量船舶生命力的重要性能,也是优选水密分舱策略的关键指标,但时间成本高仍是制约不沉性寻优实用化的难点。随着机器学习技术应用不断深入,将提供更有效的途径。该研究基于强化学习的粒子群算法求解不沉性分舱优化问题,实现集成机器学习模块和不沉性设计模块的优化系统开发和界面设计,讨论算法中不同参数的设置对寻优能力的影响。通过寻优解的分析,表明该方法能够高效地找到较优的分舱方案,为制定科学的分舱策略等方面提供依据。     

现代机器学习算法的船舶配电网运行状态评估

为保证评估全面性,指标选取会很多,但与此同时会导致运算量过大,使得船舶耗能增大。针对上述问题,提出现代机器学习算法的船舶配电网运行状态评估方法。该研究利用机器学习算法中的加权聚类算法计算指标到聚类中心的距离,根据距离选择评估指标,以选取的指标作为神经网络评估模型的输入变量,在隐含层计算指标与权值乘积分值,根据分值比对配电网运行状态等级划分表,在输出层得出配电网运行状态。结果表明:所研究方法应用下,评估结果与实时检测结果一致,且运算量更小(156),达到研究目标,为配电网故障处理提供可靠依据。     

基于机器学习的实海域无人艇避碰算法智能演进方法

[目的]无人艇(USV)效能是指在给定时间内的特定海域完成指定任务的能力,是多层次多技术节点耦合作用的结果,而针对单一技术节点的传统优化方法,对无人艇效能的提升效果有限.[方法]针对无人艇自主系统的特点,从智能算法的角度,提出无人艇智能演进的2种主要形式:一是算法函数;二是算法参数.在此基础上,给出基于机器学习的无人艇...     

基于机器学习的船舶阻力预报模型研究

基于泰洛标准组剩余阻力系数集[1],采用6种经典机器学习回归预测模型,随机抽取数据集不同排列组合作为训练样本和测试样本,以测试样本的真实值和预测值的均方误差和相关系数作为不同回归预测模型的评价指标。同时在其他参数相同的条件下,对4组不同宽度吃水比做线性插值,将所得剩余阻力系数与回归模型预报结果进行比较。结果表明,回归树在所选模型中对于泰洛标准组船舶阻力预报具有较高精度和较好的泛化能力,为以后船舶阻力预报近似模型的选择提供参考。     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

城市公共交通系统通勤出行特征提取分析方法

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。