机器学习置信度机制研究综述

置信的机器学习一直是机器学习领域研究不可或缺的部分与目标.根据置信度形成的机制与方法,将机器学习的置信度机制分为3类.本文分别阐述了3类机制的基本原理、实现方法和最新的研究进展,并在此基础上对3类置信度机制进行了比较分析.最后,讨论了存在的问题,指出了研究的方向.     

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率.采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公...     

基于智能算法协同的铁路网络加密流量智能监测系统研究

针对铁路网络安全需求中加密威胁难检测,加密业务与加密流量监管困难的现状,特别是加密流量分析粒度不够,技术支撑性不足等问题,设计了由数据获取子系统、特征建模子系统、智能分析子系统、配置管理子系统组成的基于智能算法协同的铁路网络加密流量智能监测系统,阐述了基于两阶段长短期记忆（LSTM,Long Short-Term Memory）网络的加密流量异常识别、基于Elmo+LSTM+SelfAttention模型的加密流量应用类型识别关键技术。该系统有助于提升加密流量监测技术水平、增强铁路网络安全综合防御能力,也为未来铁路领域网络与信息系统安全运行维护提供了技术支撑。     

多源数据识别金丽温高速低能见度的研究

利用 2014-2018 年地面观测数据和新一代静止气象卫星等多源数据针对浙江省金丽温高速公路进行逻辑回归 (LR)、 线性判别 (LDA)、 K 近邻算法 (KNN)、 决策树 (CART)、 随机森林 (RF)、 高斯贝叶斯 (NB) 和支持向量机 (SVM) 七种机器学习方法的低能见度识别训练试验， 结果表明， RF 算法对地面观测数据和新一代静止气象卫星数据均有较好的训练效果， 且针对小于 1000 米的能见度天气有较好的识别效果。 进一步结合地面观测数据和卫星数据建立识别模型， 发现效果优于单一来源的数据建模， 一般以 RF 和 SVM 算法建模效果较好， 且在对浓雾、 强浓雾的识别中， 结合地面和卫星数据的模型识别效果更好。 利用 RF 算法再对 2019 年 1 月金丽温高速公路的大雾过程进行识别， 显示新一代静止气象卫星数据的模拟效果不差于地面观测识别效果， 且能够识别夜间和凌晨的雾。 新一代静止气象卫星对地面能见度的观测识别可作为有效补充， 将对省内没有地面气象观测的低能见度识别和短临判别有一定辅助参考作用。     

基于轨迹数据的共享电动自行车逆行风险行为影响因素研究

为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系。基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习CatBoost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析。研究结果表明：CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施与土地利用性质来看,道路周围公交站地铁站出口数量及餐饮、公司、购物等设施数量与逆行频次呈现非线性影响关系,在一定范围内设施数量与逆行行为存在正影响作用;从道路条件来看,过街通道间距在50~400 m时不易发生逆行,在非机动车道无物理隔离设施或过街通道间距在400~600 m时容易发生逆行,间距大于600 m时作用不稳定;从路段机非分隔形式来看,护栏分隔的逆行概率较低,绿化带分隔的逆行概率较高;从交通状态来看,当骑行速度、加速度较低或较高时与逆行行为负相关,当骑行速度在6~16 km·h^-1及加速度在0.3~1.0 m·s^-2时与逆行行为正相关。研究成果可为共享电动自行车风险骑行行为辨识、非机动车交通安全管理提供有效的技术支持。     

基于机器学习的地铁轨道几何劣化规律个性化建模研究

较高的轨道平顺性是保障地铁列车安全舒适运行的基础,准确掌握地铁轨道的劣化规律对保障轨道质量具有重要意义。根据地铁线路特点,选择影响地铁轨道质量劣化的7类异质性因素,给出赋值模型,并基于机器学习方法建立轨道质量指数(track quality index,TQI)短时预测前馈神经网络模型。为了验证模型,采集了北京地铁1号线的线路设备数据及2016年8月15日至2019年2月18日间的17次TQI检测数据,形成训练数据集和测试数据集,并采取深度学习技术,利用训练数据集对该模型进行训练。基于测试数据集的模型预测值的可决系数为0.938,平均绝对百分比误差为4.80%,结果表明该模型是有效的且具有较高的预测精度。     

基于感知机学习算法的地铁无线通信故障分析

针对上海轨道交通11号线出现的车地无线通信失效的问题,对无线通信故障进行了研究。主要采用机器学习PLA算法(感知机学习算法)相关知识,对无线通信系统中列车运行时产生的日志数据进行分析研究,并使用AP(无线接入点)时间-状态曲线图、AP异常状态统计图和AP告警统计表等3种方式对轨旁通信设备AP运行状态信息进行统计及可视化展示。利用地铁公司提供的真实日志数据,验证了这种故障分析方式的有效性。该分析方式能够帮助地铁工作人员及时发现AP设备隐患、故障并维护,从而改善通信质量、提高通信效率,同时对其他地铁沿线通信故障分析也具有重要的借鉴意义。