基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提，故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先，通过降噪图变分自编码器提取路网缺失数据 的时空特征，使其能最大程度捕获原始路网信息；其次，基于该时空特征利用生成对抗网络生成 路网数据，加入重建损失并优化生成对抗网络的目标函数，实现对缺失数据的有效插补；最后，采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集，针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时，Seattle 数据集的 MAE 指标在 2.38~3.25 之间， PEMS04 数据集的 MAE 指标在 1.46~2.38 之间；当聚集缺失率在 10%~70%时，Seattle 数据集的 MAE指标在2.51~2.82之间，PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明，本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。     

降雨入渗对隧道的影响数值分析

降雨入渗会降低其影响范围内土体中基质吸力,引起土体软化,强度参数降低,对隧道稳定性产生较大影响。采用有限差分软件FLAC3D对隧道的降雨入渗过程进行模拟,研究降雨影响深度以及降雨对土体软化效应的影响,并与顶部产生积水坑的工况进行比较。研究结果表明,降雨入渗较大程度地减小了非饱和区基质吸力以及土体强度参数;考虑顶部形成积水坑后,降雨入渗深度显著增大,非饱和区基质吸力及土体强度参数减小明显,隧道不稳定性显著增加。     

基于极限学习机与旋转森林相结合的栈式深度学习分类方法

大数据时代的到来导致简单机器学习所建立起来的单一模型往往不能充分挖掘大样本数据所承载的丰富信息,同时在学习能力上也略显不足.在此背景下,文中将旋转森林算法(rotation-forest, ROF)与极限学习机(extreme learning machine, ELM)相结合,构建一个基础神经元单元,然后通过栈式泛化原理进行逐层构建,形成一种快速保持源域空间特征的深度学习模型(D-R-ELM).D-R-ELM由多个基础神经元构成,这些基础神经元通过一种特殊的栈式构造方式,既保证了较好的学习能力,同时也减少了训练成本.实验结果表明:D-R-ELM的深层结构模型,在大样本数据上相比于Adaboosting、Bagging、ELM、ROF和Rotboost传统分类器表现出更好的分类性能、稳定性与泛化性能.     

地铁综合监控系统深度集成火灾报警系统的应用

介绍了综合监控系统的特点,以及综合监控系统深度集成火灾报警系统应用方案的集成架构及主要特点。分析了深度集成模式对综合监控系统的影响。综合监控系统深度集成火灾报警系统方案,突破了火灾报警系统独立设置的局限性,构建了一套适合地铁特点的综合监控防火保障体系。     

基于深度特征聚类的高排放移动污染源自动识别

传统的高排放移动源识别方式是将采集的尾气数据与预先设定的排放阈值进行比较判 定，但是，排放阈值的设定很大程度上取决于人为标准，并且忽视了外部因素对尾气排放的影响， 无法真正反映移动源排放水平。针对此问题，本文结合机器学习算法，提出一种基于深度特征聚 类的高排放移动源识别方法。首先，利用随机森林算法筛选出不同污染物(CO、HC、NO)排放的 主要影响特征；其次，对多维影响特征进行聚类分析，获取高排放类别标签；最后，训练得到基于 深度森林的移动污染源分类模型，自动识别高排放目标源。通过对比实验，在合肥市机动车污染 遥测数据集上验证了所提方法的有效性。     

多矢量推进水下航行器深度分组控制数学建模分析

传统水下航行器控制模型分析算法缺少对矢量动力参数的模型分析计算逻辑,因此造成控制模型分组参量关系分析不足,导致水下航行器控制动力输出量出现偏差的问题。因此,提出多矢量推进水下航行器深度分组控制数学建模分析。通过引入非线性适量运动算法,对水下航行器矢量推进下的运动进行数学模型建立分析;得到运动参数后,引入动力分组控制算法,根据计算得到的运动参数,对水下航行器进行深度分组控制模型的建立计算,从而得到准确的控制参量。最后,通过设计的仿真实验对上述分析结果进行准确性验证,证明提出方法的可行性。     

海洋实时监测数据库的多来源数据深度挖掘方法

在舰船实时监测数据库的数据挖掘中,针对使用传统数据挖掘方法伸缩性较小的问题,提出了一种舰船实时监测数据库的多来源数据深度挖掘方法,利用差集交叉计数策略,将舰船实时监测数据库中垂直数据格式的多来源数据转换为水平数据格式,利用基于数据集的数据聚类方法,对舰船实时监测数据库中的水平数据格式多来源数据进行聚类分析,利用HFPM数据集构造法,实现舰船实时监测数据库的多来源数据深度挖掘。为了验证该方法的有效性,与PFP数据挖掘方法与mrDFIN数据挖掘方法进行对比,得出该方法的伸缩性为92.3%,通过比较可知,本文所提方法的伸缩性最大,证明了该方法的有效性。     

基于深度强化学习的城市交通信号控制综述

传统模型驱动的自适应交通信号控制系统灵活性较低,难以满足当前复杂多变交通系统的控制要求.近年来,深度强化学习方法在城市交通信号控制研究领域得到快速发展,并且与传统方法相比展现出一定的优势.交通信号控制在城市交通管理中起着至关重要的作用,因此,基于深度强化学习的交通信号控制具有较高的研究价值和意义.本文系统地介绍了深度强...     

沥青路面车辙LSTM--BPNN特征融合预测模型研究

为探究预测性能更优的沥青路面车辙变形预测模型,更好地捕捉预测过程中基本特征和时序特征的潜在关联性,通过下载并预处理LTPP数据库中与沥青路面车辙相关的路面结构材料、交通荷载、气候环境及路用性能数据,构建一个高质量样本数据集。并使用注意力方法融合BP神经网络和长短期记忆神经网络,建立性能更优的基于深度学习的LSTM-BPNN车辙预测模型。最后将此模型与其他4种常用预测模型进行比对试验,评估该模型的精确性和有效性。结果表明:LSTM-BPNN模型预测性能表现优异,训练集和测试集上的R~2分别达到0.821和0.796,能充分捕捉与沥青路面车辙相关的基本特征和时序特征;在比对试验中此模型R~2和RMSE均好于其他常用模型;另外此预测模型具有较强的泛化能力,将目标特征和预测特征进行更换,可实现更广泛的应用。     

软基处理中填砂路段的汽车动荷载影响深度研究

通过整理测试汽车通过不同填砂厚度时应力变化情况,分析其变化规律,总结出汽车荷载对软基路段动荷载的影响深度。根据试验路段的实际情况拟合出车辆动应力与填砂厚度的经验公式,以此作为软基处理设计和施工中降低或消除汽车动荷载影响的理论依据。