基于特征提取和机器学习的异常数据识别算法

结构健康监测系统的大力发展每天都在产生大量的监测数据。对于结构健康监测系统来说,判断这些产生的监测数据是否正常是对结构健康状态进行分析的第一步,也是关键的一步。同时,监测数据的异常与否也是判断传感器、采集设备、传输设备等是否正常工作的关键性依据。对于一段数据进行识别,判断数据是属于什么样的异常,是一个多分类的问题。采用基于特征提取和机器学习相结合的算法,对时序数据进行分类,能够快速地判断数据是否异常和异常的类型。     

基于轨迹特征的船舶停留行为识别与分类

为准确评估大规模轨迹数据中的船舶停留活动,构建了两阶段船舶轨迹停留点提取策略,提出了特征驱动的船舶停留行为识别与自动分类方法;以距离、时间和轨迹点数量为约束条件构建了规则模型,检测了原始轨迹中的停留候选轨迹,引入孤立森林算法检测和去除异常离群点,提取了高聚集度的船舶停留轨迹集合;基于船舶靠泊和锚泊的时空特征,定义了轨迹点重复率、相邻点平均距离和最远点对距离3个指标,构建了新的轨迹相似性度量模型,量化了船舶停留轨迹点的分布特征和聚合程度,并利用K近邻算法完成了船舶锚泊行为与靠泊行为的自动分类;采用提出的方法处理了3个不同水域的船舶轨迹数据,准确获取了船舶停留行为的分类结果,并验证了船舶锚泊与靠泊在轨迹时空特征上的差异性,以人工标注结果为参考依据评估了船舶停留行为识别与分类的准确性。研究结果表明：船舶靠泊的轨迹点重复率在80%以上,最远点对距离和相邻点平均距离分别为6~11和1~2 m,船舶锚泊的轨迹点重复率在10%以下,最远点对距离和相邻点平均距离分别为150~250和8~10 m,说明轨迹点重复率、相邻点平均距离和最远点对距离这3个时空特征对船舶靠泊和锚泊具有显著的区分能力;提出的方法对船舶停留识别分类的正确率在98%以上,充分证明了其有效性;采用提出的方法可更新已有码头和锚地的空间位置,自动识别规则水域外的船舶异常停留和规则水域内的超长时间船舶异常停留,掌握在港船舶停留分布情况,识别不同季节、不同时段的热点码头和锚地,从而辅助优化港口规划布局和交通组织。     

基于双层K近邻算法的短时交通流预测

双层K近邻算法在K近邻算法的基础上,增加了模式匹配步骤,从而提高了K近邻算法的预测精度.鉴于此,利用双层K近邻算法,对北京市微波检测器数据进行分析,进而标定算法的最优参数.同时定义了预测算法的滞后性,并将双层K近邻算法与自适应预测算法的滞后性进行了对比,从预测精度及滞后性两方面验证了双层K近邻算法的适用性.     

Short-term traffic flow rate forecasting based on identifying similar traffic patterns

The ability to timely and accurately forecast the evolution of traffic is very important in traffic management and control applications. This paper proposes a non-parametric and data-driven methodology for short-term traffic forecasting based on identifying similar traffic patterns using an enhanced K-nearest neighbor (K-NN) algorithm. Weighted Euclidean distance, which gives more weight to recent measurements, is used as a similarity measure for K-NN. Moreover, winsorization of the neighbors is implemented to dampen the effects of dominant candidates, and rank exponent is used to aggregate the candidate values. Robustness of the proposed method is demonstrated by implementing it on large datasets collected from different regions and by comparing it with advanced time series models, such as SARIMA and adaptive Kalman Filter models proposed by others. It is demonstrated that the proposed method reduces the mean absolute percent error by more than 25%. In addition, the effectiveness of the proposed enhanced K-NN algorithm is evaluated for multiple forecast steps and also its performance is tested under data with missing values. This research provides strong evidence suggesting that the proposed non-parametric and data-driven approach for short-term traffic forecasting provides promising results. Given the simplicity, accuracy, and robustness of the proposed approach, it can be easily incorporated with real-time traffic control for proactive freeway traffic management.     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

作业车间调度问题的改进遗传算法

研究了作业车间调度问题，并提出了一种新的求解方法，将邻域搜索与遗传算法相结合，提高遗传算法的局部搜索能力，加速进化过程，详细论述了该方法的优越性．     

农村公路养护项目区位重要性计算方法

为高效利用养护资金,实现对农村公路养护项目决策中道路区位重要性的客观判断,运用 对偶拓扑方法抽象公路网,从网络中心性角度选取节点度、中间中心度、接近中心度三个指标表征道路重要性,讨论了邻居节点对节点重要性的影响规律,综合三个中心性指标和邻居节点影响 提出了区位重要性计算方法。以浙江省某县的农村公路网为例,对A, B, C, D, E, F 共6 条县道进 行重要性计算,评价值为0.1888, 0.2108, 0.9973, 0.2141, 0.0053, 0.7516,重要性由高到低依次为 C, F, D, B, A, E。研究结果表明：节点度、中间中心度、接近中心度和邻居节点的影响能从道路自身属性和其他道路影响两方面反映道路在路网中的区位重要性。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

变道约束下近邻交织区交通均衡组织方法

针对相邻较近的交织区车辆持续交织运行特点,以提高交织区通行效率及交通安全为目标,提出一种基于变道约束下近邻交织区交通均衡组织方法,旨在计算不同时段交通量所对应近邻各交织区的最佳提前变道诱导距离,以减少近邻交织区车辆相互干扰,降低平均交通延误,提高道路通行效率.对重庆市海峡路两段近邻交织区的日均交通量(4 092 pcu/h),早高峰时段交通量(5 340 pcu/h),晚高峰时段交通量(4 596 pcu/h),以及年均交通量(3 276 pcu/h)进行仿真建模分析.实验选取近邻交织区内累计平均延误作为近邻交织区的评价指标,利用仿真软件(Vissim 4.3)持续仿真 40次.结果表明,最佳提前变道约束距离为交织区长度的 60%,其相应的平均交通延误分别降低了57%、73%、63%和72%.     

基于交通轨迹数据挖掘的道路限速信息识别方法

分析了道路限速信息的时空变化性, 提出一种基于轨迹数据挖掘技术的道路限速信息自动识别方法。为了实现海量交通轨迹数据的快速处理, 研究了快速地图匹配与数据清洗等预处理算法, 分析了交通轨迹数据的速度分布特性与最高车速限制指标。基于路段行车速度的统计特性, 构建了道路特征向量模型, 以快速提取海量轨迹数据的潜在特征信息。提出了多投票K近邻分类算法对数据特性进行训练与学习, 以实现对道路限速信息的快速识别。以福州市交通路网及其浮动车轨迹数据构建试验样本集进行训练、学习与交叉验证试验。试验结果表明: 在训练过程中, 当样本数量达到1 200时, 方法的识别准确率最高达到93%, 在仅有150个小训练样本下, 方法的识别准确率也达到75%;方法具有近线性的处理性能, 处理1.0×10⁶条道路的限速信息仅用时46ms。