基于生成对抗网络的地铁OD需求短时预测

城市轨道交通作为一种安全、运量大、环保节能的交通工具,能有效缓解城市交通压力,逐渐成为大中城市居民最重要的出行方式之一。准确可靠的城市轨道交通短期客流预测对旅客出行与客流管控有重要意义。有鉴于此,提出一种新型的生成对抗网络(GAN)模型,即CWGAN-div模型,以实现对地铁OD需求的短期预测。CWGAN-div模型融合条件生成对抗网络(CGAN)模型以及基于Wasserstein散度的生成对抗网络(WGAN-div)模型,结合2种模型的特点,来提高原始生成对抗网络模型的稳定性和生成精度。考虑到地铁客流量变化的时间周期性,使用一种融合2类周期信息的时间标签作为条件信息,并与历史OD数据一起作为模型的输入。为了更充分、更稳定地挖掘地铁客流需求的时空相关性,采用一种改进的卷积神经网络,即残差神经网络构建CWGAN-div的内部结构。以深圳地铁1号线和4号线的44个站点为例,数值实验表明,CWGAN-div模型具有较好的稳定性和预测效果,相比传统预测方法和普通深度学习方法在预测精度上分别提高了27.97%和6.59%,相比其他组合模型提高了3.26%,相比基础CGAN模型和WGAN-div模...     

基于RBF神经网络的地铁隧道施工坍塌事故应急车辆需求预测

现有生产安全事故应急救援体系未能充分利用历史经验辅助应急决策,并多为资源总体上的预测和调度。为高效、准确地应对地铁隧道施工坍塌事故,制定应急救援方案,提高应急救援效率,以确定应急车辆需求量为例,提出一种基于RBF神经网络的应急车辆需求预测模型。在确定预测指标的基础上,整理分析历史事故案例并提取关键指标值,通过训练确定扩展速度及隐含层神经元个数,分别构建以坍塌位置、次(衍)生事故、坍塌面积和被困人数为输入,救护车及消防车需求量为输出的RBF神经网络预测模型。在预测结果的基础上,确定所需应急车辆类型及数量,推算医护人员和消防人员的配备数量,并结合事故实际特征对预测结果进行修正。以某实际地铁隧道施工坍塌事故数据进行案例分析,预测该事故所需的应急车辆、相关人员及设备等应急资源的需求量,并将其与实际数据对比分析,验证了预测模型的可行性和有效性。该预测模型可为地铁隧道施工坍塌事故应急救援方案的制定提供新的思路和方法。     

远洋船舶目标检测中图像分类识别研究

为准确划分远洋船舶类别,实现远洋船舶目标检测,保障海洋生态环境、海洋交通与国防安全,研究远洋船舶目标检测中图像分类识别方法。采用小波分析法,通过二维小波变换获取低频子图像、水平细节子图像、垂直细节子图像和对角细节子图像,将其作为远洋船舶图像特征;采用采用双向递归神经网络(BRNN)的深度学习方法构建分类器,将远洋船舶图像特征作为输入向量,通过递归神经网络将输入向量映射至输出向量,得到船舶目标图像分类结果。同时利用改进粒子群算法优化分类器中的权重与偏差参数,提升船舶目标图像分类精度。实验结果显示,所研究方法能够有效划分船舶目标图像类别,且划分精度高于97%。     

小波包和神经网络的船舶电力系统谐波检测方法

随着船舶电力系统中接入越来越多的电力电子设备,谐波污染现象变得愈发严重。当前的谐波检测还无法实现较小的谐波频率、相位、幅值检测误差,提出小波包和神经网络相结合的船舶电力系统谐波检测方法。设计由微处理器、信号采集板、上位机构成的船舶电力系统信号采样装置,实施电力系统电流信号与电压信号的采样。通过小波包算法提取采集信号高频部分的有效值。基于神经网络思想设计Elman神经网络谐波检测器,实现船舶电力系统谐波检测。其中在输出层中通过主成分分析方法实施神经网络的输出优化,并实施Sigmoid激励函数的改进,以降低检测误差。测试结果表明,该方法平均谐波频率检测误差、平均谐波相位检测误差、平均谐波幅值检测误差的区间均值分别为0.16 Hz,0.20°,0.12 V,整体误差很低,同时克服了基波分离延时问题。     

基于LSTM与注意力机制的船舶航迹预测模型研究

在内河通航船舶数量不断增加和通航环境日益复杂的情况下,为充分挖掘海量AIS数据中的价值信息,针对内河船舶航迹预测中的精度和可靠性问题,应用循环神经网络方法,提出了一种结合深度学习注意力机制(At-tention Mechanism)和长短期记忆网络(Long Short-Term Memory,LSTM)的船舶航迹预测...     

基于神经网络的无人船自主靠泊模拟研究

针对传统神经网络自主靠泊控制器忽视车令与螺旋桨转速、舵令与实际舵角之间的映射关系问题,将控制器的输出由螺旋桨转速、舵角改为车令与舵令.为解决靠泊完成后船艏向偏差较大问题,将多初始状态下的靠泊训练数据改为单一初始状态,并将选择靠泊过程中的部分数据作为控制器输入改为提取靠泊过程中的全部信息,以此来提高控制器的训练效果.仿真...     

电池SOC估算方法的研究现状

如今,锂离子电池已成为新能源产业和SOC的研究重点。在锂离子电池研究中,电池容量估算和计算是其中的重点研究之一。SOC直接关系到锂离子电池使用的效率和安全性,正确的SOC估算和计算方法不仅可以增加锂离子电池工作的安全性,并延长锂离子电池的使用寿命[1]。相反而言,不合适的SOC估算和计算方法不仅会加速电池的老化,而且会带来电池爆炸和燃烧的危险,危害使用者的生命和财产安全。因此,本文对各种SOC估计和计算方法进行研究,以获得更成熟和广泛使用的电池SOC估计和计算方法。     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图...     

蚁群算法优化的神经网络技术在跑道起飞容量预测中的应用

为了对机场起飞容量及飞机全部出动时间进行预测,构建了基于ACO优化BP神经网络的机场跑道起飞容量预测模型。分析了机场跑道容量的含义及其影响因素,利用飞参提取软件将影响因素的具体数值进行提取;依据BP神经网络的特点将其引入到机场跑道起飞容量预测中,为了弥补BP神经网络的缺点,利用ACO对网络进行优化,最终建立了基于ACO优化BP神经网络的机场跑道起飞容量预测模型,并与标准BP神经网络的预测结果进行对比,结果表明优化后的网络各项误差都不同程度的减小40%～60%,优化后的网络提高了模型的精度。利用优化后的模型分析了飞机质量、气温、气压、风速与起飞跑道占用时间与起飞容量的关系,并对某机场保障飞机起飞容量与出动时间进行了评估,得到飞机质量、气压、纵向风速与起飞容量大致呈线性关系,气温与起飞容量大致呈非线性关系,最后得到该机场的总出动时间与起飞跑道容量,可以更准确的评估机场保障能力。