基于小波的路面裂缝识别研究

应用基于小波变换的图像分解和重构方案可以进行公路路面裂缝的检测与识别。首先对路面图像进行多分辨二维离散小波分解,根据在每个尺度2j上小波系数模最大值和相位(梯度方向)这两个分量的大小确定边缘的位置,进一步变换小波分解系数,达到去除噪音,加强裂缝边缘的效果。并通过实验分析和讨论了不同的小波基、不同分辨率水平、重构中使用的分解子图像对路面图像裂缝分割的影响,最后用简单的阈值技术生成二值图像,把裂缝从背景图像中分离出来。     

工业企业运输量预测方法分析

首先介绍常用的时间序列预测法,在此基础上讨论基于分形理论的一种新的预测方法。结合实例应用的效果对比,发现基于分形理论的预测方法具有更高的精度。     

公交运行时间预测方法分析

本文介绍了公交运行时间的预测方法,在交通调查的基础上,应用各种方法进行预测,并对各种预测结果进行误差分析。结果表明,移动平均法的相对误差较指数平滑法小。     

�������������͵�����չ��ϵ��Э������

准确的认识航空运输业的发展规律,深入研究它与所在地区之间的社会经济发展关系,对于民航业规划目标的制定和完善,以及民航运输对地区经济的促进和带动作用都有着重要的意义。本文采用一个协整分析模型定量分析了机场的民航客运量增长和地区经济发展之间可能存在的相互关系,并以首都国际机场和北京地区的相关经济发展数据为例进行了实证研究,分析了首都机场客流量与北京地区的生产总值,以及地区进出口总额这些时间序列数据之间的相关性。计算结果验证了方法的有效性,说明了民航运输事业的发展与地区经济快速增长之间的紧密联系,也为今后的民航客运发展规划和地区经济建设提供了有用的参考信息。     

交通流时间序列的复杂度测量

为了定量分析交通流系统的复杂性,引入算法复杂度和近似熵,通过速度时间序列的算法复杂度估计系统周期性成分的比率,在重构序列时通过取多个划分区间来提高算法复杂度的估计能力.计算近似熵时,先由速度序列得到速度变化率序列以去除趋势,然后通过速度变化率序列的近似熵估计系统在结构变化上的复杂性.对实测交通流数据序列的计算表明:在序列长度超过600时可以得到算法复杂度,序列长超过300时可以得到近似熵;交通流的算法复杂度和近似熵在同步状态时较低,拥挤状态时增大,在自由状态时最大.因此,不同的算法复杂度和近似熵对应不同状态下的交通流,算法复杂度能分析较长的交通流序列,近似熵可以分析较短的交通流序列.     

基于视觉注意机制 PCNN 模型的车牌 图像分割方法

车辆图像中车牌具有所占比例小、位置不固定、大小不一,以及分割易受光照影 响的特点.因此,车牌图像的分割始终是车辆跟踪、车辆识别等领域中的难点问题.针对以 上问题,本文提出了基于视觉注意机制脉冲耦合神经网络模型的车牌图像分割方法.该方 法将视觉注意机制中的数据驱动模式和任务驱动模式相结合. 数据驱动模式中,通过对 PCNN 模型细胞感受野功能的完善,使优化 PCNN 模型具有了尺度性和方向性.任务驱 动模式中,针对不同尺度的分割,利用组合不变矩和局部灰度熵,自适应地确定目标的特 征尺度和最佳尺度,并确定该目标最终的分割结果.经实验验证,该方法对车牌图像具有 较好的分割效果.     

���ڶ�άʱ�����е�ETC ��ʱ��ͨ����Ԥ��ģ��

ETC短时交通流量预测是高速公路ETC管理的基础,准确的交通流量预测为交通枢纽管理方案设计与ETC车道的建设规划等提供指导.目前关于短时交通流量的研究很多,但多数是以数学表达式的形式进行模型表示,很难进行准确的趋势描述.本文基于多维时间序列的ETC短时交通流量预测模型,考虑了法定节假日、高速公路免费和天气等外界因素对ETC交通流量的影响,并结合某地尾号限行的特殊性,考虑"周几"因素,以某高速公路ETC车道交通流量数据为基础,进行预测.预测结果显示,该模型预测结果总体平均绝对相对误差为8.10%,表明该模型具有较强的实用性.     

基于状态空间的连续断面船舶交通流量预测研究

船舶流量预测是船舶交通流研究的重要内容,建立科学合理的船舶流量预测模型有助于航道的设计、规划和管理。将传统的单断面船舶交通流预测方法向多断面进行改进和推广,提出基于状态空间和卡尔曼滤波的多断面交通流预测模型。利用船舶交通流多断面流量数据的时间序列进行多维线性回归,并转化为状态空间模型形式;在此基础上由卡尔曼滤波算法对交通流量进行递推预测,得到多断面交通流的预测值。作为实证研究,分别对武汉长江大桥、武汉长江二桥2个断面,以及长江重庆段朝天门、万州、巫山3个断面进行实际数据分析来验算模型的有效性,并与单断面多维线性回归预测方法进行对比。结果表明,使用状态空间模型得到的武汉长江大桥、二桥预测结果的平均相对误差分别减少4.59%,0.97%;而重庆段3个连续观测点采用状态空间法预测比使用时间序列预测平均绝对误差和平均相对误差均有不同程度的降低,其中平均相对误差分别降低1.08%,4.28%, 3 .54%。因此,在不同时间维度上,该模型有助于提高多断面交通流预测精度。      

基于SARIMA 模型的北京地铁进站客流量预测

通过对北京地铁2013 年5 月~7 月的进站客流量数据进行详细分析,总结北京 地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁 进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预 测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型 适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特 点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.     

港口吞吐量预测的时序残差修正Verhulst模型

灰色系统预测模型是一种进行港口吞吐量预测的有效方法。但是,当港口吞吐量按照“S”型曲线增长或增长处于饱和阶段时,采用灰色模型进行吞吐量预测的误差较大,预测精度不能满足实际要求。根据港口吞吐量的增长规律,通过典型实例提出了基于时序残差的港口吞吐量预测Verhulst模型,用于中长期港口吞吐量预测。应用结果表明,本模型对于那些暂时处于快速增长而从长远看按“S”型曲线增长的港口吞吐量预测具有较高的预测精度,同时保留了灰色预测方法的原有优势和特点。