零膨胀泊松回归模型及其在交通事故中的应用

零点膨胀泊松回归模型是利用零处的概率质量退化分布和一个泊松回归模型进行混合所得到的,该模型是分析零点膨胀计数数据的有效工具。本文采用零膨胀泊松回归模型对某高速公路数据进行拟合并对该数据采用score检验统计量就是否存在零膨胀进行了检验,研究结果表明当车流量达到1.8辆万/日以上交通事故发生的频率会明显增加,有关部门应采取相应的措施,如限制收费站进口车辆或者采取分流等,特别是在极端天气出现时,更应及时控制好车流量并提醒驾驶员保持车距。     

Ka频段移动卫星星地链路误码统计分析

针对Ka频段移动卫星星地链路的特性,全面考虑天气和移动终端周边环境的影响,建立了Ka频段移动卫星星地信道模型。对二进制相移键控(BPSK)调制方式下的星地信道进行仿真和数字基带误码图案的统计分析,并采用最小二乘法对误码发生次数的概率进行了拟合。研究表明：信道误码发生次数服从泊松分布,在Ka频段移动卫星星地信道的数字基带模拟中,BPSK调制方式下的系统误码由突发误码和服从泊松分布的随机误码组成。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

基于泊松-高斯混合噪声的最大似然改进算法

传统的图像复原算法仅针对高斯噪声进行处理,没有考虑高斯及泊松混合噪声污染。为此,引入泊松-高斯混合分布的成像模型,对基于混合模型的最大似然算法进行有效近似,在此基础上提出基于泊松-高斯混合噪声的最大似然改进算法,避免对噪声敏感性和PSF初始估计的依赖。实验结果表明,与原有算法相比,改进算法复原效果明显,且稳健性较好。     

隐马尔可夫树模型在纹理分析中的应用

该文在研究小波域隐马尔可夫模型(HMM)的基础上,提出了一种全新隐马尔可夫树(HMT)模型.在以往的研究中,HMT通常将2维DWT的三个子带HL、LH、HH视作相互独立,形成三棵独立的子树分别建模.为了更好地描述三个子带间小波系数的相关性,该文将这三个子带中相应节点进行捆绑,作为一棵树进行建模.另外,对于每个尺度中的小波系数分布,HMT常用高斯混合分布来拟合.该文研究了基于泊松分布的统计建模方法(PHMT).纹理图像经Haar小波变换和乘数分解后,再采用PHMT建模.经过实验验证,基于泊松分布的统计建模方法是有效的.     

基于特定失效概率的软件恢复策略分析

对软件的两阶段失效与恢复模型进行了分析，基于特定失效概率求解最优恢复时间间隔，并利用半马尔可夫过程，得到特定失效概率下的平均恢复成本。为了将恢复成本降到更低，采用了嵌套的基于时间的软件恢复策略，同时考虑应用级和系统级的恢复，并求得了特定失效概率下的最大应用级恢复次数、恢复时间间隔序列以及最低年平均恢复成本。     

衰落信道下无线多跳网络的连通性研究

基于齐次泊松点过程的节点分布模型,在不同的衰落信道模型下推导了网络无孤立点概率的闭型表达式,用作网络连通概率的上界。特别分析了对数正态阴影衰落和瑞利衰落信道的相关物理参数对连通性的影响。此外,还讨论了协作通信对于网络连通性能的提高作用。最后,在仿真构造的无线网络中测试得到的连通性能的仿真值与理论分析结果吻合。     

基于多模板隐马尔可夫模型的文本信息抽取算法

由于训练数据来源的多样化,难以通过学习得到最优的模型参数,因此提出了一种基于多模板隐马尔可夫模型的文本信息抽取算法。该算法首先利用文本排版格式和分隔符等信息,对文本进行分块;然后在分块的基础上,对训练数据进行聚类以形成多个形式的模板（多模板）,并对多模板数据训练得到隐马尔可夫初始概率及转移概率参数;最后,用被训练的数据统一训练释放概率参数,结合初始概率、转移概率以及释放概率参数对文本信息进行抽取。实验结果表明,该算法在精确度和召回率指标上比简单隐马尔可夫模型具有更好的性能。     

基于构件软件的抗衰策略分析

软件在长期运行过程中由于资源消耗、数据损坏、数值错误累积而引起性能下降的现象被称为软件老化.在软件失效前选择合适时机通过预反应的技术来保持软件性能的方法称作软件抗衰.由于构件软件常常应用在结构复杂、规模庞大的网络环境中,软件老化现象就更为突出.提出了一种针对构件软件的抗衰策略,通过对构件软件进行可靠性分析,构造了一种结合失效性和泊松失败分布的马尔可夫模型,并根据模型进行软件抗衰来保持构件软件的性能.     

稀疏性正则化的图像泊松恢复模型及分裂Bregman迭代算法

生物医学、天文等成像系统通常会受到泊松噪声的干扰, 基于图像在过完备字典下的稀疏表示, 在贝叶斯最大后验概率估计框架下, 建立了针对泊松噪声的稀疏性正则化图像恢复凸变分模型, 采用负log的泊松似然函数作为数据保真项, 模型中非光滑的正则项约束图像表示系数的稀疏性, 并附加恢复图像的非负性约束. 进一步, 基于分裂Bregman方法, 提出了求解该模型的多步迭代快速算法, 通过引入辅助变量与Bregman距离, 可将原问题转化为两个简单子问题的迭代求解, 大幅度降低了计算复杂性. 实验结果验证了本文模型与数值算法的有效性.     

Dynamic probabilistic analysis of accidents in construction projects by combining precursor data and expert judgments

Construction accident occurrences are essentially rare, stochastic, and dynamic. This study proposes a method for accident prediction that fully captures these natures based on historical data and prior knowledge. The method utilizes the relatively high occurrence frequency of precursor events and the dependency between precursors and accidents. The modeling approach consists of three steps: (1) characterize the stochastic occurrences of precursor events over time based on precursor data; (2) estimate the failure rate of the Poisson model which is assumed to be a prior distribution of accident occurrences; and (3) elicit the expert knowledge about the stochastic dependency between near miss occurrences and accident occurrences. A copula-based Markov model is used to develop the time series model of precursors while a copula-based protocol is proposed to aid expert judgment elicitation and quantification. The probability of accident occurrence is then dynamically updated according to the observed historical near miss numbers. The proposed method is applied to a metro construction project. A five-year long near miss data were collected and used as accident precursor data, while three experts were invited to provide relevant information. The developed accident model is used to predict the accident-prone periods, which are consistent with the months that the observed near miss occurrence frequency deviates significantly from normality. Thus, the model can be used to support the planning of necessary safety improvement programs before the accident risk increased.     

基于路网结构的城市交通事故短期风险预测方法

城市交通事故一般都发生在公共道路上,然而现有的交通事故风险预测算法都通过对预测区域进行规则网格化来确定预测空间单位,导致预测精度不高且实用价值较低。本文将道路路段作为预测单位,采用图卷积和长短期记忆网络,构建了一种基于路网结构的城市交通事故短期风险预测方法(traffic accidents risk prediction based on road network,TARPBRN)。该方法能对指定路段短期内的交通事故风险进行预测,从而可以有针对性地进行治理,减少交通事故的发生。本文使用杭州市西湖区的交通事故数据对模型进行了训练,并与4种常用的计量经济学模型和3种已有的深度学习预测算法进行了对比。实验结果证明本文算法在准确度、正确率和漏报率等方面都优于已有算法。     

基于道路风险评估的城市路网实时路径选择

为了缓解城市交通拥堵、避免交通事故的发生,城市路网的路径选择一直以来是一个热门的研究课题.随着边缘计算和车辆智能终端技术的发展,城市路网中的行驶车辆从自组织网络朝着车联网(Internet of vehicles,IoV)范式过渡,这使得车辆路径选择问题从基于静态历史交通数据的计算向实时交通信息计算转变.在城市路网路径选择问题上,众多学者的研究主要聚焦如何提高出行效率,减少出行时间等.然而这些研究并没有考虑所选路径是否存在风险等问题.基于以上问题,首次构造了一个基于边缘计算技术的道路风险实时评估模型(real-time road risk assessment model based on edge computing, R³A-EC),并提出基于该模型的城市路网实时路径选择方法(real-time route selection method based on risk assessment, R²S-RA). R3A-EC模型利用边缘计算技术的低延迟,高可靠性等特点对城市道路进行实时风险评估,并利用最小风险贝叶斯决策验证道路是否存在风险问...     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.     

基于最优加权组合模型的道路交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。针对各种单一灰色预测模型存在的局限性,建立了一种基于最优加权的灰色组合预测模型。根据我国道路交通事故的发展情况,建立了GM（1,1）、Verhulst和SCGM（1,1）c相结合的组合预测模型,运用最优加权法确定组合预测模型的权重系数。利用2001-2007年我国道路交通事故死亡人数的实际值作为原始数据,构建各个单一预测模型和最优组合预测模型,预测其2008-2010年交通事故死亡人数。预测结果表明,组合预测模型比单一GM（1,1）模型、Verhulst模型和SCGM（1,1）c模型具有更高的预测精度。     

一种尾矿库风险评估的可能性处理方法

尾矿库作为一种危险源,对其进行风险评估是很必要的。首先在统计国内尾矿事故的基础上分析不同事故类型发生的概率;然后根据概率可能性转换方法,将概率分布转换为可能性分布,引入可能性理论中的可能性测度;最后考虑各个事故发生时的风险,结合专家赋值法,将其综合起来,计算出尾矿库的风险值。以此风险值为基础,建立风险评估模型。结合工程实例,验证该方法的可行性和有效性。     

Automatic determination of traffic accidents based on KMC-based attribute weighting

In this study, the traffic accidents recognizing risk factors related to the environmental (climatological) conditions that are associated with motor vehicles accidents on the Konya-Afyonkarahisar highway with the aid of Geographical Information Systems (GIS) have been determined using the combination of K-means clustering (KMC)-based attribute weighting (KMCAW) and classifier algorithms including artificial neural network (ANN) and adaptive network-based fuzzy inference system (ANFIS). The dynamic segmentation process in ArcGIS9.0 from the traffic accident reports recorded by District Traffic Agency has identified the locations of the motor vehicle accidents. The attributes obtained from this system are day, temperature, humidity, weather conditions, and month of occurred traffic accidents. The traffic accident dataset comprises five attributes (day, temperature, humidity, weather conditions, and month of occurred traffic accidents) and 358 observations including 179 without accident and 179 with accident. The proposed comprises two stages. In the first stage, the all attributes of dataset have been weighted using KMCAW method. The aims of this weighting method are both to increase the classification performance of used classifier algorithm and to transform from linearly non-separable traffic accidents dataset to a linearly separable dataset. In the second stage, after weighting process, ANN and ANFIS classifier algorithms have been separately used to determine the case of traffic accidents as with accident or without accident. In order to evaluate the performance of proposed method, the classification accuracy, sensitivity, specificity and area under the ROC (Receiver Operating Characteristic) curves (AUC) values have been used. While ANN and ANFIS classifiers obtained the overall prediction accuracies of 53.93 and 38.76%, respectively, the combination of KMCAW and ANN and the combination of KMCAW and ANFIS achieved the overall prediction accuracies of 74.15 and 55.06% on the prediction of traffic accidents. The experimental results have demonstrated that the proposed attribute weighting method called KMCAW is a robust and effective data pre-processing method in the prediction of traffic accidents on Konya-Afyonkarahisar highway in Turkey.     

城市交通事故的局部相关性可视分析方法

交通事故数据蕴含有交通事故规律,如交通事故与天气、时间、道路等因素的关 联规律,值得深入挖掘。虽然天气、时间、道路等因素对交通事故均有影响,但对不同区域交 通事故的影响不尽相同,即具有局部相关性。挖掘局部相关性能更好地揭示这些因素与交通事 故之间的相关性。为此提出一套分析挖掘交通事故数据中所蕴含的局部相关性的方法。首先基 于交通事故数据提取事故多发路段,每个事故多发路段包含有位置、时间以及相关的交通事故 信息;然后提出一套聚类支持的局部相关性可视分析方法分析事故多发路段：①以待分析因素 直方图(如天气直方图、时间直方图)刻画事故多发路段;②基于直方图相似性对事故多发路段 进行聚类分析;③在多关联视图支持的交互环境中进一步观察、分析聚类结果以挖掘待分析因 素与交通事故之间的局部相关性。通过分析安徽省合肥市 2015-2018 年交通事故接警数据,取 得了一些有意义的分析结果,验证了该方法的有效性。     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。