深度特征提取下城轨客流异常状态识别

为实现对城市轨道交通突发大客流的及时预警,提出一种基于自动售检票数据的客流异常状态识别方法.首先,确定符合客流时变特性的滑动时间窗口长度以适应动态的数据环境;其次,建立深度置信网络模型以提取窗口内待检样本的客流特征,并实现样本特征模式的自适应划分;最后,将待检样本和相同模式的历史样本映射至多维特征空间,进行基于局部异常因子的客流异常状态识别.通过广州地铁的案例分析,结果表明:该方法的模式划分精度为92.5%,异常识别误检率和准确率分别为3.98%和91.9%,识别效果与异常的形式和程度相关,且受识别合格判定条件中反应时效要求的影响,整体上能够在保证较低误检率的情况下,实现对各类客流异常状态的灵敏识别.     

基于低频浮动车数据的实时地图匹配算法

在考虑GPS误差等影响因素的前提下,按照5 min时间间隔为单位,对该时间段的GPS点筛选候选匹配链路;然后利用最短路算法获得浮动车行驶的候选径路集,并通过模糊逻辑推理确定最终行驶径路,实现低频浮动车数据的地图匹配;最后,基于北京市采集的浮动车高频数据,利用不同频率下随机抽取低频数据对算法进行验证.     

实时补缺方法对交通信息融合精度的影响

针对各种检测方式中因检测设备失效或因错误数据的排除处理等导致的数据缺失情况,本文提出了时间序列法、空间序列法和历史数据法等3种缺失数据实时补缺方法,并以城市快速路的浮动车数据和微波数据的数据融合为例,通过比较上述方法的补缺精度以及对数据融合精度的影响,分析了不同补缺方法的适用性以及数据补缺处理中的使用优先级.结果表明,基于时间序列和空间序列补缺方法的数据融合结果的平均相对误差均能控制在20%以内,所提出的实时数据补缺方法具有良好的实用性.