危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法. 对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果. 在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果. 实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%. 识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.     

基于车牌识别数据的行驶轨迹重构和排放测算

随着特大城市的发展,柴油车等高排放车辆成为城市的主要移动污染源之一,对大气环境质量控制造成越来越大的压力.基于道路交通车辆的车牌自动识别数据集,从识别断面的车辆通过时空数据推算车辆的行驶轨迹,获取城市级别高排放车辆的热点行驶路径、出行特征及活动规律,为制定车辆减排政策(如高排放车辆的管控及低排放区划定等)提供定量方法和科学依据.提出基于地图应用程序开发接口(application programming interfaces,API)导航的车辆行驶轨迹重构方法,较为真实地还原车辆行驶路径,并结合移动源排放测算(motor vehicle emission simulator,MOVES)模型对行驶车辆的多种污染物排放进行估算.以中国深圳市运行的柴油车为研究对象,分析验证该方法的可行性及可靠性.结果表明,该方法可完整重构柴油车在深圳市的运行轨迹,并实现对排放的估算,为机动车污染物减排提供辅助决策支持.     

基于手机信令数据的用户出行方式识别

基于通信网络获取的手机信令数据,挖掘用户出行轨迹,在传统模糊C均值聚类算法(fuzzy c-means algorithm,FCMA)的基础上,依据出行方式的先验知识构建初始隶属度函数,并将传统欧氏距离替换为对多维度数据之间变化关系更加敏感的马氏距离,提出基于改进模糊C均值聚类算法的出行方式识别模型,对长春市区范围内用户的三种常见出行方式,即步行、自行车、机动车进行识别,并从用户出行距离、出行时耗、平均行程速度三方面验证了模型识别结果的准确性.     

基于个体记忆效应和距离效应的出行目的地识别

通过分析个体出行轨迹数据,挖掘个体出行历史记忆特征以及个体所处位置与潜在目的地的距离特征,建立新的出行目的地识别模型.利用杭州市200个匿名个体62 880次出行数据测试所建模型的效果.对基于位置的服务（LBS）数据进行预处理,提取以活动为目的的分段出行数据片段,采用GeoHash网格编码方法得到网格化后的个体历史目的地集合.利用随机缺失的个体出行历史轨迹数据构建训练集和测试集,采用非线性最小二乘法对模型进行参数标定.结果表明,所建模型提升了出行目的地识别精度;对比不同模型的召回率、折扣累计收益和F1分数,所建模型优于马尔可夫模型、决策树模型以及随机森林模型;数据缺失率敏感性分析结果验证了所建模型的鲁棒性.     

基于马尔科夫链的轻轨乘客轨迹预测新算法

利用重庆轻轨的乘客刷卡数据,分析了乘客出行特征,并提出了一种基于马尔科夫链的乘客轨迹预测算法。该算法首先利用贝叶斯分类器对乘客下次出行轨迹进行分类;然后,根据乘客最近一次出行轨迹与其常住地的关系,预测其下次出行轨迹。在真实轻轨交通数据集上的实验结果表明,该算法对乘客出行轨迹的预测效果优于LTMT、RNN和2-MC;同时,该算法基于大数据处理框架Spark进行编码,减少了运行时间。     

基于深度学习的出行模式识别方法

居民出行信息可体现居民活动规律、反映城市交通问题,是制定交通规划与管理的重要依据.利用GPS获取的轨迹数据虽具有大量时空信息但不能直接表达出行模式,需要数据处理和挖掘算法提取隐藏知识来识别出行模式.由于居民出行模式具有高度的非线性和复杂性,识别具有很大挑战.本文利用深度学习方法的特征学习表征优势,解决特征提取的繁琐计算或漏提特征等弊端,通过对轨迹进行去野和划分等预处理后,计算轨迹片段的运动学特征构成输入数据,提出基于卷积神经网络与门控循环单元相结合的识别出行模式方法,利用卷积神经网络的深层特征表征优势和门控循环单元的时序特性挖掘能力,提高对非线性分类问题的学习能力和识别出行模式的准确性.为验证所提出方法的有效性,还设计单独的卷积神经网络和门控循环单元等模型,在Geolife数据集上进行测试和对比.实验结果表明,本文方法虽仅计算4个特征量仍具有较好的识别效果,并且优于单独采用卷积神经网络等分类方法的识别性能.     

城市快速路跟车行为的状态划分

下一代交通仿真（next generation simulation,NGSIM）车辆轨迹数据存在异常值和测量误差,为了使其准确可用,在建模之前需要对NGSIM车辆轨迹进行重构.建立了两步车辆轨迹数据重构算法：1）通过小波分析和物理约束界限值识别两类异常值,并分别采用拉格朗日5次和3次多项式插值对异常值进行重新估计;2）在保证信号能量比的前提下,根据卡尔曼滤波算法对车辆轨迹进行滤波去噪.通过对NGSIM车辆轨迹数据库I-80中的样本轨迹进行重构,速度曲线和加速度曲线以及Jerk分析表明该轨迹重构算法使模型建立更加精确.之后,将该算法应用于整个数据库中,加速度分布图表明轨迹重构效果良好.

     

基于出行计划数据的最优路径规划方法

现有基于交通流预测的路径规划方法大多使用历史或实时交通流数据,预测时效性有待提升.针对上述问题,提出基于出行计划数据的路径规划方法（RPTP）.该方法能主动捕捉出行者的未来交通需求,为车辆提供更合理的出行路线.基于出行计划的思想,设计基于出行计划数据的路径规划整体框架;构建基于出行计划路线数据的未来时段路网密度估计算法;采用空间堆叠的方式融合未来多时段路网密度,以此为依据改进D*Lite算法的启发函数.采用SUMO平台仿真验证,与静态路径规划方法（SPP）和滚动路径规划方法（RPP）进行对比分析.结果显示,在相同环境下RPTP方法能提高车辆的通行效率,缓解路网拥堵,有效验证了RPTP方法的优越性.     

基于Hadoop的Java调用Matlab混合编程的车牌识别

在交通行业日益发展的今天,车牌识别技术对于公路车辆监管以及车辆轨迹跟踪越来越重要,考虑到庞大的车辆信息数据量,单机处理数据能力已不能满足实时性的要求。本文在详细研究分布式处理平台Hadoop的工作原理后,利用其强大的HDFS存储系统与MapReduce数据处理方案,通过Java对Matlab的调用,简化了识别程序,搭建了分布式处理平台,即使在数据量庞大的情况下也能够进行车牌识别分布式计算。实验结果表明,在处理2 000张以上的车牌图像时,运行效率提升了2倍左右。     

基于RFID的新型机动车号牌及自动识别系统

针对传统机动车号牌在可视性、唯一性及其智能性上存在的不足,提出了一种新型的机动车号牌设计方案,并设计实现了与之相配套的自动车牌识别系统。整套系统采用新型蓄能自发光材料以及射频识别（RFID：Radio Frequency Identification）技术和隐秘起始地址、随机数初始化等多种安全措施,大大改进了车牌的可视性、唯一性、智能性以及安全性。新车号牌能自发光,系统能识别12m之内最高时速120km／h的车辆。实验结果及运行结果都证明了设计方案切实可行,识别系统安全可靠。     

基于车牌识别及RFID技术的小区车辆管理系统设计

采用车牌识别及RFID射频卡互补的方式设计了小区车辆管理系统,该系统可对分布于小区大门监控点内的过往机动车辆实现自动车牌识别,并对所有过往车辆的图片进行自动记录存档。由于本系统采用的是目前国内最先进的高清晰抓拍识别技术,基于计算机视觉原理以及模式识别技术,故可对过往车辆的车牌号进行清晰、准确的识别和不间断监测。     

基于车牌识别数据的交通拥堵识别方法

针对目前缺少基于车牌识别数据的交通拥堵识别方法的相关研究,使得建设及维护成本均较高的车牌识别系统只能实现交通监控、流量检测等初级功能,导致系统性价比较低的问题,分别设计了基于车牌识别数据的单车行程速度采集方法及区间平均行程速度采集方法,对交通拥堵的识别方法进行了研究,并进行了实例分析.结果表明,单车行程速度采集方法及区...     

MMS技术及在便携式车牌识别系统中的应用

针对基于Intel PXA255处理器和WINCE操作系统的嵌入式手持车牌识别系统中设备与服务器之间的远程无线数据传输问题,提出了一种基于MMS技术的数据传输与同步方法,在该便携式车牌识别系统中实现了将本地车牌识别结果及车牌信息快速上传至车牌管理中心服务器存储和备份以及远程查询车辆信息等功能,取得了较好的应用效果,对同类系统设计与研究有一定的参考价值.     

采用低频浮动车数据的行程时间估计

为解决利用低频浮动车数据进行路径行程时间估计时精度不高的问题,从分析浮动车数据特征的角度出发进行行程时间分布的估计,提出并讨论利用浮动车数据估计行程时间的潜在误差,针对每种潜在误差提出修正模型,并选取上海市长寿路部分路段进行实证分析,利用1 500辆出租车数据,对各种修正方法下的行程时间进行估计,与改进内插值估计方法进行对比,并与车牌识别装置提供的直接行程时间估计结果进行相似性分析.结果表明:所有误差均修正的行程时间估计与改进内插值方法相比,平均估计精度提高9.5%,且估计的中位数、25%分位数和75%分位数与车牌识别方法有较高的匹配度.考虑低频浮动车数据误差修正的行程时间估计可以改善估计的精度,可提供有效的行程时间信息.     

车辆牌照识别技术的研究发展

车辆牌照识别系统即基于图像和字符识别技术的智能化交通管理系统,是智能交通系统的重要组成部分。通过对车辆牌照识别系统及识别技术的分析,总结出进一步研究车辆牌照识别技术的必要性,并提出将模板匹配与支持向量机相结合进行字符识别的算法思想。     

基于梯度提升回归树的城市道路行程时间预测

为了提高行程时间的预测精度,在考虑时间序列相关性的同时,分析相邻路段的空间相关性对于行程时间的影响,并提出基于梯度提升回归树模型的城市道路行程时间预测方法.对车牌识别设备获取的实际数据进行预处理,并提出相应的补全算法以解决数据缺失问题,建立完整的历史数据集.通过分析各影响因素与行程时间的相关性,构建特征向量.为了能更好地理解模型,通过梯度提升回归树模型输出各变量对于预测结果的重要度.利用实际数据对模型进行评估,预测行程时间的平均绝对误差百分比,约为10.0%.与SVM、ARIMA等方法相比,所提方法具有较高的精度.     

面向城市路口的高清晰智能监控系统研究

在对复杂的城市路口监控环境深入分析的基础上,提出了一套高效稳定的高清晰视频车辆检测与跟踪算法,以此为核心构建的智能交通监控系统实现了包括交通流统计、违章取证和车牌识别在内的全天综合智能监控。提出了高效的两步车辆检测法:在鲁棒的帧间边缘差分运动检测基础上,利用车牌纹理投影特征和尾灯颜色特性实现车辆检测。在车辆跟踪方面,提出了提取大尺度的FAST稳定角点进行Lucas-Kanade金字塔跟踪和基于Kal-man预测的车辆尾灯锁定,以完成昼夜不同情况下路口车辆的长距离稳定追踪。实际应用结果表明,车流量采集精度达到96.5%,违章记录有效率87.6%,具有优良的性能。     

图像增强算法在车牌图像预处理中的研究与应用

雾天场景下摄像头采集到的车牌图像质量较低,在车牌识别系统中对图像预处理产生较大影响,从而造成车牌定位和识别效果较差。以雾天环境下实际采集的车牌图像为例,分别采用带色彩恢复的多尺度Retinex算法和暗原色先验去雾算法对实际图像增强进行仿真实验。实验结果表明,利用暗原色先验去雾算法对图像进行增强处理,能够提高图像的对比度,实现去雾效果,从而使车牌定位和车牌识别达到更好的效果。     

基于空间分布的最大类间方差牌照图像二值化算法

车辆牌照识别VLPR(Vehicle License Plate Recognition)是智能交通系统ITS(Intelligent Transportation System)的重要部分,有着巨大的社会和经济效益。车辆牌照图像二值化方法的研究是VLPR中的关键技术,通常都采用经典的Bernsen算法和Otsu算法．但由于光照不均、摄像机畸变、曝光不足、动态范围太窄和车辆牌照被污染等原因,车辆牌照图像的质量往往不佳,常存在严重伪影和字符边缘模糊,极大地影响了牌照图像二值化效果,Bernsen算法和Otsu算法也不能很好地克服上述问题。为此,提出了一种新的牌照图像二值化算法CASDA(Cluster Algorithm Based on Spatial Distribution Analysis),把牌照图像空间分布特性与最大类间方差的统计特性有机结合,大大加快了最大类间方差模式分类速度．与Bernsen、Otsu、LEVBB等算法比较,CASDA具有速度快,能消除不均匀光照引起的伪影,极少出现笔划断裂等优点,二值化效果好．