基于数据挖掘算法的交通状态辨识方法研究

在分析现有交通状态辨识理论的局限性的基础上,提出了一种新的交通状态辨识模型。此模型针对每种交通状态样本数据都具有一定的相似性,不同状态之间的样本具有相异性的性质,采用数据挖掘方法中的聚类算法对不同状态的交通流数据进行聚类。所提出的模型避免了目前模型中只采用单个交通流参数进行状态识别的缺点,为交通状态的辨识提供了一种新的思路。     

基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

一种新的模糊聚类神经网络及其在语音信号系统辨识中的应用

主要解决语音信号模型的系统辨识问题.针对过去的模糊聚类算法进行系统辨识时逼近性能不理想的问题,提出了一种新的模糊聚类神经网络(FCNN).该方法以模糊系统模型为基础,将每个状态看作一个模糊系统,用连续的若干序列作为系统的输入,利用改进的模糊聚类辨识算法构成一种新型的模糊聚类神经网络,对系统的输出进行预测.通过语音信号系统辨识的实验,验证了本网络的有效性.     

基于减法聚类的多模型在线辨识算法

考虑到实际工业过程中复杂系统的工况变化往往具有不确定性的特点, 离线辨识的多模型系统难以自适应反映系统的非线性, 因此本文提出一种新的基于减法聚类的多模型在线辨识算法. 首先采用在线聚类算法辨识多模型系统中的局部模型个数与工况参数, 然后充分考虑聚类发生变化对局部模型参数辨识的影响, 给出相应的局部模型参数在线辨识算法. 最后以某电厂300MW锅炉--汽轮机的协调控制系统为对象, 采用上述辨识方法进行仿真研究, 结果验证了本文算法的有效性.     

城市快速路交通流参数估计方法研究北大核心CSCD

车辆速度、密度、流量关系模型是研究交通流道路通行能力和交通运行状况的重要依据,针对真实道路车辆速度估计,展开经典交通流参数估计解析模型和基于机器学习方法模型的估计效率研究,并提出一种聚类最小二乘方法估计车辆速度。真实交通道路往往存在大量随机因素,而且现场采用的是微波监测器采集数据,导致原始数据存在极大的不确定性,因此,该方法首先对实测数据进行修复、校正和平滑等预处理;为了提高参数估计的效率和准确性,该方法采用k均值聚类对预处理后数据进行聚类;最后采用最小二乘法估计车辆速度。利用实测数据对算法进行测试,结果表明,文章所提出的算法估计效果优于经典解析模型,提高了交通流参数的估计精度,对更加精确的刻画交通流变化趋势有一定的现实意义。     

基于改进KNN算法的交通流异常数据修复方法

交通流数据分析是交通规划、控制、管理等工作实施的基础。交通流数据异常会给交通状态辨识及交通管理和控制带来困扰,不利于交通领域各方面研究及工作的开展。因此,对异常数据进行修复具有必要性。为了提高交通流异常数据修复精度,进一步改善交通数据质量,构建了基于改进K近邻（K-Nearest Neighbor,KNN）算法的交通流异常数据修复模型。通过对KNN基础模型中k值和状态向量进行优选、提出距离占比的近邻值权重选取方式,实现对其模型的改进。为了验证模型的有效性,采用实测交通流数据进行实验分析。实验结果表明,改进的KNN数据修复模型具有更高的修复精度,其平均相对误差为9.88%,能够有效改善数据质量,为智能交通控制体系提供基础数据支持。     

交通流突变辨识组合算法

针对智能交通系统的开发,结合交通流特性,应用小波多分辨分析理论的Mallat 分解算法与RBF 神经网络建立交通流状态辨识组合算法。利用多种小波系数与交通流参数之间的相应变化规律进行RBF 网络输入参数设计,进而通过RBF 网络进行交通流状态突变的辨识。交通流状态的突变多与交通事件直接相关,故采用事件和非事件条件下的模拟数据对算法进行了离线测试。与传统算法的性能比较结果表明：组合算法在交通流状态突变辨识方面具有良好的性能。     

基于FFCM聚类的城市交通拥堵判别研究*

对城市道路交通拥堵状态判别的问题,提出了一种硬C均值(HCM)聚类与模糊C均值(FCM)聚类相结合的快速模糊C均值聚类(FFCM)算法。用硬聚类的结果对模糊聚类初始值的选取进行指导,以加速算法的收敛过程。将该算法用于城市交通流数据的聚类分析结果表明,该算法能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通疏导策略的制定提供依据。     

交通流时间序列模式相似性度量法

针对交通流时间序列具有高维、高噪声的特性,设计了基于趋势变动、拟合优度和最小距离和百分比原则的联机分割算法用于时间序列维约简。对分割后的时间序列进行5元组分段线性表示,并据此定义五种常见的时间序列形状相似性距离。使用分层聚类算法分析它们在不同的交通流状态辨识中的效果,以此确定交通流时间序列的模式相似性度量方法。以上海南北高架东侧间部分路段固定线圈检测数据为例进行了实证分析,最终确定模式距离与欧氏距离组合方式为交通时序模式相似性度量的最佳方法。     

基于SFLA-FCM聚类的城市交通状态判别研究*

针对城市道路交通状态判别的问题,提出了一种混合蛙跳算法（SFLA）与模糊C-均值算法（FCM）相结合的SFLA-FCM聚类算法。SFLA是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。SFLA-FCM使用SFLA的优化过程代替FCM的基于梯度下降的迭代过程,有效地避免了FCM对初值敏感及容易陷入局部极小的缺陷。将该算法用于城市交通流数据的聚类分析结果表明,与单一FCM聚类算法相比,SFLA-FCM聚类算法更准确,效果更佳,能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通诱导策略的制定提供依据。     

城市道路状况概率神经网络判别方法

针对移动交通流检测信息的特点,在分析概率神经网络与Global K-means聚类算法的基础上,提出了一种基于移动交通流检测信息的城市路况概率神经网络判别方法。通过分析路况的相关因素,同时考虑信号控制交叉口红灯对车辆行程时间延误的影响,利用Global K-means算法改进的概率神经网络对探测车采集的实时交通信息进行处理,进而得出城市的道路状况。应用结果表明该方法能够有效地判别和跟踪道路状况的变化,比不考虑交叉口红灯的影响时能够更准确地反映城市道路的路况信息。     

基于计算机数据算法模型的交通流数据分析

针对交通流数据分析滞后,交通规划效率不高等问题,提出了一种基于计算机数据算法模型的计算机数据算法数据分析方法,该方法采用基于S3C6410处理器的采集模块对影响交通流的数据进行采集或者分析,在进行数据信息采集时,还通过JZ863的无线传输模块实现数据信息传输,并通过神经网络算法模型提高了交通流数据信息分析能力。实验结果显示,本研究系统检测到发生故障的数据量数高达4735个,交通检测精度较高。     

基于Kinect骨架信息的交通警察手势识别

针对现有的手势识别算法识别率低、鲁棒性弱的问题,提出一种基于Kinect骨架信息的交通警察手势识别方法。从Kinect深度图像中预测人体骨架节点的坐标位置,将节点的运动轨迹作为训练和测试的特征,结合距离加权动态时间规整算法和K-最近邻分类器进行识别。实验表明,在参数最优的情况下,该方法对八种交通警察手势的平均识别率达到98.5%,可应用于智能交通等领域。     

离群点挖掘技术在交通事件检测中的应用

交通事件的检测与确认是交通事件管理中的首要问题。基于线圈和视频数据的检测方法由于成本高,检测效果不明显,在实际应用中受到限制。提出了一种基于离群点挖掘的交通事件检测算法。该算法通过使用浮动车（floatingcardata,FcD）技术得到路况信息,并提取交通事件特征,建立特征向量。算法简单、高效、易于部署。实验结果表明,同模式识别方法相比,该算法具有较高的准确度,能有效区分常规拥堵与交通事件。     

一种改进的深度学习的道路交通标识识别算法

针对复杂的环境,结合图像预处理与深度学习神经网络,提出了一种道路交通标识识别算法。该方法不仅利用图像分割技术,而且利用卷积神经网络模型对道路交通标识进行了更准确的识别。首先,通过调节光照影响、去除复杂背景、数据增强和归一化等批量预处理操作,形成一个完整的数据集;然后,结合squeeze-and-excitation思想和残差网络结构,充分训练出自己的卷积神经网络模型;最后,将优化的网络模型用于道路交通标识的识别。实验结果表明,该方法使训练时间缩短了12%左右,识别精度可达99.26%。     

非平衡网络流量识别方法

针对网络中存在的对等网络（P2P）流量泛滥导致的流量失衡问题,提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术（SMOTE）算法并进行改进,提出了均值SMOTE （M-SMOTE）算法,实现对流量数据的平衡化处理。在此基础上分别采用3种机器学习分类器：随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）对处理后各类流量进行识别。理论分析与仿真结果表明,在不影响P2P流量识别准确率的前提下,与非平衡状态相比,引入SMOTE算法将非P2P流量的识别准确率平均提高了16.5个百分点,将网络流量的整体识别率提高了9.5个百分点;与SMOTE算法相比,M-SMOTE算法将非P2P流量的识别准确率与网络流量的整体识别率分别进一步提高了3.2个百分点和2.6个百分点。实验结果表明,非平衡数据分类思想可有效解决P2P流量过多导致的非P2P流量识别率低的问题,同时所提M-SMOTE算法具有更高的识别准确度。     

一种利用不完整数据检测交通异常的方法

城市化进程的加快带来了严重的交通问题,检测交通异常成为数据挖掘领域的热点之一。传统道路管理主要是应用视频监控,使得处理交通问题的效率受限。鉴于上述原因,提出了一种利用不完整数据检测交通异常的方法(Traffic Anomaly Detection,TAD)。首先,利用相关性聚类从手机数据中获取车辆密度信息,降低处理不完整数据的计算开销;然后,设计一个自适应无参数检测算法,根据手机呼叫量变化率捕捉车辆的分散式动态异常,以解决道路状况不确定性难题;最后,提出异常轨迹算法来追踪异常分布路线并预测影响范围,提高异常检测效率。实验结果表明,TAD方法在不同的实验环境下能够有效地检测交通异常,与现有算法相比,所提算法在有效性和伸缩性上效果更好。     

基于改进YOLOv2算法的交通标志检测

针对YOLOv2算法实际检测到的小尺寸交通标志质量不佳, 识别率低, 实时性差的问题, 提出一种基于改进YOLOv2的交通标志检测方法. 首先, 通过直方图均衡化、BM3D对图像增强以获取高质量图像; 接着, 将网络顶层卷积层输出的特征图进行精细划分, 得到高细粒度的特征图, 以检测高质量、小尺寸的交通标志; 最后, 采用归一化及优化置信度评分比例对损失函数进行改进. 在结合CCTSD (中国交通标志检测数据集)和TT100K数据集的新数据集上进行实验, 与YOLOv2网络模型相比, 经过改进后的网络识别率提高了8.7%, 同时模型的识别速度提高了15 FPS. 实验结果表明: 所提方法能够对小尺寸交通标志进行精准检测.     

交通流冗余数据识别和约简方法

针对交通检测器检测到的数据存在冗余现象、影响后续决策并需要进行约简的问题,提出了一种冗余数据的识别和约简方法。采用等级分组法实现对冗余数据的识别,先通过等级法计算每个交通参数的权值并按照分组思想,将大数据集分割成许多不相交的小数据集,在各个小数据集中识别冗余数据。为避免漏查,选择其他关键参数多次重复识别。识别出的冗余数据采用平均法约简。实例验证表明,等级分组法识别冗余数据具有较好的精度,随着阈值的增加,查准率和查全率减小,但仍在93%以上;同时采用平均法约简,拟合度较高,达到0.938。可见采用的冗余数据识别和约简方法能够有效地解决单数据源数据冗余问题。     

基于智能手机大数据的交通出行方式识别研究*

智能手机时代所产生的大数据能够为交通研究者带来大量信息,基于智能手机采集交通出行大数据,利用基于粒子群的支持向量机模型进行了交通出行方式识别研究。在分析数据特点的基础上提出用于建模的特征变量,之后使用粒子群算法优化支持向量机参数,并基于成都市的实证数据进行模型的训练与出行方式识别研究。研究结果表明,该模型识别正确率为95.1%,高于决策树、BP神经网络、基于网格搜索的支持向量机模型,且该模型在时间效率方面具有明显的优越性,因而在出行方式识别方面具有良好的现实意义。