基于YOLO的道路车辆拥堵分析模型

针对当前交通运行出现的拥堵问题，提出一种新型的道路状态判断模型。首先，模型基于YOLOv3目标检测算法，然后结合图片对应的特征值矩阵，通过相邻帧之间的特征矩阵作差并将差值逐项求和得到的结果与预设值进行比较来判断当前道路是处于拥堵状态还是正常通行状态，其次再将当前计算出的道路状态与前两次计算出的道路状态进行比较，最后运用模型里的状态统计法来统计道路某状态（拥堵或通畅）的持续时间。该模型能够同时对一条道路的三个车道进行状态统计分析，经过实验，模型对单条车道状态判断的平均准确率能达到80%以上，并且白天与夜晚的道路均适用。     

基于机器视觉的药盒传送拥堵检测算法

药盒的生产过程中，常采用多股道传送带进行药盒传送，在传送过程中往往因为摩擦力等原因造成药盒拥堵。因此，为了实现药盒拥堵情况的实时检测，本文进行基于机器视觉技术的传送带药盒拥堵检测系统的设计与研究。通过对工业生产图像的特征采集和分析，设计基于边缘检测技术的药盒定位策略和基于灰度取反的空位识别策略，完成动态背景下的药盒与传送带的空位检测，设计拥堵检测策略和拥堵均衡策略，规划药盒调配路线，解决了传送带拥堵问题。     

基于LSTM的CAN入侵检测模型研究

车载控制器局域网（Controller Area Network,CAN）连接着智能网联汽车系统的核心电子控制单元,对于保证汽车系统的安全性至关重要。由于其缺乏足够的信息安全措施,容易遭受拒绝服务（Denial of Service,DoS）攻击、重放攻击、模糊攻击等,给汽车系统及驾乘人员带来严重安全威胁。文章通过分析车载CAN面临的信息安全威胁,提取CAN报文在报文ID、时间间隔、数据字段中的通信特征,提出一种基于长短期记忆（Long Short Term Memory,LSTM）的CAN入侵检测模型,该模型能有效保留CAN报文的时序特征,在CAN遭受攻击时检测攻击行为以及对应的攻击类型。实验结果表明,该模型的攻击检测精度达99.99%。     

基于视觉的道路跟踪

基于视觉的道路跟踪是智能车辆导航的核心问题,它包括道路检测和障碍物检测两个组成部分.本文首先结合大量的现有系统对道路跟踪的方法进行了综述,然后介绍了三个代表性系统,并对其最新实验结果进行了分析.在此基础上,对该领域今后的发展方向进行了展望.     

基于LSTM的层次化篇章依存分析方法

在长距离依赖场景,篇章依存分析的效果欠佳,传统分析方法通常设计大量特征模板来缓解这一瓶颈问题.该文提出一种层次化篇章依存分析方法,减少了篇章分析器所需一次性处理的篇章分析单元的数量,从而缩短了分析器所处理的依存对之间的距离;并通过长短时记忆模型直接处理篇章分析单元中的序列信息,避免了特征提取.在RS T语料库上进行实验...     

基于物联网视觉的大型拥堵车辆调度系统设计

针对道路拥堵车辆调度问题,设计了一种基于物联网视觉的大型拥堵车辆调度系统,分析了系统的总体结构,给出了系统的ZigBee协调器模块、车载传感器节点、图像采集处理模块以及无线传输模块的硬件结构,详细介绍了拥堵车辆调度算法流程,并给出了车辆调度最佳路径算法代码,实现了大型拥堵车辆的有效调度;实验结果说明,所设计系统可获取有效的交通车辆拥堵图像,实现交通拥堵的高效调度.     

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大，电力系统的需求也越来越大，准确的电力负荷预测有助于电力调度、能源规划。对此，提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN＿LSTM模型、Attention＿LSTM模型、CNN＿Attention＿LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率，还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示，平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。     

一种基于直线模型的道路识别算法研究

为了提高道路识别的鲁棒性和抗干扰能力，提出了一种道路边缘识别算法。该算法的创新点在于采用自然边界作为道路识别的依据，同时算法也可以将白色路标作为识别道路边缘的标志。由于道路的自然边界不像车道标志线那样容易受到污染，因而使该算法具有了较高的鲁棒性。该算法是采用像素级特征和帧图像特征来识别道路边缘，可称为全局道路边界模型。在模型中由于采用了有关的道路约束条件，因而使得算法具有较好的抗干扰能力。该算法包括初始检测算法和跟踪算法两个部分，其中在跟踪算法中采用感兴趣区域算法(ROI)来限制检测区域，以提高实时性。最后，还提出了一个道路边界可信度检测函数，该函数可以用于计算道路边缘检测结果的可信程度。     

基于遗传算法的随机路网次优拥挤收费模型

针对随机路网中出行者规避风险的择路行为,提出一种同时考虑行程时间可靠性和不可靠性的次优拥挤收费双层规划模型。上层模型以最大化路网社会福利为目标,下层模型为弹性需求期望-超额交通平衡模型。鉴于双层规划模型的复杂性,设计遗传算法求解该模型。仿真结果表明,使用遗传算法求解该模型是可行的,运行50代后,算法可收敛至目标值。     

基于极性转移和LSTM递归网络的情感分析

长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R²NN^①),被广泛用于语言模型、机器翻译、语音识别等领域。但由于该网络结构是一种链式结构,不能有效表征语言的结构层次信息,该文将LSTM扩展到基于树结构的递归神经网络(Recursive Neural Network,RNN)上,用于捕获文本更深层次的语义语法信息,并根据句子前后词语间的关联性引入情感极性转移模型。实验证明本文提出的模型优于LSTM、递归神经网络等。
     

隐马尔可夫模型的道路拥堵时间预测

道路车辆拥堵问题导致交通事故增加,降低了居民的出行效率,长时间的道路拥堵更是加重了环境污染,造成国家经济损失等诸多问题。为缓解城市道路交通的拥堵问题,提高出行效率,基于隐马尔可夫模型,针对已有道路拥堵时间数据进行采集与建模,并对该隐马尔可夫模型进行训练,通过算法计算与分析,预测未来一段时间的道路拥堵情况,为人们的出行提供拥堵时间预测,而后提出不同时段通过道路用时最短的最优路径。对韦尔奇算法进行改进,在原算法基础上增加考虑前n时刻状态。利用改进型韦尔奇算法,使得训练集参数更精确,达到预测精度更高的目的。实验结果表明,预测数据结果与真实数据相比,误差不超过3%,该模型预测结果具有较高准确性。     

基于演化LSTM神经网络的用户终端睡眠预测模型

用户处于睡眠状态时手机后台自主挂起不必要的系统或应用进程可以有效降低能耗,因此在不损害用户使用体验的前提下准确判断用户是否处于睡眠状态具有重要意义.围绕该问题设计了覆盖率和唤醒率作为新的衡量指标,提出一种基于LSTM神经网络的睡眠预测模型,结合LSTM神经网络能够较好处理时序特征数据的特点和演化算法能够优化不可导目标函数的特性,将LSTM神经网络的参数作为差分演化算法的优化参数,覆盖率和唤醒率的综合目标作为选择函数,同时在每次迭代中重新评估选择函数使其适应小批量训练法.实验结果表明,采用演化算法训练LSTM神经网络得到的预测结果相较于传统分类模型能在低唤醒率时达到更好的覆盖率,平均提升约5%.     

基于数据流特征的网络拥塞控制与异常检测研究

本文对互联网络的拥塞及其控制问题进行了深入探讨分析。首先分析了造成网络拥塞现象的深层次原因及恶意数据流对拥塞的影响,进而阐述了基于数据流的网络异常检测对控制网络拥塞的作用,并给出了进行网络异常检测的三个基本步骤。     

车载导航电子地图的路网模型

建立适合于车载导航系统的路网数据是车载导航系统的关键。该文描述了如何表达真实世界的交通要素,并结合实际情况给出数据模型。     

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。     

基于LSTM的船舶航迹预测模型

针对海上日趋复杂的情形,提高船舶交通服务系统(Vessel Traffic Service,VTS)的决策水平迫在眉睫。针对船舶航行轨迹多维度的特点以及对船舶轨迹预测的精确度和实时性的需求,提出了结合船舶自动识别系统(Automatic Identification System,AIS)数据和深度学习的船舶航行轨迹预测方法。构造基于AIS数据的航行轨迹特征,提出了循环神经网络-长短期记忆(Recurrent Neural Networks-Long Short-Term Memory,RNN-LSTM)模型,利用广州港内的船舶AIS数据对模型进行训练,并对未来船舶航行轨迹进行预测。实验结果表明,利用RNN-LSTM模型的预测方法具有精确度高、易实现的特点,并且与传统处理方法相比,其在处理序列数据方面更具优越性。     

基于深度学习LSTM的侧信道分析

加密数据的安全性受到加密算法和加密设备的影响,为评估密码硬件的可靠性,能量分析等多种针对加密平台的攻击方法得到广泛应用。深度学习是一种性能良好的数据分析方法,基于深度学习的功耗侧信道攻击方法一经提出便引起关注。提出一种基于深度学习LSTM的侧信道攻击方法,利用相关功耗分析方法确定侧信道功耗数据的兴趣点,通过兴趣点位置选择合适的兴趣区间作为特征向量以搭建神经网络模型。实验结果表明,相比MLP和CNN模型,LSTM网络模型在侧信道攻击中具有较高的攻击效率。     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。