基于基线漂移校正的旅行时间预测模型

路段旅行时间及其预测值是管理部门实施交通流组织,提供交通信息服务的重要依据,也是出行者合理选择出行路径的重要参考.文中基于浮动车检测数据研究了路段旅行时间的计算算法及数据预处理方法;分析了旅行时间序列中的基线漂移现象,并运用小波分析法给出了基线漂移的校正方法以达到对时间序列降噪处理的目的;最后,基于自回归移动平均法建立了路段旅行时间的预测模型,并选取实际数据验证了文中模型的有效性和精确性.     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

基于集成算法的路段短时行驶时间预测

为了更好地解决路段行驶时间的短时预测问题，提出并改善了一种基于树的集成算法。针对小时间尺度下交通时变性强这一特性，构建更加鲁棒的梯度提升树（GBDT）以减少突变点的干扰。为了克服偏差 方差窘境，将随机树（RF）与GBDT进行融合，提出RF-GBDT的集成算法，并考虑各种历史旅行时间数据的相关变量以提高模型的可解释性。预测结果表明，与单独的RF或GBDT相比，RF-GBDT具有更好的预测准确度与算法稳定性。     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

基于SV模型的行程时间预测

行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。     

移动检测技术的研究

移动检测技术是智能交通系统中实时获取交通信息的重要手段之一.介绍了移动检测技术的概念及优缺点,对当前移动检测技术中的关键问题:如检测车辆占车流的百分比,利用移动检测技术估计和预测的交通指标以及估计、预测方法作了详细介绍,指出如何确定检测车在车流中所占百分比,利用该技术对旅行速度、旅行时间进行估计和预测,以及基于链路的估计、预测方法优于基于路段的估计、预测方法.     

区间不确定需求下的交通分布预测

由于受多方面因素的影响,实际路段上的交通需求是不确定的,可能会在一定的区间范围内。在现有信息技术的支持下,路段的交通需求可以采用区间值进行衡量。为了在交通需求为区间值的情况下研究交通分布预测方法,首先探讨了国内外现有的交通分布预测模型及算法,接着将其与区间分析方法结合起来,提出改进的Furness方法,并给出该方法的迭代终止条件,用区间数距离表示,然后提出该方法详细的算法步骤,最后根据一个算例对提出的方法及算法步骤进行验证。研究结果证明该方法合理有效。     

基于LASSO方法的结构突变理论研究综述

结构突变是统计学、经济学、信号处理和生物信息学等学科领域中的研究热点之一.Z.Harchaoui 等提出了基于LASSO的结构突变点检测方法,是近几年结构突变问题的最新研究方法.为了在国内推行该方法,系统介绍了国外基于LASSO方法的几种变点模型中的变点检测问题,其核心是把变点检测问题转化成模型选择问题来解决,并阐述了相应的算法.最后探讨该方法在不同学科领域的应用和前景展望.     

单分位数方法对时间序列尾指数变点检测及应用

多元时间序列中的尾指数变点检测在理论和实际应用中都有着广泛应用。本文利用单分位数方法(Single Quantile Method)构造检验统计量检测和估计出多元时间序列数据尾指数变点,证明其极限分布。在模拟研究中,分别产生三个经典的厚尾分布类型随机数进行模拟研究,结果表明,单分位数方法对多元时间序列尾指数的变点检测是有效的,尤其对分布变化造成的尾指数变化的情形更加敏感与准确。最后将该方法应用于深圳市香蜜湖路市委党校南行路段车流量数据,结果显示该方法能准确检测出交通流变点,根据存在的变点分析出交通流的变化规律。     

基于GPS数据的公交站点区间行程时间可靠性影响因素

为提高公交行程时间预测与信息发布的准确性,借助显著性分析确定影响可靠性预测的主要因素.首先,基于公交GPS数据,采用地图匹配算法建立站点区间行程时间计算方法;其次,针对11组不同路段站点之间的区间行程时间数据,通过拟合优度检验筛选最佳分布模型,并利用最大似然估计获取最优分布模型参数;最后,建立公交行程时间可靠性评价指标体系,分析交通条件、道路条件、采样间隔与行程时间波动指数、延误指数的相关关系.结果表明:三元高斯混合分布模型能以100%的接受率最优地拟合公交行程时间数据,站点区间长度、公交小时流量、采样间隔与行程时间可靠性存在相关关系,而交叉口相对位置则为非关键影响因素.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM(Gaussian Mixture Model)在车辆检测中存在的车辆断裂等问题,提出了一种基于匹配度分布的混合高斯车辆检测算法.该算法采用c均值聚类法计算混合高斯模型初始值,得到初步的背景模型;匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性;根据前几帧检测结果得到每个点的匹配度分布,对当前图片改变背景学习的规则,去除了干扰,适应了背景的变化.实验结果表明,该算法较传统的混合高斯检测方法检测率平均提高16％以上,使背景也更稳定和准确,克服了车辆检测的断裂以及光照突变等问题,提高了车辆区域检测的准确性.     

股指时间序列突变点小波检测研究

预测股指时间序列突变点是在股票市场上进行投资的一个关键问题,而检测突变点是预测的基础.在检测深沪两市股指时间序列月度收益率突变点位置和个数时采用了非参数方法,该方法基于小波数据依赖门限技术.研究显示了运用Lipschitz指数解释的突变点的数学特征.使用的模型证明了小波变换模的极大值能够检测出突变点的位置,实证结果也显示出突变点的位置和个数是精确的.     

高速公路旅行时间的自适应插值卡尔曼滤波预测

为解决高速公路收费站间非平稳交通流状态下因卡尔曼滤波算法自适应性能差而导致的旅行时间预测精度不稳定的问题,提出等间距插值和Sage-Husa自适应卡尔曼滤波相结合的预测算法。融合人工半自动收费和电子不停车收费数据计算平均旅行时间;引入等间距插值方法重构实时与历史旅行时间之间的时间序列;利用最小二乘法原理构建Sage-Husa自适应预测模型;开发旅行时间预测应用系统,实时主动预测高速公路站间旅行时间。在某示范路段的应用表明:在正常、事故、小长假3种交通流状态下,所提方法的所有周期平均相对误差均在7.5%内,事故周期平均相对误差均在10%内.     

一类多旅行商路径均衡规划算法

本文研究了多个旅行商旅行多个城市的路径规划问题,提出了基于系统科学中的"吸引子"意义下的路径规划算法.路径规划的目标是均衡各旅行商的旅行路径长度并使得路径总和得到优化.为此提出了一种求解该问题的启发式算法思想,并结合邻近点和最短路径设计了算法,同时由复杂度分析知该算法的计算时间复杂度比以往的要低.     

基于匹配分布和混合高斯模型的车辆检测算法

为解决高斯混合模型GMM（Gaussian Mixture Model）在车辆检测中存在的车辆断裂等问题, 提出了一种基于匹配度分布的混合高斯车辆检测算法。该算法采用c均值聚类法计算混合高斯模型初始值, 得到初步的背景模型； 匹配度分布的提出充分考虑了背景变化的时间性和空间性的特性； 根据前几帧检测结果得到每个点的匹配度分布, 对当前图片改变背景学习的规则, 去除了干扰, 适应了背景的变化。实验结果表明, 该算法较传统的混合高斯检测方法检测率平均提高16%以上, 使背景也更稳定和准确, 克服了车辆检测的断裂以及光照突变等问题, 提高了车辆区域检测的准确性。     

一种用于激光雷达识别车道标线算法

利用点云数据空间分布特征和回波强度信息,结合局部均值变点统计方法,提出了一种用于激光雷达数据帧的车道标线识别算法。该算法首先基于车载激光雷达采集的道路周围环境点云数据中高程信息进行滤波,确定可行驶区域。然后利用局部均值变点统计对可行驶区域点云数据中的回波强度值进行标记提取,即车道标线点云数据粗提取。最后基于EM(最大期望)方法聚类,从而完整、准确地识别车道标线。实验结果表明,该算法不仅能够准确定位可行驶区域,进而可以实现车道标线的自动提取;而且有效抑制了道路周围环境对车道标线识别的干扰,验证了算法的有效性。     

基于小波变换的语音基音周期实时检测算法

针对基音周期检测实时性的要求,提出了基于小波变换的语音基音周期实时检测算法。该算法利用小波变换极值与信号突变点之间的关系,将小波域波形与时域波形相结合,采取自适应基准、多特征参数提取小波系数极大值,并在2.5 ms时间内捕捉并检测到新的基音脉冲位置。实验表明,该算法对语音和残差信号取得了较好结果。     

道路急弯路段追尾冲突分析预测

为实现急弯路段的追尾碰撞风险主动防控,提出了一种基于多源数据融合的追尾冲突动态预测方法。首先,基于无人机、毫米波雷达等采集的车辆运行数据,提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准,分析了急弯路段的追尾冲突空间分布特征。然后,筛选车型、大车比率、断面速度差等13个交通流特征指标作为输入变量,以粒子群算法为基础,分别构建了其与BP神经网络、随机森林、支持向量机算法的追尾冲突动态组合预测模型,并根据混淆矩阵和曲线下面积评估各模型的预测性能,利用黑箱解释方法分析冲突发生概率的显著性影响因素及影响程度。结果表明：相较于平直或一般弯道路段,急弯路段的追尾冲突TTC(Time to Collision)值更小,出弯缓和曲线段冲突更为严重,且弯道内侧碰撞风险最高;粒子群-随机森林模型的追尾冲突预测性能最佳,灵敏度达90.70%;急弯路段追尾冲突受车辆平均车头间距的影响程度最大,当平均车头间距为25 m左右时,冲突发生概率最小,向心加速度均值、速度均值等因素亦对其有显著影响。     

基于初始均值点离散化的改进K-means算法

聚类分析是一种重要的数据挖掘方法,K-means算法是其中最常用的基于划分的方法。本文提出了一种基于初始均值点离散化的改进K-means算法。改进的算法在选取初始均值点时,尽量使初始均值点的分布离散化,解决了传统算法中随机选取初始均值点所造成的一些问题。同时,为了得到更高质量的聚类结果,本文进行了数据集中的离群点检测和自动确定参数k的最佳取值两方面的前期处理工作。实验证明,改进后的算法明显优于传统算法。     

几种不同基频提取算法的比较研究

基频提取算法一直是语音信号处理领域的研究热点,文章将当前的多种基频提取算法分为时域、频域以及时频混合三个方面,并分别对其中的AMDF算法、线性预测残差倒谱算法以及小波变换的基频提取算法进行了比较研究,对三种算法分别在如何准确判定语音波形的谷值点、语音信号突变以及语音的消噪等不同的语音信号处理角度进行了阐述,并在分析其优缺点后,提出将多种基频检测方法结合能更好地促进基音周期检测的准确性.