基于神经网络的交通状态模糊判别方法

针对交通流的特点,建立了基于神经网络的交通状态模糊判别方法.综合考虑检测器采集的流量、速度和占有率信息,采用三个模糊规则进行推理,利用具有模糊输出的BP神经网络对交通状态进行评价.利用虎门连升路采集的交通信息对算法进行了验证.研究表明,该方法具有较强的自学习、自组织和自适应能力,不仅可以确定交通的状态,而且可以识别出属于该状态的程度,使判别结果更加具体,为交通状态的判别提供了一种新思路.     

基于动态贝叶斯网络的交通流状态辨识方法

为准确地对交通流状态进行辨识,进而支持交通流实时诱导系统有效运行,结合速度、流量与车道占有率3种交通流参数,将贝叶斯网络用于交通流状态辨识,提出了基于动态贝叶斯网络的交通流状态辨识方法. 利用英国南安普敦市的实际数据对上述方法进行了仿真验证. 验证结果表明,利用动态贝叶斯交通流状态辨识方法可以更加准确地判别出交通流所处的运行状态,这为智能交通系统,特别是交通流实时诱导系统,提供了一定的理论支持.      

城市快速路路段交通流状态评估方法

交通流状态分类对于选择交通控制和诱导策略有非常重要的作用,不同的快速路路段设定的交通流参数临界值及变化特性会有所不同.本文考虑到交通流参数对交通流状态判别的影响程度,给出了一种基于加权欧氏距离的相似性度量方法,并确定了交通流状态判别的关键参数.根据整个路段的交通流数据,通过聚类分析构造最小距离分类器,把个别路段的交通流数据作为样本数据,进行了对个别路段的状态评估.实证分析结果表明:在交通流状态判别过程中,密度是最关键的参数:基于最小距离分类的个别路段的状态评估结果与实际情况非常类似,这将为交通控制和管理提供决策依据.     

城市环路交通状态自适应判别方法

针对城市环路交通拥挤问题,提出基于模糊C均值聚类与灰色聚类的交通状态自适应判别算法.首先运用模糊C均值聚类对交通状态边界进行划分,得到各个交通状态的门阀值,进而利用灰色聚类模型对交通状态进行判别,避免聚类方法容易陷入局部最优解的问题,同时减少灰色聚类参数设定的主观性.通过对福州二环路实测交通流数据的计算分析表明,不同路段的交通状态存在显著差异,城市环路交通状态自适应判别方法能够较好地针对不同路段判别交通状态.     

交通流状态辨识系统集成研究

交通流状态辨识是智能运输系统,尤其是其先进的交通管理系统和先进的出行者信息系统研究的一项重要内容。对道路交通流状态进行分析研究,深入挖掘交通流动态信息,及时、准确地辨识未来和实时交通流状况,是制定正确诱导和控制措施的一个重要前提。根据我国制定的"国家智能运输系统体系框架",以动态交通管理为基本思想,构建了交通流状态辨识系统框架。介绍了在交通流状态辨识中所采用的一些新技术,利用实测数据以及交通仿真系统VISSIM的模拟数据分别对所建立的算法进行验证,结果表明本文所建立的算法和模型具有较好的性能,为交通流状态辨识提供了新的研究方法。     

基于熵理论的城市主-支路交汇处交通状态判别

本文通过城市道路交通系统和热力学系统的对比,将热力学的基本理论———熵运用到交通流领域,并在交通流流体理论的基础上建立了熵产生模型。分析确定指定状态时注入的负熵及其意义,建立了主－支路交汇处交通系统的总熵模型,从而得到交通状态判别熵模型和需要注入负熵的条件。研究结果表明,熵值越小,道路服务水平越高。     

基于熵理论的城市主-支路交汇处交通状态判别

本文通过城市道路交通系统和热力学系统的对比,将热力学的基本理论——熵运用到交通流领域,并在交通流流体理论的基础上建立了熵产生模型。分析确定指定状态时注入的负熵及其意义,建立了主-支路交汇处交通系统的总熵模型,从而得到交通状态判别熵模型和需要注入负熵的条件。研究结果表明,熵值越小,道路服务水平越高。     

基于FCM快速路交通状态判别加权指数研究

加权指数m是影响模糊C名)值聚类(fuzzy Cleans,FCM)的一个关键参数,为提高快速路交通状态模糊判別性能,针对m取值的问题提出了一种兼顾算法判別精度和聚类效果的优选方法。该方法以流量、速度为交通状态评价参数在不同加权指数m和样本量n下进行聚类分析,从算法判別精度、类内间距、类间间距、目标函数收敛性四个方面对m的最优取值进行了深入研究。以某市快速路为例別用MATLAB模糊逻辑工具箱分析实验数据的隶属度和聚类中心,以上四个方面在n×m种组合情形下综合分析,得出快速路交通状态模糊判別m的最优取值,并进一步验证了该方法的可行性。实验结果表明,以流量、速度为状态评价参数的快速路交通状态模糊判別加权指数m的最佳取值为2.25。     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题,提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络（LSTM）的旋转机械退化趋势与退化区间预测方法。以振动信号为例,首先提取表达设备退化信息的特征指标,然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界,其次利用动态LSTM进行综合性能退化预测;最后,利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。     

基于信息粒化、语词计算模糊控制系统中的信息重组

在定义了粒元关系网络和矩阵的基础上,研究了基于信息粒化、语词计算模糊控制系统中的信息重组方法,并通过算例说明了此方法的有效性。     

词计算原理与结构

词计算方法是一种崭新的处理不精确信息的有效方法,它是在语言变量的基础上发展起来的,用词代替数字进行计算和推理的一种方法.本文从词计算方法的研究背景出发,介绍了词计算的基本概念、原理、结构和研究方法,以及国内外关于词计算方法的研究现状和发展趋势.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于混合神经网络的模糊辨识方法

提出一种简明而有效的基于混合神经网络的模糊辨识方法．与现有方法不同,该模糊辨识方法采用自组织神经网络和模糊聚类网络两部分组成的三层神经网络来实现．实验结果表明,该方法可以为模糊建模提供好的模型结构,并具有较高的计算效率和精度．     

基于交通信息提取的区域交通状态判别方法

为了准确判别区域路网的交通状态,提出了基于交通信息提取的区域交通状态判别方法．在分析区域路网交通流宏观特性的基础上,结合区域路网的拓扑结构与交通流特征,提出区域交通状态判别指标体系,并基于可拓学建立了区域交通状态判别模型．以一个主干道区域路网为例,验证了路网交通状态判别方法的有效性．该交通状态判别方法可应用于在线交通状态分析和历史数据库交通运行特征的提取,为交通管理决策提供了基础信息．     

基于模糊理论的交通状态快速识别与跃迁转变方法

基于交通流的时空变化特征,提出交通状态的快速识别算法以及如何实现交通状态的跃迁转变。首先,依靠视频检测技术提取交通流参数,应用模糊理论构建交通状态的快速识别模型,实现了交通状态的快速识别、态势跟踪和动态预警。然后,通过模糊认知图分析交通状态之间的跃迁转变规律,建立交通状态的跃迁转变函数,实现了交通状态下一时刻的预测评估。最后,结合实例,验证了方法的可行性。     

山区高等级公路网交通安全微观模糊评价模型

以某山区高等级公路网交通安全特性为研究对象,通过对公路交通安全影响因素及交通现状特性的调查、分析,结合实际道路交通状况和交通特点,建立了山区高等级公路网交通安全微观模糊综合评价模型,并利用实际算例对该评价模型进行了对比验证。结果表明,模型确定的重点路段与公安交通及公路管理部门所掌握的事故易发地点吻合性较好,说明该模型在实际操作中可行、有效,能准确、全面地反映出所研究路段的真实安全水平,为改善山区高等级公路网交通安全提供了参考对策。     

基于模糊信息粒化软测量建模方法研究

提出了一种模糊信息粒化方法和支持向量机相结合的软测量建模方法.利用模糊信息粒化方法对样本数据进行特征提取,降低样本的维数;利用提取的特征作为支持向量机的输入进行建模.用该方法建立柴油凝点的软测量模型,结果表明,该模型具有很好的预测精度和泛化性能,是一种有效的数据建模方法.