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．     

基于修正算法的高速公路路段旅行时间估计

现有高速公路收费系统采用原始时间记录数据估计的路段旅行时间不准确,将直接影响路段流量估算准确性． 为此,提出了一种依据轨迹法计算车辆时空坐标轨迹、以路段长度为权重进行路段旅行时间修正的旅行时间估计算法,并将其应用于某高速收费系统数据,验证了经过修正的路段旅行时间估计值更接近于实际路段旅行时间．     

基于数据挖掘的高速公路行程时间预测

以高速公路上路段行程时间历史数据集作为研究对象,以交通数据实际特征作为行程时间历史数据集分类的依据,建立基于数据挖掘的高速公路行程时间预测模型.采用山东高速收费站记录实际数据,以实例数据验证模型并计算平均绝对误差.为对比分析预测强度聚类预测模型的有效性,采用多种算法对测试集行程时间预测,对预测结果误差进行了对比.结果表明:预测强度修正的k-means法可以提高高速公路路段行程时间预测的准确性,模型在降低数据采集成本的同时可为高速信息服务提供可靠的预测行程时间,为出行者提供有力的决策依据.     

数据预处理在高速公路收费系统中的应用

本文利用数据预处理技术,将高速公路收费系统中的海量信息进行处理,去除数据中的重复、冗余以及错误信息,提高了系统的稳定性和高效性,也为系统的有效数据挖掘奠定了基础。本文基于最新的.NET技术,对数据预处理算法进行了具体实现,并结合SQL Server2005给出了实现结果。     

基于收费数据的高速公路交通状态判别方法

目前高速公路交通数据资源未得到充分利用,使得管理和建设成本较高的高速公路联网收费系统只能实现车辆记录、联网收费等初级功能,导致交通数据资源的严重浪费． 为此设计了基于高速公路联网收费数据的路段行程时间估计方法,提出以大、小车速度变化情况为基础,采用模糊 C-均值聚类方法对高速公路交通状态进行判别,并应用VISSIM 软件分别对上述两种方法验证分析． 结果表明,路段行程时间估计方法能够获得高质量的路段行程时间数据,同时交通状态判别方法也能够准确判别出道路上所呈现的交通状态,可为历史数据更新提供技术支持,为高速公路交通管理部门提供精确的决策依据．     

基于R-FP OP变点检测的城市路段旅行时间预测

针对城市路段旅行时间精准推送的不足,提出一种基于动态规划变点检测算法的旅行时间预测方法。以车牌识别数据为研究对象,利用R-FPOP算法对旅行时间均值变点进行在线检测,研究变点时域分布特征;基于均值变点检测结果,预测旅行时间并给出其预测区间。结果表明:在线检测出的变点能够有效辨识旅行时间的均值突变,变点时域分布主要集中在高峰期;旅行时间预测值对实际序列变化趋势估计准确,推送的预测区间平均覆盖率为79.54%,具有较优的预测精度。论文方法兼顾旅行时间均值突变且建模简单,可为路段旅行时间的在线智能推送及交通需求者的路线规划提供技术支持。     

基于时间感知的动态组旅行查询

小组旅行规划（GTP）查询是空间数据库领域的一个热点研究问题,迄今为止已有不少研究成果.但目前尚无人考虑行程中新成员加入或现有成员离开的问题,也没有在行程规划中考虑兴趣点与查询需求的时间匹配问题.为了解决这个问题,把两者相结合,提出了时间感知的动态组旅行规划查询（TDGTP）问题,该查询包含一组空间分散、动态变化的成员,返回满足该组成员的多个兴趣需求的一组对象及所规划的最佳路径.首先,基于真实的Euclidean空间,设计了一个包含空间文本和时间信息的综合索引TIR-Tree,利用TIR-Tree对空间文本和时间进行剪枝,以此来筛选出所有符合约束条件的兴趣点集;其次利用椭圆的性质,规划出ESRA算法对兴趣点区域剪枝,进一步筛选满足小组成员要求的兴趣点集;然后对兴趣点集使用BestTD算法进行最短路径查询,返回满足该组行程的最佳旅行距离;最后通过大量实验验证了所提出的解决方法的有效性.     

基于Mixup数据增强的LSTM-FCN时间序列分类

在时间序列分类任务中,针对时间序列数据少和多样性导致深度学习模型准确率不高的问题,提出Mixup数据增强的长短期记忆网络–全卷积网络(LSTM-FCN)时间序列分类算法.该算法首先使用Mixup对原始数据进行数据增强,通过简单的线性插值对时序数据进行混合,得到新的混合之后的增强数据;然后使用增强数据训练LSTM-FCN...     

基于拥挤收费的动态出发时间选择

针对动态交通分配领域中往往假定所有车辆的出发时间是固定的不正确假设,探讨基于拥挤收费的出发时间选择问题的负效用函数,建立动态出发时间选择问题的变分不等式模型．结果表明,建立的变分不等式模型等价于动态用户最优出发时间选择问题.     

基于样条卡尔曼算法的AIS数据修复

针对船舶自动识别系统（automatic identification system,AIS）的异常数据修复问题,提出一种样条卡尔曼（spline Kalman,SK）算法。该算法根据船舶动力学原理,构建反映运动特征变化约束关系的系统状态转移模型,并以样条插值得到的AIS修复数据作为卡尔曼滤波器的观测数据,进而实现AIS数据的精确修复。采用厦门港及附近水域的历史AIS数据检验SK算法的有效性,检验结果表明:对于低缺失率的AIS数据集,SK算法的修复效果与样条插值算法相近,均优于KNN、RF和SVM算法,但随着AIS数据集缺失率的上升,只有SK算法具有较好的修复稳定性。该研究成果可以更加有效地修复AIS的异常数据,从而为海事大数据分析及相关应用提供良好的数据基础。     

多传感器远距离目标跟踪精度分析

该文主要研究了非线性系统中多传感器远距离目标跟踪问题,提出了分布的转换坐标卡尔曼滤波算法,给出了当多传感器不在同一位置时融合中心的状态估计组合公式。     

一个近似的线性时间聚类算法

聚类分析是数据挖掘的一个重要研究方向,而PAM算法是聚类算法中一个重要的方法.本文针对PAM算法不适应大数据集的缺点,给出一个近似的线性时间聚类算法（ALCM）,并且从理论上证明了该算法复杂度为关于数据集个数的线性时间复杂度.通过比较实验表明：1）随着数据个数的增大,PAM所花费的时间将激剧增大,而ALCM花费时间与数据集个数呈近似线性增长的关系,即ALCM是适应大数据集的.2）PAM算法和AL-CM算法随数据个数增大,二者的代价函数并无明显差异.     

多传感器信息融合的时间不确定性

分析了测量融合方案的测量信息时间不确定性,将时间不确定性转化为系统不确定性．以跟踪问题为例,讨论了卡尔曼滤波器、确定性系统的鲁棒滤波器和参数不确定性系统的鲁棒滤波器3种滤波器的应用,给出了3种滤波器的求解结果,并对其表现进行了比较．仿真结果表明,在时间不确定性条件下,3种滤波器的性能都有所下降,2种鲁棒滤波器的滤波误差的方差始终比卡尔曼滤波器的方差小。     

地震波旅行时二次/线性联合插值法

为了提高地震波旅行时的计算精度,基于Asakawa的旅行时线性插值法(LTI)提出了一种改进的射线追踪法——旅行时二次/线性联合插值法(QLTI),即在震源的近场采用二次插值计算旅行时,在远场仍用LTI算法。QLTI算法改善了近场旅行时的精度,降低了累加误差,进而提高了全场(尤其是远场)旅行时的计算精度。数值模拟和模型实验的结果表明,本文提出的QLTI算法较传统的LTI算法更为精确。     

机动目标跟踪中的序贯滤波

多个测量站（多雷达或多传感器）工作时,在时间上是不同步的．在融合之前必须将这些观测数据进行同步．在某雷达单独观测时,采用通常的卡尔曼滤波方法;在多雷达重叠观测区,采用序贯滤波方法,不管是哪个传感器观测,按时间顺序,先到的量测点先进行滤波,这样就省去了时间同步这一步处理,又增强了航迹的连续性．计算机仿真证明了该方法的有效性．     

一种用于模式分类的多层感知机模型和学习算法

将Kalman滤波算法与BP算法相结合，提出一种用于模式分类的多层感知机模型和学习算法，并对计算实例进行了计算机模拟实验．实验结果表明，这种算法适用于非线性模式分类，且具有较快的收敛速度.     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼（Kalman）滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

改进的Sage-Husa算法在提高激光位移传感器精度中的应用

激光三角法测距位移传感器因其具有非接触测量、测量速度快等特点,所以在测量与检测领域有广泛的应用。为了提高激光位移传感器的测量精度,从传感器测距原理入手分析影响系统测量精度的诸多因素,提出一种避免死循环的Sage-Husa滤波算法提高测量精度。最后结合LS—100CP型激光位移传感器与MATLAB进行实验仿真,同时与常规的Kalman滤波算法相比较,得出改进的Sage-Husa滤波算法精度较高且在激光三角法测量中的应用切实可行,有较好的实用价值。