基于自适应采样速率交互式概率数据关联的机动目标跟踪算法

在交互式多模型和概率数据关联算法融合的基础上,又将自适应采样速率算法融合到交互式多模型概率数据关联滤波器中,提出了自适应采样速率交互式概率数据关联算法,该算法不但能有效地跟踪高速机动的目标,且能使系统的采样间隔根据目标的运动状态做自适应调整. 仿真结果表明该算法扩大了机动目标的跟踪范围,且对高速机动的目标有很好的跟踪效果和较强的跟踪精度.     

基于距离加权的概率数据关联机动目标跟踪算法

为了提高杂波环境下机动目标跟踪的实时性和精确性,在概率数据关联算法的基础上,引入距离加权的概念,以区分来自于目标的量测概率和来自于杂波的虚假概率,在一定程度上提高了概率数据关联算法在密集杂波环境下的非机动目标的跟踪性能.针对机动目标的跟踪,提出了一种适用于密集杂波环境下的联合交互式多模型概率数据关联跟踪算法,该算法利用距离加权的概率数据关联算法进行滤波.模拟实验结果表明:该算法可以在一定程度上提高密集杂波环境下机动目标跟踪的性能,能够更加有效、可靠地实现机动目标跟踪的目的.     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

面向网络业务流设计的时态路径约束关联规则算法

提出了一种新的基于业务流分析方法,采用关联规则挖掘的算法对全网业务进行关联关系分析,该方法在Aprior算法的基础上,引入时态约束的路径约束,使之更加体现网络业务的特性。使用该方法,可以充分利用已有数据,分析已有业务的行为,且可以预测未来业务的行为。模拟实验结果表明,该算法对业务流分析中不同业务之间的相关性发现是非常有效的。     

基于多传感器信息融合理论的交互式多模型算法

在经典的交互式多模型算法中,对似然函数的高斯近似以及概率密度函数与概率质量函数的混合计算使得所求得的模型概率仅为贝叶斯意义下的次优值.为解决此问题,基于各滤波器估计误差的相关性和多传感器最优信息融合准则,提出了一种重新加权的交互式多模型算法.该算法通过计算估计误差的互协方差阵对模型概率进行更新,在此基础上利用最优信息融合理论对各滤波器的滤波结果进行融合.理论分析及仿真结果表明:经过重新加权的交互式多模型算法较原始算法以及其他忽略误差相关性的交互式多模型的改进算法在估计精度上均有显著的提高.     

基于测量的主动队列管理算法

针对RED(Random Early Detection)队列管理算法不能实现业务流之间带宽公平共享,提出了基于测量的主动队列管理算法(MBAQM).这种算法采用基于测量和预测的方式估计不同业务流的输入速率,并根据队列大小计算出新到来包的丢弃概率,在维持较少的流状态情况下,通过队列的丢弃机制,实现了不同速率输入业务流之间的链路公平共享.通过对参数的调整还可以实现优先带宽分配机制.该文从理论上说明了该算法能够保证各业务流近似公平地共享输出链路带宽,同时给出相应的仿真结果.     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

基于时变马尔科夫转移概率的机动目标多模型跟踪

为了消除机动目标多模型跟踪中人为因素对跟踪精度的影响，提出了一种新的基于时变马尔科夫转移概率的机动目标多模型跟踪算法．该算法通过对Baum辅助函数的最大化实现隐马尔科夫模型状态转移概率的参数估计，并将估计结果用于交互式多模型算法的设计中，构造出时变马尔科夫状态转移概率的交互式多模型算法，有效地降低了人为因素对机动目标跟踪精度的影响．通过对一个机动目标的跟踪对比，说明了该算法比传统的交互式多模型算法具有更小的跟踪误差和良好的模型跟踪概率．     

基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

概率数据关联是多源信息融合算法中的关键问题,本文主要对基于雷达和电子支援措施(ESM)双传感器融合的数据关联问题展开研究.由于雷达和ESM传感器方位角数据分布近似相同,可以通过对ESM数据的分析得到判别函数,使用相应的判决规则对点迹和航迹进行关联,这本质上可以看作是一个模式识别问题.本文考虑到支持向量机(SVM)模型在模式分类中的良好表现,建立了基于SVM的雷达ESM系统的点迹-航迹关联模型,使用ESM传感器航迹数据训练SVM模型,对雷达点迹数据进行分类,获得关联结果.最终模拟结果表明:与经典的多假设跟踪算法相比,所提出的算法可有效提高关联准确率.     

基于跑滑系统约束的航空器滑行跟踪算法

为解决大型机场场面易冲突的问题,研究了将基于跑滑系统和管制约束的变结构多模型算法应用于机场场面目标的跟踪.本文首先建立了复杂跑滑结构下的数学建模方法、跑滑结构约束下跟踪状态修正方法和基于管制指令约束的航空器与跑滑系统的自适应匹配方法.与传统场面目标跟踪不同,本文利用跑滑系统和管制指令约束的最大后验概率估计来激活和终止模型集,进而解决机场场面航空器跟踪过程中模型集切换和路段匹配问题.基于上述方法,本文通过结合最大后验概率估计提出了一种新的交互式多模型算法,改善了场面目标的跟踪性能.仿真结果表明:与交互式多模型算法和变结构交互式多模型算法相比,本文所提出的方法能有效地跟踪机场场面目标,显著提高了跟踪精度.     

基于TransCAD的交通需求预测研究

基于地理信息系统，研究使用交通规划软件TransCAD进行交通量预测，TransCAD软件在交通规划中简化并完善了交通需求预测的建模过程，介绍了预测系统的创建和编辑，讨论了在TransCAD中进行交通量预测的模型，并结合实际项目进行交通量预测研究，得到部分路网交通量分配结果，并对基于TransCAD的交通量需求预测方法进行分析，总结项目研究过程中遇到的问题，提出在使用TransCAD软件进行实际项目研究时的建议以及在我国使用TransCAD进行项目研究的不足。     

高速公路交通流的分形特征实证分析

高速公路交通流演化分形特征的研究有助于深刻理解高速公路交通系统的内在演化规律, 为高速公路交通流的预测和控制提供理论依据. 本文利用统计学方法和复杂网络可视化技术对高速公路交通流的分形特征进行实证分析. 首先, 利用重标极差法计算了交通流时间序列的Hurst指数和V统计量, 发现不同时间标度下高速公路交通流时间序列的Hurst指数都大于0.5, 并且V统计量曲线有上升趋势, 说明高速公路交通流时间序列具有自相似性和长程相关性; 然后, 根据可视算法, 将高速公路交通流时间序列转化为复杂网络, 计算网络的拓扑参数, 发现网络的度分布均呈幂律分布, 表明该网络为无标度网络, 进一步揭示高速公路交通流时间序列为分形序列. 同时发现网络的平均路径长度随网络规模的增大呈对数增长, 说明网络具有小世界特征. 实证分析的结果对高速公路交通流量预测中时间标度的选择和预测长度的确定有重要的参考价值. 本文的研究可以为揭示高速公路交通流演化的复杂性提供新的思路和方法.     

路段多车型混合车流通行能力

利用概率论方法,通过对由多种车型构成的混合车流不同跟驰序列,不同组合概率的研究,得到了跟驰车头时距路段多车型混合车流通行能力模型.基于经典车头间距模型,通过对混合车流不同跟驰序列下最小车头间距的研究,得到了多车型混合车流的组合车头间距,进而得到了跟驰车头间距路段多车型混合车流通行能力模型.推广了由大、小2种车型构成的混合车流的通行能力模型.研究表明,路段多车型混合车流通行能力不仅与反应时间、车辆速度、车辆长度、制动性能等有关,还与混合车流的车辆组成状况及跟驰序列相关.最后实例分析了不同小型车混入率情况下路段通行能力的变化状况.     

城市道路交通拥堵自动判断算法研究

 与高速公路交通流特点相比较,从城市路网中交通流多数为间断流的特点出发,结合目前城市道路中所使用的交通流采集设备及信号控制设备,利用交通工程中交通流到达－离散模型对城市道路中不同类型的城市交通流进行分析,选择出符合交通流变化的数学模型对进入路段和驶出路段的交通流分别利用模型匹配,从而进行交通拥堵进行自动检测。这类算法的应用既为城市道路拥堵的自动判断提供了手段,又使得城市中所使用的智能交通设施发挥更广泛的作用。     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

考虑货车因素的高速公路短期交通流风险预测

基于G15上海段的交通流数据和交通事故数据,研究货车比例较高且货车事故率较高的高速公路短期交通流风险预测模型.分别选取整体交通流参数、货车交通流参数和综合参数作为特征变量,通过支持向量机进行建模,运用遗传算法对模型参数进行寻优,建立不同时间段、不同风险特征变量的分类模型并对比分析.结果表明事故发生前5~10min的模型预测精度最高.当加入货车因素时,总体的预测精度提高7.1%,事故预测精度提高6.1%,误报率降低4.7%.采用平均影响值法进行货车因素对预测结果的影响程度分析,表明货车因素对于预测模型有较大影响.该研究模型可用来开发交通安全预警系统,为高速公路货车安全管理提供理论依据.     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

灰色推陈出新GM(1,1)模型在城市道路交通噪声预测中的应用

以郑州1995～2000年城市道路交通噪声监测的数据,运用灰色系统理论,建立了常规GM(1,1)和推陈出新GM(1,1)预测模型。经用四种不同方法对两种模型的精度进行检验,结果表明,推陈出新GM(1,1)模型优于常规GM(1,1)模型,其精度更高,不失为预测城市道路交通噪声的一种好方法。应用该模型,对郑州城市道路交通噪声未来4年进行预测,其结果符合郑州城市的实际情况。     

RMT-Based Urban Traffic Cross-Correlation Analysis and Its Application on Traffic Incident Impact Analyses

Cross-correlating traffic flow data at different intersections in an urban transportation network is important for understanding the collective behavior of constituents in a complex system and for predicting the risk of network-wide congestion. In this work, a Random Matrix Theory (RMT) based method is used to describe the collective behavior from massive traffic data sets. Nonrandom correlations between traffic flow series recorded in the Beijing road network occur both with and without detrending. The effect of the traffic load on the correlation patterns of network-wide traffic flows is analyzed using the RMT analysis of a simulated data set collected from Paramics. The RMT analysis is also used to evaluate the impact of incidents on the network-wide traffic status. Cluster analysis is used to find the largest cluster in the network which indicates the critical congestion caused by the incident. All the results show that RMT analyses are an effective method for investigating systematic interactions in urban transportation systems.