基于深度学习的交通拥堵预测模型研究

针对城市道路交通拥堵预警问题,提出了一种基于深度学习的预测模型。通过归纳合并交通流参数、环境状态、时段等基础数据来构建交通流特征向量并确定四种预测状态。采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集。应用Softmax回归对有标签的新特征集进行学习生成预测分类器,模型可对交通拥堵状况进行多态预测。通过仿真对比分析,预测模型具有较省略特征学习的预测算法更好的预测性能,平均预测精度可达85%。

集成随机森林的交通拥堵检测模型

根据现有的城市交通网拥堵检测体系,针对现有方法处理交通网格监测数据流难以获得相对稳定的准确率的问题,提出了一种集成随机森林的交通拥堵检测模型;该模型通过将多个随机森林分类器进行集成实现了交通网分布式监测数据流的并行处理,设计了二级级联分类器对交通网状态进行判定,并可对各监控节点权重进行评估;模型实现主要分为特征提取、集成建模和结合分析3个步骤;在不同规模的交通状态监测网络下分析了模型的综合性能,并分别与其它主流方法进行了对比;实验表明:提出模型具有更好的交通网监测数据流的处理能力,且具备较好的扩展和裁剪性能;该模型提供了一种可应用的交通拥堵检测方法。

基于时空多图卷积网络的交通站点流量预测

交通流量预测是智能交通系统中的重要组成部分,但由于交通流量受交通状况、地理位置、时间等多种因素影响,使其具有高度非线性与复杂性,实现精准预测的难度较大。针对交通站点的出入流量预测问题,提出一种基于上下文门控的时空多图卷积网络(CG-STMGCN)模型。根据站点间的相邻关系与流通流量关系构造邻居图与流通流量图表示站点流量之间的邻近相关性与流量依赖性,在两图上分别建立基于上下文门控的时空卷积模块捕获站点流量的时空特征,并使用哈达玛乘积融合两图的输出作为最终预测结果。在真实交通站点数据集上的实验结果表明,CG-STMGCN模型的预测准确性优于同类预测方法,且稳定性更强。

融合时序知识图谱的路段级交通事故风险预测

从历史交通事故数据中探究事故发生的规律,实现准确的路段级交通事故风险预测,可以有效提升交通出行的安全与效率.然而,由于天气、交通状态等多源因素的影响、交通事故之间复杂的时空相关性和事故数据的稀疏性,实现准确的路段级交通事故风险预测面临巨大的挑战.针对上述挑战,文中提出融合时序知识图谱的双层次多视角时空图神经网络模型(Two-Level and Multi-view Spatial-Temporal Graph Neural Network by Incorporating Temporal Knowledge Graph,STGN-TKG).首先,构建交通事故时序知识图谱并设计交通事故时序知识图谱历时嵌入模型,挖掘多源影响因素数据之间的动态、高阶相关性.然后,利用空间图卷积注意力模块和时序表征模块,从两个层次、多个语义视角,充分建模交通事故之间复杂的时空相关性.最后,提出符合实际场景的事故风险传播策略,缓解数据稀疏带来的零膨胀问题.在两个真实的路段级交通事故风险数据集上的实验表明,STGN-TKG在路段级事故风险预测任务中表现较优.

融合局部和全局时空特征的交通事故风险预测

交通事故预测在城市公共安全、应急处置以及建设规划方面发挥着重要的作用。然而,在预测交通事故风险时仍然存在以下问题:首先交通事故的发生受到众多因素的影响,例如天气、道路状况等。其次交通事故的发生在空间范围内存在多尺度的时空依赖,主要包括局部区域的时空相关性和全局区域的时空相似性。同时,由于实际场景中交通事故发生次数相对较少,给预测带来了零膨胀问题。因此,对交通事故进行准确的预测具有很大的挑战,现有的预测方法无法综合考虑上述问题。提出了一种新颖的融合局部和全局时空特征的交通事故风险预测模型(ST-RiskNet),同时考虑时间、天气、交通流量等影响事故发生的多源因素,通过局部区域时空相关性模块和全局区域时空相似性模块同时建模多尺度的时空相关性和相似性,并设计样本加权损失函数,针对事故风险较大的样本设置较大的权重来解决零膨胀问题。在两个真实交通事故数据集的结果表明,ST-RiskNet的预测效果优于现有的预测方法。

面向交通事故预测的时空多模态点过程

交通事故预测对于构建智慧城市具有重要意义。然而发生在连续时间域上的交通事故数据同时包含具有不同语义特征的时间、空间模态信息,且这两种模态的不确定性存在差异,因此传统的序列建模方式无法全面描述交通事故的时空相关性,很难实现准确的交通事故预测,对此提出了一种面向交通事故预测的时空多模态点过程模型MSTPP。该模型设计了一种具有双解码器的seq2seq框架。在编码器中提出了衰减感知长短期记忆网络DLSTM用于编码在连续时间域中的交通事故事件序列,有效地融合不同模态信息以及建模事件序列的异步性。在解码阶段,使用两个特殊设计的解码器去处理模态间差异性。在两个真实的交通事故数据集上的实验结果表明,MSTPP在预测下一个交通事故发生的时间和区域任务上相比于其他基准模型具有最优的预测能力。

基于餐饮数据复杂网络的菜品拉动力分析

在餐饮领域,菜品的拉动力可以定义为菜品因自身消费增长而拉动其他菜品整体消费增长的能力,然而目前并没有明确的方法计算菜品的拉动力。本文提出一种新颖的利用历史账单量化菜品拉动力的方法。首先提取数据中包含的菜品特征,分析菜品之间的作用关系来构建菜品复杂网络;然后基于复杂网络,利用传播模型,通过网络传播来计算菜品拉动力;最后在某餐饮企业真实历史账单数据集下验证了本文所提方法的有效性。

基于监控视频的隧道交通冲突预测方法

基于宏观交通特征进一步理解交通冲突机制,提出一种基于监控视频的隧道交通冲突预测方法,以实现对隧道交通安全的风险预警.通过在车辆轨迹数据中检测出交通冲突事件及对应的宏观交通特征,使用二分类模型验证支持向量机、决策树、多层感知机和随机森林等模型预测交通冲突的可行性,建立交通状态与交通冲突的关联关系.研究结果表明:该预测方法使用的交通状态变量对交通冲突的发生概率均有显著性贡献.随机森林模型能够根据20 s时间单元采集的交通状态参数有效预测交通冲突的发生风险,预测准确率可达到97%.

基于改进DTW算法的轨道几何动态检测数据里程偏差校准方法研究

高速铁路轨道几何动态检测数据的绝对里程偏差校准是准确评估轨道几何状态与深入研究轨道几何状态演变规律的基础。针对当前检测数据绝对里程偏差校准精度不足的问题,提出1种线路曲线台账辅助的检测数据绝对里程精细校准方法,通过2种动态时间规整(DTW)变体算法实现检测数据里程的精确校准。首先,使用导数动态时间规整(D-DTW)算法进行检测数据与线路曲线台账数据的粗匹配,实现检测数据的自动分段;然后,采用图形动态时间规整(Shape-DTW)算法实现分段后检测数据中超高通道数据和线路曲线台账数据中的曲线特征点的精准对齐;最后,将线路曲线台账中曲线特征点的准确里程一一对应赋值给检测数据中超高通道数据的曲线特征点,实现对轨道几何动态检测数据绝对里程偏差的精细校准。通过在我国某高速铁路轨道几何动态检测数据集上进行的测试,结果表明:该方法提取的曲线长度误差最大不超过0.8%,校准后同一线路行别区段的多次检测数据在左高低通道数据相关性指标均优于校准前,因而该校准方法是有效性的。

遥感卫星任务智能决策的机器学习方法研究

基于遥感卫星任务决策的特点,研究如何采用机器学习方法对执行任务时产生的大量动作、指令和遥测数据进行分析和训练。为了给遥感卫星任务建立机器学习方法,探索机器学习辅助遥感卫星任务智能决策的可行性,并探讨机器学习模型对卫星任务数据的适应性和处理效率。借鉴地面相关人工智能系统成熟的机器学习架构,研究建立遥感卫星任务相关智能决策的机器学习方法,并给出了机器学习的样例。研究结果表明:机器学习方法的适应性很强,初步实现了遥感卫星自主任务决策,并达到一定的准确率,对卫星任务智能决策技术进行了有益探索。

基于子句单元的异构图网络抽取式文本摘要

的目标是将长文本进行压缩、归纳和总结,从而形成具有概括性含义的短文本,其能帮助人们快速获取文档的主要信息。当前大多数的抽取式文本摘要的研究都是以整句作为抽取单元,而整句作为抽取单元会引入冗余信息,因此该文考虑使用粒度更细的抽取单元。已有研究表明,细粒度的子句单元比整句单元在抽取式摘要上更具有优势。结合当下热门的图神经网络,该文提出了一种基于子句单元异构图网络的抽取式摘要模型,有效融合了词、实体和子句单元等不同层次的语言信息,能够实现更细粒度的抽取式摘要。在大规模基准语料库(CNN/DM和NYT)上的实验结果表明,该模型产生了突破性的性能并优于以前的抽取式摘要模型。

基于自适应多任务学习的睡眠生理时序分类方法

针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题,提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征(SAHS),构造双流时间依赖学习模块,在两个任务的联合监督下提取共享特征,设计自适应任务间关联性学习模块,利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明,所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上,所提方法睡眠分期准确率、宏F1分数(MF1)、受试者特性曲线下面积(AUC)与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.0083,SAHS检测的宏F2分数(MF2)、受试者特性曲线下面积、召回率与6-layer CNN模型相比,分别提升了11.08个百分点、0.0537和15.75个百分点,能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中,实现高效、便捷的睡眠质量评估,辅助医生对SAHS进行初步诊断。

基于卷积神经网络的正则化方法

正则化方法是逆问题求解中经常使用的方法.准确的正则化模型在逆问题求解中具有重要作用.对于不同类型的图像和图像的不同区域,正则化方法的能量约束形式应当不同,但传统的L1,L2正则化方法均基于单一先验假设,对所有图像使用同一能量约束形式.针对传统正则化模型中单一先验假设的缺陷,提出了基于卷积神经网络的正则化方法,并将其应用于图像复原问题.该方法的创新之处在于将图像复原看作一个分类问题,利用卷积神经网络对图像子块的特征进行提取和分类,然后针对不同特征区域采用不同的先验形式进行正则化约束,使正则化方法不再局限于单一的先验假设.实验表明基于卷积神经网络的正则化方法的图像复原结果优于传统的单一先验假设模型.

基于条件随机场的中医临床病历命名实体抽取

中医临床病历是中医重要的科研数据资源,但目前临床病历仍以文本为主要表达形式,对病历数据深入分析的前提是进行结构化信息抽取,而命名实体抽取是其基础性步骤。针对中医临床病历的命名实体,如症状、疾病和诱因等的抽取问题,通过手工标注的413份病历数据(以中文字为特征)与4类特征模版,将条件随机场(CRF)、隐马尔科夫模型(HMM)和最大熵马尔科夫模型(MEMM)用于中医病历命名实体抽取的实验,并进行比较分析。结果表明,结合合适的特征模版,CRF命名实体抽取方法取得了较好的性能,F1值的症状达到0.80,疾病名称达到0.74,诱因0.74。与HMM和MEMM相比,CRF有最高的准确率和召回率,是一种较为适用的中医临床病历命名实体抽取方法。

基于钢轨图像频域特征的钢轨波磨检测方法

通过统计分析钢轨图像中钢轨波磨线和背景线的傅里叶变换系数,发现波磨线的能量集中在频率比较低的区间,而背景线的能量分布比较分散。基于此钢轨图像的频域特征提出了新的钢轨波磨检测方法。首先设计并采用基于位置加权的钢轨定位算法,以快速从轨道图像中提取出钢轨的图像;然后基于钢轨图像每列的傅里叶变换特征,提出频率阈值法和累积能量阈值法2种钢轨波磨线识别算法;最后依据识别出的钢轨波磨线的连续性判定钢轨的波磨区间。结合实际线路的轨道图像,采用新方法和传统方法进行钢轨波磨检测效果的对比试验。结果表明:新方法的精准率和召回率分别为92.19%和97.25%,比传统方法提高了约4%和11%,检测速度也提高了1倍以上。

缺陷检测的稀疏表示模型及应用

基于缺陷检测应用中图像的稀疏特性,提出了缺陷图像的稀疏表示模型以及基于稀疏性的缺陷分解算法.在该模型中,缺陷图像表示为图像背景、缺陷目标和噪声3种成分的叠加,并且图像背景和缺陷目标可以分别由对应的冗余字典稀疏表示;然后借鉴盲源分离原理和块协调松弛方法,实现缺陷目标成分的有效分解;最后,在钢轨表面擦伤检测应用中验证了该算法的性能.

一种自适应的大间隔近邻分类算法

kNN分类算法虽然已经广泛地应用于模式识别的各个领域,但是如何对kNN进行改进仍然是一个研究热点.在各种改进方法中,大间隔近邻分类方法取得了较好的改进效果,但是该算法仍然有一些缺点,例如算法对所有测试样本选择的邻域大小(即k值)都是一样的.针对这一缺点,提出了将自适应选择k值引入到目标函数设定中的自适应大间隔近邻分类算法(ALMNN).该算法的主要步骤是:首先为每个测试样本计算一个k值,然后在每一类选取k个目标近邻,计算属于每一类的损失函数值,选择拥有最小函数值的类作为测试样本的类别.给出了ALMNN方法的算法描述,并且通过多个数据集的实验表明,提出的算法与传统的kNN,LMNN比较,可以在一定程度上提高分类的性能,减少了k值的选择对分类性能的影响,训练集的随机抽取对算法的分类性能影响较小.

基于度量的小样本分类方法研究综述

小样本学习旨在让机器像人类一样通过对少量样本的学习达到对事物认知和概括的能力.基于度量的小样本学习方法希望学习一个低维嵌入空间,直接对比查询集合和支持类之间的相似性,分类测试样本.文中针对基于度量的小样本学习方法,尝试从这类方法需要解决的关键问题、类表示学习和相似性度量入手,梳理相关文献.与已有相关综述不同,文中只针对基于度量的小样本学习方法进行更详尽全面的分类,而且从关键问题角度进行分类.最后总结目前代表性工作在常用的图像分类任务数据集上的实验结果,分析现有方法存在的问题,并展望未来工作.

基于时空LSTM的OD客运需求预测

客运需求预测是打造智能交通系统中的重要一环,精准的预测模型有助于预分配交通资源,改善用户出行体验.然而客运需求的动态时空特性导致准确预测客运需求具有很大的挑战.本文提出了一种基于时空长短期记忆网络(LSTM)的出发地—目的地(OD)客运需求预测模型(STLSTM-PDP),显式地建模了客运需求时间序列内部的时间依赖关系和序列之间的空间依赖关系,预测未来一段时间所有OD的客运需求量.在全国民航重点航线客运需求量数据集及某城市区域间出租车客运量数据集上进行了实验,结果表明:STLSTM-PDP模型优于其他现有的预测方法,其MAE比其他方法降低了4.4%～41.4%,RMSE降低了4.3%～49.1%.

基于全景图像拼接的铁路护栏缺损检测

虽然基于机器视觉的铁路基础设施的自动化检测技术已经被广泛使用,然而护栏作为保障列车安全运行免受异物入侵的重要组成部分,针对护栏的缺失检测仍依靠传统的人工检视方法。本文基于全景拼接技术,获取了铁路沿线护栏的全景图,并通过提取护栏全景图的灰度均值和方差等统计特征构建了全景图像的二维直方图,在此基础上提出了基于灰度-方差的二维直方图的最大熵值分割方法,从而实现了栏杆位置的自动识别和缺损检测。实验结果验证了该方法的准确性和有效性,且取得了87.5%的查准率和92.1%的查全率。