在低亮度条件下,传统的事故勘察方法难以获取高质量的勘察数据。提出了基于机载激光雷达的低照度事故现场重建方法。首先,建立机载激光雷达勘察的方法框架。接着,使用高斯分布的统计学滤波算法去除噪点,通过判断空间划分体素的占据状态...在低亮度条件下,传统的事故勘察方法难以获取高质量的勘察数据。提出了基于机载激光雷达的低照度事故现场重建方法。首先,建立机载激光雷达勘察的方法框架。接着,使用高斯分布的统计学滤波算法去除噪点,通过判断空间划分体素的占据状态来滤除现场周围移动物体。然后,利用传感器自身的位姿数据配准点云数据,建立事故现场的三维点云模型。此外,探究了无人机飞行高度和激光旁向重叠率如何影响建模精度。最后,在夜间模拟事故现场进行实证研究,研究发现当无人机飞行高度为15 m,激光旁向重叠率为50%时,建模精度和处理时间能达到较好平衡。与航拍摄影建模、传统人工勘察方法相比,机载激光雷达建模均方根误差(root mean square error,RMSE)为0.04636,低于航拍摄影建模误差,表明方法能够应用于低照度交通事故现场勘测。展开更多
准确、可靠的短时客流预测对于城市轨道交通的运营管理至关重要,能为运营管理者提供优化决策的依据,从而改善乘客服务质量和提升交通运营效率。文章基于数据驱动的方法,对北京地铁连续5周25个工作日的自动售票系统(Automatic Fare Colle...准确、可靠的短时客流预测对于城市轨道交通的运营管理至关重要,能为运营管理者提供优化决策的依据,从而改善乘客服务质量和提升交通运营效率。文章基于数据驱动的方法,对北京地铁连续5周25个工作日的自动售票系统(Automatic Fare Collection,简称AFC)刷卡数据进行了详细的分析。通过对AFC数据的清洗和预处理,提取15 min时间粒度的进站客流时间序列并进行归一化处理。采用图卷积神经网络(Graph Convolutional Network,简称GCN)和二维卷积神经网络(Convolutional Neural Network,简称CNN)的组合模型对客流进行预测,模型输入为周模式、日模式、实时模式三个模式下的短时进站客流序列,综合考虑不同时间尺度上的客流变化。为验证模型的有效性和预测的精度,选用真实的北京地铁客流数据集进行实例分析,并运用均方根误差、决定系数、平均绝对误差、加权平均绝对百分误差等评估指标评估客流预测精度。结果表明,与传统的单一模型相比,GCN-CNN组合模型的准确性和精度均取得了显著的提高。展开更多
文摘在低亮度条件下,传统的事故勘察方法难以获取高质量的勘察数据。提出了基于机载激光雷达的低照度事故现场重建方法。首先,建立机载激光雷达勘察的方法框架。接着,使用高斯分布的统计学滤波算法去除噪点,通过判断空间划分体素的占据状态来滤除现场周围移动物体。然后,利用传感器自身的位姿数据配准点云数据,建立事故现场的三维点云模型。此外,探究了无人机飞行高度和激光旁向重叠率如何影响建模精度。最后,在夜间模拟事故现场进行实证研究,研究发现当无人机飞行高度为15 m,激光旁向重叠率为50%时,建模精度和处理时间能达到较好平衡。与航拍摄影建模、传统人工勘察方法相比,机载激光雷达建模均方根误差(root mean square error,RMSE)为0.04636,低于航拍摄影建模误差,表明方法能够应用于低照度交通事故现场勘测。
