基于路段流量二阶统计量的OD矩阵估计

在构建OD矩阵模型时,充分考虑路网中一定连续期内各路段流量的二阶统计量和出行者路径选择的随机性,提出了一种基于路段流量二阶统计量的OD矩阵估计模型,解决了观测路段的相关性和OD矩阵估计求解的不确定性问题。建立的模型所表述的路段出行量和实际路网中的出行量更加吻合。结合实例,说明了模型的可行性和有效性。

道路交通动态OD矩阵预测方法的研究

对现有的动态OD预测方法进行了研究比较,在此基础上提出了一种统计学方法采估算动态交通需求的参数.该方法是基于Bayesian定理的推论得到的,并运用了综合数据和经验数据.与诸如Kalman滤波法和最小二乘法等方法相比,该技术会使得OD分配比例的预测更加精确.如何将这些预测精确地转化为路段流量的预报则需要更进一步的研究.

基于贝叶斯智能学习OD矩阵估计与网络拓扑优化研究

OD矩阵(Origin-Destination Matrix)是路网规划与评价的基础数据。以往OD矩阵数据是通过交通调查的方法获得,这往往耗费了大量的人力和物力。运用贝叶斯定理的先验分布原理,构造贝叶斯智能学习的网络拓扑结构,提出由各路段交通流量的观测值来推算估计以及预测OD矩阵的一种有效方法。利用此方法可以准确估计出OD矩阵数据,同时在优化网络拓扑中,能对未来交通量的分配进行预测。对比分析表明,此方法能有效地提高交通运输规划的效率以及交通评价准确性。

一个基于统计方法的OD矩阵求解算法

在传统的OD矩阵估计模型的基础上,并在路段分配概率是随机变量这一假设的前提下,给出了一个统一的OD矩阵模型基本形式,针对该OD矩阵估计模型给出了一个基本求解算法———混合遗传算法。该算法是在传统的数学规划方法和遗传算法的基础之上给出的。同时通过算例的求解,分析了算法的优缺点。

由路段交通量推算 OD 出行矩阵的 Bayes 统计方法

本文指出了以最大熵方法为代表的优化模型在解决由路段交通量推算OD出行矩阵问题中的局限性,提出了描述问题的统计模型和解决问题的Bayes统计方法,从而得到OD出行矩阵的Bayes估计。它比优化模型所得到的OD出行矩阵估计合理、可靠,更便于实际应用。最后,本文还提出了有关分布参数的计算方法。

混合分层抽样统计与贝叶斯个性化排序的旅游景点推荐模型研究

传统协同过滤推荐模型仅处理稀疏的评分数据,未深入挖掘用户及对象的潜在语义,且用户喜好信息也未充分利用.围绕旅游景点推荐这一热点问题,提出全新的混合分层抽样统计与贝叶斯个性化排序的推荐模型:采用分层抽样统计及主观赋值评价法刻画用户旅游喜好;基于矩阵分解算法(Matrix Factorization,简称MF)分析用户及对象(景点)的潜在语义,运用贝叶斯个性化排序算法(Bayesian Personalized Ranking,简称BPR)对推荐模型进行优化;综合用户旅游喜好信息及BPR优化结果,生成混合推荐列表.在新的"Wisdom Tourism"数据集上进行仿真实验.实验表明:推荐模型的RMSE、MAE、F1值较最强基线分别提升16.59%、10.05%、5.04%;相比于分层抽样统计方法,BPR算法在推荐过程中发挥更显著的作用.

林分径级分布预测模型参数的贝叶斯法估计--以金沟岭林场样地数据为例

以吉林省金沟岭林场云冷杉针阔混交异龄林26块检查法样地的5次观测数据为基础,建立转移矩阵模型对一定周期的林分径级分布进行预测。分别利用经典统计学方法和贝叶斯方法对转移矩阵模型的参数进行估计,建立了固定参数的矩阵模型和贝叶斯矩阵模型,并对两种模型的预测效果进行对比。结果显示,固定参数的转移矩阵模型对林分径级分布的预测值比实际值偏高,贝叶斯模型的预测结果更接近林分的实际径级分布,证明了贝叶斯参数估计方法比固定参数平均的方法所建模型具有更高的预测精度。

空间杆系结构的单元分组及统计损伤识别方法

提出一种基于应变模态的空间杆系结构统计损伤识别方法。为了减少待识别单元的数量,根据相似度对所有单元进行分组,从而将结构的损伤识别分两步实行:首先识别出所有可能损伤单元的范围,然后再进行结构损伤的定位和损伤程度的估计,其中,对于较深程度的损伤,采用应变模态的修正摄动矩阵,最后采用数值仿真分析进行了验证。