基于CART决策树的车辆与行人碰撞中头部损伤风险预测

为快速预测汽车碰撞行人头部损伤风险,建立了一种基于多刚体系统动力学仿真方法和分类回归决策树(CART)的预测模型。参考欧洲新车评价规程(Euro-NCAP),开发了具有精细化刚度特征的车辆前部结构多体模型;以行人尺寸、初始车辆速度和行人速度、人车碰撞位置、相对角度为变量,通过全因子设计试验方法,建立了4500组多体仿真模型;采用CART模型,挖掘变量与动力学响应参数的关联性。结果表明:车辆初始碰撞速度是影响行人头部动力学响应的关键因素;该模型对于碰撞速度和头部损伤准则(HIC15)值的预测精度分别为87.5%和86.8%,平均预测耗时为42.7ms,两者均具有较高的预测精度和决策能力。该结果可为制定行人头部损伤风险评估实验和损伤防护研究提供理论参考依据。

基于ELM的改进CART决策树回归算法

为提高CART(Classification And Regression Tree)决策树回归算法的准确性,提出一种基于ELM(Extreme Learning Machine)的改进CART决策树回归算法——ELM-CART算法.所提算法主要是在CART回归树创建过程中,在每个叶节点使用极限学习机建模,可以得到真正意义上的回归预测值,提高泛化能力,弥补CART决策树回归算法本身的容易过拟合以及预测输出为定值等缺点.实验结果表明,所提算法能够有效提高回归分析中目标数据的预测准确性,其准确性优于所对比算法.

一种面向对象的CART决策树火烧迹地提取方法

现有的火烧迹地遥感提取主要侧重于对光谱信息的判识,对遥感影像的形状、纹理、空间上下文等特征的挖掘尚不充分。为此,本文提出了一种面向对象的分类回归树算法(CART)决策树火烧迹地提取方法,旨在提升火烧迹地遥感信息提取的精度和可靠性。为验证方法的可行性,本文选取四川省冕宁县“4·20”森林火灾为研究区,以国产高分一号B星(GF-1B)卫星数据为数据源,对研究区影像进行面向对象的最优尺度分割,并采用CART决策树算法,根据不同地物的光谱、形状和纹理特征从中自动获取最优特征及其阈值,构建决策树实现火烧迹地提取。结果表明:该方法在火烧迹地上的提取精度(总体精度92.00%)和可靠性(Kappa系数85.56%)均优于既有的监督分类技术方法。相关研究方法和实验结果可为火烧迹地精准提取与灾后评估等研究提供参考。

基于分类回归决策树算法的航班延误预测模型

针对民航客机航班延误问题,构建了基于随机森林(random forest)与分类回归决策树(CART,classification and regression tree)算法的航班延误预测模型,利用国内大型机场的真实数据集对模型进行训练,通过与Logistic回归算法,K-近邻回归(KNN,K-nearest neighbor)算法和决策树(decision tree)算法的训练结果对比,从拟合效果可以看出,该方法可以处理高维度数据,泛化能力好,降低了过拟合的可能性,模型的拟合程度R2可以达到0.83。

场地PGA放大系数与场地特征参数相关性及地震动快速评估方法研究

场地地震动PGA放大系数是重大工程地震预警、烈度速报技术及结构抗震设计地震动输入的基础。搜集整理日本Kik-net台网239个Ⅱ场地台站的地震记录,以场地覆盖层厚度D、场地特征周期T、场地v_(s30)以及场地等效剪切波速v_(se)为场地特征参数,以井下记录PGA为地震动强度指标,研究场地PGA放大系数F_(PGA)与场地特征参数之间的相关性;以地表PGA值40 Gal作为预警阈值,采用回归决策树CART方法建立了地震预警的特征参数组合标准。分析结果表明:场地F_(PGA)与场地覆盖层厚度D及场地特征周期T负相关,与场地vs30正相关,与vse相关性可忽略;F_(PGA)与场地特征参数的相关性随着场地地震动强度增大而增大;通过搜集的地震数据对基于CART分类方法建立的场地地震动预警参数指标进行回判检验,检验的总体成功率达到90.09%,其中不预警的成功率为93.64%,预警成功率82.68%。虽然地震动快速评估方法总体成功率达到90%以上,但仍存在5.61%偏于危险的"漏判",所以本文方法仍需要进一步的改进和完善。

场地条件校正的地震动快速评估方法研究

地表峰值加速度PGA是工程地震预警、烈度速报及结构抗震设计的重要指标参数。搜集整理日本Kik-net台网的地震记录,以我国抗震规范中采用的场地覆盖层厚度D和等效剪切波速Vse为场地特征参数,以基岩加速度峰值PBA为输入地震动强度指标,基于分类回归树CART算法,建立了以地表PGA阈值分别为40 gal、80 gal及120 gal的场地条件修正的地震动预警方法,并给出了参数指标的取值范围。通过对搜集的数据进行回判检验,3种地震强度下总体预警成功率分别为84.7%、90.1%和93.6%。采用我国川滇地区强震数据验证该方法的可靠性,结果显示总体成功率分别为88.4%、92.3%和93.4%。

基于货车GPS数据的城市货运停留行为识别模型

目前多数货运研究以提取货车静态停留行为为主,缺少对货车区域持续作业等动态停留行为的采集;停留行为结合物流园区、兴趣点、货运调查等数据研究货运出行特征,存在一定局限性、不稳定性。该文利用重型货车GPS数据与城市用地数据,设计基于时空序列的停留域搜索算法;构建停留时间、用地距离、用地性质权重三个维度的货运停留行为特征;运用轮廓系数评价聚类效果确定最佳簇数,基于围绕中心点划分的分类回归决策树(PAM-CART)算法建立城市货运停留行为识别模型,区别货运停留行为、非货运停留行为、混合货运停留行为。通过训练数据与验证数据交叉验证,模型准确率为99.3%。结果表明模型能准确地识别城市货运停留行为,可为城市货运交通、货运物流经济、货车碳排放等相关政策研究制定提供技术与数据支持。

基于Landsat-8和Sentinel-1A辽东湾海冰分类研究

为研究辽东湾海冰类型特征,文中基于2016年2月9日的Landsat-8和Sentinel-1A数据,结合多光谱、归一化植被指数(NDVI)构建CART自动决策树(CART Automatic Decision Tree),并用灰度共生矩阵(GLCM)统计Sentinel-1ASAR数据的纹理信息特征,对比传统监督分类并验证两种遥感图像海冰分类精度。研究指出:对Landsat-8数据,基于CART自动决策树的分类精度最高,总精度达81.68%;而Sentinel-1ASAR数据,基于最大似然分类的总精度为73.88%,相比于CART自动决策树,其能获得更高的海冰分类精度。分析本研究可知,基于光学数据的CART自动决策树在海冰类型识别中占优,而最大似然分类在SAR数据中对海冰类型的识别度较好,本文为辽东湾海冰监测与预报提供了一种有希望的技术手段。