单航班行李提取旅客密度动态预测

针对行李提取区旅客拥挤问题,结合行李提取流程分析和历史数据机器学习,提出一种基于贝叶斯网络的单航班行李转盘旅客密度预测模型。利用贝叶斯网增量学习的特性实现模型的动态调整,使该模型可以对新数据更好的适应和调整,并得出更准确的旅客密度预测值。使用国内某大型枢纽机场数据,采用期望最大化(EM)方法对模型进行训练。实验结果表明,所建模型能有效预测航班行李提取的旅客密度,具有较高的准确度。

基于深度学习的车站旅客密度检测研究

车站旅客密度是智能客运车站的重要基础信息。首先阐述模式识别、深度卷积神经网络、实时检测算法在图像检测领域的发展历程,并重点分析Faster-RCNN算法和SSD算法的原理;然后定义车站旅客密度检测评价指标,并对VOC数据集下训练的模型进行试验测试;最后构建车站行人数据集,用Faster-RCNN算法训练模型,模型在低密度场景和高密度场景的检测准确率分别为88%和85%。结果表明:公开数据集VOC下训练的模型无法直接用于车站旅客密度检测,基于车站行人数据集和Faster-RCNN算法训练的模型可满足现场需求。

航站楼旅客密度检测系统研究

本文立足于航站楼全域视频覆盖的基础上,研究基于深度学习方法的旅客密度检测系统,结合干扰区域掩膜及密度预警阈值设置,为管理人员智能化技术支撑,提高工作效率,防范安全事件。

河南省公路旅客空问运输联系探讨

90年代以来,随着河南省经济的讯速发展,河南公路运输网络逐步扩大,公路客运量也大幅增加。这影响着空间运输联系的改变。文章利用空间运输联系理论和实证分析的方法,对1990年以来河南省各地市间公路旅客运输数据进行整理分析,探讨经济发展过程中公路旅客空间运输联系的生成规律、增长规律、分布规律及特点。