基于机器学习反馈的车辆自动路况识别

研究车辆路况自动识别的问题,提高识别的准确率和鲁棒性。针对车辆的路况自动识别系统极易受外界环境的影响,传统的基于PCA的路况识别方法在提取路况信息时无法避免恶劣天气等环境的影响,造成最终的识别不准确和鲁棒性不高的问题。为了克服这一难题,提出了基于机器学习的车辆路况自动识别系统。首先采用Haar小波特征提取方法,将受环境影响的路况图像中的有效特征准确提取并降维,然后利用支持向量机选择合适的特征参数,将特征参数输入到AdaBoost分类器中进行分类识别后就完成了最终的车辆路况自动识别,避免了传统方法自动识别受恶劣环境影响的问题。实验证明,这种方法能够有效克服外界环境的影响,准确完成车辆路况的自动识别,并且识别结果具有较好的鲁棒性和满意的效果。

基于线性规划的城市轨道交通运行调度优化算法

为了提高城市轨道交通整体出行效率,提出了基于线性规划的城市轨道交通运行调度优化算法。通过提取轨道交通路况特征和客流特征建立了贴合实际情况的调度优化模型;利用线性规划将调度优化模型转化为无限维度离散化概率显著下降的城市轨道交通一体化调度优化模型。实验结果表明,本文方法优化后的平均延误时间减少了17 min,乘客行程时间减少了25 min,且轨道站点与客流需求点重合率较高,说明该方法的调度效果较好。