基于多状态跳转模型的场景独立音频事件检测方法

针对不同类型事件设计多状态跳转模型,结合两种深度神经网络实现对传统音频事件检测框架的改进。实验表明,在DCASE2017任务2的开发集数据上,改进后的DNN-HMM系统相比于基线系统取得F值8.9%的相对提升和错误率19%的绝对下降;基于多状态跳转模型聚类的卷积神经网络模型(SC-CNN),相比于基线系统取得F值18%的相对提升和错误率30%的绝对下降。

跳转模型下路网交通流预测特点

针对路网交通流预测问题,提出运用跳转模型进行高效预测,为路网交通流疏导,提供有力的数据信息依据。由于城市地面路网分布广泛,拓扑关系较为复杂,交通流产生以及消散的区域分布较为广泛,而且交通流极易受到信号灯控制策略以及其他因素的影响,增加了预测的难度。从实践应用效果来说,运用跳转模式进行交通流变化规律分析,能够准确预测短期交通流。

基于跳转模型的路网交通流预测

针对城市道路交通流复杂的非线性特征,采用基于跳转的ARIMA模型研究交通流的变化规律,以获得城市道路短期交通流的精确预测.引入路口转弯比例矩阵来描述路网的交通流状态.考虑在路网畅通和路网拥堵情况下路口转弯比例矩阵的不同特征,对两种情况分别进行研究.结合路段交通流预测模型,对路网交通流进行预测.仿真算例表明,所提出的预测模型能较好地用于路网交通流预测.