基于频繁序列挖掘的出租车轨迹特性分析

为进一步厘清不同出租车路径选择行为的差异性,采用频繁序列挖掘方法提取了同一个OD对间的频繁路径,构建路径选择集,分别从静态和动态两个角度分析路径集的相似特性。以西安市出租车的轨迹数据为研究对象,通过栅格划分与路网匹配,获得了不同OD对之间的路径集合。重新定义了频繁路径,采用PrefixSpan演变算法,在得到频繁子序列的基础上引入动态阈值和频繁度指标挖掘频繁路径,提取了最短路径和其他路径,完成了3类有效路径集的构建,并分析了路径集的一般属性。其后,将路径上二维时间序列(轨迹)间的相似度表示为动态相似度,将一维有向序列(路段)间的相似度表示为静态相似度,基于改进的最长公共子序列和动态时间规整算法对3类路径进行了相似性分析。结果表明:频繁路径与最短路径的相似度较高,意味着大多数出租车仍然选择具有最低出行时间的路段,但不一定会选择最短路径;时间和距离仍是出行者选择路径时主要考虑的因素,但出行者并不完全追求时间最短或距离最短;试验得到的动态相似度计算结果显著高于静态相似度计算结果,说明路径上的二维时序相似度高于一维形状相似度;两种方法下频繁路径和最短路径的相似度均最高,最短路径和其他路径的相似度均最低,比较结果的一致性说明可以用动态轨迹的相似度来大致度量静态路径的相似度。文中的频繁路径挖掘算法具有一定的可靠性,可为城市交通管理者进行路径推荐、道路规划等提供支持。

移动蜂窝网络多出口流量数据精准清洗方法

为了提升移动网络多出口流量数据的清洗精度,降低冗余数据占比,提出移动蜂窝网络多出口流量数据高效清洗方法。依据移动蜂窝网络结构特点以及流量特征,预处理移动蜂窝网络多出口流量数据;利用差分自回归移动平均模型,构建移动蜂窝网络多出口流量数据高效清洗模型;将多出口流量数据四元组作为模型输入,运用优化粗糙集理论的数据约简算法,达到精准清洗移动蜂窝网络多出口流量数据的目的。实验证明该方法可通过流量数据预处理降低冗余数据占比,可降低流量数据输出出错率,提高了移动网络多出口流量数据的清洗精度。

基于置信度与级联结构的未知网络流量检测

为了提升开集流识别性能,本文在对已知类和新类的置信度分布分析基础上,提出一种基于置信度信息与级联结构的未知网络流量检测方法。该方法通过级联结构,先将具有高置信度的新类样本检测出来;利用最大置信度差对新类和已知类进行分类;利用最大置信度对已知类进行细分类。为了更好地检测高置信度新类,还设计了从未标记数据筛选伪负样本的算法。实验表明,与现有代表性方法相比,本文方法的已知类F1提高约13%,新类F1提高约3%,总体准确率提高约5%,训练和分类耗时也明显少于现有方法。

复杂环境下多模态交通警示信息推荐算法仿真

单一环境数据会导致推荐结果不够准确,为缓解交通拥堵问题,便于驾驶员实时掌握交通警示信息,提出一种多模态交通警示信息个性化推荐算法。利用毫米波雷达传感器和摄像头传感器组成多模态交通数据采集架构。架构包括采集、推理、服务与查询四大模块;构建数据融合模型,设计融合函数,提高数据采集的精准性;将交通网络当作一个有向加权图,分别从时间和空间两方面分析交通状态的传播过程;利用粗糙集规则提取的方式填充警示信息评分表,通过矢量夹角的余弦值计算信息相似度,根据计算结果预测待推荐信息评分,将得分较高的警示信息推荐给有需求的用户,实现交通警示信息个性化推荐。实验结果表明,所提方法能够采集更加准确的交通环境信息,推荐的结果能够满足用户需求,辅助用户避开故障路线,节约行驶时间。

基于YOLO框架的实时交通标志识别算法研究与系统实现

道路交通标志识别受限于所处复杂的自然场景以及种类繁多等因素,目前少有实时性、准确性、稳定性等各方面均衡的识别系统。利用在工业中应用广泛的YOLO算法对交通标志进行识别,以满足实时性和稳定性;利用大规模的自标数据集对深度网络重新训练,提升其泛化能力,保证识别准确性;将训练完成的深度网络部署在嵌入式设备JetsonTX2上,利用跨平台框架Qt实现交互式界面,使系统具备可应用性。该系统是一个通用平台,可支持不同高精度且高实时的网络模型的替换使用。

基于支持向量聚类和模糊粗糙集的交通流数据修复方法

为解决受天气影响、探测器故障和人为错误等多种原因造成的交通流数据丢失问题,提出一种基于模糊粗糙集理论的交通流数据补缺方法,将支持向量聚类与模糊粗糙集结合进行交通流数据的分类,并结合模糊神经网络和遗传算法进行数据补齐。该方法对支持向量聚类参数,聚类大小和加权因子进行优化,并估计缺失值。研究结果表明所提出的混合方法具有足够且合理的数据修复性能,与模糊神经网络等估算模型的结果对比表明,该模型的数据修复效果优于其他对比模型。

基于XGBoost的CTU-13僵尸网络流量检测

僵尸网络是大数据时代下最严重的网络安全问题之一,僵尸网络感染未受保护的机器,跟踪与命令控制服务器的通信,发送和接收恶意命令.攻击者利用僵尸网络发起DDoS、钓鱼、数据窃取、垃圾邮件等危险攻击.针对上述问题,采用集成学习方法研究在CTU-13数据集中的僵尸网络流量场景下恶意流量的识别问题.在会话级别对数据集进行预处理,采用局部离群因子算法(LOF)筛选离群数据,选择并构建特征;在流量检测阶段,采用XGBoost算法训练得到基于集成学习的流量分类器,并与三种当前主流的传统机器学习算法K-最近邻算法(KNN)、随机森林(Random forest)和支持向量机(SVM)进行比较.实验表明,XGBoost算法的分类准确率最高,达到99.89%.最后,使用SHAP对关键特征在分类任务中的贡献度进行可视化展示.

复杂环境下的交通标志检测与识别方法综述

交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策。在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊。这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难。简述了交通标志检测与识别方法,对近年来国内外学者解决各类复杂环境下交通标志检测与识别的方法、原理和步骤进行了总结归纳,有利于人们更好地解决此类问题。同时,对常用的交通标志数据集进行了总结,并对数据集里在复杂环境下拍摄的图像比例给予了说明。

基于粗集理论的交通流丢失数据补齐方法

为了解决交通检测器检测到的数据存在丢失的问题,提出了一种基于粗集理论的丢失数据补齐方法。利用检测到的交通流数据构造信息系统,通过计算扩充可辨识矩阵,并对其进行多次完整化分析,实施丢失数据的补齐,并采用英国南安普敦市的实际检测数据对算法进行了验证。研究结果表明:同一时间段,当仅有一个属性数据丢失时,粗集理论的补齐精度较高,绝对相对误差较小,基本保持在0～5%之间;当不同属性的数据同时丢失时,补齐精度较低,绝对相对误差甚至高达20%;当所有属性数据全部丢失时,补齐精度非常低,可视为无法实现补齐。可见,粗集理论是一种补齐少量丢失数据的有效方法。

基于最大Lyapunov指数改进算法的交通流混沌判别

提出了一种快速判别交通流混沌的最大Lyapunov指数改进算法.该算法首先用关联积分法(C-C方法)和C ao方法确定重构相空间的两个重要参数:嵌入维数m和延迟时间,再用小数据量方法计算时间序列的最大Lyapunov指数.这种算法不仅能够很好地重构原始时间序列的特性,并且能够避免W o lf方法的局限性.应用最大Lyapunov指数改进算法对仿真交通流和实测交通流的时间序列进行了混沌判别,结果表明,基于跟驰模型的仿真交通流和实际交通流中存在混沌现象,最大Lyapunov指数改进算法是准确判定时间序列是否具有混沌特性的一种有效方法.

交通流量的混沌特性分析及预测模型研究

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,分析交通流量的混沌特性,研究了一种交通流量的自适应预测模型。在合理选取嵌入维数和延滞时间实现交通流量时间序列相空间重构的基础上,应用小数据量法计算重构交通流量时间序列的最大Lyapunov指数,根据该指数值对交通流量的混沌特性进行分析,并采用庞卡莱截面法对分析结果进行验证;构建交通流量的Volterra预测模型,并采用LMS自适应算法对模型系数进行调整。通过对实际采集的高速公路交通流量数据的仿真研究表明,小数据量法能对交通流混沌特性进行准确判别,构建的二阶Volterra自适应预测模型能够有效地预测交通流量的变化。因此,在判定交通流量存在混沌特性时,可以应用论文构建的二阶Volterra自适应预测模型对其进行准确的预测。

道路交通事故信息文本预处理技术研究与实践

文本预处理是文本挖掘的关键一步,建立与信息相匹配的标准语义集合能缩短信息处理的时间,提高信息的提取率和识别精度。根据国家交通事故信息采集规范要求,从国家公共安全行业标准中抽取相关交通事故基本信息的标准词汇及代码,构建了一套含有12个属性项目、185个标准词汇的交通事故信息文本预处理用标准化语义集合,并将其应用于国家安全生产监督管理总局的事故查询系统,对系统中2004—2014年期间所收集的8 156件重大道路交通事故信息中的文本数据进行分析。结果表明:利用这套语义集合能更多地提取交通事故信息,可为准确捕捉交通事故特征和研究交通事故发生机理提供重要依据,也为开发交通事故自动信息识别系统创造了重要的条件。

基于粗糙集的道路交通事故成因层次分析方法

根据道路交通管理部门基于事故数据库挖掘事故成因的需要,将交通事故属性划分为两个层次,应用粗糙集理论,分步给出了"人、车、路、环"四要素及各自包含属性对交通事故重要程度的计算方法。实例分析和t检验结果表明了方法的有效性。

基于非完备大数据的业务预测

高效、精准预测无线网络业务数据,例如业务的到达率、用户数以及吞吐量等,将为网络提供用户的实时需求,是实现无线网络智能化的关键。然而,由于无线网络传输的不可靠性、采集设备故障、采样率低等原因,使得无线大数据具有不可避免的非完备性。将使系统丢失大量有用信息,从而给无线网络业务预测带来巨大挑战。为了应对该挑战,提出了基于非完备数据集的业务预测架构,从缺失值补充以及空时信息挖掘2个维度高效利用非完备数据集,提升预测精度,助力无线网络的智能化。

基于数据驱动的道路交通状态评价

根据道路交通流参数与道路交通状态之间的关系,又由道路上交通流量数据,可以很方便地采用数据驱动的方法来评价道路交通状态.首先建立层次结构的评价层次,然后给出各层次计算公式,从而确定各指标权重,最终得出人对道路运行状态的感觉变化规律的评价集结果.通过实例分析说明,数据驱动对道路运行状态的推理评价是客观合理、科学可行和公正实用的.

一种基于小数据量的快速识别短时交通流混沌特性的方法

对短时交通流进行预测、诱导和控制是智能交通控制系统的重要研究内容。由于对短时交通流进行混沌特性识别时,存在实时性与样本数量之间的矛盾。因此,本文基于混沌时间序列分析理论,提出了一种快速计算短时交通流时间序列最大Lyapunov指数的小数据量方法,用于识别短时交通流中是否存在混沌特性。该方法首先将短时交通流时间序列在相空间中进行重构,以充分提取短时交通流中的相关信息。并结合庞卡来截面法对识别结果进行了验证。从而为对短时交通流进行分析、预测和控制时所采用的相应方法提供了可靠的理论依据。对实测短时交通流行为进行识别的结果表明,该方法具有计算量小、实时性好,对小数据量可靠且容易操作等优点。

基于迁移学习的交通标志识别

传统的交通标志识别方法主要基于特征提取和机器学习技术,易受外部环境干扰,特征学习和特征表达能力较弱,识别准确率低。而基于深度学习的交通标志识别,对学习数据要求较高,模型在小样本数据学习中学习效率低。针对上述问题,提出了一种基于迁移学习的交通标志识别方法。该方法首先将ImageNet数据集中训练好的Inceptionv3模型的卷积层和瓶颈层进行迁移;然后在瓶颈层后接上全链接层,从而构建出迁移学习的模型;最后利用公开数据集和公开场景的交通标志图像进行实验训练模型验证。实验结果表明,与现有主流的交通标志识别方法相比,所提方法在微量数据集下有较高的识别率,预测准确率达96%以上。

DSCAU：非均衡负载无线传感器网络的基于支配集的分簇数据收集算法

针对无线传感器网络（WSNs）在负载不均衡即各节点数据量不相同情况下的数据收集问题进行了研究，提出了WSNs在负载不均衡下的新的基于支配集的分簇数据收集算法——DSCAU。运用DSCAU时，每个节点对自身剩余能量、节点邻居数量、自身和邻居产生的数据量等情况进行综合考虑来选举候选簇首。为避免正式簇首过多，候选簇首根据自身邻居被其他候选簇首覆盖的数量，以反比概率成为正式簇首。同时为了均衡簇首的能量开销，对簇的规模进行了限制。理论分析和仿真实验表明，DSCAU在多跳情况下能有效延长网络生命周期，并且能保证所有节点均加入簇，从而提高成簇算法的覆盖率。

基于属性约简的海事人为失误致因分析

为寻找1种处理简便且行之有效的分析海事人为失误致因的方法,引入基于属性约简的粗糙集数据挖掘方法,使用开源粗糙集工具RSES对导致瞭望不当行为的30种影响因素数据进行分析,通过基于遗传算法的属性约简方法得到主要因素.试验结果证明,在分析海事人为失误主要因素的过程中,利用粗糙集的属性约简方法可简化分析并提高分析的准确性和直观性,为海上交通的有效管理提供决策依据.

基于神经网络的P2P流量识别方法

研究P2P流量的识别对于P2P网络的管理具有十分重要的意义,针对当前P2P流量的识别方法存在的误差大,识别结果不稳定等缺陷,为了改善P2P流量的识别效果,提出神经网络的P2P流量的识别方法。首先采集P2P流量数据,并对其进行预处理,建立P2P流量的识别样本集合;然后根据P2P流量的识别学习,神经网络进行训练,建立P2P流量的识别模型;最后采用VC++编程实现P2P流量的识别实验。实验结果表明,基于神经网络的P2P流量识别精度高,识别结果十分稳定,且P2P流量的识别效率高,可以对P2P流量进行在线管理,具有较高的实际应用价值。