基于IC卡数据的公交通勤熵变模型的构建与应用

建立利用公交IC卡数据计算公交过剩通勤熵变的框架,对优化城市居民通勤出行距离的难易程度进行定量分析.结合公交出行的特点,构建基于Wilson熵模型和双约束重力模型的公交通勤熵变模型;以广州市居民公共交通IC卡数据为例,对通勤筛选、单元问题及过剩通勤熵变评价等进行探讨.结果发现,采用约1 km×1 km的单元格划分是城市公交通勤熵变模型中适合的单元划分方式,公交过剩通勤的熵变能够有效衡量平均通勤距离减少的难易程度和检验改变通勤行为相关政策的有效性.

基于出租车司机经验的约束深度强化学习算法路径挖掘

利用出租车司机经验,提出约束深度强化学习算法(CDRL)在线计算不同时间段内OD间最快路线。首先描述了路段经验数据库(ERSD)的提取;然后介绍了CDRL方法,包括可选择约束路段生成和深度Q-lear-ning算法两个阶段,在第一阶段,生成OD(起终点)间可选择约束路段,在第二阶段,设计深度Q-learning算法学习出租车司机的经验,并根据他们的出发时间计算给定OD间的最快路线;最后在广州CBD进行了应用实验。结果表明,CDRL方法计算在旅行时间上优于最短路径(SR)方法,且与最快路径(FR)方法计算路径差别不大;此外,CDRL方法在计算效率方面明显优于FR和SR方法,因此更适合OD间最快路径的在线计算。

基于改进U-Net网络对输电塔陶瓷绝缘子表面缺陷的识别算法

针对传统巡检方法对输电塔陶瓷绝缘子表面缺陷识别存在效率低、精度差、漏检率高的问题,采用基于改进U-net网络的无人机智能巡检方法,对输电塔中的陶瓷绝缘子表面缺陷进行检测与识别。运用空洞卷积矩阵对U-net网络中的卷积层进行膨胀系数优化,增大卷积核感受野提升缺陷细节信息的完整性;采用全尺度跳跃连接模型融合高位特征信息与低维特征信息,提高陶瓷绝缘子表面缺陷特征的准确性。实验结果表明:基于改进U-net网络的无人机智能巡检方法对陶瓷绝缘子的表面缺陷检测,其识别准确率(Accuarcy)为97.6%、平均精度(mPA)为95.28%、平均交并比(mIOU)为91.56%。与U-net相比,此方法对陶瓷绝缘子表面缺陷的巡检精度提高了7.8%。

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口(BCI)在交通运输中的应用,减少因疲劳驾驶导致的交通安全事故,提出基于前额脑电(EEG)信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先,设计驾驶仿真模拟试验,利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号,试验过程中,使用主观检测方法每隔20min对被试进行问询;其次,应用MATLAB对采集到的EEG数据进行预处理,基于2种驾驶状态形成被试初始样本数据集;进而,在该数据集基础上,利用多尺度熵的概念,提取EEG信号小波对数能量熵(WLE)特征,同时提取经典模糊熵(FE)特征进行比较分析;然后,运用极限学习机(ELM)对提取的特征数据集进行快速有效的精准分类,并使用留一交叉验证法进行验证评估;最后,对比经典FE分类表现,并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明:在本文试验条件下,基于多尺度WLE(MWLE)的前额EEG疲劳识别率显著高于基于多尺度FE(MFE)的识别率,其理论平均正确率达91.8%;基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率;多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标;结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性,有助于促进可穿戴BCI在疲劳驾驶预警中的应用。