基于多源数据的交叉口分流向交通需求预测

对交通流进行科学预判是实施精细化智能管控的基础,为了解决目前方法对于过饱和状态下需求预测精度较低的问题,利用交叉口地磁和上游路段微波数据,结合Markov转移矩阵及加权移动平均法对交叉口内分方向的流向比例依照时间序列进行动态预测,由上游路段的车辆通过率获取交叉口内的交通需求,进而构建交叉口分方向流量动态预测模型。最后通过实测数据对模型进行验证,结果显示总平均误差为13.46%,比使用传统预测模型的预测误差减少了4.13%,尤其是过饱和状态下的预测误差减少5.81%,有效提升了过饱和状态下的交通需求预测精度,这对于城市交叉口过饱和状态下的分流向交通组织及控制具有重要意义。     

基于多源数据融合的公交车辆跟驰模型

针对目前缺少公交车辆跟驰模型参数和单一数据采集方式无法获取完整车辆跟驰过程数据的问题,提出一种基于多源数据融合的公交车辆跟驰模型,采用实测数据进行参数标定和模型验证。通过移动GPS数据采集设备随车采集车辆的运动轨迹和无人机空中悬停俯拍采集公交车辆的停车间距,并进行数据融合处理得到完整过程的公交车辆跟驰行驶数据;通过引入均方误差指标来衡量实际测量值与模型仿真值之间的差异,将公交车辆跟驰模型的参数标定问题转化为一般优化求解问题;通过对实测数据进行统计分析,获取公交车辆的平均停车间距参数;采用粒子群优化算法对智能驾驶跟驰模型中的舒适制动减速度和加速度系数2个参数进行求解,得到模型的最优参数;将验证集中的实测数据与模型仿真值进行对比,对模型参数的效果进行验证,并以厦门快速公交走廊的车辆多编组运行控制为例,对跟驰模型的效果进行进一步的验证,其中头车采用速度优化模型进行控制,跟随车辆则采用上述标定的公交车辆跟驰模型进行控制。研究结果表明：公交车辆跟驰模型生成的数据曲线与实测数据曲线基本一致,跟随车辆与头车在路段上行驶和车辆进出站2个阶段的运动轨迹曲线基本一致,符合车辆跟驰模型的跟随性,进一步证明了...     

基于多源特征增强的交通标志识别方法

针对现实场景中交通标志识别在照明不佳环境下和应对扭曲、旋转、平移等空间变化时准确率较低的问题,在优化亮度、对比度特征的基础上结合图像的空间位置信息,提出一个新颖的基于多源特征增强的交通标志识别方法 .首先设计亮度与对比度增强模块以凸显低照度图像的特征信息,降低低照度图像识别难度.然后结合空间转换单元构建轻量化特征处理网络,通过弱化图像携带的无关信息聚焦数据中的感兴趣区域,有效分离背景噪声的同时也改善了输入数据的空间不变性.最后主分类网络对图像特征图进行细粒度的识别并输出预测的类别标签.实验结果表明：本文提出的模型在公开基准数据集GTSRB上的准确率达到99.52%,能有效解决交通标志现实场景下识别率较低的问题.     

基于多源数据融合的突发水污染事故可靠预警方法

在突发水污染事故自动监测领域中,传感器节点监测数据的异常是影响自动监测系统预警可靠性的重要原因.考虑到多传感器信息之间的互补性和相关性,该文提出了一种基于多源数据融合的突发水污染事故可靠预警方法.基于改进的D-S证据理论,利用综合权重对节点证据进行加权修正,并用D-S融合规则对多源数据进行两两融合,最终根据融合结果对突发水污染事故进行预警决策.案例分析及实验结果表明:与传统方法相比,该方法能得到可靠度更高、聚焦性更好的预警结论.     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

基于扩展特征向量空间模型的多源数据融合

本体资源的扩充是自然语言处理的关键问题之一。传统的从单一数据源获取的信息其覆盖率较低,亟需建立一个整体的数据管理平台,对数据资源分类存储与整理。为此提出了AVP数据平台,构建AVP平台所面临的重要问题是多源数据的融合,即将不同来源的网站数据进行语义角色标注,对歧义词条进行识别判断,并最终归并到以义项为基本单位的数据仓库中;为解决多源数据融合的语义角色标注问题,给出了一种自动语义判歧方法。其基本思想是利用词条中的属性值对作为特征模板,并借助于属性值的共现概率,应用扩展向量空间模型对词条进行歧义识别。通过大量的实验对比可知,该系统在各方面均取得优异的成绩,所提出的算法能够很好地解决多源数据融合中的语义判歧问题。     

多源遥感影像数据融合理论与方法的研究

在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上,归纳了多源遥感影像数据融合方法,并对未来的研究趋势进行了展望。     

基于多源数据的出行安全时空评价模型研究

准确评估城市安全态势是保障居民出行安全的关键。针对现有的单一领域静态评价方法难以应对复杂多变的出行安全问题,考虑出行安全的时空相关特性,提出一种基于多源数据的出行安全时空评价模型。针对时间类特征的马尔科夫特性,构建基于条件随机场的时间域评价模型以模拟安全指数的时序相关性;针对空间维度中不同栅格之间的特征相关性和地理位置邻近性与安全指数之间复杂的非线性映射关系,构建基于神经网络的空间域评价模型以模拟安全指数的空间相关性。在模型训练阶段,考虑样本数据稀疏性问题,采用基于协同训练的半监督学习方法使2个模型相互迭代增强,共同作用得到最终评价结果。实验结果表明,该方法分类评价精确率达82.3%,召回率达70.4%,模型性能优于其他几种常用的分类算法。     

多源遥感影像数据融合的理论与技术

目的 探讨多源遥感影像数据融合技术,包括融合概念、融合原理、融合算法、融合效果评价。方法 对于不同空间分辨率、时间分辨率和波谱分辨率的遥感图像进行综合分析,提出像素级、特征级、决策级遥感影像融合的方法及用信息论的理论建立融合影像评价系统。结果 信息融合可分为3个层次：像素级、特征级和决策级融合;像素级融合信息损失最小,决策级融合信息损失最大;像素级融合精度最高,决策级融合精度最低。结论 对同一地区的多源遥感影像数据进行融合,可以产生比单一信息源更准确、更完全、更可靠的估计和判断,可以提高影像的空间分辨率和清晰度,有效提高遥感影像数据的利用率等。     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域,但在处理高度冲突的证据时,可能会出现反直觉的结果.为解决这一问题,本文提出了差异信息量的概念及融合方法.首先,通过信息熵表明证据的相对重要性,采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量,经过计算获取数据的最终权重,并将其作为D-S证据理论中的基本概率...     

面向时空嵌套关系的半结构化时空数据管理模型研究

研究了利用半结构化时空数据的"嵌套"特征实现对时空数据存储和管理的问题,提出了一种面向时空嵌套关系的半结构化时空数据管理模型.该模型以时空数据的"嵌套关系"为管理对象,用更丰富的数据语义(semantics)区别了"实体对象类"的属性、"空问嵌套关系类"的属性和"时空嵌套关系类"的属性等概念,运用非第一范武的嵌套关系数据库实现对时空数据的综合营理.基于传统关系型DBMS和GIS组件构成的软件实验系统表明,本模型简明有效,在数据更新和冗余方面均取得了较好的效果.该研究为半结构化时空数据的管理探索了一条新的途径.     

基于属性标识位的面向对象时空数据模型

在时空数据模型发展的基础上，提出了一种新的基于属性标识位的面向对象时空数据模型．将时空数据库分为一般基本属性库、有效时空属性库和历史时空属性库三部分存储，利用属性标识符标识数据对象在各部分库中的存在与否，进而对操纵语言进行基于新的数据模型的扩展。     

喀斯特高原区多源遥感数据时空融合模型适用性分析

喀斯特石漠化综合治理防治措施已落实到小流域等较小空间单元内,迫切需要高时空分辨率植被覆盖度等数据支撑相关研究。由于技术和预算的限制,单一传感器难以获取同时满足高空间、高时间分辨率的数据,时空融合技术是目前解决遥感数据缺失和"时空矛盾"的重要方法之一。以Landsat8 OLI数据与MODIS数据为数据源,以喀斯特高原20 km×20 km区域为实验区,采用时空自适应反射融合模型(spatial and temporal adaptive rcflectance fusion model,STARFM)、增强型时空自适应反射融合模型(enhanced spatial and temporal adaptive rcflectance fusion model,ESTARFM)、灵活的时空数据融合模型(flexible spatiotemporal data fusion,FSDAF)模型三种模型融合生成高时空分辨率数据,分析三种模型在喀斯特高原区的应用能力。结果表明:STARFM、ESTARFM、FSDAF三种模型的融合影像与真实影像的R均高于0.6,ESTARFM模型的融合影像与真实影像的相关性最高,空间细节最为清晰,层次性更明显;ESTARFM模型在地表破碎,异质性较高的喀斯特高原区具有较好的适用能力。     

基于GPS轨迹数据的货车交通流量需求预测循环神经网络模型

动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU),双向长短时记忆网络(Bidi-rectional Long Short Term Memory,Bi-LSTM)和双向门控神经单元(Bidirectional Gated Recurrent Unit,Bi-GRU)四种货车交通流量需求预测循环神经网络模型.研究结果表明:货车交通流量需求预测循环神经网络模型对货车交通流量具有很好的预测能力,平均预测精度为91.55％,较ARIMA高出10.45％;GRU模型对整体货车流量序列预测精度最高;低峰时段平均预测精度高于高峰时段,LSTM在波动较强的高峰时段预测精度最高,为96.83％;Bi-GRU在低峰时段的预测精度最高,为97.66％.研究成果将为政策制定者选用合适的循环神经网络模型,精准预测货车流量,提高货车交通运行效率提供理论和技术支持.     

一种面向对象的GIS时空数据模型

为了更加自然地描述时空对象、再现历史时刻下的时空对象的空间状态和拓扑关系,采用面向对象的方法组织和管理时态地理信息系统(temporal GIS,TGIS)中的地理数据,即任何地理目标都可以看作时空对象,它们都有自己的生存期和行为方式,地理目标之间通过关联关系进行联络.结果表明:利用时空对象的继承性和重用性,可以灵活地构建复杂地理对象;利用暗示型的时空对象关联,可以有效简化时空数据拓扑关系的管理和维护;利用时空对象的查找、构建算法,可以方便地再现任意历史时刻下时空对象的存在状态.     

基于卡诺模型和多源数据的城市街区步行适宜性评价与优化

科学评价与优化街区步行适宜性对提升城市活力、推动绿色发展具有重要意义。首先从居民实际需求出发,基于马斯洛需求理论(Maslow’s demand theory)和卡诺模型(Kano model)构建包含五个维度共十五个指标的城市街区步行适宜性评价模型,结合多源数据和改进的CRITIC(criteria importance though intercrieria correlation)-熵权赋权法以合肥市为例进行测度;随后结合热点分析识别各维度高、低值的空间聚类情况,并分析产生原因;最后引入街区活力,利用双变量莫兰指数探讨二者的空间匹配关系,进而提出步行适宜性优化方法。结果表明,基于马斯洛需求理论和卡诺模型可从通畅性、便捷性、安全性、丰富性和舒适性五个维度对步行适宜性展开评价;研究区内的步行适宜性具有显著的空间分异性和自相关性,且与街区活力存在较多不匹配区域。在此基础上提出街区步行适宜性优化策略,可为合肥市未来步行空间设计和改造提供参考。     

基于实验数据的爆胎预测模型

在对实验数据进行统计分析的基础上,利用多元回归原理并借助SPSS软件,建立了侧向加速度、横摆角速度和转向横拉杆力与胎压、车速的回归方程,并验证了模型的可行性.对车辆实际爆胎工况的预测分析表明,预测结果能较好地反映各参数与车速以及胎压之间的关系.     

时空数据模型的初步设计

时空数据库用于模拟和查询位置或形状随时间改变的移动对象。提出了用于表示移动对象的时空数据类型和扩展数据类型。并在此基础上,对时空操作符也作了相应的概括。该数据模型便于实现,并能较好地支持时空查询。     

时空数据模型的初步设计

时空数据库用于模拟和查询位置或形状随时间改变的移动对象。提出了用于表示移动对象的时空数据类型和扩展数据类型。并在此基础上，对时空操作符也作了相应的概括。该数据模型便于实现，并能较好地支持时空查询。