一种基于频域特征和过渡段判决的端点检测算法

为了提高语音端点检测的准确性,增强端点检测算法在噪声环境下的鲁棒性,提出两种新的端点检测参数。其中,基于临界频带的谱熵参数综合考虑了人耳对语音的感知特性以及语音信号和噪声信号的频域分布差异,差值频域能量参数考虑了语音帧和无声帧在频域上的能量差异。结合两种参数的优点,构成一种鲁棒的端点检测参数,同时,为了避免因阀值判决的单一性而产生误判,在端点检测过程中加入了基于特征分布统计的过渡段判决。试验结果表明,本研究提出的语音端点检测算法对语音帧和无声帧具有较好的区分性,在不同噪声且信噪比较低情况下,端点检测准确率相比传统抗噪端点检测算法均有所提升,特别是在非平稳噪声下,准确率提升超过5%。     

基于GPS数据的日出行模式-出行目的识别

应用活动链理论进行日出行模式划分,基于GPS出行数据构建日出行模式-出行目的识别的Logit模型系统。结果表明,在日出行模式划分的基础上再进行各次出行的目的识别,由于考虑了一天中各次出行目的间的相互关联,从而提高了出行目的的整体识别精度。研究结论可用于基于GPS数据的出行目的和日出行模式识别,同时所建立的模型系统可作为基于GPS数据的出行行为提取建模的一部分。研究成果有利于应用大数据平台提取出行数据以代替传统的居民出行调查,从而提高数据获取途径、数据广度和精度,为交通管理和规划提供数据基础。     

基于Canny检测的股骨边缘轮廓连接算法

基于图像信息和像素特点,提出了一种边缘轮廓信息的连接算法,由边缘检测、单一化处理、端点信息分类及模拟退火相串联构成。选取合适的Canny方差和成熟的标记算法为生成理想边缘信息,结合节点处的特征信息、检测和计算符合条件的终点位置,最终精确连接出边缘轮廓。利用MATLAB软件对提出的方法进行模拟,详细分析了连接算法的理论模型以及端点类型对于连接效果的影响。试验证明,基于模拟退火和端点类型的算法在选定合适Canny参数和经过单一化处理的情况下具有良好的连接效果,且安全可靠。     

基于贝叶斯最小错误率的一种语音端点检测算法

提出一种基于贝叶斯最小错误率的语音端点检测算法．说明短时平均幅度和短时平均过零率两种语音特征的选取方法,根据最小错误率的贝叶斯决策分别确定了合适的门限值,并将该方法在作者建立的语音数据库中进行了语音起点和终点测试．实验结果证明,与仅用幅度或能量特征的方法相比,本文方法能够提高语音端点检测的准确性．     

基于前景理论的地铁/公交出行路径选择模型

以"前景理论"为框架,通过对地铁/公交组合交通出行方式的选择行为特性分析,以地铁在常态运营下的行驶时间为单位广义费用,通过意向调查(SP调查)拟合路径选择影响因素的换算函数,建立了广义出行费用计算模型;然后针对前景理论中关键的参考点选择方法,提出用预留时间作为对期望费用的修正,并对参数进行标定,建立了在风险条件下的地铁/公交出行路径决策模型.实例验证结果表明:模型与被调查者的选择吻合率约90%.     

基于态度的公交出行信息使用市场细分

为识别不同出行者对公交出行信息使用选择偏好的差异,对基于态度的公交出行信息使用市场进行了细分。根据在南京市调查的数据,利用因子分析确定态度潜变量,采用结构方程模型分析了态度变量间的相关性,使用K-means聚类方法对公交出行信息使用的市场进行细分。以出行意愿、可靠性、方便性和主观感知等4个变量作为聚类变量,将公交出行信息使用市场细分为5个子市场,同一子市场内出行者公交出行意愿选择近似,不同子市场间出行者选择意愿明显不同。分析了每个子市场态度的差异和公交出行方式选择特征,针对不同子市场的出行者提出了相应的公交出行信息改善策略。     

弹载SINS/GPS组合导航系统数据采集与同步设计

针对SINS/GPS组合导航系统来自两个导航系统的数据在时间上不同步导致在弹载高动态环境下导航精度降低的问题,设计了一种基于FPGA+DSP的小型嵌入式组合导航计算机平台.把GPS接收机提供的1PPS脉冲同时接入FPGA与DSP以提供时间基准,利用FPGA实现MIMU与GPS数据在整秒时刻的同步采集,利用DSP实现同步时间差的求取以及GPS数据的外推拟合,完成SINS与GPS数据在信息融合时刻的同步.时间同步过程简单,同步精度高.为了验证方法的有效性,进行了跑车试验,试验结果表明系统所采用的方法可以有效地提高高动态下组合导航系统的精度,比较未经过时间同步处理的导航结果,该方法在姿态角和速度精度上提高了约70%,位置精度提高了约50%,具有一定的工程应用价值.     

多模式复合交通网络方式划分两阶段模型研究

对城市多模式复合交通网络进行有效的方式划分,能够提高交通分配和交通需求预测的准确性。文章提出了一种融合了出行者个人和交通网络特性的多模式复合交通网络方式划分的两阶段模型,并基于上海中心城区交通调查数据,通过算例对其进行验证。结果表明:两阶段模型中的第一阶段,小区1~6的单一出行方式和组合出行方式的选择概率分别为39.3%和60.7%,拆分的公交—轨道组合出行方式的选择概率为46.42%,单一和组合出行方式的选择概率更为精确;而第二阶段,小区1~6公交—轨道组合方式的OD矩阵被拆分为公交出行和轨道出行2种单一方式OD矩阵,其支持常用交通规划软件的运行与仿真。     

多分类支持向量机在公交换乘识别中的应用

为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.     

基于居住地分层的居民出行调查方法

首先对居民出行调查的主要结论形式——平均出行次数、出行方式结构与居住地特征之间的关系进行了详细的分析,发现相互之间有某种对应关系,若能按照居住地特征分层(或分类)开展出行调查,则样本极具代表性。然后,基于分层抽样,提出了一类新的居民出行调查方法,并对其中的抽样方法作了细致的研究,提出了总体及分层抽样率的确定公式。最后,以江苏昆山市老城区为例,讨论公式中的参数取值,得到了对应于3类居住地的出行调查抽样率大小,说明了本文方法的可操作性和相对于简单随机抽样方法的优势。     

一种轻量级梯度提升机的交通模式识别

为研究居民出行轨迹的不同交通方式,基于已知出行交通方式的GPS轨迹信息,构建基于轻量级梯度提升机(LightGBM)的分类模型,对居民出行GPS轨迹进行交通方式分类.首先提取轨迹的各种基础特征,并进一步结合公交网络地理信息引入Fréchet距离进行特征提取,之后对特征进行归一化处理并基于决策树模型对特征进行筛选,最后对筛选后的特征进行模型训练与预测,并通过五折交叉验证方式获取了稳定的预测结果.结果表明:公交网络地理特征能够对模型预测精度进行有效提高,提出的GPS轨迹交通方式识别方法可达90%左右的精确度,优于各种机器学习分类模型.     

手机信令与出租车GPS数据融合车源定位方法

为揭示居民出行行为与城市交通拥堵的内在关联,并为缓解城市交通拥堵提供技术支持,利用高覆盖率、低精度的手机数据和低覆盖率、高精度的出租车GPS数据,构建了数据驱动的车源定位方法.利用手机数据获取出行需求信息,利用出租车GPS数据获取交通状态信息;提出基于数据融合的出行OD估计方法,进行交通流分配,对城市道路车流来源及城市拥堵源进行动态定位.结果表明:道路车流主要来自于少量车源小区,且拥堵状态下这些小区更加集中;同时受居民通勤行为的影响,城市全局拥堵源在早晚高峰表现出不同的特征.利用数据融合的车源定位可以用于揭示拥堵形成的内在机理及演化规律,辅助制定有针对性的拥堵缓解策略.     

多方式诱导下基于出行链的随机用户平衡模型

为了评价多方式诱导信息对综合交通网络中交通流分配的影响,通过构建基于出行链的概率型随机用户平衡模型,并设计内嵌Monte-Carlo模拟的MSA求解算法,研究多方式诱导下组合出行方式选择、出行链费用和出行链结构的变化。求解过程中,引入超级网络理论,并基于超级网络进行流量分配。研究结果表明:多方式诱导信息使公共交通模式分担率增加5.63%,得到网络总收益为196.254,说明多方式诱导信息对引导出行者减少使用小汽车有显著效果,也有助于降低出行链费用,简化出行链结构。     

基于活动的出行方式选择模型与交通需求管理策略

应用基于活动的出行需求预测方法研究了长春市实行鼓励公交策略的可行性。通过分析调查数据和总结以往模型,建立了Logistic形式的出行方式选择模型,用长春市居民出行调查数据进行了参数标定和模型验证。应用已建模型初步分析并评价了鼓励公交策略对居民出行方式的影响。结果表明:建立基于活动的方式选择模型预测城市交通方式结构,可以全面有效地进行交通需求管理策略的评价研究,为交通部门制定管理政策提供依据。     

地铁乘客站点的选择行为分析及预测

采用数据互补的方法,融合智能卡数据和公交车GPS轨迹数据,获取了公交和地铁乘客在地铁新线路开通前后的乘客个体出行信息。利用居民空间行为指标——“出行质心”对地铁乘客的公交出行质心定位,并分析了地铁站点与乘客公交出行质心之间的距离对乘客地铁站点选择的影响。结果表明有86.15%的乘客选择距离他们公交出行质心更近的地铁站点,地铁站点与乘客公交出行质心之间的距离是影响乘客出行站点选择的重要因素。基于这一发现,建立Logit模型对乘客是否会选择新地铁站点进行预测,预测准确率、精确率、召回率和特异性分别为83.87%、 84.23%、83.66%和84.09%,预测结果表现良好。研究结果可用于评估计划新建的地铁站点对邻近既有站点的影响,有助于地铁营运计划的设计。     

危险货物道路运输车辆出行链活动类型识别

针对危险货物运输(危货)车辆出行链上停留节点活动类型的识别问题,提出基于高斯混合模型-隐马尔科夫模型(GMM-HMM)的活动类型识别方法. 对车辆GPS数据构建基于决策树的车辆起停检测模型,提取出行链活动节点,并通过D-OPTICS算法对活动节点聚类得到活动热区;根据活动节点的个体特征、所在出行链的亲属特征和所处热区的群体特征进行多尺度特征体系构建,通过因子分析进行降维处理;利用GMM-HMM构建危货车辆活动类型识别模型,通过Baum-Welch算法进行参数估计,并使用Viterbi算法解码隐藏状态得到出行链各活动节点的类型识别结果. 在小规模实际活动数据集上直接验证所提方法的正确性,还结合活动节点的POI类别,间接评估所提方法对大规模GPS数据的车辆活动类型识别效果. 实验结果表明:在9种活动类型识别任务中,基于GMM-HMM的出行链活动类型识别方法的活动识别率超过80%. 识别结果可用于分析活动行为模式,及时发现异常活动,为危险品运输监管提供有效的决策支持.     

二维化学分子结构图端点信息提取的研究

化学分子结构图主要包括化学键和原子,主要研究如何提取静态图像中的端点原子信息.首先提取字符的网格特征和穿越特征组,利用BP神经网络进行训练、识别,接下来基于距离对端点字符组合识别.为了避免因个别字符识别错误而降低端点信息正确率,设计了一个端点原子参考表.将端点的识别结果与参考表进行比对,计算距离,选取与该结果距离最小的参考内容作为最终识别结果.从实验结果看,二维化学分子结构图端点信息的提取具有较高的准确率.     

以提高服务水平为目标的自行车网络参数优化

以提高服务水平为目标,在已知特定区域自行车出行交通起止点(origin destination,OD)分布的条件下,提出城市自行车网络参数(主要为自行车专用道间距和自行车道宽度)优化方法。采用关键设计参数的不同组合建立多个测试场景,运用Cube仿真模型进行测试分析,得出出行总时间、平均速度、道路饱和度等服务水平测度指标,对比其结果可得出推荐的关键设计参数。通过多元方差分析比较两个关键参数的影响效应,发现增加车道宽度可以显著提高自行车网络服务水平。最后,给出了有利于改善自行车出行条件的规划设计策略。     

Trip Purposes of Automobile Users Inference Using Multi-day Traffic Monitoring Data

题目：基于多日交通监测数据推断汽车用户的出行目的

作者姓名：郑文,李文权,陈茜,郑炎,张晨皓

单位：东南大学交通学院,211189,中国南京

摘要：确定出行目的是探索出行规律的一个重要环节。本文以城市中的汽车用户为研究对象,结合无监督学习和有监督学习方法分析其出行特征,重点研究汽车用户出行目的的分类和预测。然而,以往关于出行目的的研究主要集中在问卷调查和GPS数据上,不能很好地反映汽车出行的特点。为了避免传统交通问卷调查中忽略的多日行为变异性和个体特征的不可观察异质性,我们采用了青岛市北区的道路卡口监测数据,并运用K-均值聚类方法来估计汽车用户的出行目的。然后,采用自适应提升（AdaBoost）和随机森林（RF）方法对出行目的进行分类和预测。最后,本研究的结果显示: (1）汽车用户的出行目的主要可以分为四类,分别是通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物;（2）随机森林方法在出行目的预测中的表现明显优于AdaBoost,准确率更高;（3）超参数优化下随机森林的平均预测精度达到96.25%,证明了上述聚类结果的可行性和合理性。

关键词：出行目的;汽车用户;交通监控数据;K-means聚类; AdaBoost;随机森林

主要研究内容：

由于汽车出行结构的复杂性,使用GPS数据或问卷调查数据无法完全分析出其出行特征。本文选择覆盖面更广的道路卡口监测数据来分析汽车出行的空间和时间特征。本文以K-means聚类和机器学习为重点,旨在对汽车用户的出行目的进行分类和预测。我们的工作可以为探索城市汽车出行的特征提供依据,也可以为不同的出行目的提供合适的公共交通方式（如需求响应式公交、快速公交和公交快线）来替代汽车出行,这有助于优化城市道路交通结构,保证城市交通系统的可持续发展。其核心思想和重要研究内容主要包括以下三个部分。

1）在我们的研究中,应用了以往关于出行目的研究中没有使用过的道路卡口监测数据,并验证了监督和非监督学习方法的结合在分析具体出行问题上的有效性。这不仅可以从一个新的角度来分析出行目的,也为今后的出行行为研究提供了很好的参考。

2）基于青岛市的道路监测数据集,建立了六个指标来分析汽车用户出行的时空特征。然后,采用K-means聚类方法对数据集进行分析,根据SSE和CH_Score的收敛值,可以将研究区域内的汽车用户出行目的主要分为四类,分别为通勤出行、出租车出行、白天的弹性生活需求出行和晚间的娱乐休闲购物。这使得我们可以间接了解汽车用户的出行结构,从而帮助交通管理者针对不同目的实施不同的交通管理措施。

3）根据K-means聚类的结果,从多个方面分析了两种基于树的集合学习方法的预测精度。结果发现,在超参数优化条件下,随机森林更适合于处理该类出行目的预测问题。MAE、RMSE和R²的值都优于AdaBoost。此外,RF的平均预测精度可以达到96.25%,也高于AdaBoost。它为处理出行行为问题提供了参考。

     

基于DSP和GPS的车辆监控系统设计

在车辆监控系统中,利用GPS能够全天候、连续、实时地获得高精度的三维位置航向和速度信息.但是,GPS卫星信号在隧道和山谷容易受到遮挡,通过GPS接收机不能获得连续准确的导航信息.为解决此类问题,讨论了利用滤波算法辅助GPS进行定位,弥补了GPS的缺陷.介绍了车辆监控系统的原理和数学模型,给出了基于DSP的车辆监控系统的硬件组成和软件编程,实现了车辆监控的组合方法.