-
题名基于CS算法优化的SVM短时交通流预测模型
被引量:1
- 1
-
-
作者
兰添贺
曲大义
陈昆
刘浩敏
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《青岛理工大学学报》
CAS
2024年第1期134-140,共7页
-
基金
国家自然科学基金资助项目(52272311)。
-
文摘
为了提高短时交通流预测模型的准确度,提出一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化的支持向量机(Support Vector Machine,SVM)短时交通流预测模型(CS-SVM)。选取青岛市内的多组典型城市路段作为研究对象,将观测收集的车流量数据作为学习样本。利用CS算法对SVM模型的主要参数进行优化,建立以SVM为基础的短时交通流预测模型。最后将CS-SVM模型与多种现有模型进行仿真分析。结果表明,CS-SVM模型相比其他传统模型具有更低的预测误差和更好的稳定性,CS-SVM模型相比SVM模型的MAE值下降了6.56%,RMSE值下降了7.36%。因此该模型能够为城市交通出行和交通流理论研究提供有效帮助。
-
关键词
短时交通流预测
城市道路交通
布谷鸟搜索算法
支持向量机
-
Keywords
short-term traffic flow prediction
urban road traffic
cuckoo search algorithm
support vector machine
-
分类号
U491.14
[交通运输工程—交通运输规划与管理]
-
-
题名基于深度学习的驾驶倾向性分类及辨识方法
被引量:1
- 2
-
-
作者
杨玉凤
曲大义
兰添贺
王韬
宋慧
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《广西大学学报(自然科学版)》
CAS
北大核心
2024年第2期324-335,共12页
-
基金
国家自然科学基金项目(52272311)。
-
文摘
为了进一步研究网联交通环境下驾驶人驾驶倾向性动态变化特性,提出一种基于深度学习的驾驶倾向性分类及辨识方法。首先提取车速、加速度标准差、车头时距等车辆运动状态参数,设计调查问卷;采用k均值聚类算法对驾驶倾向性初步分类,并校正车辆状态相关特征参数,然后建立一种考虑注意力(Attention)机制的双向长短时记忆神经网络(BiLSTM)驾驶倾向辨识模型,识别周围车辆的驾驶倾向性,最后搭建对照模型,比对模型识别精度。结果表明,考虑注意力(Attention)机制的双向长短时记忆神经网络(BiLSTM)模型辨识精度达89.74%。相较于支持向量机(SVM)模型和人工神经网络(ANN)模型,准确率进一步提升,可实现动态驾驶倾向性的精准高效识别。
-
关键词
交通运输工程
驾驶倾向性
深度学习
注意力机制
K均值聚类算法
-
Keywords
traffic engineering
driving propensity
deep learning
attention mechanism
k-means clustering algorithm
-
分类号
U491
[交通运输工程—交通运输规划与管理]
-
-
题名融合多元因素的海上交通海洋浪高预测模型
- 3
-
-
作者
兰添贺
曲大义
陈昆
刘浩敏
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《青岛理工大学学报》
CAS
2023年第3期121-129,共9页
-
基金
国家自然科学基金资助项目(52272311)
山东省重点研发计划项目(2019GGX101038)。
-
文摘
为了准确地预测近岸海域的海浪高度,通过分析海上交通的相关天气因素和近海船舶的停靠周期,提出一种基于改进门控循环网络(Gated Recurrent Unit,GRU)的海洋浪高预测模型。选取中国沿海站台观测记录的海浪数据作为研究对象,利用改进GRU模型对多维信息进行特征挖掘和预测,并将浪高预测结果与传统深度学习模型进行对比。研究发现,改进GRU模型预测未来1,3和6 h海浪高度的相关系数(R 2)分别为98.30%,96.42%和92.89%,均优于其他深度学习模型。结果表明:本文提出的改进GRU模型具有更高的浪高预测准确度,可以为海上交通运输和沿海作业提供相应的数据帮助。
-
关键词
海上交通
浪高预测
门控循环网络
深度学习模型
-
Keywords
maritime traffic
wave height prediction
Gated Recurrent Unit
deep learning model
-
分类号
U694
[交通运输工程—港口、海岸及近海工程]
P731.33
[天文地球—海洋科学]
-
-
题名融合多因素的“时间齿轮”交通流预测模型
被引量:1
- 4
-
-
作者
兰添贺
曲大义
陈昆
刘浩敏
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《河北科技大学学报》
CAS
北大核心
2022年第5期550-559,共10页
-
基金
国家自然科学基金(52272311,62003182)。
-
文摘
为提高交通流预测的准确度,结合城市道路交通的特点,提出一种融合多因素的“时间齿轮”交通流预测模型(TGM),将模型分为2个模块对交通流的影响因素进行特征挖掘。模块1通过深度分析天气因素的影响,挖掘提取天气因素的特征信息;模块2仿照转轴与齿轮的关系,将目标路段及其邻近交叉口各个方向路段的交通流量数据作为时间轴上的轮齿。模型框架采用正反2个方向都加入注意力机制(attention mechanism)的双向门控循环网络(bidirectional gated recurrent unit, Bi-GRU)。结果表明,TGM模型明显优于多种现有模型;与Bi-GRU模型相比,TGM模型对5,15,25 min的预测精度分别提高了4.75%,6.37%和6.73%。因此,TGM模型能够有效提高交通流预测的准确度,具有更优的中长时预测能力,可为交通组织的优化和交通流理论的研究提供帮助。
-
关键词
公路运输管理
交通流预测
多因素
注意力机制
门控循环网络
-
Keywords
road transportation management
traffic flow prediction
multiple factors
attention mechanism
gated recurrent unit
-
分类号
U491.14
[交通运输工程—交通运输规划与管理]
-
-
题名基于CNN和SVM分类优化的大蒜鳞芽朝向识别研究
被引量:4
- 5
-
-
作者
曹金凤
沈大港
郭继鸿
刘鹏
李策
兰添贺
-
机构
青岛理工大学机械与汽车工程学院
中国矿业大学(北京)能源与矿业学院
-
出处
《中国农机化学报》
北大核心
2022年第5期134-139,共6页
-
基金
2020山东省专业学位研究生教学案例库项目(SDYAL20112)
山东省重点研发计划(公益类专项)(2019GGX101020)。
-
文摘
针对大蒜鳞芽朝上、直立栽种的特殊种植需求,研究实用性好、准确率高、抗干扰强的鳞芽朝向自动识别算法,具有重要的工程应用意义。提出基于卷积神经网络(CNN)和支持向量机(SVM)分类优化的改进算法(CNN-SVM),实现大蒜鳞芽朝向的自动识别与修正;提出SVM分类优化方案与随机参数择优、损失函数检测方法,以解决感受野小、分类效果差、过拟合等问题。研究结果表明:CNN-SVM算法的识别准确率为99.8%,单张图片识别时间为0.024 s。与经典CNN、SVM算法相比,本文所提算法对于感受野小、干扰强的识别效果更好;同时具有识别准确率高、计算规模小、对局部特征敏感等优点。不仅为大蒜自动智能播种设备的研发提供算法储备,而且可以推广应用于其他小物体识别。
-
关键词
大蒜鳞芽
朝向识别
卷积神经网络
支持向量机
分类优化
深度学习
-
Keywords
garlic scale buds
orientation recognition
convolutional neural network
support vector machine
classification optimization
deep learning
-
分类号
S223.2
[农业科学—农业机械化工程]
-