CN111444950A - 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 - Google Patents
基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 Download PDFInfo
- Publication number
- CN111444950A CN111444950A CN202010210908.0A CN202010210908A CN111444950A CN 111444950 A CN111444950 A CN 111444950A CN 202010210908 A CN202010210908 A CN 202010210908A CN 111444950 A CN111444950 A CN 111444950A
- Authority
- CN
- China
- Prior art keywords
- data
- train
- track information
- svm
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 25
- 239000000725 suspension Substances 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 14
- 230000002411 adverse Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 29
- 238000005339 levitation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，所述方法包括：根据磁悬浮列车运行数据和轨道信息建立数据集；对数据集进行数据预处理；通过预处理后的数据集训练SVM，获取磁悬浮列车运行数据和轨道信息之间对应关系的算法模型。本发明的基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，通过对磁悬浮列车运行的间隙与加速度数据的采集、训练和分类，表明应用数据挖掘SVM算法来处理磁悬浮列车运行数据的可行性，并具备良好的效果。通过训练模型和列车运行数据的结合，可以从运行数据中分析出列车所处轨道特征及其运行状态，便于自动及时获取轨道对列车运行产生的不利影响以便于快速修正。
Description
技术领域
本发明涉及轨道交通技术领域，尤其涉及一种基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法。
背景技术
近年来随着人们经济水平的逐步提高、城市化进程进一步发展交通拥挤、乘车难、出行难、环境污染严重等问题日益凸显，使得人们迫切的需要一种快捷、舒适、安全的 交通运输方式。磁悬浮作为一种新型的城市/城际交通运输方式便应用而生。中低速磁悬 浮交通是一种采用常导电磁铁悬浮、直线电机驱动的新型轨道交通运输工具。国际上开 展磁浮轨道交通技术研究已有数十年，到目前为止，只有少数国家掌握这种技术。截至 目前，我国已有两条投入商业运营的中低速磁浮线路。
但是磁悬浮列车技术的发展依然存在诸多问题，例如列车在运行中出现的车轨耦合 振动以及车轨碰撞等不利影响。与此同时，磁悬浮列车的实时运行中，其单铁悬浮系统将会反馈大量的间隙以及加速度数据等，因此可以采用合适的数据挖掘算法对大量的间隙以及加速度数据进行挖掘，利用得到的有效信息来推断出列车在运行中所处的轨道信息，从而进一步分析车轨耦合共振点以及车轨碰撞点等，最终达到消除共振、碰撞等不 利影响的目的。
发明内容
为解决上述现有技术中存在的技术问题，本发明提供了一种基于磁悬浮列车数据的 SVM轨道信息及运行状态识别方法。具体技术方案如下：
一种基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，所述方法包括：根据磁悬浮列车运行数据和轨道信息建立数据集；对数据集进行数据预处理；通过预处 理后的数据集训练SVM，获取磁悬浮列车运行数据和轨道信息之间对应关系的算法模 型。
可选地，所述数据集包括训练集和测试集；利用训练集训练SVM，获取磁悬浮列车运行数据和轨道信息之间对应关系的算法模型；利用测试集对算法模型进行校验。
可选地，将测试集中的磁悬浮列车运行数据输入训练出的SVM算法模型，将输出的轨道信息与实际轨道信息进行对比，并计算准确率。
可选地，磁悬浮列车运行数据包括间隙和加速度，分别由列车间隙传感器和加速度 传感器反馈。
可选地，轨道信息类型包括平稳、弯道、坡道和共振及其他不利影响。
可选地，数据预处理时，对轨道信息类型划分标签，平稳、弯道、坡道和共振及其他不利影响分别对应标签为4、1、2、3。
可选地，数据预处理还包括：划分标签后，采用libsvm工具包设计SVM分类器， 训练数据构建分类模型。
可选地，将数据集根据时间划分为n个行程段，选取前n-1个行程段的数据集作为训练集，第n个行程段的数据集作为测试集，n为大于3的自然数。
本发明技术方案的主要优点如下：
本发明的基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，通过对磁悬浮列车运行的间隙与加速度数据的采集、训练和分类，表明应用数据挖掘SVM算法来处 理磁悬浮列车运行数据的可行性，并具备良好的效果。通过训练模型和列车运行数据的 结合，可以从运行数据中分析出列车所处轨道特征及其运行状态，便于自动及时获取轨 道对列车运行产生的不利影响以便于快速修正。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分， 本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附 图中：
图1为本发明一个实施例提供的基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法流程图；
图2为本发明一个实施例提供的SVM算法二分类过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相 应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在 没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合附图，详细说明本发明实施例提供的技术方案。
本发明实施例提供了一种基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，核心思想是基于数据挖掘算法SVM算法进行数据处理，以下对SVM分类器进行简 要介绍：
支持向量机(support vector machine，SVM)，主要用于解决分类和回归，等问题，是首先由Vapnik提出的，它常应用在模式分类和非线性回归中。SVM主要思想是得到 一个分类超平面，并将其作为决策曲面，进而最大化正例和反例之间的隔离边界。SVM 的理论基础是统计学习理论，也可以认为它能够近似实现结构风险的最小化。SVM核心 的内容为：针对输入空间中的非线性可分问题，通过选择适当映射后，把输入空间中样 本点映射到高维特征空间，目的是使映射后的点在高维特征空间中线性可分。支持向量 机有线性支持向量机和非线性支持向量机，本发明采用的是非线性支持向量机。
非线性支持向量机的基本思想是根据已经确定好的非线性映射由输入向量映射至 一个维次较高的特征空间里---即Hilbert空间，其次在该空间构建最优超平面。在新的空间中使用线性支持向量机算法。因此，在非线性情况，分类超平面为：
ω·φ(x)+b＝0：
决策函数为：
f(x)＝sgn[ω·Φ(x)+b]：
最优分类超平面问题：
s.t.yi(wTΦ(xi)+b)≥1-ξi
ξi≥0，i＝1，…，l
只有平均设计最少错分样本和最大分类间隔才能够获得广义上的最优分类面。其中，C＞0为惩罚系数，它能够控制针对错分样本惩罚的程度。采用Lagrange优化的方法 能够将如上最优分类面问题变换成其对应的对偶问题，也就是如下的约束条件：
0≤αi≤C，I＝1，...，l
对偶最优化问题为：
其中K(xi，xj)＝Φ(xi)Φ(xj)称为核函数。决策函数和参数b分别为：
由上式可知，尽管通过非线性函数将样本数据映射到另一个新空间，并在特征空间 中构造最优分类超平面，但在求解最优问题和计算决策函数时并不需要显式计算该非线 性函数，而只需要计算核函数，从而避免特征空间维数灾难问题。
对于引入核函数和惩罚参数C的判断，能够把非线性支持向量机分成两类：即非线性硬间隔分类机和非线性软间隔分类机。
非线性硬间隔分类机的最优化算法：
非线性软间隔分类机的最优化算法：
s.t.Σaiyi＝0，0≤ai≤C，i＝1，...，l
本发明实施例选用的支持向量机为非线性软间隔分类机。
VC维是由Vapnik和Chervonenkis提出的，它描述了组成学习模型的函数集的“表达能力”，是此函数集合学习性能的指标。其定义为：对于一个指示函数(即只有0和1 两种取值的函数)集，如果存在h个样本能够被函数集里的函数按照所有可能的2h种形 式分开，则称函数集能够把h个样本打散，函数集的VC维就是能够打散的最大样本数 目。如果对任意的样本数，总有函数能打散它们，则函数集的VC维就是无穷大。
Gauss径向基核函数例如：
高斯核可以将原始空间映射为无穷维空间，若σ取值很大，则高次特上的权重实际上衰减比较块，实际相当于低维子空间；反之，若σ取值很小，则可以将任意的数据映 射为线性可分，但会引起非常严重的过拟合问题。由于具有可调控参数σ，高斯核具有 相当高灵活性，也是使用最广泛的核函数之一。
多项式核函数形如：K(x，y)＝((x*y)+c)d，c≥0,d是正整数。当c>0，将它叫做非齐次多项式核，对于c＝0的条件下，将其称作齐次多项式核函数。
对于傅里叶核来说，常用的有两类，但同样是由一维傅里叶核得出的。第一类傅里叶核所对应的一维傅里叶核如下：
其中q是满足0<q<1的常数。
第二章傅里叶核对应的一维傅里叶核为：
其中γ是常数。
Sigmoid核函数为：
K(x，y)＝tan h(k(x*y)+v)，k＞0，v＞0
在此条件下支持向量机的功能可以说是包含了一个隐层，对于其隐层节点数来说它 是经过算法自动确定得到的，而且它不存在局部最小值的问题。
对于指定的样本数据来说，目前无论采取哪一种核函数都没有一个统一的结论使得 支持向量机模型最为合适，分类错误率最小，正常情况下都要多次实验才能确定出来。
本发明选择RBF核函数作为SVM核函数，主要原因有：①RBF核函数需要调整的 模型参数数量不多；②RBF核函数在数值计算上困难度相对较小。③RBF核函数的任务 为找到更有利于分类的任务的新的空间；④RBF核函数的本质为衡量样本和样本之间的 “相似度”，在一个刻画“相似度”的空间中，让同类样本更好的聚在一起，进而线性可 分。均可以提高对磁悬浮列车反馈的间隙以及加速度数据的分类准确度。
基于上述认知，本发明提供的基于磁悬浮列车数据的SVM轨道信息识别方法的一个具体实施例如下：
进行数据采集之前，首先确定数据采集地点。长沙磁浮快线全线高架敷设，承轨梁线形精度要求高，绝对位置偏差不超过±5毫米，特别是曲线段上梁，施工难度更大。该 工程设计时将现浇简支梁梁体作为承轨梁，上设20.8厘米高承轨台，梁体两侧设供电轨 预埋槽道，要求空间三维预埋精度控制在±5毫米以内，稍有偏离就会影响后续工序安装 的整体精度甚至列车悬浮运行。同时，全线高架大桥，梁体线型复杂多变，有直线、平 曲线和竖曲线等主要梁型。特别是机场高速特大桥，部分连续梁的曲线半径仅为150米， 相当于垂直接入黄花机场T1、T2航站楼间连廊。因此，长沙磁浮快线列车运行的实际数 据具有很重要的研究价值，实验数据采取某辆磁悬浮列车在某时间段内连续运行的实际 数据，由中车株洲电力机车有限公司提供。
实验数据由磁悬浮列车单铁悬浮系统的间隙传感器和加速度传感器反馈，共四个测 试点，每个测试点各包括一个间隙传感器以及一个加速度传感器，分别每隔100微秒返回一个数值。实验采取某趟磁悬浮列车连续往返磁浮高铁站和磁浮机场站5个行程段共 计112分钟左右的实时数据。
通过数据采集获得数据集之后，对数据集的分类方法和步骤如下：
支持向量机实质为一个二类分类器，因此为了实现多分类，主要方法就是训练多个 二分类器。本专利采用所有对所有的分类方式对多类支持向量机进行分类，其步骤如下为：间隙以及加速度数据由列车间隙传感器和加速度传感器反馈，均为长沙磁浮快线磁 浮列车实际运行数据，采取某趟磁悬浮列车连续往返磁浮高铁站和磁浮机场站5个行程 段共计112分钟左右的实时数据。选取列车前4个行程段作为数据的训练集，最后一个 行程段作为数据的测试集，通过训练集对SVM进行训练得出相对应的分类模型，再通过 得到的分类模型对测试集进行类别标签识别预测。SVM算法二分类过程示意图如附图2 所示。
划分的类别分别为平稳、弯道、坡道、共振及其他不利影响(引起数据大幅变化的因素)，分别对应标签为4、1、2、3。即，平稳对应标签4，弯道对应标签1，坡道对应 标签2，共振及其他不利影响对应标签3。规则为对每一时刻所对应的间隙和加速度数据 均划分所对应的具体类别标签。定义列车所处轨道的信息类别依据为列车运行时测试点 所处轨道位置的实时记录与反馈。
先对数据进行处理划分对应的类别标签，通过SVM分类器利用前四个行程段的数据训练构建分类模型，对剩下的最后一个行程段进行测试分类，最后进行对比。流程图 如附图1所示。
以下对本发明实施例提供的基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法的有益效果进行说明：
通过对长沙磁浮快线磁悬浮列车运行的间隙与加速度数据的采集、训练和分类，表 明应用数据挖掘SVM算法来处理磁悬浮列车运行数据的可行性，并具备良好的效果。且通过增加训练样本数量以及维数的方式，可以提高训练出模型的准确率。通过训练模型 和列车运行数据的结合，可以从运行数据中分析出列车所处轨道信息及其运行状态，便 于自动及时获取轨道对列车运行产生的不利影响，以便于快速修正。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将 一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操 作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何 其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者 设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过 程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、 “下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然 可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替 换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的 精神和范围。
Claims (8)
1.一种基于磁悬浮列车数据的SVM轨道信息及运行状态识别方法，其特征在于，所述方法包括：
根据磁悬浮列车运行数据和轨道信息建立数据集；
对数据集进行数据预处理；
通过预处理后的数据集训练SVM，获取磁悬浮列车运行数据和轨道信息之间对应关系的算法模型。
2.根据权利要求1述的方法，其特征在于，所述数据集包括训练集和测试集；
利用训练集训练SVM，获取磁悬浮列车运行数据和轨道信息之间对应关系的算法模型；
利用测试集对算法模型进行校验。
3.根据权利要求2所述的方法，其特征在于，将测试集中的磁悬浮列车运行数据输入训练出的SVM算法模型，将输出的轨道信息与实际轨道信息进行对比，并计算准确率。
4.根据权利要求1-3任一项所述的方法，其特征在于，磁悬浮列车运行数据包括间隙和加速度，分别由列车间隙传感器和加速度传感器反馈。
5.根据权利要求4所述的方法，其特征在于，轨道信息类型包括平稳、弯道、坡道和共振及其他不利影响。
6.根据权利要求5所述的方法，其特征在于，数据预处理时，对轨道信息类型划分标签，平稳、弯道、坡道和共振及其他不利影响分别对应标签为4、1、2、3。
7.根据权利要求6所述的方法，其特征在于，数据预处理还包括：划分标签后，采用libsvm工具包设计SVM分类器，训练数据构建分类模型。
8.根据权利要求2所述的方法，其特征在于，将数据集根据时间划分为n个行程段，选取前n-1个行程段的数据集作为训练集，第n个行程段的数据集作为测试集，n为大于3的自然数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010210908.0A CN111444950A (zh) | 2020-03-24 | 2020-03-24 | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010210908.0A CN111444950A (zh) | 2020-03-24 | 2020-03-24 | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111444950A true CN111444950A (zh) | 2020-07-24 |
Family
ID=71649013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010210908.0A Pending CN111444950A (zh) | 2020-03-24 | 2020-03-24 | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444950A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102152801A (zh) * | 2011-03-17 | 2011-08-17 | 中国铁道科学研究院金属及化学研究所 | 一种轮缘润滑装置智能控制系统及其控制方法 |
| CN106809251A (zh) * | 2015-12-02 | 2017-06-09 | 北京控股磁悬浮技术发展有限公司 | 磁悬浮列车轨道不平顺的监测及预测方法、装置和系统 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
| CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
| CN109214500A (zh) * | 2018-08-06 | 2019-01-15 | 广东工业大学 | 一种基于混合智能算法的变压器故障识别方法 |
| CN110312230A (zh) * | 2019-07-08 | 2019-10-08 | 中国科学院计算机网络信息中心 | 列车系统的通信方法、装置和列车系统 |
-
2020
- 2020-03-24 CN CN202010210908.0A patent/CN111444950A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102152801A (zh) * | 2011-03-17 | 2011-08-17 | 中国铁道科学研究院金属及化学研究所 | 一种轮缘润滑装置智能控制系统及其控制方法 |
| CN106809251A (zh) * | 2015-12-02 | 2017-06-09 | 北京控股磁悬浮技术发展有限公司 | 磁悬浮列车轨道不平顺的监测及预测方法、装置和系统 |
| CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
| CN109050535A (zh) * | 2018-07-25 | 2018-12-21 | 北京理工大学 | 一种基于车辆姿态的快速地形工况辨识方法 |
| CN109214500A (zh) * | 2018-08-06 | 2019-01-15 | 广东工业大学 | 一种基于混合智能算法的变压器故障识别方法 |
| CN110312230A (zh) * | 2019-07-08 | 2019-10-08 | 中国科学院计算机网络信息中心 | 列车系统的通信方法、装置和列车系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
| da Silva et al. | A survey and comparison of trajectory classification methods | |
| Zhou et al. | Comparing factors affecting injury severity of passenger car and truck drivers | |
| Azimi et al. | Categorizing freeway flow conditions by using clustering methods | |
| CN103839409A (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN105185106B (zh) | 一种基于粒计算的道路交通流参数预测方法 | |
| Liu et al. | Traffic state prediction using ISOMAP manifold learning | |
| CN108491859A (zh) | 基于自动编码机的驾驶行为异质性特征的识别方法 | |
| Qiu et al. | A Clustering-Based optimization method for the driving cycle construction: A case study in fuzhou and Putian, China | |
| CN113657671A (zh) | 一种基于集成学习的航班延误预测方法 | |
| Reich et al. | Survey of ETA prediction methods in public transport networks | |
| Nandal et al. | An overview of use of artificial neural network in sustainable transport system | |
| CN113626586A (zh) | 一种磁浮列车的故障文本分析处理方法 | |
| Cheng et al. | Intelligent driving methods based on sparse LSSVM and ensemble CART algorithms for high-speed trains | |
| Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
| Hashemi et al. | A new comparison framework to survey neural networks‐based vehicle detection and classification approaches | |
| Shenghua et al. | Road traffic congestion prediction based on random forest and DBSCAN combined model | |
| CN111444950A (zh) | 基于磁悬浮列车数据的svm轨道信息及运行状态识别方法 | |
| Florio et al. | Neural network models for classification and forecasting of freeway traffic flow stability | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| Mao et al. | Naive Bayesian algorithm classification model with local attribute weighted based on KNN | |
| Li et al. | Real-time traffic incident detection with classification methods | |
| CN114579748A (zh) | 一种构建自主式交通系统功能架构的方法 | |
| CN113592341A (zh) | 度量损失函数、扇区复杂度评估方法及系统 | |
| Rekha Sundari et al. | Fatality prediction in road accidents using neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200724 |