【摘 要】
：
为揭示交通流的内在动态特性,利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,并基于相关性理论分析方法,探索了交通流在时间和空间上的相关性
【机 构】
：
兰州理工大学计算机与通信学院,甘肃省城市轨道交通智能运营工程研究中心,甘肃省制造业信息化工程研究中心
【基金项目】
：
国家自然科学基金资助项目(61263031),甘肃省高校科研项目(2016B-031)
论文部分内容阅读
为揭示交通流的内在动态特性,利用符号动力学中的Lempel-Ziv算法计算不同时间尺度下的交通流时间序列复杂度,并基于相关性理论分析方法,探索了交通流在时间和空间上的相关性。针对经典的单段函数模型无法准确表征不同交通状态下交通流参数关系的问题,提出了一种二阶段交通流参数关系模型。采用Pe MS系统采集的交通流数据,运用非线性最小二乘法对交通流量—密度关系进行拟合。实验结果表明:本文模型的拟合性能均优于其他四种模型。从根均方误差(RMSE)可见,模型的拟合标准误差较单段3PL模型平均降低了7.6%,表明模型
其他文献
针对目前微博平台的文本情感分类模型大多是对句子的词性、表情符号等进行情感分析而不了解用户本身的情感倾向且存在语义理解不足的问题,提出一种利用Word2Vec结合深度学习
创新是引领发展的第一动力。如何对城市的创新力进行评价,对城市的创新发展至关重要。文章构建包括创新要素整合力、产业自主力、效益支撑力、开放辐射力、生态吸引力在内的
针对由于电缆绝缘厚度挤出控系统制中存在扰动与时滞,造成数学模型建立困难、控制精度低以及适应性差等问题,提出了一种基于NARX神经网络与粒子群优化(PSO)算法对控制系统进
现有基于轮廓图的步态识别方法易受服装等外部条件干扰,而基于3D模型的识别方法虽然一定程度上抵抗了外部干扰,但对摄像设备有额外的要求,且模型计算复杂。针对上述问题,利用3D姿态估计技术,建立了行人运动的"轻"模型,利用神经网络框架,提取行人3D空间运动的时空信息,并且与轮廓图的信息相融合,进一步丰富了步态特征。在CASIA-B的数据集上的实验结果表明:融合了3D时空运动信息增强了步态特征的鲁棒性,进