智能運(yùn)輸系統(tǒng)概論第4章-閱讀頁
2025-01-14 01:43本頁面
【正文】 理 ， 是 簡(jiǎn)單常用 的方法 。 異常交通數(shù)據(jù)處理 交通信息預(yù)處理技術(shù) 智能運(yùn)輸系統(tǒng)概論 格拉布斯準(zhǔn)則 是建立在 統(tǒng)計(jì)理論 基礎(chǔ)上的較為合理的判斷方法 。 采用 有序樣本聚類算法 時(shí)可以把一天的 流量曲線 、 占有率曲線 和 速度曲線 分成許多小的具有 相同交通特性 的 時(shí)間段 ， 然后在這些小的時(shí)間段中根據(jù)其交通特點(diǎn)來定位隱含的 錯(cuò)誤 或 異常 數(shù)據(jù) ， 該方法在實(shí)際計(jì)算中所需 循環(huán)次數(shù)隨著 數(shù)據(jù)總數(shù) 和 分割種數(shù) 成階乘地增長 ， 所以給計(jì)算機(jī)的實(shí)現(xiàn)造成很大難度 。 歷史均值法 直接采用或者按照比例采用 歷史上 相應(yīng)時(shí)刻的值 代替 缺失數(shù)據(jù) ， 但是如果交通狀況發(fā)生了變化 ， 將大大降低其 估計(jì)精度 。 時(shí)間數(shù)列法 是把當(dāng)前采集的交通變量看作 時(shí)間序列 ，并結(jié)合 歷史數(shù)據(jù) 對(duì)缺失的數(shù)據(jù)進(jìn)行 預(yù)測(cè)估計(jì) 。 基于 遺傳算法 的 組合模型 綜合利用各種 單一算法 的 估計(jì) 結(jié)果 ， 然后 加權(quán)平均 ， 其中 最優(yōu)權(quán) 的確定利用遺傳算法 ，組合方法在大多數(shù)情況下比使用單一算法要 更精確 。 缺失數(shù)據(jù)處理 交通信息預(yù)處理技術(shù) 智能運(yùn)輸系統(tǒng)概論 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合 ， 又稱 交通數(shù)據(jù)融合 ， 是指 多傳感器 的數(shù)據(jù)在 一定準(zhǔn)則 下加以 自動(dòng)分析 、 綜合以完成所需的 決策和 評(píng)估 而進(jìn)行的 信息處理 過程 。 基于該 信息處理 技術(shù)的特點(diǎn)和智能運(yùn)輸系統(tǒng)的 信息需求 ， 信息融合技術(shù)已經(jīng)在 ITS的 信息處理 過程中扮演越來越重要的角色 ， 它為交通信息 加工 和 處理 提供了一種很好的方法 。 第一級(jí) 又稱 檢測(cè)級(jí) 、 像素級(jí) ， 是指直接在采集到的 原始數(shù)據(jù)層 上進(jìn)行 融合 ， 在各種 傳感器 的 原始測(cè)報(bào) 未經(jīng)處理之前就進(jìn)行數(shù)據(jù)的 綜合 和 分析 ， 保證 基礎(chǔ)交通 參數(shù)的準(zhǔn)確與可靠性 。 利用 上一層次 融合之后的準(zhǔn)確 、 可靠的基礎(chǔ)交通參數(shù) ， 融合出交通狀態(tài)信息 ， 為 交通管理者 和 交通參與者 提供更有 決策 價(jià)值的交通信息 。 第三級(jí) 又稱 決策級(jí) ， 是直接針對(duì)具體 決策目標(biāo) 的 最終結(jié)果 。 而 信息融合 本身作為一種 數(shù)據(jù)處理技術(shù) ， 涉及到許多學(xué)科和技術(shù)的應(yīng)用 。 智能運(yùn)輸系統(tǒng)概論 交通信息融合方法 大致分為 兩 大類： 概率統(tǒng)計(jì)方法 和人工智能方法 。與 概率統(tǒng)計(jì) 有關(guān)的方法包括： 估計(jì)理論 、 卡爾曼濾波 、 假設(shè)檢驗(yàn) 、 貝葉斯方法 、 統(tǒng)計(jì)決策理論 以及其他 變形 的方法 。 常用的 邏輯推理 方法包括 概率推理 、 證據(jù)推理 、 模糊推理 和 產(chǎn)生式規(guī)則 等 。 交通信息融合的主要方法 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 智能運(yùn)輸系統(tǒng)概論 貝葉斯估計(jì) 是 統(tǒng)計(jì)學(xué)方法 的一種 。 貝葉斯估計(jì) 基于 總體信息 、 樣本信息和 先驗(yàn)信息 進(jìn)行 統(tǒng)計(jì) 和 推理 。 證據(jù)推理 DempsterShafer證據(jù)推理 是 貝葉斯方法 的 擴(kuò)展 。 證據(jù)推理 可避免這一缺點(diǎn) 。 基于 神經(jīng)網(wǎng)絡(luò) 的 多源信息集成與融合 有如下 特點(diǎn) ：具有統(tǒng)一 的內(nèi)部 知識(shí)表示形式 ；可將知識(shí)規(guī)則轉(zhuǎn)換成 數(shù)字形式 ，便于建立 知識(shí)庫 ；利用外部環(huán)境的信息 ， 便于實(shí)現(xiàn)知識(shí)的自動(dòng)獲取 及進(jìn)行 聯(lián)想推理 ；能夠?qū)?不確定環(huán)境 的復(fù)雜關(guān)系 ，經(jīng)過 學(xué)習(xí)推理 ， 融合為系統(tǒng)能理解的 準(zhǔn)確信號(hào) 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 模糊邏輯 基本思想 是把普通集合中的 絕對(duì)隸屬關(guān)系 靈活化 ， 使元素對(duì)集合的 隸屬度 從原來只能取 {0， 1}中的值擴(kuò)充到可以取 [0， 1]區(qū)間中的 任一數(shù)值 ， 很適合于用來對(duì)傳感器信息的 不確定性 進(jìn)行描述和處理 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 粗糙集理論 是繼 概率論 、 模糊集 、 證據(jù)理論 之后的又一個(gè)處理 不確定性 的數(shù)學(xué)工具 。 粗糙集 與其他不確定性問題理論的 最顯著區(qū)別 是無需提供任何 先驗(yàn)知識(shí) ， 而是從 給定問題的 描述集合 直接出發(fā) ， 找出問題的 內(nèi)在規(guī)律 。 多源多維實(shí)時(shí)動(dòng)態(tài)交通信息融合技術(shù) 交通信息融合的主要方法 智能運(yùn)輸系統(tǒng)概論 卡爾曼濾波 采用由 狀態(tài)方程 和 觀測(cè)方程 組成的 線性隨機(jī)系統(tǒng) 的 狀態(tài)空間模型 來描述 濾波器 ， 并利用狀態(tài)方程的 遞推性 ， 按線性 無偏最小均方誤差 估計(jì)準(zhǔn)則 ， 采用一套 遞推算法 對(duì)該濾波器的狀態(tài)變量作 最佳估計(jì) ， 從而求得 濾掉噪聲 后有用信號(hào)的最佳估計(jì) 。 卡爾曼濾波的 遞推特性 使得系統(tǒng)數(shù)據(jù)處理 不需要大量的 數(shù)據(jù)存貯 和 計(jì)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1