为了提高终端区不同气象场景下的交通流预测准确率,提出一种融合多元时序和模式挖掘(Multivariate time series and pattern mining,MTSPM)的终端区交通流预测模型。首先,给出了一种基于多元时间序列的终端区交通流预测模型,通过深度学...
详细信息
为了提高终端区不同气象场景下的交通流预测准确率,提出一种融合多元时序和模式挖掘(Multivariate time series and pattern mining,MTSPM)的终端区交通流预测模型。首先,给出了一种基于多元时间序列的终端区交通流预测模型,通过深度学习模型CNN-GRUA将终端区的交通需求、天气和策略特征进行融合并用于交通流预测;其次,针对交通流这一单变量时间序列,设计了一种基于趋势分段符号化的时间序列BOP(Bag-of-pattern)表示方法——TSSBOP,通过基于趋势的分段、符号化和模式表示来挖掘交通流序列中的内在模式;最后,根据两个模型在验证集上的预测精度进行加权融合,得到最终的终端区交通流预测值。在广州终端区的历史数据集上的对比实验表明,所提出的TSSBOP表示法能够有效挖掘出原始序列中的模式,所提出的基于MTSPM的终端区交通流预测模型能有效提高不同气象场景下的交通流预测性能。
自动飞行控制系统(Automatic flight control system,AFCS)是现代飞机中重要的安全关键系统之一,飞行引导控制系统(Flight guidance control system,FGCS)是其重要的组成部分。FGCS中的飞行模式有数十种,模式转换逻辑十分复杂,在各个模...
详细信息
自动飞行控制系统(Automatic flight control system,AFCS)是现代飞机中重要的安全关键系统之一,飞行引导控制系统(Flight guidance control system,FGCS)是其重要的组成部分。FGCS中的飞行模式有数十种,模式转换逻辑十分复杂,在各个模式间转换时易出现模式混淆等问题,难以对其安全性和正确性进行验证。而利用计算机科学中的形式化方法,通过对安全关键系统进行形式化建模和验证,可以提高系统的正确性和安全性。本文以典型FGCS中的自动飞行模式转换逻辑作为研究对象,采用自主研制的软件工具ART(Avionics requirement tool)对其进行形式化建模与验证,并与Matlab/Simulink中的Design Verifier工具进行了验证能力和效率的对比分析。实例研究结果表明,采用形式化方法对FGCS的自动飞行模式转换逻辑进行建模、验证可行,所研制的软件平台具有更完善的验证能力和更好的验证效率。
针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中...
详细信息
针对现有车道检测算法准确性和实时性较难平衡的问题,提出了一种基于多特征融合和窗口搜索的新型车道线检测算法.采用多边形填充方法确定车道线的感兴趣区域(region of interest, ROI),融合车道线的颜色、直方图和梯度特征,以消除ROI中的复杂背景.通过单应性变换得到车道线的二值图像,基于其像素密度分布寻找车道线初始位置,以窗口搜索方式提取整个车道线上的所有候选像素点.通过拟合像素点构建车道线数学模型.结果表明:提出的算法具有较高的准确性和实时性,算法对黄色车道线、树木阴影遮挡、光照变化、车道线缺损和地面交通标志干扰具有较好的鲁棒性.
暂无评论