【摘 要】
：
为了能够对道路实时交通状态进行有效判别,提出一种利用高斯混合模型聚类算法判别城市道路交通状态的方法.通过同时对高德地图数据平台实时监控和现场数据采集获得道路的速度、流量等判别指标以及交通状态,并且在流量的基础上提出宽裕度判别指标.为防止GMM算法陷入局部最优,运用改进的均值-标准差算法分析预处理数据获得聚类中心,将实验所得聚类中心值代入高斯混合模型进行聚类分析实验,通过匹配矩阵将各算法实验分类结果与实际交通状态值进行对比获得算法的分类精度.结果表明,改进的GMM算法精确率达到98.8％,较未改进的GMM算
【机 构】
：
江西理工大学 电气工程与自动化学院,江西 赣州 341000
论文部分内容阅读
为了能够对道路实时交通状态进行有效判别,提出一种利用高斯混合模型聚类算法判别城市道路交通状态的方法.通过同时对高德地图数据平台实时监控和现场数据采集获得道路的速度、流量等判别指标以及交通状态,并且在流量的基础上提出宽裕度判别指标.为防止GMM算法陷入局部最优,运用改进的均值-标准差算法分析预处理数据获得聚类中心,将实验所得聚类中心值代入高斯混合模型进行聚类分析实验,通过匹配矩阵将各算法实验分类结果与实际交通状态值进行对比获得算法的分类精度.结果表明,改进的GMM算法精确率达到98.8％,较未改进的GMM算法精度提高了0.2％,改进GMM算法在精确度和稳定性方面均优于其他几种算法,验证了高斯混合模型对交通数据进行状态判别的有效性.
其他文献
为提高油气管道高后果区(HCAs)的安全管理水平,文中运用计算机技术设计一种油气管道高后果区双重预防系统.该系统包括首页、系统管理、高后果区管理、风险管控、隐患治理、信息公示以及知识库7个模块,可实现高后果区风险和隐患的数字化、信息化管理.以某成品油管道迁改工程为例,将双重预防体系引入输油管道高后果区进行应用研究,分析高后果区风险、隐患和事故的关系,建立高后果区双重预防工作机制;并针对高后果区风险和隐患的管理需求,开发油气管道高后果区双重预防管理系统.工程应用结果表明:文中设计系统运行流畅、功能齐全、安全
本文介绍了中央广播电视总台东京奥运会制作体操项目国际公用信号的视频系统,简要说明系统构架和特种设备使用,总结了可以为后续赛事直播制作提供参考的一些经验.
实时准确的电力系统扰动分类有利于避免大规模停电事故的发生.然而同步相量测量单元的数据质量问题严重影响其在扰动分类上的应用.针对此问题,提出了一种基于增强型去噪自编码器与随机森林的扰动分类方法.首先,利用长短期记忆构造一种增强型去噪自编码器,建立不良数据与正常数据间的映射关系.进一步,根据不同量测的验证损失变化趋势,提出了一种自适应权重多任务去噪网络,能够自适应更新各量测对应的损失函数权重以降低重构误差.最后,利用随机森林对特征进行分类,并通过贝叶斯优化对其超参数调优.基于IEEE 39系统,在不同不良数据
本文介绍了如何在Linux操作系统上,采用Qt5开源框架,结合FFmpeg开源软件包,实现流媒体信号视音频数据包的解复用、排队、解码,并使用专业级的DeckLink卡实现解码后视音频的播放.播放后的HD-SDI信号可以直接接入演播室的视音频切换系统,可以实现流媒体信号与演播室信号的混合直播与制作,使得流媒体信号在广电节目中有了更广泛的应用.
本文介绍了跨区域大型电视转播的远程制作技术方案与应用,论述了转播的工作需求和技术难点,并从视频、音频、通话和信号传输方面对节目制作技术方案进行了详细阐述.
本文就山西广播电视台4K转播车音频系统的系统架构及应用模式展开分析,对系统概况、系统架构特点、系统安全性、系统亮点进行了说明和分析.
Dante是当今市场上应用最广泛的AoIP协议之一.本文简要介绍Dante芯片的处理能力和系统架构,着重剖析为了实现音视频系统的互通而需要对DDM软件、交换机进行的设置,并且解析新设备的优点以及日后可能对Dante系统产生的影响.
本文主要总结了“总台算法”在央视频平台影视版块实践,介绍了央视频算法推荐的整体技术架构,并具体介绍了其应用方式,同时通过基于A/B-test的用户分桶来验证算法效果,数据显示算法推荐覆盖的用户在绝大多数指标上得到了显著提升.
本文以湖南卫视《2021-2022跨年演唱会》为例介绍了视觉播控系统及流程,对整场直播活动的舞美、播控服务器系统、信号拆分、路由规划,以及复杂切片、多格式切换台、双VJ操作方式、色彩管理、时间码联动控台与服务器等技术的全新运用进行了解析.
为了在不同环境条件下对建筑能耗进行较为准确的预测,文中提出一种基于计算流体动力学(CFD)仿真和支持向量机(SVM)算法的建筑能耗预测系统.首先利用CFD方法建立三维建筑模型并进行仿真,获得若干输入输出样本;然后将得到的样本按3:1的比例分为训练集和测试集,利用SVM算法对训练集样本进行学习训练,获得一个能耗预测模型;最后将测试集样本放入该模型中,对模型的准确性进行验证.结果表明:SVM能耗预测模型的结果与仿真结果相比,误差百分比在[-1.133％,1.132％];经过实际建筑模型测试,实物测试能耗值与预