【摘 要】
：
行程时间分布展现了路网中车辆行程时间聚集程度,行程时间可靠性则是衡量行程时间聚集程度的关键指标,即行程时间的聚集度越高则行程时间可靠性越高。以往的行程时间可靠性研究大都是基于单一路段、特定拟合分布的假设,忽略了行程时间分布的时变性、厚尾性和相邻路段间行程时间的相互影响,难以有效地计算行程时间可靠性。而行程时间高阶矩内含了行程时间分布的关键信息,同时可以考虑高阶矩间的相关性,合理利用该信息可以弥补上
论文部分内容阅读
行程时间分布展现了路网中车辆行程时间聚集程度,行程时间可靠性则是衡量行程时间聚集程度的关键指标,即行程时间的聚集度越高则行程时间可靠性越高。以往的行程时间可靠性研究大都是基于单一路段、特定拟合分布的假设,忽略了行程时间分布的时变性、厚尾性和相邻路段间行程时间的相互影响,难以有效地计算行程时间可靠性。而行程时间高阶矩内含了行程时间分布的关键信息,同时可以考虑高阶矩间的相关性,合理利用该信息可以弥补上述研究的不足,依此建立的行程时间可靠性估计及预测模型,对提升快速路交通管控和诱导能力具有理论意义和实际价值。本文以RFID汽车电子标识数据为基础,深入分析行程时间序列的“尖峰”、“厚尾”特征和高阶矩信息,建立基于行程时间高阶矩的行程时间可靠性估计模型,重点突破行程时间可靠性研究在不同场景适应性差的难点。同时针对行程时间可靠性预测的行程时间序列精度问题,引入其他学科中波动性的概念,建立基于行程时间高阶矩的行程时间波动性预测模型,为行程时间可靠性预测建立研究理论和数据基础。主要研究内容包括:（1）利用RFID汽车电子标识数据车辆全覆盖的优势,针对快速路行程时间分布具有时变、偏态的特征,提出一种无需拟合行程时间分布的改进的Cornish-Fisher展开式方法,结合行程时间序列的前四阶矩建立行程时间可靠性估计模型。为后续的行程时间可靠性预测奠定理论基础;（2）针对传统行程时间序列预测难以同时考虑序列的波动性和周期性的问题,考虑将其他学科领域中的波动性预测模型结合到交通领域,基于行程时间高阶矩信息,分析行程时间序列的波动性特征,建立GARCH与LSTM神经网络融合的行程时间波动性预测模型,为行程时间可靠性预测所需的时间序列提供了数据支撑;（3）针对“串并联”系统的假设不适用于路径行程时间可靠性研究的问题,利用行程时间高阶矩的相关系数建立路段间的联系,结合行程时间可靠性估计模型,构建出路径行程时间可靠性估计模型。同时,将行程时间波动性预测的行程时间波动率序列复原为行程时间序列,依此得到行程时间可靠性预测模型。通过实测的RFID汽车电子标识数据为数据支撑验证了本文行程时间可靠性评价模型的有效性和适用性。
其他文献
第五代（5th Generation,5G）移动通信系统的关键指标之一是提升传输速率。毫米波拥有丰富的频谱资源,可以提升带宽。大规模多入多出（Multiple Input Multiple Output,MIMO）部署的天线阵列可以提高频谱利用率。因此,毫米波与大规模MIMO在5G研究中占据非常重要的地位。预编码是MIMO系统的核心技术之一,传统模拟预编码实现简单,但只支持单数据流传输,且性能较差
工程中常采用反幂模型（Inverse power model,IPM）作为交联聚乙烯（Crosslinked polyethylene,XLPE）电缆绝缘的电寿命模型,以描述外施场强E与绝缘失效时间t所呈现的E-t特性关系。IPM中的参数——电压耐受指数n是交、直流电缆绝缘设计及出厂试验考核的重要依据。目前,高压直流电缆的绝缘设计依旧参考交流电缆的设计和运行经验,但由于交、直流电缆中电场分布规律存
随着移动群智感知网络（Mobile Crowdsensing,MCS）的应用领域不断拓展,使用移动群智感知网络采集感知数据的任务发布者越来越多,多任务的分配场景也越来越普遍。本文主要考虑的是参与式感知,以任务发布者为中心,根据感知任务是否对感知时间有特殊要求（例如,任务的最大响应时间）,将MCS的任务分配场景分为两类:对时间敏感和对时间不敏感的多任务分配场景。针对这两类场景,本文的主要贡献和创新点
在计算机视觉领域中,运动目标检测作为许多高级视觉任务的基础性工作,被广泛应用于智能安防、智能交通、国防军事等领域。传统运动目标检测算法针对的多是摄像机静止的场景。然而,近年来随着移动计算平台的飞速发展,越来越多的视频数据是在摄像机处于移动状态下拍摄的,如手持摄像机、云台摄像机以及车载摄像机等。在摄像机可以移动的场景下,视频中的背景在时刻发生运动,运动目标不再是导致帧间变化的唯一因素,背景与前景的混
模式识别算法利用大量有标签的样本数据作为训练集对模型进行训练,进而实现对于目标样本的分类。此类算法能够起效的两大重要前提为具有大量有标签数据且这些数据与目标待识别数据具有特征空间上的同分布性。然而在大多真实应用场景中的数据往往是缺少标签的,同时为大量数据标注标签是一件十分费时费力的事。在图像识别问题中,通常人们容易获得的大量有标注的数据与实际需要进行分类的目标数据具有不同程度的分布差异。为了实现利
深度学习目前在许多领域都取得出了很好的成绩,已经广泛地应用于生产生活的各个场景。深度学习的成功离不开计算芯片近年来的飞速发展,因为深度神经网络具有庞大的计算量。但是在边缘端,受限于功耗和算力,部署基于深度学习的应用依然存在巨大的挑战。本研究针对边缘端深度学习应用,提出了两种轻量化神经网络数据压缩编码方法。近来,一些研究者尝试使用信息论来打开神经信号编码的黑匣子。本研究从无线通信的有损数据压缩中受到
设备到设备（Device-to-Device,D2D）通信技术作为第五代(5th Generation,5G)移动通信网络的核心技术之一,由于其巨大的网络容量、良好的资源利用效率和信号传输质量等优势,吸引了国内外广泛关注。但是D2D通信在复用蜂窝网络授权频谱资源的同时,也会带来严重的同信道干扰而损害其它用户服务质量（Quality of Service,QoS）。因此,如何设计合理有效的资源分配方
针对物流仓储系统中的多任务调度问题,现有的多任务组合模型中未考虑能耗因素,而AGV（Automated Guided Vehicle）能耗越大,运行过程中充电的次数越多,会造成系统中断,从而影响系统效率。其次针对物流仓储系统中的AGV冲突问题,目前大多数采用停车等待策略来解决,而该策略会增加系统能耗。本文主要从基于能耗优化的多任务AGV调度和路径规划两方面开展研究,建立了基于能耗的多任务组合模型,
随着信息技术的快速发展,无线通信设备数量呈现爆炸式增长,通信频段不断向更高频迁移。为了缓解网络的功耗压力,扩大无线网络的覆盖范围,可以采用基于无线携能通信（Simultaneous Wireless Information and Power Transfer,SWIPT）中继和智能反射表面（Intelligent Reflecting Surface,IRS）的低功耗协作转发技术。但是,考虑到无
随着室内场景中的定位需求猛增,基于蓝牙指纹的室内定位技术凭借着低成本、易部署、普适的优点成为无线定位技术的研究热点之一,然而由于室内环境结构复杂、噪声干扰等现象,严重影响蓝牙的定位性能,同时,大多使用位置指纹的蓝牙定位方式的采集工作耗时耗力、整体定位精度不高。基于现有蓝牙指纹定位技术的不足,开展基于蓝牙的位置指纹定位技术研究,对推动室内位置服务产业的发展具有重要的意义。本课题以智能ROS移动小车为