简介:对智能交通系统(ITS)短时交通流量预测问题进行研究,提出了一种联合FCM与群集蜘蛛优化SVR交通流量预测算法。首先采用FCM聚类方法对交通流量数据预处理,得到基于时间节点分割的时序数据模块,有效降低了数据差异性带来的误差影响;然后构建基于群集蜘蛛优化SVR模型,针对SVR参数选择难题,在群集蜘蛛优化算法中引入社会等级制度,动态的将蜘蛛种群划分为上中下三个阶层,并根据不同阶层个体适应度大小,分别设计自适应竞争、"快搜"以及逆向学习机制,提高了算法寻优精度;最后,运用群集蜘蛛优化SVR对各个交通流量数据时序模块进行预测评估。仿真结果表明,同其它预测算法相比,该算法预测平均绝对误差降低了38.4-53.8%。
简介:多目标跟踪问题是计算机视觉领域的关键研究问题之一。现有的目标跟踪算法严重依赖于目标检测器的性能,如果目标检测器的虚警率或漏警率较高,数据关联将会失败,导致目标跟踪精度不足。为此,本文提出一种基于结构化学习策略的目标身份感知网络流量技术,可在目标检测和数据关联并行化框架下有效地实现多目标跟踪。文中首先通过结构化学习为每个对象训练一个模型,并将目标跟踪问题建模为拉格朗日松驰优化问题,然后提出一种目标身份感知网络流量(TINF)技术进行结构化学习的推理。在学习期间,通过搜索使目标身份感知网络流量代价函数最小化的一组轨迹,确定最被违反约束和序列在下个时间段的最优轨迹,推断出视频片断中所有目标的最佳位置。最后,利用多种高难度数据集进行仿真实验,结果表明本文方法的性能优于其他最新算法。