期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于监控视频的隧道交通冲突预测方法
被引量：
1
1
作者
贾磊
李清勇
俞浩敏
《北京交通大学学报》
CAS
CSCD
北大核心
2023年第3期61-69,共9页
基于宏观交通特征进一步理解交通冲突机制,提出一种基于监控视频的隧道交通冲突预测方法,以实现对隧道交通安全的风险预警.通过在车辆轨迹数据中检测出交通冲突事件及对应的宏观交通特征,使用二分类模型验证支持向量机、决策树、多层感...
基于宏观交通特征进一步理解交通冲突机制,提出一种基于监控视频的隧道交通冲突预测方法,以实现对隧道交通安全的风险预警.通过在车辆轨迹数据中检测出交通冲突事件及对应的宏观交通特征,使用二分类模型验证支持向量机、决策树、多层感知机和随机森林等模型预测交通冲突的可行性,建立交通状态与交通冲突的关联关系.研究结果表明:该预测方法使用的交通状态变量对交通冲突的发生概率均有显著性贡献.随机森林模型能够根据20 s时间单元采集的交通状态参数有效预测交通冲突的发生风险,预测准确率可达到97%.
展开更多
关键词
交通安全
碰撞时间
交通冲突预测
隧道风险
机器学习
在线阅读
下载PDF
职称材料
基于可解释机器学习框架的列车乘车区段客流分布预测方法
被引量：
1
2
作者
孙国锋
景云
+2 位作者
李和壁
田志强
田小鹏
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024年第2期249-262,共14页
为解释客运产品特征对列车乘车区段客流分布预测的影响,本文提出一种基于可解释机器学习框架的高速铁路列车乘车区段客流分布预测方法。首先,提出基于梯度提升树模型的高速铁路列车乘车区段客流分布预测框架,构建不同梯度提升树模型(GBD...
为解释客运产品特征对列车乘车区段客流分布预测的影响,本文提出一种基于可解释机器学习框架的高速铁路列车乘车区段客流分布预测方法。首先,提出基于梯度提升树模型的高速铁路列车乘车区段客流分布预测框架,构建不同梯度提升树模型(GBDT、XGBoost、LightGBM及CatBoost)的高速铁路列车乘车区段客流分布预测模型;其次,计算特征贡献重要度,基于SHAP(SHapley Additive exPlanations)方法实现特征变量优化,揭示单一特征和交互特征与列车乘车区段客流分布预测的非线性关系。北京南—上海虹桥间列车客流分布预测结果表明:4种模型可精准预测客流分布结果,GBDT,XGBoost,LightGBM及CatBoost在测试集的决定系数分别为0.9664,0.9601,0.9680及0.9715;特征优化后,按贡献重要度排序依次为标杆车,票价,旅行时间,日期,星期,车次及出发时间;特征优化后,CatBoost-7模型在验证集中的决定系数为0.9458;日期和标杆车对客流分布预测呈现非线性正相关,旅行时间对客流分布预测呈现非线性负相关,低旅行时间、高票价及出发时间整点的标杆车对客流分布预测产生正向影响。本文研究结果能够为高速铁路客运产品设计提供一定参考价值。
展开更多
关键词
铁路运输
客流分布预测
可解释机器学习
列车乘车区段
非线性关系
在线阅读
下载PDF
职称材料
题名
基于监控视频的隧道交通冲突预测方法
被引量：
1
1
作者
贾磊
李清勇
俞浩敏
机构
北京交通大学
交通
数据分析与挖掘
北京
市重点实验室
北京交通大学智慧高速铁路系统前沿科学中心
出处
《北京交通大学学报》
CAS
CSCD
北大核心
2023年第3期61-69,共9页
基金
中央高校基本科研业务费专项资金(2022JBQY007)
国家自然科学基金(62276019)。
文摘
基于宏观交通特征进一步理解交通冲突机制,提出一种基于监控视频的隧道交通冲突预测方法,以实现对隧道交通安全的风险预警.通过在车辆轨迹数据中检测出交通冲突事件及对应的宏观交通特征,使用二分类模型验证支持向量机、决策树、多层感知机和随机森林等模型预测交通冲突的可行性,建立交通状态与交通冲突的关联关系.研究结果表明:该预测方法使用的交通状态变量对交通冲突的发生概率均有显著性贡献.随机森林模型能够根据20 s时间单元采集的交通状态参数有效预测交通冲突的发生风险,预测准确率可达到97%.
关键词
交通安全
碰撞时间
交通冲突预测
隧道风险
机器学习
Keywords
traffic safety
time-to-collision
traffic conflict prediction
tunnel risk
machine learning
分类号
U491 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
基于可解释机器学习框架的列车乘车区段客流分布预测方法
被引量：
1
2
作者
孙国锋
景云
李和壁
田志强
田小鹏
机构
北京交通大学
交通
运输学院
北京交通大学智慧高速铁路系统前沿科学中心
中国铁道
科学
研究院集团有限公司
兰州
交通大学
交通
运输学院
兰州
交通大学
高原
铁路
运输
智慧
管控
铁路
行业重点实验室
出处
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024年第2期249-262,共14页
基金
国家自然科学基金(52372300,72161023)
中央高校基本科研业务费专项资金(2023YJS146)。
文摘
为解释客运产品特征对列车乘车区段客流分布预测的影响,本文提出一种基于可解释机器学习框架的高速铁路列车乘车区段客流分布预测方法。首先,提出基于梯度提升树模型的高速铁路列车乘车区段客流分布预测框架,构建不同梯度提升树模型(GBDT、XGBoost、LightGBM及CatBoost)的高速铁路列车乘车区段客流分布预测模型;其次,计算特征贡献重要度,基于SHAP(SHapley Additive exPlanations)方法实现特征变量优化,揭示单一特征和交互特征与列车乘车区段客流分布预测的非线性关系。北京南—上海虹桥间列车客流分布预测结果表明:4种模型可精准预测客流分布结果,GBDT,XGBoost,LightGBM及CatBoost在测试集的决定系数分别为0.9664,0.9601,0.9680及0.9715;特征优化后,按贡献重要度排序依次为标杆车,票价,旅行时间,日期,星期,车次及出发时间;特征优化后,CatBoost-7模型在验证集中的决定系数为0.9458;日期和标杆车对客流分布预测呈现非线性正相关,旅行时间对客流分布预测呈现非线性负相关,低旅行时间、高票价及出发时间整点的标杆车对客流分布预测产生正向影响。本文研究结果能够为高速铁路客运产品设计提供一定参考价值。
关键词
铁路运输
客流分布预测
可解释机器学习
列车乘车区段
非线性关系
Keywords
railway transportation
passenger flow distribution forecast
interpretable machine learning
train-riding segments
non-linear relationship
分类号
U293.1 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于监控视频的隧道交通冲突预测方法
贾磊
李清勇
俞浩敏
《北京交通大学学报》
CAS
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
2
基于可解释机器学习框架的列车乘车区段客流分布预测方法
孙国锋
景云
李和壁
田志强
田小鹏
《交通运输系统工程与信息》
EI
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
