基于SVM的浮动车行驶模式判断模型

浮动车在低速情况下存在两种行驶模式,如不能对上述模式进行准确区分,将严重影响浮动车实时路况计算的精度和效率.研究和设计了一个基于支持向量机(SVM,Support Vector Machine)的浮动车行驶模式判断模型,并针对性地提出了一种简单的基于隶属度矩阵的特征评价和选择方法.实验表明通过上述方法选择的特征子集所训练的分类器在测试样本集上具有92.6%的分类准确性;经过行驶模式分析后,浮动车系统的准确性有显著提升.      

并行路网结构下的浮动车信息处理模型

受GPS定位精度的限制,浮动车在主辅路并行路网结构下进行地图匹配和路径推测存在困难,直接影响路况信息获取的准确性.在现有浮动车信息处理框架基础上,运用统计学方法提升地图匹配的精度,并将主辅路径同时作为车辆的行驶轨迹输出,有效降低了路径推测错误的可能性.最后,引入证据推理框架以解决路径选择策略调整所带来的信息不可信和信息冲突问题.对比实验表明,改进系统在主路和辅路上的路况准确性分别有14.26%和9.46%的提升.     

一种基于有效修剪的最大频繁项集挖掘算法

对关联挖掘中的最大频繁项集挖掘问题进行了研究,提出了一种基于项集格修剪机制的最大频繁项集挖掘算法.采用项集格生成树的数据结构,将最大频繁项集挖掘过程转化为对项集格生成树进行深度优先搜索获取所有最大频繁节点的过程. 其中提高算法效率的一个重要措施是在遍历项集格生成树的过程中对生成树进行修剪.给出了项集格生成树的三个性质,并在此基础上提出了直接超集修剪、间接超集修剪与事务集等价修剪三种修剪机制,尽可能忽略非频繁节点及其所生成的扩展节点以减少遍历的节点数目.试验结果表明,三种修剪机制都能够有效地减少搜索空间,其中事务集等价修剪机制的效果最好,算法的性能与输入数据集的稠密程度相关.