一、数据融合技术及其在交通领域中的应用（论文文献综述）
万燕琴[1]（2021）在《基于多尺度时空特征的铁路视频智能分析技术研究》文中研究说明高速铁路视频监控系统智能化是保障铁路安全运营的重要手段之一。随着客运量逐年稳定增长,铁路运营环境中行人异常行为识别及人群密度分析成为了智能化铁路监控系统中的重要研究内容。在实际交通运输场景中,因受到光照不均匀、背景信息过于复杂等因素的影响,在解决基于视频的视觉任务问题上一直未得到理想效果。为了实现高速铁路监控视频中行人行为及密集程度的快速准确识别,论文从局部特征提取的研究方法出发,提出了基于多尺度空间特征提取的光流快速估计算法、基于时域多尺度时空特征提取的行人行为识别算法以及基于时空特征提取的人群密度估计算法。为快速而准确地获取视频图像序列中短时运动信息,论文首先提出了一种结合空间金字塔及深度卷积网络的光流快速估计算法,解决了高精度光流算法计算量大、实时性差的问题。通过对深度卷积网络输入图像进行空间多尺度表达,以克服光流估计任务中常出现的“大位移”问题。论文在图像及光流图之间基于深度卷积网络建立映射关系,由图像最小尺度至最大尺度进行逐层光流预测。深度卷积网络由特征提取网络和上下文网络构成,其中特征提取网络实现对连续图像中光流信息的学习,基于上下文网络进一步完成对预估光流的后处理,以弥补因图像尺度变换带来的空间信息丢失。实验结果表明,网络模型通过卷积自学习能力以及由“粗到精”的结构模式,在光流估计效率与精度之间达到了较为理想的平衡,并且较好提升了模糊图像这一类质量较差的样本识别精确度,为后续铁路视频信息分析任务奠定了良好基础。为实现视频监控场景中行为可靠性识别,论文提出了一种基于时域多尺度时空特征提取的行为识别算法,解决了视频信息识别任务中时间轴方向尺度多样性问题,以及单一卷积网络在处理视频信息识别问题时存在的局限性。该算法通过分析视频场景中运动目标行为特征在时间与空间尺度上的差异性,利用上述光流快速估计算法及3D/2D混合网络建立双路视频信息时域多尺度时空特征提取模型。该模型由基于3D卷积的长时时空特征提取网络及基于2D卷积的短时时空特征提取网络组成,分别以连续帧图像序列及单帧光流图作为网络输入,并在网络后端全连接层进行深度特征融合。双路卷积网络通过两个子网络多源卷积特征的相互辅助,弥补单一2D卷积无法提取视频时序信息的缺陷,并实现了深度学习特征与手工特征的融合,以及对视频信息多尺度表达,提升了模型识别准确度。同时,3D/2D混合网络机制也为其它视频信息分析技术提供了研究思路。在上述3D/2D混合网络机制研究的基础上,针对公共场景中人群流量统计问题,提出了一种基于时空特征提取的人群密度估计算法。人群密度估计模型由编码网络及解码网络构成,其中编码网络由3D/2D混合网络组成,实现人群图像序列特征提取,解码网络由反卷积网络组成,实现编码网络输出特征图上采样,生成与输入图像序列相同尺度的高质量人群密度图。在此基础上,为了进一步提高模型计数准确性与敏感性,提出了一种结合人群密度图误差及人群计数误差的多任务损失函数。实验结果表明,时序特征的引入提升了模型对于人群特征的表达能力,提高了人群密度图质量,降低了人群数量统计结果的误差。基于以上研究结果,围绕铁路场景异常行为识别及站台人群密度估计任务展开了应用研究,为铁路监控系统智能化发展提供解决方案。为提升模型在铁路场景中泛化性能,利用既有高速铁路监控系统采集到的视频分别建立铁路场景异常行为数据库以及站台人群数据库。实验测试结果表明:提出的行为识别算法以及人群密度估计算法在铁路场景中具有较为理想的识别准确性。
潘昭天[2]（2021）在《基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究》文中进行了进一步梳理信号交叉口交通流的受控过程对城市道路网络性能具有重要影响。然而,现有城市道路网络交通控制方案优化设计仍处于优化-性能改善-需求增加-性能恶化-再优化的循环困境。当经济、技术、城市建设程度迅速发展引发交通需求变化加速、交通流动态性增强,优化困境面临周期缩短的问题。交通控制方案频繁迭代优化将造成城市交通建设成本增加。抑制相应随机性诱发交通拥堵能力不足是现有交通控制方法面临的主要问题。因此,有必要针对城市道路网络交通流动态、随机性展开城市道路网络控制方法研究。此外,网络节点失效扩增交通拥堵蔓延引发路网性能下降也需要考虑。围绕城市道路网络交通控制方法研究:（1）在城市道路网络分布式的交通控制方法与交通分配、信号控制耦合方法之间,对交通信号控制领域理论体系中作进一步补充完善;（2）使交通信号控制系统具备自适应改进能力,能够随路网拓扑关系及交通需求共同演化,避免迭代优化的循环困境。论文从随机出行需求下的分布式动态交通分配、应对随机出行需求影响的分布式交通信号控制、应对网络节点失效的信号控制系统鲁棒性增强三个方面展开研究。（1）分布式动态交通分配方法,对随机出行需求分配,从根源抑制路网交通拥堵产生,为后续研究的关键基础。构建异构建议者多智能体团体,耦合异构建议者建议约束决策者动作空间,使其在有限动作空间内采用混合策略形式分配出行需求,提升多智能体强化学习在动态交通分配任务方面的运行效率;构建差异化回报函数机制,使智能体在学习中实现用户均衡原则;设计自适应学习率机制,提升方法对随机出行需求以及交通状态变化的敏感性,增强其再学习能力。经验证分析,分布式动态分配方法有效改善城市道路网络中个体出行者平均出行时间、提升网络整体吞吐量水平,且出行需求分配结果满足用户均衡原则。此外,研究也表明,与分布式交通信号控制方法相耦合,能够有效降低路网内出行延误水平。（2）分布式交通信号控制方法,从应对出行需求随机性影响出发维持城市道路网络性能稳定、进而缓解抑制交通拥堵发生、蔓延,是研究中的重要核心。引入博弈中混合策略纳什均衡概念,改进多智能体强化学习决策过程,使智能体隐式获取全局信息,增强其在不同随机出行需求状态下维持路网性能稳定的能力;在混合策略纳什均衡解基础上,引入Jensen-Shannon散度构建自适应学习率机制,增强信号控制智能体对局部交通流状态变化的敏感性,使其具备收敛后再学习能力。经验证分析,分布式交通信号控制方法在应对出行需求骤增、起讫点间出行需求分布骤变以及路网中出行需求分布不均衡、到达率随机引发随机性影响方面具有良好控制效果,将城市道路网络出行延误维持在较低水平。然而,验证也表明其仅适用于城市道路网络流量输入适中的情况下,是一种对城市道路网络时空资源深度挖掘的方法。（3）应对网络节点失效的信号控制鲁棒性增强方法,侧重于在路网结构受损时,强化信号控制方法维持路网性能的能力,是对重要核心的补充。立足于多智能体系统,构建对城市道路网络节点等级度量方法,实现对路网关键节点判别;引入路网节点交通状态,构建节点各向异性影响力传播机制,实现节点交互关系动态演化;根据节点交互结构差异,修正相应信号控制智能体混合策略纳什均衡求解决策过程及回报函数机制。经验证分析,在少量节点失效情况下,论文方法能够较好的将城市道路网络出行延误维持在较低水平,且在节点失效时间增加时有效抑制路网性能下降速度。然而,当路网拓扑结构严重受损、承载能力无法满足出行需求时,该鲁棒性增强机制难以提升信号控制方法性能。综上所述,论文构建动态交通分配方法出行需求分配从根源抑制交通拥堵的形成,该方法可独立执行交通分配任务,与分布式控制耦合使用可以有效抑制拥堵,还是信号控制鲁棒性增强机制的关键接口。针对随机出行需求影响构建的分布式交通信号控制方法,能够在局部交互过程中隐式地感知全局信息,有效缓解、抑制随机出行需求诱发的交通拥堵。而信号控制鲁棒性增强机制,构建节点间交互关系,实现信号控制方法网络节点失效鲁棒性提升。将分布式动态交通分配、分布式交通信号控制、信号控制鲁棒性增强机制相融合,使交通控制系统能够有效应对频繁的优化困境且具跟随城市道路网络共演化的能力。
潘哲逸[3]（2020）在《城市时空数据预测中的深度元学习算法研究》文中研究表明在大数据时代,数据是科技发展和社会发展的重要燃料。近年来,随着移动感知技术的发展,城市中时空数据的收集量呈现出爆炸式的增长,越来越多的企业和政府部门意识到这些数据的潜在价值。与传统数据的形式不同,这些时空数据包含城市中各个地点的空间静态属性和其时间动态读数,可以反映城市的变化状态,所以,预测城市时空数据并从中挖掘出有用的知识,是利用数据创造价值的重要途径。它可以帮助解决现代城市发展过程中面临的诸多问题,如交通拥堵、空气污染、能耗增加等等,从而提升城市运行效率、居民生活幸福感,因此,时空数据的准确预测是现代城市通向智能化的重要一步。在时空数据预测这个前沿领域,科研人员已经发表了大量成果。在深度学习技术重新崛起之前,传统机器学习算法在该领域占据主导地位。但是,传统机器学习算法自身的模型复杂度较低,它们依赖于大量精心设计的手工特征,才能进行有效的时空数据建模。所以,受此限制,传统机器学习方法的通用性较差。近年来,随着硬件计算能力的提升和海量时空数据的积累,深度学习技术给时空数据建模领域提供了新的研究方向。现有的深度学习模型致力于从时空数据中学习时空相关性,通过用神经网络提取时空特征,来提升预测准确度。但是,获取的数据只是时空相关性的一种表象,而时空相关性的产生本质上受到其他更复杂的因素的影响（如地区的功能和特性等）。当前的这些工作只是简单地从表象数据中拟合时空相关性,而并未考虑这种时空相关性产生的原因。为了深入研究数据中的时空相关性,本文首先提出了时空相关性的多样性问题、空间信息与多样时空相关性的关联问题、时序信息与多样时空相关性的关联问题,以及时空神经网络结构的自动化设计问题。为了解决上述问题,本文分别提出方案来提升时空神经网络模型的预测能力。首先,在时空相关性的多样性问题研究中,本文提出了一个通用、轻量的时空深度学习框架。该框架采用神经网络参数矩阵低秩分解的方案,可以从数据中学习区域特性,并为每个区域生成各自的预测网络参数权重,来帮助现有的神经网络模型建模多样的时空相关性,并提升预测准确度。然后,在空间信息与多样时空相关性的关联问题研究中,本文提出了一个基于神经网络参数元学习的框架。这个框架从空间信息中学习与时空相关性有关的元知识,并用该元知识生成时空神经网络模型的参数权重,从而建模空间信息与时空相关性的关联。接下来,在时序信息与多样时空相关性的关联问题研究中,本文提出了一个基于神经网络参数元学习的框架。该框架从时序信息中学习与时空相关性有关的语义信息,并将其与空间信息中的元知识相结合,共同生成时空神经网络模型的参数权重,从而进一步建模时序信息与多样时空相关性的关联。最后,在时空神经网络结构的自动化设计问题研究中,本文整理了时空数据建模中的基础神经网络结构,用它们构建神经网络模型的搜索空间,然后用可导神经网络结构搜索算法,自动搜寻时空神经网络结构。此外,本文也在该搜索算法中引入了参数权重元学习模块,从而建模多样的时空相关性。本文以城市区域流量预测和路网交通速度预测任务为支点,验证上述的技术方案,以此说明这些方案的优势以及本文的贡献。
教育部[4]（2020）在《教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知》文中进行了进一步梳理教材[2020]3号各省、自治区、直辖市教育厅（教委）,新疆生产建设兵团教育局:为深入贯彻党的十九届四中全会精神和全国教育大会精神,落实立德树人根本任务,完善中小学课程体系,我部组织对普通高中课程方案和语文等学科课程标准（2017年版）进行了修订。普通高中课程方案以及思想政治、语文、
刘森,张书维,侯玉洁[5]（2020）在《3D打印技术专业“三教”改革探索》文中进行了进一步梳理根据国家对职业教育深化改革的最新要求,解读当前"三教"改革对于职教教育紧迫性和必要性,本文以3D打印技术专业为切入点,深层次分析3D打印技术专业在教师、教材、教法（"三教"）改革时所面临的实际问题,并对"三教"改革的一些具体方案可行性和实际效果进行了探讨。
刘奕[6]（2020）在《5G网络技术对提升4G网络性能的研究》文中研究表明随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
蔡雪松[7]（2019）在《面向城市交通领域的信息融合关键技术研究》文中认为随着我国城市化进程不断发展,城市交通问题逐步突显,未来智能交通系统将是解决城市交通需求的最重要方法。智能交通系统的实现,需要对道路交通状况进行实时感知与监测,所幸随着移动通信、卫星定位、物联网、大数据等技术的不断发展,GNSS、RFID、微波、地磁、视频等采集方法已广泛地应用在城市交通领域的信息感知当中。采集设备的多样性,一方面扩展了信息获取的渠道,扩宽了信息收集的广度;但另一方面,也造成了信息量大、异构性强、数据冲突等问题,为交通信息的有效利用带来了困难。信息融合技术的不断发展为解决这一新问题提供了新思路和新方法。目前现有的关于信息融合模型的研究成果大多承袭了军事领域的应用环境和技术特征,在功能界定、信息特征和应用目标等方面与城市交通领域有所交叉却不完全一致,难以适用于城市交通领域的各类应用。因此,本文以城市交通领域为研究背景,开展信息融合关键技术研究,提出适合该领域信息特点和应用需求的融合模型与方法,用以解决城市交通领域多源信息有效融合应用的科学问题。本文的创新性工作主要包括以下几个方面:1.同属性多源信息融合技术研究。针对多源信息之间存在数据冲突,影响融合准确性的问题,提出适用于同属性信息融合的KDS-R模型,将Kalman滤波器的结构和D-S证据理论的算法相结合,并引入证据的静态和动态可靠性分析,实现对经典D-S证据理论算法的改进。仿真数据实验和实测数据实验结果表明,该模型能有效处理数据冲突,与经典D-S证据理论算法相比,融合结果更接近实际情况。2.复杂属性的多源信息融合技术研究。针对具有复杂属性的信息之间难以简单映射、难以进行信息融合的问题,重点选取速度和流量两个交通参数,基于实测交通数据,研究分析了两者之间的关系;提出一种基于关联规则和BP神经网络的CANN融合模型,通过构建并优化速度与流量之间的映射关系,实现两者间的融合计算。实验结果表明,基于该模型的预测曲线相比应用单一流量信息预测的结果,方差更小,与实测流量曲线更接近。3.基于多源信息融合的交通预测模型研究。基于综合分析交通信息特有的时间、空间特征,提出基于WNN的短时交通流预测模型和基于信息融合的公交到站时间预测模型。短时交通流预测模型侧重交通信息的空间属性,通过速度与流量的关联分析,拟合出虚拟断面,进一步细化道路流量描述颗粒度,应用KDS-R模型和CANN模型,结合小波神经网络技术完成预测。公交到站时间预测模型侧重交通信息的时间属性,结合交通流信息判断道路通行状况,再应用KDS-R模型,完成到站时间的预测。实验结果表明,基于WNN的短时交通流预测模型相比基于BP神经网络的预测模型收敛速度更快,预测结果更趋近于实际曲线,误差减少近50%左右;基于信息融合的公交到站时间预测模型有效改善了单一数据对道路突发拥堵情况敏感度低,影响预测准确性的问题,预测效果优于基于前车数据预测的结果和基于历史平均数据预测的结果。4.基于信息融合的公交大数据平台设计与实现。基于上述研究成果,设计并实现了基于信息融合的公交大数据平台,解决了复杂城市交通环境下的数据冲突与信息冗余等关键技术问题,为大数据平台中的公交信息发布服务提供支撑。通过上海市浦东新区82路公交车的实际运行数据,详细展示了大数据平台中公交到站时间模块的运行效果,预测准确率达到96%,优于上海市公交行业管理规范要求,为全面建设浦东地区公交信息服务提供了保障。
李琳[8]（2019）在《信息通讯技术革命时代的政府组织变革》文中进行了进一步梳理信息通讯技术（ICT）革命深刻地影响了当代中国的经济社会发展,政府面临了更多挑战。同时,政府既是推动中国信息社会发展的积极促进者,也是主动拥抱变化、实现数字化转型的参与者。在这一过程中,政府为适应时代发展而不断调整,正在经历组织变革。中国国家治理能力的适应性往往被视为中国社会持续高速发展的重要原因,那么,信息通讯技术革命的政府组织变革反映了怎样的政府变革逻辑?通过回顾公共部门变革理论的基本脉络,呈现新公共管理与整体性政府、公共价值、数字时代治理与适应性治理视角的不同侧重点,本文发现既有研究对公共部门组织变革的讨论多附着于对工作产出的关注,或多出于批判新公共管理的解构式讨论,尚未将政府组织变革置于开放系统中、分析ICT革命特征并以此为起点建构认识。由此,本文致力于刻画ICT革命特征、组织变革表现维度,并尝试初步建立ICT革命与政府组织变革之间的关联路径。于是,本文试图融合技术驱动的客观性与组织主导的因素,基于新的理论前提推演命题并构建了分析框架。本文首先应用Nvivo12软件对信息化相关政策文件开展分析,将2011年以来的实践进展作为重点观察对象;之后,基于案例研究的理论建构方法,遵循理论抽样和复制性逻辑,在ICT革命时代中政府组织变革的“技术应用”和“任务环境”两条路径分别选取了行政审批服务案例与网约车案例,开展了案例内分析与跨案例比较。本文发现,信息通讯技术革命为政府组织变革提供了新的背景和要求,不仅政府应用于其内部的技术发生了变化,政府外部的任务环境也得以改变,由此构成了政府组织变革的两条路径。组织变革的表现反映在组织边界和组织结构两个维度上。通过比较政府在两条路径上的组织变革表现,可以看到,存在决策分权和管理集权并存、部门间的整合倾向更加突出而形式不一、组织内权威集中程度增强的现象,反映了政府将技术价值实现的内在需求与自身发展的主导逻辑相融合的过程,既体现了政府面对新时代变化时的主动适应性,也体现了其把握时代新机遇、强化权威秩序的稳定性逻辑。本文尝试刻画政府组织变革的表现维度,讨论其变革逻辑,并说明ICT革命特征与政府组织变革表现的关联。这不仅有利于促进对ICT革命时代当代中国适应性治理的理解,也将对公共部门变革的相关研究形成补充,也为ICT革命时代政府深化组织变革提供启示。
唐坤[9]（2019）在《数据驱动的城市路网行程时间估计与预测方法研究》文中提出随着城镇化进程的推进,我国城市道路交通系统的运行状况日益恶化,不仅损害了交通参与者的出行效率,而且造成了日益严重的环境污染,极大了损害了人们在城市中的生活品质。为了解决这些问题,城市路网中全面、准确的道路交通信息至关重要。作为一种极为重要的交通基础信息,行程时间最能直接反应道路交通的运行状态,受到了人们的广泛关注。准确、可靠的城市路网行程时间是智能交通系统（Intelligent Transportation System,ITS）的重要基础,在城市交通规划、交通运输管理的各个方面都发挥着极为重要的作用,对提高交通系统运行效率、缓解城市交通拥堵具有重要的指导意义。然而,由于城市交通系统的复杂性,城市路网中的行程时间受到内在与外在因素的综合影响,具有显着的内在不确定性,城市路网行程时间的准确估计与预测是一项极具挑战性的任务。随着信息技术与智能交通系统的发展,交通数据的采集方式日益丰富,交通已经从一个数据匮乏的时期进入到大数据时代。日益剧增的海量数据蕴含了大量的信息与知识,为城市路网中复杂交通问题的解决提供了更多可能的途径。如何从海量的数据中挖掘知识,以此对城市路网的行程时间进行准确地估计与预测是交通研究的热点与难点。顺应这种趋势,本文以城市路网行程时间为研究对象,从数据的角度出发,在海量数据分析的基础上,对大数据环境下数据驱动的城市路网行程时间估计与预测方法进行研究,以此提高行程时间估计与预测方法的有效性与准确性,为提高城市交通系统运行效率、缓解城市交通拥堵提供有效的数据支撑,具有重要的理论价值与实践意义。针对上述研究目标,本文主要的研究工作及创新之处体现在以下几个方面。（1）海量稀疏GPS数据处理方法基于出租车的浮动车GPS数据通常具有规模大、数据稀疏等特点,并且数据的质量容易受到外界因素的影响。为了解决上述问题,本文对基于海量稀疏GPS轨迹数据的行程时间提取处理方法进行了深入研究与改进。针对GPS数据可能存在的数据误差,从采样时间间隔、瞬时行驶速度、车辆停留时间、空间位置漂移等多个角度提出了相应的数据预处理措施,以此提升数据的质量。为了从稀疏的GPS数据中获取行程时间,对基于GPS数据的行程时间提取处理方法进行了研究与改进,包括GPS数据地图匹配、稀疏数据路径推导与路径行程时间分配。为了获得更好的GPS数据地图映射结果,采用了一种基于隐马尔科夫模型HMM的地图映射方法。在此基础上,利用改进的局部区域Dijkstra最短路径搜索算法对稀疏GPS数据点之间的车辆行驶路径进行推导与重构。最后,利用Hellinga算法将GPS数据点之间的路径行程时间分配至构成该路径的所有路段上。通过上述数据处理方法,能够实现基于GPS轨迹数据的行程时间提取,为后续的行程时间估计与预测研究提供了数据基础。（2）基于稀疏GPS大数据的城市路网行程时间估计方法基于GPS数据的城市路网行程时间分析存在多个方面的挑战,包括GPS数据稀疏、交通状态波动、网络级建模困难等。针对上述问题,本文引入张量建模的思想,提出了一种基于稀疏GPS大数据的城市路网行程时间估计模型。该模型是一种数据驱动的时空关系模型,由地图匹配、路网行程时间建模,概率行程时间聚类以及基于张量分解的行程时间估计四个主要部分构成,不仅考虑了行程时间在不同路段上的空间相关性,而且考虑了不同交通状态下行程时间的差异性,同时还考虑了行程时间在当前时间段内的细粒度时间相关性以及行程时间在当前时间段内与历史行程时间内之间的粗粒度时间相关性。以海量出租车GPS轨迹数据为基础,在北京城市路网中进行实例研究的结果表明,新模型不仅能够获得当前时间段内路网中不同路段在不同交通状态下的行程时间,而且能够获得路段上对应交通状态的发生概率。与其他方法相比,新模型不仅能够对更多的缺失行程时间进行估计,而且能够获得更高的行程时间估计精度,同时具有对模型参数较好的鲁棒性。（3）基于贝叶斯概率张量分解的城市路网行程时间估计方法针对复杂城市交通环境下行程时间的不确定性与驾驶员之间的差异性等问题,本文引入概率建模的思想,提出了一种基于贝叶斯概率张量分解的城市路网行程时间估计方法。该方法将不同时间段内不同驾驶员在路网中不同路段上的行程时间构建为三阶张量。考虑到城市路网中道路上行程时间的不确定性,该方法在概率建模的基础上,将张量中的每个元素构建为一个服从对数正态分布的随机变量。通过完全贝叶斯处理,该方法能够实现模型超参数的自动调优与模型复杂度的自动控制,有效地避免了模型在使用大规模稀疏数据情况下容易出现的过拟合问题。提出的新方法是一种上下文感知的时空关系模型,不仅考虑了行程时间在不同路段上的空间相关性,而且考虑了不同驾驶员行程时间之间的差异性,同时还考虑了行程时间在相邻时间段内的细粒度时间相关性以及行程时间在当前时间段内与历史时间段内的粗粒度时间相关性。基于海量GPS数据的实际案例研究结果表明,该方法能够在不产生过拟合的基础上,以较高的精度对路网中的行程时间进行估计,估计精度对模型参数的初始化不敏感,具有较好的模型鲁棒性。（4）基于深度学习的城市路网行程时间预测方法针对现有行程时间预测方法存在的浅层模型表达能力有限、缺乏对环境特征的考虑等问题,本文提出了一种融合环境信息的城市网络级行程时间预测深度学习模型。该方法以提取的道路特征、环境特征、时间相关特征与空间相关特征等行程时间影响因素数据为基础,将行程时间预测问题建模为一个数据驱动的机器学习问题。以稀疏降噪自动编码器为基本元件构建了一个深度网络,以此对城市路网中高度复杂的行程时间进行更好地描述。为了对深度网络进行有效地学习,以贪婪学习为基础设计了一种逐层预训练的半监督深度网络训练方法。提出的新模型是一种深度学习模型,不仅考虑了路段特性与周边环境对行程时间的影响,而且考虑了行程时间在不同路段上的空间相关性与在不同时间段内的时间相关性,能够对大量无标签数据中包含的信息进行充分提取与利用,以一种无监督的方式逐层自适应地学习用于行程时间预测的特征,对交通中复杂的非线性现象具有强大的建模能力。以北京城市路网为例进行研究的实验结果表明,提出的深度网络能够从海量噪声数据中充分提取与利用有用信息,以较高的精度对行程时间进行预测,具有较好的模型稳定性与扩展性,与其他方法相比具有一定的优势。
黄鑫[10]（2019）在《基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究》文中认为在旋转机械领域中,随着对计算机技术、传感器技术以及通信技术等现代科学技术应用的日益增加,诸如航空发动机、大型风电装备、汽轮发电机组等重大旋转机械装备逐步朝向高速、高效、高精、集成和智能化方向发展。为了最大限度的消除安全隐患,保障旋转机械高效、安全运行,必须建立可靠的健康监测系统对旋转机械中轴承、行星齿轮箱等关键部件进行实时监控与安全预警。但由于现代旋转机械装备群规模大、所需测点多、单个测点采样频率高以及数据采集时间跨度长,使得监测数据呈现出了体量庞大、生成快速、模态繁多、多源异构、价值大但密度低等“大数据”特性。在此背景下,仅依靠传统的故障诊断技术已经难以再满足实际工程对旋转机械故障诊断精度和效率的要求。本文针对在机械“大数据”背景下如何提高旋转机械故障诊断的可靠性、诊断精度以及诊断效率等问题,从对深度学习应用角度出发开展了关于旋转机械故障特征自动提取以及智能故障诊断的相关研究。在基于传统信号分析的基础上,通过研究和分析各故障表征域所揭示的故障信息特点,证实了故障信号时频域表征更有利于深度学习模型从中拾取故障特征,同时利用离散小波变换揭示故障时频域信息,通过所构建的卷积神经网络对时频域信息进行了有效特征学习;通过研究轴承故障信号特点,提出了一种WPT-PWVD时频域构建方法,并进一步构建了深度卷积神经网络对所构建的时频域信息进行有效学习;通过将信息融合技术与深度学习理论相结合,利用深度残差卷积神经网络的优势提取不同故障状态多通道多征兆域深层特征以进行特征融合,提出了多源信息深度融合的故障诊断方法。论文研究内容如下:（1）针对人工提取的故障特征自适应能力和泛化能力弱,难以匹配旋转机械特定故障状态的问题,提出了一种基于卷积神经网络与离散小波变换的行星齿轮箱故障诊断方法。首先利用不同信号处理方法,分别从时域、频域和时频域三个不同征兆域分别对故障进行表征并分析其对故障表征性能的差异,通过分析选用离散小波变换对故障信号进行处理,以揭示故障时频域特征分布;再则利用深度学习理论知识构建卷积神经网络模型（Convolution Neural Network,CNN）并借助其强大的特征提取以及模式识别能力从所构建的时频域中拾取故障特征;最后构建Softmax多分类器,利用反向传播算法（Backpropagation,BP）逐层调节网络参数以逐步建立故障特征空间与故障空间之间的映射关系,揭示故障内在模式并生成合适的多分类器。利用行星齿轮箱的多种故障数据验证了所提方法的有效性。（2）针对不同时频域分析方法在表征故障信息时均存在一定程度的局限性,导致深度学习模型特征拾取效果易过早陷入瓶颈的问题,提出了一种基于深度卷积神经网络与WPT-PWVD的轴承故障诊断方法。首先分析轴承故障信号特点,采用具有自适应窄带滤波和全频域渐细分辨能力的小波包分解（Wavelet package decomposition,WPT）对故障信号进行全频段分解以揭示不同频带故障信息。同时提取故障信号中多个能量集中的高频带分量,获取故障冲击信息,降低背景噪声干扰。对提取的多个高频分量分别进行重构并利用希尔伯特算法对重构信号进行包络解调,揭示低频故障信息。对解调信号分量分别进行伪魏格纳分布（Pseudo Wigner-Ville Distribution,PWVD）并将计算结果累加,由此得到无交叉项、分辨率高的故障信号WPT-PWVD时频域表征。利用深度学习理论知识进一步构建特征学习能力更强的深度卷积神经网络（Deep Convolution Neural Network,DCNN）,并对 WPT-PWVD时频域表征进行故障特征学习。将所提方法对多种轴承故障数据进行分析和诊断,验证了该方法的有效性。（3）针对传统的信息融合方法将故障特征提取与信息融合算法相分割,导致其匹配程度难以评价的问题,提出一种基于多源信息深度融合的行星齿轮箱故障诊断方法。首先利用垂直和水平方向传感器采集行星齿轮箱运行过程中的多通道信号以描述其整体运行状态;运用小波包分解和集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）分别对多通道信号进行处理并构建相应的时频域表征以揭示故障的多通道多征兆域信息;利用深度学习理论构建多个深度残差卷积神经网络（Deep Residual Convolution Neural Network,DR-CNN）,分别对行星齿轮箱多通道多征兆域信息进行学习以建立局部特征空间与故障空间之间的映射,同时提取各深度残差网络所拾取的各征兆域深层故障特征,由此构建特征空间的证据体集;最后利用随机森林（Random Forest,RF）对证据体集中的多源故障特征信息进行融合,建立全局特征空间与故障空间之间的联系,以从多个侧面充分利用故障多征兆域信息,最终得到融合诊断结果。将所提方法应用于行星齿轮箱故障数据中,得到了与其运行状态一致的决策判据。文章最后对工作进行了总结,并展望后续研究方向。
二、数据融合技术及其在交通领域中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据融合技术及其在交通领域中的应用（论文提纲范文）
（1）基于多尺度时空特征的铁路视频智能分析技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控及智能分析技术 |
| 1.2.2 光流信息提取技术 |
| 1.2.3 行人行为识别算法研究现状 |
| 1.2.4 人群密度估计算法研究现状 |
| 1.2.5 铁路场景视频智能分析难点 |
| 1.3 本文研究工作及章节安排 |
| 2 基于多尺度空间特征提取的光流快速估计算法 |
| 2.1 视频短时运动信息分析与建模 |
| 2.2 图像空间多尺度表示 |
| 2.3 插值形变图像的合成 |
| 2.4 由“粗到精”的卷积网络光流估计模型 |
| 2.4.1 卷积神经网络的基本结构 |
| 2.4.2 空间多尺度光流估计网络的建立 |
| 2.4.3 基于上下文网络的光流后处理结构 |
| 2.4.4 网络训练 |
| 2.5 实验结果与分析 |
| 2.5.1 公共数据集上算法验证实验 |
| 2.5.2 与其它方法的对比实验 |
| 2.6 本章小结 |
| 3 基于时域多尺度时空特征提取的行为识别算法 |
| 3.1 时空特征提取 |
| 3.2 3D/2D混合网络 |
| 3.2.1 2D卷积运算特性 |
| 3.2.2 3D卷积运算特性 |
| 3.2.3 混合网络的构建 |
| 3.3 时域多尺度时空特征提取网络 |
| 3.3.1 长时时空特征提取网络 |
| 3.3.2 短时时空特征提取网络 |
| 3.3.3 网络训练和分类 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集 |
| 3.4.2 参数设置 |
| 3.4.3 实验结果对比 |
| 3.5 本章小结 |
| 4 基于时空特征提取的人群密度估计算法 |
| 4.1 人群密度图 |
| 4.2 基于卷积神经网络的人群密度估计模型 |
| 4.3 基于编码-解码结构的时空卷积神经网络 |
| 4.3.1 基于3D/2D混合卷积网络编码器的构建 |
| 4.3.2 基于反卷积网络解码器的构建 |
| 4.3.3 多任务损失函数 |
| 4.3.4 网络训练 |
| 4.4 实验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 评价指标 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 铁路场景视频信息识别模型的应用研究 |
| 5.1 高速铁路智能监控系统 |
| 5.2 高速铁路监控场景异常行为检测 |
| 5.2.1 铁路场景异常行为数据库的建立 |
| 5.2.2 测试实验与结果 |
| 5.3 高速铁路站台场景人群密度检测 |
| 5.3.1 高速铁路站台场景人群数据库的建立 |
| 5.3.2 测试实验与结果 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文创新点总结 |
| 6.2 未来研究工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景 |
| 1.3 研究现状综述 |
| 1.3.1 城市道路网络交通控制 |
| 1.3.2 城市道路网络动态交通分配 |
| 1.3.3 城市道路网络中的多智能体强化学习 |
| 1.3.4 研究现存问题 |
| 1.4 研究目的及意义 |
| 1.5 研究内容框架 |
| 第2章 城市道路网络分布式动态交通分配方法 |
| 2.1 动态交通分配 |
| 2.1.1 动态交通分配问题 |
| 2.1.2 用户均衡和系统最优 |
| 2.1.3 动态交通分配的主要数学形式 |
| 2.1.4 动态交通分配模型的缺陷 |
| 2.2 多智能体强化学习 |
| 2.2.1 多智能体系统 |
| 2.2.2 强化学习机制 |
| 2.2.3 多智能体强化学习算法 |
| 2.3 动态交通分配决策者智能体架构 |
| 2.3.1 决策者智能体状态空间 |
| 2.3.2 决策者智能体动作空间 |
| 2.3.3 决策者智能体回报函数 |
| 2.3.4 决策者智能体的学习率机制 |
| 2.4 动态交通分配空间约束建议者智能体架构 |
| 2.4.1 建议者智能体的状态空间 |
| 2.4.2 建议者智能体的动作空间 |
| 2.4.3 建议者智能体的回报函数 |
| 2.4.4 建议者智能体的学习率机制 |
| 2.5 异构建议者多智能体强化学习 |
| 2.5.1 HAB-MARL 框架的应用 |
| 2.5.2 HAB-MARL 算法 |
| 2.6 本章小结 |
| 第3章 城市道路网络分布式交通信号控制方法 |
| 3.1 城市道路网络交通信号控制 |
| 3.1.1 URNTSC优化目标选取 |
| 3.1.2 URNTSC方法主要形式 |
| 3.1.3 多智能体强化学习在URNTSC中的应用 |
| 3.1.4 当前URNTSC方法可改进性 |
| 3.2 交通管控中的博弈论 |
| 3.2.1 博弈论形式及基本分类 |
| 3.2.2 博弈中的均衡解 |
| 3.2.3 博弈论在交通系统中的应用形式 |
| 3.3 分布式交通信号控制智能体架构 |
| 3.3.1 信号控制智能体状态空间 |
| 3.3.2 信号控制智能体动作空间 |
| 3.3.3 信号控制智能体决策过程 |
| 3.3.4 信号控制智能体回报函数 |
| 3.3.5 信号控制智能体的学习率机制 |
| 3.4 混合策略纳什均衡多智能体强化学习 |
| 3.4.1 MSNE-MARL 框架的应用 |
| 3.4.2 MSNE-MARL 算法 |
| 3.5 本章小结 |
| 第4章 城市道路网络交通信号控制鲁棒性增强方法 |
| 4.1 复杂网络关键节点判别技术 |
| 4.1.1 图论基础 |
| 4.1.2 复杂网络理论 |
| 4.1.3 关键节点判别技术 |
| 4.1.4 现有关键节点判别技术局限性 |
| 4.2 节点影响力传播机制 |
| 4.2.1 社会网络影响力传播机制 |
| 4.2.2 基于 MAS 的节点影响力传播机制 |
| 4.2.3 影响力传播机制改进关键点 |
| 4.3 MAS-AITM的URNTSC鲁棒性增强框架 |
| 4.3.1 MAS-AITM中节点等级度量及关键节点判别机制 |
| 4.3.2 MAS-AITM节点交互关系的分类 |
| 4.3.3 MAS-AITM节点交互关系的各向异性自择机制 |
| 4.3.4 MAS-AITM节点交互机制 |
| 4.3.5 URNTSC中鲁棒性增强构建的其他事项 |
| 4.4 本章小结 |
| 第5章 数值模拟框架及验证测试 |
| 5.1 城市道路网络数值模拟框架 |
| 5.1.1 元胞传输模型 |
| 5.1.2 基于CTM-DNL的数值模拟框架 |
| 5.1.3 城市道路网络交叉口转弯比动态构建方法 |
| 5.2 HAB-MARL分布式动态交通分配方法验证分析 |
| 5.2.1 出行成本函数选用 |
| 5.2.2 验证方法选用 |
| 5.2.3 验证网络选用 |
| 5.2.4 验证输入值设置 |
| 5.2.5 HAB-MARL验证分析 |
| 5.2.6 本节小结 |
| 5.3 MSNE-MARL分布式交通信号控制方法验证分析 |
| 5.3.1 验证指标选用 |
| 5.3.2 验证方法选用 |
| 5.3.3 验证网络选用 |
| 5.3.4 验证输入值设置 |
| 5.3.5 验证方法参数标定 |
| 5.3.6 MSNE-MARL验证分析 |
| 5.3.7 本节小结 |
| 5.4 MAS-AITM的URNTSC鲁棒性增强方法验证分析 |
| 5.4.1 验证方法选用 |
| 5.4.2 验证网络选用 |
| 5.4.3 验证输入值设置 |
| 5.4.4 MAS-AITM验证分析 |
| 5.4.5 本节小结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）城市时空数据预测中的深度元学习算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 传统机器学习模型与时空数据建模 |
| 1.3.2 深度学习与时空数据建模 |
| 1.3.3 深度元学习 |
| 1.3.4 城市计算与时空数据建模 |
| 1.4 研究内容和挑战 |
| 1.5 研究方法和技术路线 |
| 1.6 章节安排 |
| 第二章 时空数据预测中的深度学习基础 |
| 2.1 深度神经网络 |
| 2.2 循环神经网络 |
| 2.2.1 门控循环单元 |
| 2.2.2 序列到序列架构 |
| 2.3 图注意力神经网络 |
| 2.4 图卷积神经网络 |
| 第三章 时空相关性的多样性问题研究 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.3 算法框架 |
| 3.3.1 框架概况 |
| 3.3.2 时空特征学习网络 |
| 3.3.3 基于区域特性的预测网络 |
| 3.3.4 框架训练算法 |
| 3.3.5 框架扩展性分析 |
| 3.3.6 框架复杂度分析 |
| 3.4 实验结果及分析 |
| 3.4.1 实验设置 |
| 3.4.2 模型对比 |
| 3.4.3 超参数实验 |
| 3.4.4 实例分析 |
| 3.5 应用部署 |
| 3.6 本章小结 |
| 第四章 空间信息与多样时空相关性的关联问题研究 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 算法框架 |
| 4.3.1 框架概况 |
| 4.3.2 循环神经网络 |
| 4.3.3 空间元知识学习网络 |
| 4.3.4 基于元学习的图注意力神经网络 |
| 4.3.5 基于元学习的循环神经网络 |
| 4.3.6 框架训练算法 |
| 4.4 实验结果及分析 |
| 4.4.1 实验设置 |
| 4.4.2 模型对比 |
| 4.4.3 元学习模块有效性实验 |
| 4.4.4 超参数实验 |
| 4.4.5 元知识有效性实验 |
| 4.4.6 案例分析 |
| 4.5 参数矩阵分解与参数元学习的关系 |
| 4.6 本章小结 |
| 第五章 时序信息与多样时空相关性的关联问题研究 |
| 5.1 引言 |
| 5.2 问题定义 |
| 5.3 算法框架 |
| 5.3.1 框架概况 |
| 5.3.2 空间元知识学习网络 |
| 5.3.3 基于元学习的图注意力神经网络 + |
| 5.3.4 基于元学习的循环神经网络 + |
| 5.3.5 框架训练算法 |
| 5.4 实验结果及分析 |
| 5.4.1 实验设置 |
| 5.4.2 模型对比 |
| 5.4.3 元学习模块有效性实验 |
| 5.4.4 超参数实验 |
| 5.4.5 收敛性实验 |
| 5.4.6 元知识有效性实验 |
| 5.4.7 案例分析 |
| 5.5 本章小结 |
| 第六章 时空神经网络结构自动设计问题研究 |
| 6.1 引言 |
| 6.2 问题定义 |
| 6.3 算法框架 |
| 6.3.1 框架概况 |
| 6.3.2 预测网络 |
| 6.3.3 空间元知识学习网络 |
| 6.3.4 元学习网络 |
| 6.3.5 搜索算法 |
| 6.4 实验结果及分析 |
| 6.4.1 实验设置 |
| 6.4.2 模型对比 |
| 6.4.3 框架有效性实验 |
| 6.4.4 候选网络结构有效性实验 |
| 6.4.5 算法模块有效性实验 |
| 6.5 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（5）3D打印技术专业“三教”改革探索（论文提纲范文）
| 引言 |
| 1 3D打印技术专业“三教”面临的突出问题 |
| 1.1 师资团队的教学素养相对偏差 |
| 1.2 3D打印技术专业教材不成体系，资源匮乏 |
| 1.3 教法难以提升学生参与的主动性 |
| 2 3D打印技术应用专业“三教”改革措施 |
| 2.1 通过“名师引领、双元结构、分工协作”的准则塑造团队 |
| 2.1.1 依托有较强影响力的带头人，有效开发名师所具备的引领示范效果 |
| 2.1.2 邀请大师授教，提升人才的技术与技能水准 |
| 2.2 推进“学生主体、育训结合、因材施教”的教材变革 |
| 2.2.1 设计活页式3D打印教材 |
| 2.2.2 灵活使用信息化技术，形成立体化的教学 |
| 2.3 创新推行“三个课堂”教学模式，推进教法改革 |
| 2.3.1 采取线上、线下的混合式教法 |
| 2.3.2 构建与推进更具创新性的“三个课堂”模式 |
（6）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（7）面向城市交通领域的信息融合关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究思路和方法 |
| 1.4 本文研究内容和章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 1.4.3 创新之处 |
| 第2章 城市交通信息融合相关技术研究 |
| 2.1 交通系统和交通参数 |
| 2.2 城市交通信息采集 |
| 2.2.1 移动式采集方式 |
| 2.2.2 固定式采集方式 |
| 2.2.3 采集样本数量 |
| 2.3 信息融合 |
| 2.3.1 信息融合的定义和原理 |
| 2.3.2 信息融合的层次分类 |
| 2.3.3 常用的信息融合方法 |
| 2.4 面向城市交通领域的信息融合 |
| 2.4.1 信息融合在交通领域的应用 |
| 2.4.2 交通领域信息特点 |
| 2.4.3 面临的问题和挑战 |
| 2.5 本章小结 |
| 第3章 基于KDS-R模型的同属性多源信息融合 |
| 3.1 联合KALMAN滤波 |
| 3.1.1 滤波方式 |
| 3.1.2 结构及算法 |
| 3.2 D-S证据理论 |
| 3.2.1 D-S证据基础理论 |
| 3.2.2 多个证据间的组合 |
| 3.2.3 证据理论应用中的问题 |
| 3.2.4 证据距离和证据权 |
| 3.3 基于KDS-R模型的信息融合 |
| 3.3.1 KDS-R模型及主要步骤 |
| 3.3.2 数据预处理层 |
| 3.3.3 提取BPA |
| 3.3.4 修正BPA |
| 3.3.5 融合算法 |
| 3.3.6 决策分析 |
| 3.4 实验验证 |
| 3.4.1 仿真实验验证 |
| 3.4.2 实测数据验证 |
| 3.5 本章小结 |
| 第4章 基于CANN模型的复杂属性信息融合 |
| 4.1 速度、流量关系分析 |
| 4.2 神经网络概述 |
| 4.2.1 神经网络基础理论 |
| 4.2.2 神经网络训练 |
| 4.2.3 BP神经网络 |
| 4.3 CANN信息融合模型 |
| 4.3.1 创建有效样本 |
| 4.3.2 初始速度-流量数据对 |
| 4.3.3 关联分析 |
| 4.3.4 优化映射关系 |
| 4.3.5 计算BPA |
| 4.3.6 证据融合 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于多源信息融合的交通预测模型的技术研究 |
| 5.1 基于WNN的短时交通流预测 |
| 5.1.1 短时交通流预测需求分析 |
| 5.1.2 交通信息的时空特性匹配 |
| 5.1.3 基于KDS-R模型和CANN模型的交通信息融合 |
| 5.1.4 基于WNN的短时交通流量预测 |
| 5.1.5 实例分析 |
| 5.2 基于信息融合的公交到站时间预测 |
| 5.2.1 公交到站时间预测分析 |
| 5.2.2 基于信息融合的公交到站时间预测模型 |
| 5.2.3 模型预测效果分析 |
| 5.3 本章小结 |
| 第6章 基于信息融合的公交大数据平台设计与实现 |
| 6.1 公交大数据平台的基本概述 |
| 6.2 公交大数据平台体系结构设计 |
| 6.2.1 系统逻辑结构设计 |
| 6.2.2 系统平台软件架构 |
| 6.2.3 数据结构设计 |
| 6.2.4 平台系统页面设计 |
| 6.3 公交到站时间预测模型应用实例 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者在学期间所取得的科研成果 |
（8）信息通讯技术革命时代的政府组织变革（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 导论 |
| 1.1 问题的提出 |
| 1.2 研究思路 |
| 1.3 研究的理论与实践意义 |
| 1.4 研究方法与资料来源 |
| 1.5 本文结构 |
| 2 已有研究述评 |
| 2.1 公共部门变革理论的脉络:官僚制—新公共管理—后新公共管理 |
| 2.2 新公共管理与整体性政府视角下的ICT与组织变革 |
| 2.3 公共价值视角下的ICT与组织变革 |
| 2.4 数字时代治理与适应性治理视角下的ICT与组织变革 |
| 2.5 中国的ICT与政府变革研究 |
| 2.6 不同理论视角下的ICT与组织变革:比较与不足 |
| 2.7 本章小结 |
| 3 理论基础与分析框架 |
| 3.1 借鉴多学科理论资源推进公共行政问题研究 |
| 3.2 信息通讯技术革命:特征与实现基础 |
| 3.3 组织变革:表现维度与阶段 |
| 3.4 ICT革命时代政府组织变革的路径:开放系统分析 |
| 3.5 分析框架与研究命题 |
| 3.6 本章小结 |
| 4 1980年代以来的ICT与政府关系:政策文件分析视角 |
| 4.1 描述性分析 |
| 4.2 主题关键词的编码分析 |
| 4.3 本章小结 |
| 5 ICT革命时代中政府组织变革的技术应用路径:行政审批服务案例 |
| 5.1 行政审批服务的性质与技术基础 |
| 5.2 行政审批服务信息化中的政府组织变革:组织边界 |
| 5.3 地方政府组织变革:技术条件、制度基础与组织结构 |
| 5.4 本章小结 |
| 6 ICT革命时代中政府组织变革的任务环境路径:网约车案例 |
| 6.1 网约车的性质与技术基础 |
| 6.2 网约车领域中的政府组织变革:组织边界 |
| 6.3 地方政府组织变革:组织结构与决策基础 |
| 6.4 本章小结 |
| 7 案例分析与比较 |
| 7.1 行政审批服务领域政府组织变革的案例内分析 |
| 7.2 网约车领域政府组织变革的案例内分析 |
| 7.3 行政审批服务领域与网约车领域政府组织变革的跨案例比较 |
| 7.4 本章小结 |
| 8 结论与讨论 |
| 8.1 研究发现 |
| 8.2 研究结论 |
| 8.3 政策建议 |
| 8.4 研究展望 |
| 参考文献 |
| 附录 ICT文件主题关键词节点编码 |
（9）数据驱动的城市路网行程时间估计与预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 选题背景与依托课题 |
| 1.1.2 研究目的与意义 |
| 1.2 研究内容与技术路线 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法与技术路线 |
| 1.3 主要创新点 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第二章 数据驱动行程时间估计与预测研究综述 |
| 2.1 城市路网行程时间估计与预测概述 |
| 2.1.1 城市路网特性 |
| 2.1.2 行程时间估计与预测的异同 |
| 2.2 数据驱动方法概述 |
| 2.2.1 数据驱动方法的概念 |
| 2.2.2 数据驱动方法的基本原理与特点 |
| 2.2.3 数据驱动方法综述 |
| 2.3 行程时间估计研究综述 |
| 2.3.1 基于点传感器数据的行程时间估计模型 |
| 2.3.2 基于区间传感器数据的行程时间估计模型 |
| 2.3.3 基于数据融合的行程时间估计模型 |
| 2.4 行程时间预测研究综述 |
| 2.4.1 朴素方法 |
| 2.4.2 基于交通流理论的行程时间预测 |
| 2.4.3 基于数据驱动的行程时间预测 |
| 2.4.4 基于混合模型的行程时间预测 |
| 2.5 国内外研究现状总结 |
| 2.6 本章小结 |
| 第三章 车载GPS数据与基础处理方法研究 |
| 3.1 简介 |
| 3.2 交通数据采集 |
| 3.2.1 交通数据采集方法 |
| 3.2.2 车辆GPS轨迹数据 |
| 3.3 车辆GPS数据预处理 |
| 3.3.1 车辆GPS数据特点 |
| 3.3.2 车辆GPS数据预处理方法 |
| 3.4 基于GPS数据的行程时间提取方法 |
| 3.4.1 地图匹配 |
| 3.4.2 路径推导 |
| 3.4.3 行程时间分配 |
| 3.5 本章小结 |
| 第四章 基于稀疏GPS大数据的城市路网行程时间估计方法研究 |
| 4.1 简介 |
| 4.2 相关理论基础 |
| 4.2.1 张量基础与表示方法 |
| 4.2.2 张量的相关定义与运算 |
| 4.2.3 张量分解与重构 |
| 4.2.4 张量补全 |
| 4.3 模型基本框架与相关定义 |
| 4.3.1 相关定义 |
| 4.3.2 模型基本框架 |
| 4.4 基于稀疏GPS大数据的城市路网行程时间估计方法 |
| 4.4.1 地图映射 |
| 4.4.2 基于张量的行程时间建模 |
| 4.4.3 概率交通状态聚类 |
| 4.4.4 行程时间估计 |
| 4.5 实验结果及分析 |
| 4.5.1 实验数据 |
| 4.5.2 行程时间建模结果与分析 |
| 4.5.3 概率交通状态聚类结果与分析 |
| 4.5.4 行程时间估计结果与分析 |
| 4.6 本章小结 |
| 第五章 基于贝叶斯概率张量分解的城市路网行程时间估计方法 |
| 5.1 简介 |
| 5.2 研究问题描述与模型基本框架 |
| 5.2.1 研究问题描述 |
| 5.2.2 模型基本框架 |
| 5.3 基于贝叶斯概率张量分解的城市路网行程时间估计方法 |
| 5.3.1 地图映射 |
| 5.3.2 行程时间张量构建 |
| 5.3.3 行程时间张量合并 |
| 5.3.4 基于张量分解的缺失数据估计 |
| 5.3.5 基于对数正态分布的贝叶斯概率张量分解 |
| 5.4 实验结果及分析 |
| 5.4.1 实验数据 |
| 5.4.2 实验设置 |
| 5.4.3 评估指标 |
| 5.4.4 行程时间估计模型性能 |
| 5.4.5 模型性能对比 |
| 5.4.6 模型敏感性分析 |
| 5.5 本章小结 |
| 第六章 基于深度学习的城市路网行程时间预测方法研究 |
| 6.1 简介 |
| 6.2 深度学习理论基础 |
| 6.2.1 深度学习简介 |
| 6.2.2 深度学习训练方法 |
| 6.2.3 典型的深度学习模型 |
| 6.3 基于深度学习的城市路网行程时间预测方法 |
| 6.3.1 特征数据提取 |
| 6.3.2 基于机器学习的行程时间预测建模 |
| 6.3.3 稀疏降噪自动编码器 |
| 6.3.4 行程时间预测深度学习模型 |
| 6.3.5 深度网络训练算法 |
| 6.4 实验结果及分析 |
| 6.4.1 实验数据 |
| 6.4.2 实验设置 |
| 6.4.3 评估指标 |
| 6.4.4 模型结果 |
| 6.4.5 模型性能分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介、在读期间发表论文及参与科研情况 |
（10）基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题背景及研究意义 |
| 1.3 旋转机械故障诊断技术国内外研究现状 |
| 1.3.1 旋转机械故障特征提取方法研究现状 |
| 1.3.2 旋转机械故障融合诊断方法研究现状 |
| 1.3.3 旋转机械故障智能诊断方法研究现状 |
| 1.3.4 卷积神经网络发展以其在旋转机械故障诊断领域中研究现状 |
| 1.4 旋转机械故障诊断当前存在的关键问题 |
| 1.5 论文主要工作 |
| 1.6 论文结构安排 |
| 第二章 卷积神经网络模型基本架构及其故障诊断应用原理 |
| 2.1 引言 |
| 2.2 卷积神经网络基本组成结构 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.2.5 分类器 |
| 2.2.6 目标函数 |
| 2.3 卷积神经网络训练方法 |
| 2.3.1 前向传播算法 |
| 2.3.2 反向传播算法 |
| 2.3.3 优化算法 |
| 2.4 基于卷积神经网络故障的诊断模型 |
| 2.5 本章小结 |
| 第三章 基于卷积神经网络和离散小波变换的行星齿轮箱故障诊断方法研究 |
| 3.1 引言 |
| 3.2 信号分析方法 |
| 3.3 离散小波变换及其特点 |
| 3.4 基于卷积神经网络和离散小波变换的行星齿轮箱诊断方法 |
| 3.4.1 诊断方法框架 |
| 3.4.2 卷积神经网络构建 |
| 3.4.3 实验数据以及样本集构建说明 |
| 3.4.4 对比实验设计 |
| 3.4.5 实验验证及分析 |
| 3.5 本章小结 |
| 第四章 基于深度卷积神经网络与WPT-PWVD轴承故障诊断方法研究 |
| 4.1 引言 |
| 4.2 WPT-PWVD时频分析 |
| 4.2.1 小波包变换 |
| 4.2.2 伪魏格纳分布 |
| 4.3 深度卷积神经网络构建 |
| 4.3.1 批量归一化 |
| 4.3.2 Dropout方法 |
| 4.3.3 数据集增强 |
| 4.4 基于深度卷积神经网络与WPT-PWVD的轴承故障诊断方法 |
| 4.4.1 诊断方法框架 |
| 4.4.2 时频图构建及预处理 |
| 4.4.3 实验数据以及样本集合构建说明 |
| 4.4.4 对比实验设计 |
| 4.4.5 实验验证及分析 |
| 4.4.6 不同工况下轴承复合故障诊断实例 |
| 4.5 本章小结 |
| 第五章 基于信息深度融合的行星齿轮箱故障诊断方法研究 |
| 5.1 引言 |
| 5.2 残差卷积神经网络构建 |
| 5.2.1 残差块单元 |
| 5.2.2 恒等映射 |
| 5.3 随机森林算法 |
| 5.4 基于信息深度融合的行星齿轮箱故障诊断方法 |
| 5.4.1 基于DR-CNN网络特征学习 |
| 5.4.2 基于多源信息深度融合的行星齿轮箱故障诊断方法步骤 |
| 5.4.3 实验数据以及样本集合构建说明 |
| 5.4.4 对比实验设计 |
| 5.4.5 实验验证及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文创新之处 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
四、数据融合技术及其在交通领域中的应用（论文参考文献）
- [1]基于多尺度时空特征的铁路视频智能分析技术研究[D]. 万燕琴. 北京交通大学, 2021(02)
- [2]基于博弈论和多智能体强化学习的城市道路网络交通控制方法研究[D]. 潘昭天. 吉林大学, 2021(01)
- [3]城市时空数据预测中的深度元学习算法研究[D]. 潘哲逸. 上海交通大学, 2020(01)
- [4]教育部关于印发普通高中课程方案和语文等学科课程标准（2017年版2020年修订）的通知[J]. 教育部. 中华人民共和国教育部公报, 2020(06)
- [5]3D打印技术专业“三教”改革探索[J]. 刘森,张书维,侯玉洁. 数码世界, 2020(04)
- [6]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [7]面向城市交通领域的信息融合关键技术研究[D]. 蔡雪松. 华东师范大学, 2019(02)
- [8]信息通讯技术革命时代的政府组织变革[D]. 李琳. 浙江大学, 2019(02)
- [9]数据驱动的城市路网行程时间估计与预测方法研究[D]. 唐坤. 东南大学, 2019
- [10]基于卷积神经网络的旋转机械故障特征自动学习与智能诊断方法研究[D]. 黄鑫. 重庆交通大学, 2019(06)