典型文献
网联车混行条件下交通流量融合方法
文献摘要：
未来智能网联车与非网联车混行将带来更多的多源交通数据;为了提高数据的可靠性,结合传统交通数据获取方式提出了一种基于粒子群优化径向基神经网络的多源交通数据融合方法.首先选取不同来源的数据构建多源数据集并设置对照数据,利用Elbow Method方法和K-Means算法对多源数据集进行聚类,再以聚类中心坐标为参考构建相应径向基神经网络,最后在神经网络训练过程中引入粒子群算法,以融合结果与对照数据的差值作为粒子群算法迭代的目标函数,帮助求解神经网络中的参数.使用MATLAB实现神经网络并选取一组多源交通流量进行测试,同时再把这组交通流量数据用卡尔曼滤波算法融合,将两种方法的融合结果进行对比.结果表明:相比于传统卡尔曼滤波,使用粒子群优化的径向基神经网络对混行条件下的多源交通流量进行融合时数据误差均降低60％以上.
文献关键词：
智能网联车;混行;多源数据融合;粒子群优化径向基神经网络;卡尔曼滤波
中图分类号：
作者姓名：
李潇;汪涛;张毅;李朝阳
作者机构：
上海交通大学船舶海洋与建筑工程学院,上海200240
文献出处：
引用格式：
[1]李潇;汪涛;张毅;李朝阳-.网联车混行条件下交通流量融合方法)[J].华南理工大学学报（自然科学版）,2022(05):49-55
A类：
粒子群优化径向基神经网络
B类：
混行,交通流量,智能网联车,行将,交通数据,数据获取,数据融合方法,不同来源,照数,Elbow,Method,Means,再以,聚类中心,心坐标,神经网络训练,训练过程,粒子群算法,流量数据,卡尔曼滤波算法,算法融合,数据误差,多源数据融合
AB值：
0.200533
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
