导读:本文包含了浮动时间论文开题报告文献综述及选题提纲参考文献，主要关键词:通用人工智能,时间压力,知识锁定标杆浮动效应,比对主义
浮动时间论文文献综述
徐英瑾[1]（2019）在《如何在通用人工智能系统中实现“知识锁定标杆浮动效应”——一种基于“时间压力”的简易心智模型》一文中研究指出所谓"知识锁定标杆浮动效应",是指面对同样的信念内容,认知主体会在某些环境下将其判定为"知识",而在另一些环境下将其判定为"非知识"。该效应的存在,使得人类能够根据环境信息的变化,灵活地改变自身信念,更好地适应环境。人工智能体对于该效应机制的模拟,也能够更好地适应环境。不过,这种模拟必须建立在对于该效应的正确理解上,而西方主流知识论学界对于该效应的解释,如语境主义、比对主义与不变主义提出的解释,要么缺乏足够的普遍性,要么本身建立在一些有待解释的概念上。与之相比较,基于"时间压力"的模型,则将智能体的知识指派倾向的强度视为与其感受的时间压力彼此负相关的一项因素,而"时间压力"本身被视为"主体所预估的问题解决所需要的时间"与其"所愿意付出且能够付出的时间"之间的差值。这样的模型不仅能够对所谓的"银行案例"与"斑马案例"作出简洁的解释,而且在原则上可以被算法化。(本文来源于《武汉大学学报(哲学社会科学版)》期刊2019年05期）
宋承波,燕雪峰[2]（2018）在《一种浮动车技术的道路行程时间估计方法》一文中研究指出针对现有基于浮动车技术的道路行程时间估计方法无法满足在不同浮动车占有率情况下对于估计精度要求的不足,利用前一时刻平均速度的稳定性和当前浮动车采集的平均速度精确性的优点,根据浮动车占有率动态分配权重,实现了较为精确的路段平均速度估计,从而实现了对路段行程时间的较为精确的估计.进而,针对在浮动车占有率高于预定值的情境下,提出的方法所存在的因浮动车采集的平均速度波动性导致的估计波动问题,本文提出基于加权融合的估计波动性平滑方法,使用加权平均的融合方法将基于浮动车的估计结果和固定检测器估计结果进行融合,有效降低估计波动.实验表明,本文提出的基于浮动车技术的道路行程时间估计方法在不同的浮动车占有率情况下估计结果的平均相对误差不超过0.7%,具有较高的估计精度,因此可适用于不同浮动车占有率情况下的道路行程时间估计.(本文来源于《小型微型计算机系统》期刊2018年09期）
罗霞,曹阳,刘博,李演洪[3]（2018）在《基于浮动车数据的城市道路行程时间估计》一文中研究指出为提高城市道路行程时间估计模型的准确度和有效性,本文利用浮动车数据,依据对传统模型思路的总结分别建立了基于路段长度比例和点速度调和平均值的两种行程时间初阶估计模型,并利用统计学中的同分布融合思想建立了行程时间融合模型,以修正初阶模型结果的精度,弥补传统估计模型中准确度低、效率不高的缺陷。最后选取成都市具有代表性的路网区域为算例,验证了初阶模型假设分布的正确性,同时计算出融合模型路径总时间的平均偏差仅为12%,说明了融合模型的准确度和有效性。(本文来源于《交通运输工程与信息学报》期刊2018年02期）
黎瀚涛[4]（2018）在《基于耦合低频浮动车轨迹的行程时间估计方法》一文中研究指出“智能交通系统”(ITS)随着“智慧城市”提出,越来越受城市居民关注,出行者对“ITS”中出行决策支持信息的需求愈发迫切。行程时间作为“ITS”中最重要且被广泛研究的描述城市路网运行状态交通参数,能高效地表现道路交通拥挤情况并用于评价交通状况。近年来,基于GPS数据估计行程时间的方法很多,但在低频采样条件下,许多算法具有较高的估计误差,且往往没有考虑交叉口延误及路段瓶颈对估计结果的影响,也没有把路段出行时间以及路径出行时间结合起来考虑。本文以低频GPS浮动车数据为研究对象,同时,还基于路段的行程时间给出了使用最短路径和不动点迭代估计路径行程时间的方法,提高了低频GPS轨迹数据的利用价值。将本文的研究内容概括为以下几点:(1)充分考虑影响路段行程时间估计的各类因素,利用耦合浮动车轨迹方法估计出该路段的出行时间。(2)采用图论的思想将哈尔滨主要道路划分成更适合行程时间估计的各个路段,对路段进行标注并编号,共得到哈尔滨446个主要路段的行程时间。(3)将得到的路段行程时间当作路段一个的基本属性置入哈尔滨路网节点图中,得到带权值的路网图。再用Dijkstra最短路算法得到任意OD点对的路径出行时间。最后利用不动点迭代的方法使所得路径行程时间更加稳定且可靠。本文基于哈尔滨GPS浮动车的轨迹数据,对城市道路网中所有划分得到的路段的出行时间进行估计,并研究了路径出行时间的估算方法。本文还进行实例分析,比较了方法的优越性。结果表明,与划分行驶路段求特定区域行程时间的方法相比,本文考虑了交叉口延误对路段行程时间的影响,得到了较为准确的实际路段行程时间;与基于路段行程时间直接累加计算路径行程时间的方法相比,本文提出的路径行程时间估计方法不仅有效地提高了路径行程时间的估计精度,而且还满足了出行路径选择的需求。本文的研究成果,可为“ITS”的出行信息服务提供有力的技术支持,也可以为城市道路交通的动态管理提供相应的理论和参考价值。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
王晋[5]（2018）在《基于低频浮动车数据的道路行驶时间估算与路径优化》一文中研究指出道路行驶时间估算与出行路径优化是智能交通的重要组成部分。传统交通信息采集技术具有代价大、不易维护等诸多弊端。随着智能交通技术的快速发展,浮动车技术成为一种获取交通流数据的重要手段,其具有数据覆盖面广、简单方便等优势。常用的浮动车系统为低频采样数据,数据样本少,精度低。论文提出一种基于低频浮动车数据的道路行驶时间估算与路径优化技术。论文依托陕西省交通运输厅科研项目《基于已建交通信息化平台的西安交通拥堵缓解应用研究》。首先,研究了基于低频浮动车数据的道路行驶时间估算算法,该算法包含了单车道路行驶时间的估算和多车融合道路行驶时间的估算。在单车道路行驶时间的估算过程中,提出一种基于距离权重的位置-时间插值法来计算单车道路行驶时间,同时也给出了缺失道路的构建方法和存储策略,在保证对缺失道路行驶时间估算的同时提高算法执行效率。在获取到所有单车道路行驶时间数据之后,给出了基于频数权重的多车融合道路行驶时间估算算法,降低了单车随机因素对道路行驶时间估算造成的误差。其次,研究了最短路径优化技术。根据用户出行的不同需求,论文分别提出了对应的最短路径优化算法。(1)针对最短出行距离需求,提出了一种基于方向的启发式可回溯算法,算法在无需构建路网距离矩阵数据的情况下,可快速实现最短出行距离的路径优化;(2)针对最短出行时间需求,提出了一种基于历史数据预处理和道路重要节点标记相结合的动态路径优化算法,此算法在短时间内能够根据当前道路实时行驶速度,给出起点和终点之间的最短出行时间路线。最后,对基于低频浮动车数据的道路行驶时间的估算和路径优化可视化系统进行了设计与实现,包括数据库的详细设计和功能模块接口详细设计,程序结构设计,并对系统功能进行了测试和分析。结果表明,论文提出的道路行驶时间估算算法能比较准确的估算出道路行驶时间。路径优化算法能够快速的给出最短路径优化结果。论文研究过程中所实现的可视化系统也基本满足实时处理的要求,可以为出行者与交通部门提供很好的服务体系。(本文来源于《长安大学》期刊2018-04-02）
宋承波[6]（2018）在《基于浮动车和固定检测器的路段行程时间预测方法研究》一文中研究指出城市交通的日益恶化,使得人们对于交通信息准确性的要求越来越高,而浮动车技术已成为ITS系统获取交通数据重要手段,能够有效的弥补传统的交通数据采集技术的不足。基于浮动车技术的路段行程时间预测的相关研究可为ITS系统提供准确的行程时间预测信息,使其能够及时通过各种对策对交通进行疏导,提升交通系统的运行效率。本文以路段行程时间预测为核心,从浮动车数据预处理过程、基于浮动车数据和固定检测器的路段行程时间预测以及在行程时间预测基础上延伸研究的交通状态预测几个方面进行了研究,主要内容如下:首先,对于浮动车数据预处理过程中的数据修复和地图匹配阶段,对于浮动车数据修复阶段,提出一种综合运用历史数据和实时相邻时段交通流数据的数据修复方法;进而在地图匹配阶段,通过分析手工匹配情况下正确匹配点对所满足的分布特性,对距离和平均速度相似度特征分别利用指数分布进行拟合,提出基于距离和平均速度相似性特征的隐马尔可夫(HMM)地图匹配方法。通过对于浮动车数据预处理过程中数据修复和地图匹配过程的一系列改进,为利用浮动车数据进行行程时间预测提供了可靠的数据输入。其次,提出了一种基于固定检测器和浮动车的行程时间预测模型MSDF。首先就浮动车占有率对路段平均速度估计的准确度规律进行了研究,根据实验结果拟合出了其满足的Logistic函数分布规律,利用该分布规律提出基于Logistic函数的路段平均速度计算方法,最终得到了利用浮动车技术预测行程时间的方法;进而为解决单独基于固定检测器或浮动车的行程时间预测方法预测精度不足的问题,提出MSDF模型,利用多源数据融合的方法将两者预测结果进行融合,通过数据融合技术产生精度更高、平均相对误差更小的预测结果。实验结果表明提出的MSDF模型可以有效提高路段行程时间预测的准确度。最后,在提出的MSDF模型的基础上,对路段行程时间预测进行了延伸性研究,即进行MSDF行程时间预测模型在交通状态预测中的应用。针对现有基于模糊C均值聚类方法(FCM)的交通状态预测方法初始聚类中心随机选择导致的迭代陷于局部最优的不足,提出基于最远距离策略的初始聚类中心优选算法来改进FCM。在改进的FCM算法基础上,将MSDF模型预测的行程时间和固定检测器获得的交通流量作为FCM输入特征,提出考虑行程时间的交通状态预测模型。实验结果表明改进后的FCM算法其交通状态预测效果比现有算法更加准确高效。(本文来源于《南京航空航天大学》期刊2018-03-01）
董岳,张发明[7]（2018）在《利用低频浮动车交叉口运行状态的单车路段行程时间估计》一文中研究指出针对现有的基于浮动车数据的单车路段行程时间估计方法适用高频GPS数据,以及对浮动车在路段交叉口运行状态考虑不足的问题,提出一种基于低频浮动车交叉口运行状态的单车路段行程时间估计方法。该方法主要进行了以下改进:(1)基于概率转换的地图匹配方法,用A*算法拟合缺失路径,提高了地图匹配的效率和完整性;(2)分析车辆在交叉口区域内外的运行状态,改进了单车路段行程时间的估计方法,并对干扰停车予以剔除,提高了对路段行程时间估计的准确性。并用浮动车GPS实验数据验证了本文所提方法对低频GPS数据计算单车路段行程时间的有效性。(本文来源于《测绘地理信息》期刊2018年03期）
杨强荣[8]（2017）在《基于浮动车数据的城市道路行程时间预测方法研究》一文中研究指出智能交通系统是为了实现减少交通事故、降低环境污染、提高系统运行效率的目标而创建起来的一个稳定、安全、快速、便捷、环保的综合交通运输体系。它利用多媒体、无线通信、自动控制、信息处理等技术,在已有的交通基础设施之上,加强交通运输工具、外接电子设备和出行者之间的联系,从而实现上述目标。智能交通系统可以高效地管理交通系统、充分发挥现有交通设施的作用和最大可能地优化道路交通流,进而缓解拥堵。行程时间预测是智能交通系统的关键技术之一,是许多其他交通应用的基础和前提,同时准确的行程时间预测结果也能为交通部门制定管理政策和调控方法提供依据。针对当前复杂城市道路网络条件下的行程时间预测所面临的关键技术难点,本文基于浮动车数据,对行程时间预测方法展开了深入研究,主要研究内容及成果如下:1.针对当前电子地图无法反映城市交通特性的问题,提出了一种基于双线道路模型的电子地图。本文根据城市交通对各个方向道路禁行的要求和能对一些特殊道路(如环岛,立交桥)的通行规则进行表征的需求,构建了双线道路模型。该模型能对城市道路任意方向的道路进行禁行而不对其他方向道路的通行造成影响。同时,该模型也能很好地反映特殊道路(如环岛,立交桥)的通行规则。2.针对现有地图匹配算法的实时性和鲁棒性较差的问题,提出了一种基于计算几何的地图匹配算法。该算法利用计算几何中判断线段是否与多边形相交的方法来确定候选路段。在确定匹配路段时,该算法为每条候选路段构建置信区域,并结合历史信息给出匹配路段。3.针对现有浮动车数据中存在的严重时空缺失问题,提出了一种基于主成分分析(Priciple Component Analysis,PCA)的交通信息补偿算法。首先,利用车辆跟踪算法对原始的浮动车数据进行处理得到初始速度矩阵。然后,根据城市道路网络中不同路段之间的时空限制来构建评价函数。最后,利用主成分分析算法充分挖掘速度矩阵中不同道路和不同时间段的数据之间的联系,并迭代对速度矩阵中的元素进行补偿,使得评价函数达到最优。4.针对当前行程时间预测所面临的难点,提出了一种基于粒子滤波的行程时间估计算法。首先,对所有粒子进行初始化并转换成历史交通数据的某一时段所对应的交通模式,每个粒子对应的天数和时刻数随机生成。接着,与常用方法使用状态转移函数来反映交通趋势不同,该算法使用大量带有权重的粒子来对历史数据中的交通趋势进行建模。而且当有新的观测值到来时,每个粒子的权重都会得到更新。该权重用以反映该粒子所对应的交通模式和当前交通模式之间的相似程度。然后,为了解决传统粒子滤波存在的退化问题,该算法对所有权值较低的粒子进行重要性重采样,从而历史数据中与当前交通模式高度相似的数据能够被这些无效的粒子所使用。最后,所有粒子的加权平均值被作为行程时间的估计结果。5.针对城市交通环境的复杂性对行程时间所造成的困难,提出了一种基于深度学习的行程时间预测算法。首先,对输入数据进行相关性分析,分别确定历史数据的最优输入长度和最优的道路特征集合。接着,利用深度学习中的栈式自动编码器分别使用历史交通数据和道路特征作为输入对行程时间进行预测。最后,使用深度信念网络作为数据融合模型对上述预测结果进行融合并得到最终的预测结果。(本文来源于《北京理工大学》期刊2017-06-01）
阮巍[9]（2016）在《云环境下基于浮动车的路段行程时间获取技术研究》一文中研究指出经济水平改善致使公众日常活动所需的机动车出行需求迅速增加,而城市的路网资源却增速有限;公众的文明驾驶行为和社会责任意识并没有随着经济水平的提高也得到同步提升;交通数据积累已成指数级态势增涨,而坐拥PB级的交通数据却不能形成有效的数据挖掘为公众提供出行信息服务。以上种种原因致使交通拥堵、交通安全和交通环保问题日益突出。行程时间作为一项重要的交通状态衡量指标,已经被认为是最重要、最能反映路网交通状态的道路交通参数。为此,本文基于云环境技术实现了对海量浮动车数据进行高效处理并获取路段行程时间的目标。其中,路段行程行程时间的获取包括路段行程时间估计和路段行程时间预测两部分。只有实现了对路段行程时间的实时获取,才能够准确掌握路网交通的运行状态,改善道路交通运行状况。在路段行程时间估计方面,本文通过引入交通控制因素对瞬时速度-时间积分单车路段行程时间算法进行了适当的改良并应用辛普森数值积分公式对其进行了求解,实现了对路段行程时间的实时估计,通过对比分析验证了本文算法的准确性和时效性。在路段行程时间预测方面,本文对粒子群算法进行了并行化改进并引入Spark内存计算框架对其进行高效迭代,以此实现对最小二乘支持向量机参数的寻忧求解并应用最优解实现对最小二乘支持向量机预测模型的标定。经试验对比验证了本文算法在准确性和性能方面的表现。本文的主要工作是搭建了云环境下的路段行程时间获取系统框架。其中,最为核心的部分是运用Map Reduce并行编程框架实现了海量浮动车数据的路段行程时间估计并且在Spark内存计算框架下利用PSO-LSSVM模型实现了路段行程时间的预测。最后,基于实时高效的路段行程时间获取技术的支撑以实现整体框架中的一系列功能及服务。(本文来源于《吉林大学》期刊2016-05-28）
赵斌[10]（2016）在《基于GPS的公交浮动车到站时间预测》一文中研究指出随着席卷而来的信息化与智能化浪潮,公共智能交通技术成为解决城市交通问题的重要研究课题。而公交车到站时间预测作为智能公交必不可少的核心内容之一,不仅可以为市民的出行提供极大的便捷,还可以为管理部门提供可靠的城市道路调度信息与城市规划依据,已成为改善交通压力的重要研究方向。首先,本文讨论了近年来交通运输获得的发展与所面临的压力,论述了发展城市公共智能交通对于环境、社会以及市民的现实意义,并以此证明公交车到站时间预测研究的必要性；同时对国内外相关技术方案进行了系统全面的研究,总结其研究成果并分析存在的不足之处,为本文技术方案的提出奠定了理论基础。其次,对公交车到站时间预测中涉及的全球定位系统(Global Positioning System, GPS)与信息采集技术和地理信息系统(Geographic Information System, GIS)地图匹配技术也做了简单介绍,综合考虑研究路段的特性,提出了站点-站间路段式的点-线模型。对GPS数据进行存储、修复与筛选等预处理工作,并利用站点经纬度坐标计算相邻站点之间的路程距离,为本文技术方案提供了数据支持。随后,针对目前公交车到站时间预测愈趋细节化、复杂化的现状,本文提出基于站点延误时间与站间行程时间的预测模型。站点延误时间将公交车减速进站、候车等待与加速出站相结合,利用频数加权数据融合技术对历史GPS数据进行数据融合来预测各个公交站点的延误时间；站间行程时间综合考虑公交车行程时间的各项影响因素,利用支持向量机将这些影响因素构造成支持向量来进行静态行程时间预测,同时不断利用实时测试数据对静态预测结果进行动态修正。最后,利用合肥市118路公交车对预测模型进行仿真测试,结果表明,基于频数加权的站点延误时间预测具备良好的预测性能,而基于静态预测动态修正的站间行程时间预测要比单一的静态预测与动态预测更加精确。(本文来源于《北京交通大学》期刊2016-05-10）
浮动时间论文开题报告
（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：
针对现有基于浮动车技术的道路行程时间估计方法无法满足在不同浮动车占有率情况下对于估计精度要求的不足,利用前一时刻平均速度的稳定性和当前浮动车采集的平均速度精确性的优点,根据浮动车占有率动态分配权重,实现了较为精确的路段平均速度估计,从而实现了对路段行程时间的较为精确的估计.进而,针对在浮动车占有率高于预定值的情境下,提出的方法所存在的因浮动车采集的平均速度波动性导致的估计波动问题,本文提出基于加权融合的估计波动性平滑方法,使用加权平均的融合方法将基于浮动车的估计结果和固定检测器估计结果进行融合,有效降低估计波动.实验表明,本文提出的基于浮动车技术的道路行程时间估计方法在不同的浮动车占有率情况下估计结果的平均相对误差不超过0.7%,具有较高的估计精度,因此可适用于不同浮动车占有率情况下的道路行程时间估计.
（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。
浮动时间论文参考文献
[1].徐英瑾.如何在通用人工智能系统中实现“知识锁定标杆浮动效应”——一种基于“时间压力”的简易心智模型[J].武汉大学学报(哲学社会科学版).2019
[2].宋承波,燕雪峰.一种浮动车技术的道路行程时间估计方法[J].小型微型计算机系统.2018
[3].罗霞,曹阳,刘博,李演洪.基于浮动车数据的城市道路行程时间估计[J].交通运输工程与信息学报.2018
[4].黎瀚涛.基于耦合低频浮动车轨迹的行程时间估计方法[D].哈尔滨工业大学.2018
[5].王晋.基于低频浮动车数据的道路行驶时间估算与路径优化[D].长安大学.2018
[6].宋承波.基于浮动车和固定检测器的路段行程时间预测方法研究[D].南京航空航天大学.2018
[7].董岳,张发明.利用低频浮动车交叉口运行状态的单车路段行程时间估计[J].测绘地理信息.2018
[8].杨强荣.基于浮动车数据的城市道路行程时间预测方法研究[D].北京理工大学.2017
[9].阮巍.云环境下基于浮动车的路段行程时间获取技术研究[D].吉林大学.2016
[10].赵斌.基于GPS的公交浮动车到站时间预测[D].北京交通大学.2016
标签：通用人工智能; 时间压力; 知识锁定标杆浮动效应; 比对主义;