多交互车辆轨迹预测研究

现有的车辆轨迹预测大多是单目标轨迹预测,无双向交互和关系推理,不能实现混合实体的交互建模。针对上述问题,结合强化学习的Q-learning算法和深度学习的LSTM网络,设计一个完全可扩展的轨迹预测模型Q-LSTM。该模型中,LSTM网络捕获了车辆轨迹的时间特性,而Q-learning算法则表示了多车辆的交互过程,因此Q-LSTM模型可以实现随机数量车辆多交互建模,并且在长期交互车辆轨迹预测中保证精确度。另外模型中考虑了车辆长宽与坐标之间的关系,避免出现异常的碰撞现象,适合用于多类型车辆轨迹预测的场景。在公开数据集HighD上进行了模型的性能分析实验,实验结果证明Q-LSTM模型在较长期交互车辆轨迹预测精度和减少碰撞现象等方面具有一定优势。     

出租车合乘多目标优化方法研究

出租车合乘是缓解我国日益严峻的交通拥堵问题的重要手段。为高效解决出租车合乘问题，综合考虑出租车车辆总数、乘客等待时长、车辆运输总里程数三个指标，建立了优化这三个指标的数学模型。在此基础上，基于NSGA-II算法设计和实现了解决该优化问题的多目标遗传算法。最后，在某城市某日某时刻3 min之内的打车需求数据上对模型和算法进行了实验验证。实验结果表明，该模型与算法能带来较高的合乘发生率和较满意的合乘利润率，具有较好的合乘效益。     

基于时空相关属性模型的公交到站时间预测算法

公交车辆到站时间的预测是公交调度辅助决策系统的重要依据,可帮助调度员及时发现晚点车辆,并做出合理的调度决策.然而,公交到站时间受交通拥堵、天气、站点停留和站间行驶时长不固定等因素的影响,是一个时空依赖环境下的预测问题,颇具挑战性.提出一种基于深度神经网络的公交到站时间预测算法STPM,算法采用时空组件、属性组件和融合组件预测公交车辆从起点站到终点站的总时长.其中,利用时空组件学习事物的时间依赖性与空间相关性.利用属性组件学习事物外部因素的影响.利用融合组件融合时空组件与属性组件的输出,预测最终结果.实验结果表明,STPM能够很好地结合卷积神经网络与循环神经网络模型的优势,学习关键的时间特征与空间特征,在公交到站时间预测的误差百分比和准确率上的表现均优于已有的预测方法.     

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。     

基于MS-YOLOv3的车辆目标实时检测算法

检测车辆目标是交通监控系统中一项具有挑战性的任务,针对实时检测算法YOLOv3车辆目标检测精度低的问题,提出一种融合多尺度特征的目标检测算法MS-YOLOv3.在特征提取阶段,将位置信息明确的浅层特征与语义丰富的深层特征进行多尺度融合,增加深层特征的位置信息,提高模型检测精度;在预测阶段,使用转置卷积操作替换最近邻插值法作为新的上采样方法,增强网络学习性,进一步提升模型检测精度.在不同数据集上的实验表明,MS-YOLOv3算法在精度和速度上均能获得较高的检测性能.     

考虑交通拥堵规避的低碳时变车辆路径问题研究

针对时变路网条件下的低碳车辆路径问题,首先,分析车辆离散行驶速度与连续行驶时间之间的关系,依据“先进先出”准则设计基于时间段划分的路段行驶时间计算方法,引入考虑车辆速度、实时载重、行驶距离与道路坡度因素的碳排放计算函数;然后,在此基础上以所有车辆的碳排放量最小为目标构建低碳时变车辆路径问题数学模型;最后,引入交通拥堵指数,设计交通拥堵规避方法,并根据模型特点设计一种改进蚁群算法求解.实验结果表明,所提出方法能有效规避交通拥堵、缩短车辆行驶时间、减少车辆碳排放,促进物流配送与生态环境和谐发展.     

主/客观证据融合模型在洪水预测研究中的应用

文章提出了BP神经网络联合与DS证据推理相融合的模型,实现了多个领域不同层次的全部主/客观证据的特征级融合,还实现了多个模型的优势互补。解决了单一模型洪水预测问题存在的算法复杂度高,分类准确率低等问题。通过实验得出,主/客观证据融合方法不仅提高了12%的分类精度,还降低了算法的时间复杂度。     

基于利用BP神经网络进行Stacking模型融合算法的电力非节假日负荷预测研究

短期负荷预测尤其是非节假日负荷预测对提升电力系统整体调度、支撑电网运营工作起着十分关键的作用。目前针对非节假日负荷预测的理论、方法和应用层出不穷,但是预测精度和使用范围都受到一定限制,并且经济发展对短期负荷预测的精度提出越来越高的要求,传统的机器学习算法已经难以满足人们的需求。为了提高负荷预测的精度,本文提出了利用BP神经网络进行Stacking模型融合算法,它是基于集成学习的思想,首先挑选五种预测精度较高的单模型,然后利用Stacking模型融合方法将其集成为预测精度更高的综合模型。本文采用此算法预测某省2018年非节假日负荷,结果表明该算法可以有效提高预测精度。     

基于神经网络的链路预测算法

针对当前基于网络拓扑结构相似性的链路预测算法普遍存在精确度较低且适应性不强的问题,研究发现融合算法能够有效改善这些问题。提出了一种基于神经网络的融合链路预测算法,主要通过神经网络对不同链路预测相似性指标进行融合。该算法使用神经网络对不同相似性指标的数值特征进行学习,同时采用标准粒子群算法对神经网络进行了优化,并通过优化学习后的神经网络模型计算出融合指标。多个真实网络数据集上实验表明,该算法的预测精度明显高于融合之前的各项指标,并且优于现有融合方法的精度。     

基于车辆构成和特征提取的交通状态预估模型

准确的交通状态预估有利于车辆选择合理交通路线,缓解交通拥堵状态。针对传统方法特征提取不充分、预估准确度依赖于监测器精度等问题,提出了一种基于车辆构成和特征提取的交通状态预估模型。该模型以速度、流量、占用率和大型车辆比重为输入,将交通状态分成畅通、拥挤和拥堵三种状态,结合时间空间维度来预估交通状态。通过卷积神经网络（Convolutional Neural Network,CNN）提取交通拥堵特征,得到的特征输入支持向量机（Support Vector Machine,SVM）进行交通状态预估。实验表明,考虑车辆构成比忽略车辆构成准确率提高112%,CNN-SVM模型预估准确度比CNN模型提升225%,是一种有效的交通状态预估模型。     

隐马尔可夫模型的道路拥堵时间预测

道路车辆拥堵问题导致交通事故增加,降低了居民的出行效率,长时间的道路拥堵更是加重了环境污染,造成国家经济损失等诸多问题。为缓解城市道路交通的拥堵问题,提高出行效率,基于隐马尔可夫模型,针对已有道路拥堵时间数据进行采集与建模,并对该隐马尔可夫模型进行训练,通过算法计算与分析,预测未来一段时间的道路拥堵情况,为人们的出行提供拥堵时间预测,而后提出不同时段通过道路用时最短的最优路径。对韦尔奇算法进行改进,在原算法基础上增加考虑前[n]时刻状态。利用改进型韦尔奇算法,使得训练集参数更精确,达到预测精度更高的目的。实验结果表明,预测数据结果与真实数据相比,误差不超过3%,该模型预测结果具有较高准确性。     

基于多组件融合与空洞图卷积的车道占用率预测模型

为解决交通拥堵和交通硬件资源分配不足等问题,提出一种基于多组件融合与空洞图卷积的车道占用率预测模型MCFDGCN。针对交通数据的非线性和受多种隐式因素影响的特点,利用图卷积提取交通数据的空间相关性,使用空洞卷积提取时间依赖特征,将车流量和车辆速度作为2个隐式因素引入模型中,对多组件提取的影响车道占用率的多模态特征进行融合,以完成车道占用率预测任务。在PeMS7（O）、PeMS7（4）数据集上进行实验,结果表明,与HA、ARIMA等模型相比,MCFDGCN模型预测误差较低且误差增长较缓慢,能实现更精准的车道占用率预测。     

双参卷积理论模型预测交通通行时间

随着城市经济的发展和人们生活节奏的加快,智慧交通领域针对出行时间的研究已经成为热点问题。出行前预估行程中的通行时间便于人们更合理地规划出行路径,基于时间状态特征的路径规划就是解决交通问题的重要手段之一。现有模型多关注于车辆到达时间或多结合于真实历史时间数据进行预测,对浮动车的运行状态、车速等是否对时间存在影响的问题研究较少。基于此现状,提出了一种基于状态特征的道路时间预测模型,在固定时段内,利用出租车载客与否情况对轨迹数据进行深度相关性分析,结合车辆行驶速度构建一个基于密度划分的双参卷积理论模型,用得到的最终速度值对通行时间进行计算。实验结果表明该模型算法与传统时间预测算法相比有更高的精确度和实用性,提高了人们对出行安排的合理化和层次化,对制定城市道路出行策略具有重要的意义。     

基于云网格集成调度的防拥堵车辆路径规划算法

在道路交通路网中,车辆拥堵问题是流量与路网结构之间相互作用的一个复杂动态过程,通过车辆路径规划,实现对路网网格集成调度,从而提高路网通行吞吐量。传统方法采用并行微观交通动态负载平衡预测算法实现车辆拥堵调度和车辆路径规划,不能准确判断路面上的车辆密度,路径规划效益不好。提出一种基于云网格集成调度的防拥堵车辆路径规划算法,即构建基于Small-World模型的云网格路网模型,采用RFID标签信息进行路况信息采集,实现交通网络拥堵评估信息特征的提取,采用固有模态函数加权平均求得各车道的车辆拥塞状态函数,对所有车道内车辆密度取统计平均可获得簇内的车辆密度。设计交通路网拥堵检测算法来对当前个体道路信息进行一维邻域搜索,从而实现车辆路径规划控制目标函数最佳寻优。通过动态博弈的方式求得车辆防拥堵路径的近似最优轨迹,实现路径规划算法的改进。仿真结果表明,该算法能准确规划车辆路径,实现最优路径控制,从而提高严重拥堵路段的车流速度和路网吞吐性能,性能优越。     

分步式滤波在短时交通流预测中的应用

用基于分步式滤波的多传感器动态系统数据融合算法建立了短时段交通流量预测模型,并与传统的卡尔曼滤波算法在计算复杂度上进行了比较。利用澳大利亚某高速公路所采集的数据进行了预测仿真实验。实验结果表明该算法确保了预测精度,同时简化了计算量,提高了响应速度,可以实现对交通流的实时预测。     

针对小规模数据集的多模型融合算法研究

目前,对小规模数据集进行预测时,主要使用传统机器学习算法,但传统单一模型预测效果不能达到预期准确率,且无法兼顾多项评价指标。因此,文中以小规模数据集为研究对象,融合决策树、逻辑回归、支持向量机三类模型,提出了一种多模型融合算法,并分析了其在小规模数据集上的应用效果。首先,简述了决策树、逻辑回归和支持向量机的算法原理;其次,使用决策树、逻辑回归和支持向量机作为基学习器并完成单独训练,将各模型输出结果用于下一阶段模型输入,同时使用最大似然估计迭代优化参数,从而完成多模型融合过程;最后,对数据集进行分析和处理,通过实验与单一模型进行指标对比。实验结果表明,多模型融合算法在预测精确率、召回率、准确率等方面有明显提升。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于多模型数据融合算法的木材干燥过程建模

提出了一种适合木材干燥过程建模的多模型数据融合算法,通过该方法构建了数据融合模型。分别用BP神经网络和动态递归网络建立了木材干燥基准模型,利用自适应加权算法对两模型输出进行融合,通过实验干燥数据仿真表明:融合后的木材含水率预测值的方差为0.125 3,高于任何一个单独模型的预测精度。     

Urban traffic congestion estimation and prediction based on floating car trajectory data

Traffic flow prediction is an important precondition to alleviate traffic congestion in large-scale urban areas. Recently, some estimation and prediction methods have been proposed to predict the traffic congestion with respect to different metrics such as accuracy, instantaneity and stability. Nevertheless, there is a lack of unified method to address the three performance aspects systematically. In this paper, we propose a novel approach to estimate and predict the urban traffic congestion using floating car trajectory data efficiently. In this method, floating cars are regarded as mobile sensors, which can probe a large scale of urban traffic flows in real time. In order to estimate the traffic congestion, we make use of a new fuzzy comprehensive evaluation method in which the weights of multi-indexes are assigned according to the traffic flows. To predict the traffic congestion, an innovative traffic flow prediction method using particle swarm optimization algorithm is responsible for calculating the traffic flow parameters. Then, a congestion state fuzzy division module is applied to convert the predicted flow parameters to citizens’ cognitive congestion state. Experimental results show that our proposed method has advantage in terms of accuracy, instantaneity and stability.     

一种基于GM(1,1)的分簇WSNs拥塞检测与控制方案

针对分簇结构WSNs下中继簇首流量负担过重易引发局部拥塞的问题,提出了一种基于簇首数据吞吐量短期预测的拥塞检测与控制算法CMETR.该算法通过建立GM(1,1)灰色模型分析流经各簇首的当前流量,预测簇首未来的拥塞程度,并以调整簇内节点数据采集频率的方式减小簇首的数据传输压力,从而达到控制网络拥塞的目的.仿真结果表明:该算法有较好的预测精度,对即将到来的网络拥塞能够进行提前处置,且在网络繁忙时能够缓解链路压力,相对CODA算法有更好的稳定性和能耗特性.