一种改进的一维元胞自动机交通流模型

在一维交通流元胞自动机NaSch模型的基础上,考虑到不同车辆的驾驶员在敏感驾驶随机减速行为过程中其延迟概率是不同的,从而提出了一种改进的一维敏感驾驶元胞自动机交通流模型。根据所给出的车辆状态演化的并行更新规则进行了计算机仿真,模拟得到的基本图表明,与NaSch模型、SDNaSch模型相比,道路交通流量有较大的提高,而且还展现了亚稳态、相分离等复杂的实际交通现象。     

NS模型的随机特性及其在LWR模型中的应用

本文改进了微观一维随机元胞自动机交通流模型（NS模型）的控制规则,将NS模型中的随机特性作为一个随机参量运用到宏观一阶连续交通流模型（LWR模型）中,重新构建了LWR模型的交通流基本图.在实测交通流数据基础上,应用NS模型和引入随机参量的LWR模型进行了计算机模拟和分析.     

NS模型的随机特性及其在LWR模型中的应用

本文改进了微观一维随机元胞自动机交通流模型(NS模型)的控制规则,将NS模型中的随机特性作为一个随机参量运用到宏观一阶连续交通流模型(LWR模型)中,重新构建了LWR模型的交通流基本图。在实测交通流数据基础上,应用NS模型和引入随机参量的LWR模型进行了计算机模拟和分析。     

面向路网交通流态势预测的图神经网络模型

融合了路网结构的交通流态势预测是一个高度非线性化且复杂的时空动态相关性的时序数据预测问题.然而,传统交通流态势预测方法无法建模交通网络中长时间序列数据间的时空相关性.针对交通路网交通流态势预测问题,提出了一种基于图结构的交通流预测深度学习模型.首先,基于图小波变换定义图小波卷积算子,设计了面向路网交通流态势预测的图小波卷积神经网络模块;其次,结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型,以捕获交通网络的动态时空相关性;最后,采用叠加多层图小波神经网络模块的策略,构建了一种面向路网交通流态势预测的图小波卷积神经网络模型.实验结果表明,该网络模型在数据集上的性能优于现有的基线模型.通过图小波变换矩阵与傅里叶变换矩阵非零元素统计对比实验,发现基于图小波变换定义的卷积运算更具稀疏性.因此,基于图小波变换定义的卷积运算更有助于提升交通流态势预测模型的计算效率.     

蛋白质相互作用网络演化模型研究进展

研究蛋白质相互作用网络的演化机制及模型对于理解生物系统的进化及组织形成过程具有重要的意义。到目前为止,已经出现了多种依赖不同演化机制的蛋白质相互作用网络演化模型,这些模型有针对性地体现了真实蛋白质相互作用网络中出现的某些拓扑特征,但同时也具有一定的局限性。通过对典型蛋白质相互作用网络演化模型进行研究,从模型的构建机理、演化模型及真实蛋白质相互作用网络的拓扑特征等方面进行了分析和比较,并总结了各个模型的特点。最后,对蛋白质网络演化模型的进一步发展提出了自己的看法,为深入理解蛋白质相互作用网络演化模型提供有益参考。     

利用模糊时间序列进行短时交通流预测

短时交通流预测在交通控制中起着基础的作用.本文利用模糊时间序列提出了一种新的短时交通流预测模型,并且在此模型基础上提出了一种算法.此算法和以往算法最大的不同就是能够处理历史数据是语言变量的预测问题.最后通过北京紫竹桥的实测数据和其它预测算法比较验证了本文提出算法的有效性和实用性.     

基于演化硬件的交通流模型自适应优化

BML模型是用于研究城市路网结构中交通流特征的细胞自动机模型。基于软件的模拟及演化优化方式存在着运算效率低、优化速度慢等缺陷,极大地限制了交通流模型的实时应用能力。针对这一问题,提出将演化硬件与细胞自动机相结合,实现交通流模型的在线演化。同时对I3ML模型进行了改进,以便能够依据现实车流状况进行交通灯信号的自适应调节。实验结果表明,将演化硬件技术用于交通流模型的自适应优化,对于研制智能交通系统是一种可行的途径。     

基于元胞自动机的自行车流模型

研究交通系统中自行车流模型问题,为克服传统交通流模型难以表达自行车不遵循车道随机蛇行和穿插特性,能获得精确自行车交通流参数的问题,提出一个新的基于元胞自动机理论的自行车流模型.在对自行车元胞空间结构及状态值等参数进行重新定义的基础上,模型中创新地引入随机偏移概率来描述自行车骑行时的随机蛇行与穿插行为.在模型中引入不同随机偏移概率值来仿真,对所获得交通流参数分析,认为蛇行及穿插行为使自行车流容易发生阻塞并降低了车道通行能力,结果表明,符合自行车流的观测统计特征和客观现象,说明引入随机偏移概率的合理性.模型为进一步研究混合交通流阻塞形成机理提供了一种可靠方法.     

关于无线传感网络演化模型抗毁性分析

抗毁性是评价无线传感网络拓扑结构的重要性能之一,如何构建一个健壮的网络显得尤为重要.基于复杂网络理论,提出一种关于节点度、剩余能量、传输距离的网络演化模型,简称DEDA.同时引入了几种适合无线传感网络的指标来评价网络的抗毁性.利用计算机仿真技术,比较了不同模型演化所形成的网络拓扑结构在随机和故意攻击下的抗毁性.实验结果表明,DEDA模型演化形成的无线传感网络在随机攻击和故意攻击下提供了更好的抗毁性.     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

基于MT发生器的车辆生成模型构建与仿真

针对交通流仿真技术中广泛使用的线性同余发生器在周期长度和随机性方面的不足,引入MT随机数发生器,通过性能评价验证其优越性,然后在空闲和拥挤两种交通状态下,基于MT发生器产生的随机数,应用不同的随机分布构建相应的随机发车模型。在VC环境下开发车辆生成程序进行仿真实验,将仿真数据与实测数据进行对比分析,结果表明,基于MT发生器的随机发车模型更好地逼近了实际交通状态。     

The direct simulation Monte Carlo method applied to a Boltzmann-like vehicular traffic flow model

In this paper a direct simulation Monte Carlo (DSMC) method is applied to a spatial homogeneous mesoscopic vehicular traffic flow model, based on a Boltzmann-like master equation. In contrast to gas kinetics, where in a collision a velocity jump change occurs, the interaction now changes the acceleration value of the following car in a leading car pair. There are no conservation laws in a single interaction. Therefore the Bird simulation scheme seems not to be the right choice for the approximation of the interaction integral. It is shown that a Nanbu like scheme is natural for this process. To avoid the typical double loop computational effort of the Nanbu scheme, a sampling algorithm developed by Babovsky is applied. Several car interaction profiles are examined and their resulting stochastic equilibrium solutions are discussed. First, simple interaction profiles are used to compare the simulation results with analytic calculated velocity distributions showing excellent agreement. Second, a realistic distance threshold interaction profile is applied to the simulation and the results are shown to be in qualitative agreement with measured traffic flow data. The simulation procedure seems to be applicable to study the influence of different interaction profiles to the macroscopic vehicular traffic flow quantities in stochastic equilibrium.     

Probabilistic Description of Traffic Flow

The study of traffic flow is investigated by different means. Well established theories are (i) kinematic models based on partial differential equations to describe traveling density waves, and (ii) deterministic models using nonlinear car‐following equations to determine trajectories of moving cars, as well as (iii) large-scale simulation hopping models like cellular automata. An important intermediate approach is (iv) the stochastic or probabilistic attempt to understand phenomena like “Stau aus dem Nichts” (phantom jam) on long crowded roads. Initiated by the old argument that road traffic is a stochastic process, we develop a new probabilistic theory based on Markov processes to improve our understanding of traffic flow and its three phases (free flow, synchronized motion, wide moving jams) discovered by Kerner. As an introductory example, first we consider a dissolution of a car queue described by the stochastic master equation as a one-step decay process. Furtheron more realistic models are developed to investigate the nucleation, growth and condensation as well as dissolution of car clusters on a circular one-lane freeway. In analogy to usual aggregation phenomena such as the formation of liquid droplets in supersaturated vapour the clustering behavior in traffic flow is described by the master equation. At overcritical densities the transition from the initial free particle situation (free flow of vehicles) to the final congested state, where one or several big aggregates of cars have been formed, is shown. In dependence on the concentration of cars on the road the stationary solution of the master equation is derived analytically. The obtained fundamental diagram as flow-density-relation indicates clearly the different regimes of traffic flow (free jet of cars, coexisting phase of jams and isolated cars, highly viscous heavy traffic). In the (thermodynamic) limit of infinite number of vehicles on an infinite long road the analytical solution for the fundamental diagram is in agreement with experimental traffic flow data. As a particular example we take into account measurements from German highways presented by Kerner and Rehborn.     

一种利用UKF的高速公路实时交通状态估计方法

把无轨迹卡尔曼滤波器（UKF）和宏观随机交通流模型结合在一起,可以实现对高速公路交通状态的实时估计。高速公路被看作是由等距离的路段首尾相接而成的系统,每个路段中交通变量的更新不光与其自身有关,还受到相邻路段的影响。交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。采用压缩状态空间的形式,将模型参数也作为交通状态而非常量进行估计。仿真结果表明UKF方法能够有效地估计和跟踪交通状态的变化,并且与扩展卡尔曼滤波方法相比具有更高的精确度。     

Traffic Dynamics and Mode Choice’s Delay Effect Under Traffic Restriction in Two-Mode Networks

Day-to-day traffic assignment models provide a powerful tool to analyze the time evolution of traffic flow within transport networks. In day-to-day dynamics, most models assume that there are only private cars on traffic networks and travelers update their choices each day. However, there are mainly two traffic modes, i.e. cars and buses, and travelers may not change their mode choices frequently. In this paper, a period-to-period traffic assignment model is proposed to capture traffic dynamics under traffic restrictions by considering interactions among different modes and introducing a delay about travelers’ mode choice. The existence and uniqueness of the equilibrium are analyzed. The linear stability of the equilibrium is analyzed and the eigenvalue range of Jacobian matrix is estimated by using the Gershgorin circle theorem. Both theoretical analyses and numerical simulations indicated that compared to the system with no mode choice, mode choice behaviors could improve the stability of the equilibrium. Additionally, mode choice behaviors with delay might further increase the stability domain and dampen oscillations on the cost and the flows. This study explains the evolution patterns of transportation networks under traffic policy and provides guidance for network design and management.

     

基于动态扩散卷积交互图神经网络的网络流量预测

现有的网络流量预测模型存在着泛化能力弱和预测准确率低等问题,为了解决此问题,提出了一种结合动态扩散卷积模块和卷积交互模块的预测模型。动态扩散卷积模块可以提取网络流量中复杂的空间特征和动态特性,而卷积交互模块则能捕获到流量中的时间特征,两者的有机结合可以有效预测网络中的流量。通过与其他网络流量预测模型在美国能源科学网（ESnet）流量数据上进行对比实验,验证了提出的动态扩散卷积交互图神经网络模型（DDCIGNN）的有效性。实验结果表明,DDCIGNN模型的均方根误差（RMSE）在最好的情况下优化了大约13.0％,说明该模型能够进行更有效的网络流量预测。     

The role of stochastic programming in communication network design

Conventional design and optimization methods are being challenged by the rapid evolution of electronic and optical communication networks. It becomes necessary to incorporate the stochastic effect of traffic flows into network models. This paper introduces the stochastic programming (SP) methodology to characterize the stochastic traffic. A multi-commodity network model is proposed. Two SP approaches, here-and-now and scenario tracking, are described through case studies for a prototype network.     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

基于时空信息的交通流预测

交通流量预测是城市道路交通信号控制中的重要组成部分。为了提高预测的准确性,基于路口视频检测器数据,提出了一种交通流量预测的交通数据分析方法。随着逐年提高的计算能力,深度学习方法进行短时交通流预测越来越流行,经典的交通流量预测方法通常只能根据被预测道路自身的数据进行分析和决策,而往往较少考虑由同一区域不同道路之间的交通流量关联性。基于城市核心路网交通数据,提出一种基于时空信息的TS-LSTM模型,并与其他经典模型进行比较,所得出的结果验证了相比其他方法而言,该模型具有较高的预测精度。