基于网络受限移动对象数据库的交通流统计分析模型

网络动态交通流的统计分析技术是目前移动计算及智能运输系统领域的一个重要研究方向.然而,现有的交通流统计分析方法(如基于固定传感器的方法、高空交通流监视方法、浮动车法等)存在着信息量少、数据处理复杂、精确度及效率低下、通信代价高昂等缺陷.为了有效地提高交通流统计分析的效率与精度,提出了一种基于网络受限移动对象数据库的交通流统计分析方法(network-constrained moving objects database based traffic flow statistical analysis,NMOD-TFSA).通过对移动对象所提交的位置更新信息进行联机统计,NMOD-TFSA能够实时地获取交通网络各部分的动态交通参数.由于在数据采集时考虑了道路网络的拓扑结构,NMOD-TFSA有效地降低了通信及计算的代价;此外,NMOD-TFSA所采集的数据能够反映移动对象完整的时空轨迹,因此为数据分析提供了更为丰富的信息,提高了数据处理的精度.实验结果表明,与目前通行的浮动车法相比,NMOD-TFSA有效地降低了通信及计算代价,提高了交通流统计分析的精度与灵活性.     

基于稀疏表达和RBF神经网络的交通流预测方法

准确的交通流预测被认为是智能交通系统（ITS）中一个重要的元素.针对以往仅靠人工经验在预测节点的邻近范围内进行时空关联选取,提出了一种基于稀疏表达的时空关联挖掘的方法,并应用于RBF（Radial Basis Function）神经网络进行交通流预测.它的优势在于可以基于全局的交通网数据自动地挖掘出与目标节点的传感器相关的时空关联传感器,此方法具有良好的自适应性,能应用到大的交通网中进行交通流预测.相比于从邻近范围选取时空关联传感器来进行预测的方法,拥有更好的预测性能.     

移动对象数据库模型、查询语言及实时交通流分析

提出一种移动对象数据库模型——Dynamic Transportation Network Based Moving Objects Database(简称DTNMOD),并给出了DTNMOD中基于移动对象时空轨迹的网络实时动态交通流分析方法.在DTNMOD中,交通网络被表示成动态的时空网络,可以描述交通状态、拓扑结构以及交通参数随时间的变化过程;网络受限的移动对象则用网络移动点表示.DTNMOD 模型包含了完整的数据类型和查询操作的定义,因此可以在任何可扩充数据库(如PostgreSQL 或SECONDO)中实现,从而得到完整的数据库模型和查询语言.为了对相关模型的性能进行比较与分析,基于PostgreSQL 实现了一个原型系统并进行了一系列的实验.实验结果表明,DTNMOD 提供了良好的区域查询及连接查询性能.     

基于精确传感网络的智能交通系统交通流模型

首先介绍了基于精确传感网络的智能交通系统(ITS)相对于传统交通流传感器网络的优势;然后基于组合预测理论对这类网络的基本交通流模型进行了研究,在模型中引入了更加精确的交通流物理量,包括旅行时间、路段上游及下游的分类交通流量等变量,使所建立模型的可解释信息量更加丰富和易懂,该模型算法为动态算法。交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9s以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。最后总结了基于精确传感器网络的智能交通系统在实际交通应用中的重大价值。     

基于雷视一体机的交通流数据采集系统设计

交通流数据是进行交通管理宏观决策的基础数据,交通流数据采集系统是交通管理信息化智能化的重要组成部分。随着我国交通领域的蓬勃发展,交通流量激增、高速交通拥堵、交通事故等突发事件频发,为此,设计一套实时性好、准确度高的交通流数据采集系统是十分必要的。论文基于雷视一体机开发了一套高速公路交通流数据采集系统,采用端-边-云分级传输的物联网架构,并结合了自主研发的雷视一体机,采用CNN神经网络技术提取图像信息后,在边缘计算机中通过一维数据最优估计、多传感器数据匹配、多传感器双向最优估计、多传感器目标特征融合的软件工作流程,将雷达与监控相机提取到的信息进行最优化估计,准确提取道路目标交通信息,仅将处理后的特征信息上传至云端服务器,实现交通流数据的精确、实时采集。系统试运行结果表明,该基于雷视一体机的交通流数据采集系统能够有效提高检测准确性,加强检测结果的实时性。     

一种支持移动对象的GIS-T通用时空模型

交通系统具有时空动态特征,对象间关系复杂,多类应用共享相同的空间和实时交通流数据,多参照系统并存。为真实表达交通系统的动态特征和复杂关系,避免数据重复采集和管理,实现多参照系统、多类数据的集成和共享,提高数据综合使用价值,综合多类交通应用的共同特征,提出了一种支持移动对象的网络时空数据模型STMNMO。     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.     

基于神经网络的多传感器融合PDR定位方法

针对当前行人航位推算系统因行人随意性行走、传感器漂移等造成行人步长估计不精确、方向计算误差累积问题,提出了一种基于神经网络和智能手机内置多传感器融合的PDR室内定位方法.首先利用加速计采集的传感器数据和移动距离数据训练BP神经网络,将训练好的BP神经网络模型进行行人移动距离预测,然后根据行人行走步伐的连续性特点和传感器输出之间的相关性,设计了一种微航向角融合的方向估计算法.该算法通过对行走过程中的情况进行分类以获得可靠的传感器源,利用3种微航向角进行分类加权融合,最终获得行人行走方向的精确估计.实验结果表明,通过行人移动距离预测和微航向角融合算法能够实现得较好的定位效果.     

空间网络环境下的移动范围查询技术的研究

随着无线通信技术、移动定位技术和互联网的不断发展,在智能交通系统、自助旅游服务、数字化战场等应用中,时空数据管理,特别是对时空查询的处理受到了广泛关注.此领域中的已有研究工作涉及的范围很广,然而大部分技术都是针对欧式空间以及精确位置提出的.但在实际的情况下,对象的移动方向和轨迹通常是受(河流、公路等)限制的.本文定义了两种空间网络环境下的移动范围查询.针对这两种范围查询,提出基于“有效区间”概念的增量处理方法.并采用真实的路网数据集和模拟的对象集合分布,验证了算法的高效性.     

基于时空图卷积循环神经网络的交通流预测

针对交通流预测模型中路网空间结构刻画和交通流时空特性挖掘不充分的问题,构建一种新型的有向时空图,通过定义节点相对临近度来表征路网结构关系,通过学习邻域节点对预测节点的影响权重来表征节点间时空维度的作用关系,从而能更好表达交通流的时空特性.将时空图作为预测模型的输入,采用图卷积获取交通流数据空间依赖关系,采用门控循环神经网络获取交通流数据的时空依赖关系,建立一种基于时空图卷积循环神经网络的交通流预测模型(STG-CRNN).在美国公路交通数据集上对模型预测效果进行验证,其结果表明:STG-CRNN模型的预测结果在平均绝对误差、均方根误差和平均绝对百分误差方面,均优于自回归移动平均模型、门控循环单元模型,以及扩散卷积循环神经网络模型.