人工免疫算法在道路交通流分析中的应用

采用人工免疫算法对珠海市人民路的交通流进行分析。首先用人工免疫算法对原始交通流数据进行压缩,然后通过聚类分析得到分类结果。仿真实验表明,人工免疫算法可以有效地减少聚类数据的冗余信息,所得到的分类结果较好地反映了交通流数据的内在结构,该算法可以作为交通控制以及交通时段自动划分的理论依据。     

基于CA的交叉口模型的仿真研究

结合我国混合交通流的实际情况,建立了二维细胞自动机交叉口交通流模型,并用VC开发了相应的仿真系统.仿真系统可以对平面十字交叉路口的多种交通流相进行了模拟分析,还能够根据交通密度变化,通过实时改变信号灯控制方案改善交通流运行状况,从而找出一种最优的交叉口信号控制方案.     

基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

基于数据挖掘算法的交通状态辨识方法研究

在分析现有交通状态辨识理论的局限性的基础上,提出了一种新的交通状态辨识模型。此模型针对每种交通状态样本数据都具有一定的相似性,不同状态之间的样本具有相异性的性质,采用数据挖掘方法中的聚类算法对不同状态的交通流数据进行聚类。所提出的模型避免了目前模型中只采用单个交通流参数进行状态识别的缺点,为交通状态的辨识提供了一种新的思路。     

基于数据挖掘算法的交通状态辨识方法研究

在分析现有交通状态辨识理论的局限性的基础上,提出了一种新的交通状态辨识模型。此模型针对每种交通状态样本数据都具有一定的相似性,不同状态之间的样本具有相异性的性质,采用数据挖掘方法中的聚类算法对不同状态的交通流数据进行聚类。所提出的模型避免了目前模型中只采用单个交通流参数进行状态识别的缺点,为交通状态的辨识提供了一种新的思路。     

路网交通流的空间聚类分析

根据道路交通流检测节点收集的交通流数据的隐含特征,可以对分布在道路网络空间中的交通流检测节点进行空间聚类分析,使空间上关联且具有相似性质的交通流聚成一类.通过交通流的空间聚类分析,发现交通流在道路网络上的空间分布模式,对于智能交通系统的区域交通信号控制、动态交通分配、路径诱导等具有重要应用价值.基于凝聚层次聚类算法思想,设计了一个高效的交通流空间聚类算法ESCA-TF. ESCA-TF无需执行复杂的空间连接和空间合并操作,其时间复杂度为O(nlogn)、空间复杂度为O(n2).在实际数据上进行实验,比较了ESCA-TF算法与其他的基于网络拓扑结构的空间聚类算法.实验证明,ESCA-TF算法具有较好的时空性能和聚类效果.     

交通流时间序列模式相似性度量法

针对交通流时间序列具有高维、高噪声的特性,设计了基于趋势变动、拟合优度和最小距离和百分比原则的联机分割算法用于时间序列维约简。对分割后的时间序列进行5元组分段线性表示,并据此定义五种常见的时间序列形状相似性距离。使用分层聚类算法分析它们在不同的交通流状态辨识中的效果,以此确定交通流时间序列的模式相似性度量方法。以上海南北高架东侧间部分路段固定线圈检测数据为例进行了实证分析,最终确定模式距离与欧氏距离组合方式为交通时序模式相似性度量的最佳方法。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

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.     

城市快速路交通流参数估计方法研究北大核心CSCD

车辆速度、密度、流量关系模型是研究交通流道路通行能力和交通运行状况的重要依据,针对真实道路车辆速度估计,展开经典交通流参数估计解析模型和基于机器学习方法模型的估计效率研究,并提出一种聚类最小二乘方法估计车辆速度。真实交通道路往往存在大量随机因素,而且现场采用的是微波监测器采集数据,导致原始数据存在极大的不确定性,因此,该方法首先对实测数据进行修复、校正和平滑等预处理;为了提高参数估计的效率和准确性,该方法采用k均值聚类对预处理后数据进行聚类;最后采用最小二乘法估计车辆速度。利用实测数据对算法进行测试,结果表明,文章所提出的算法估计效果优于经典解析模型,提高了交通流参数的估计精度,对更加精确的刻画交通流变化趋势有一定的现实意义。     

An iterative approach to enhanced traffic signal optimization

Recent advances in Intelligent Transportation Systems (ITS) provide large quantities of data that can be exploited for the development of improved traffic management systems. However, mining this data to extract useful patterns and information also presents significant challenges. In an earlier presentation we presented a novel method for optimising traffic timing plans via the use of clustering algorithms to automatically generate Time-Of-Day (TOD) intervals. By detecting time intervals which share common traffic conditions, it was possible to obtain TOD intervals which better reflect the underlying generators of traffic patterns. However, the above-mentioned procedure suffers from a problem: the data that is used to find the clusters was generated using the original traffic patterns, which means that the estimates of the true underlying TOD intervals could be inaccurate. In this paper, we present a refinement of the method which is based on iteratively re-estimating the TOD intervals. Experiments have been conducted to test the usefulness of this additional step and the results are presented and discussed in detail.     

new electrosensitive traffic light using fuzzy neural network

In the past, when there were few vehicles on the roads, the time-of-day (TOD) traffic signal worked very well. The TOD signal operates on a preset signal-cycling scheme independent of traffic conditions. It cycles on the basis of the number of average passenger cars to the memory device of an electric signal unit. Today, with the increasing traffic and congested roads, the conventional traffic light creates start-up delay time and end-lag time. A 30 to 45% efficiency in traffic handling is lost, as well as added fuel costs, since it is not optimized for today's traffic condition. To solve this problem, an electrosensitive traffic light using neural fuzzy logic is investigated. This scheme uses an electrosensitive traffic light control, which changes signal based on the passing vehicle's weight, length, and passing area. Through computer simulation, this method has been proven to be much more efficient than fixed time interval signal since the average waiting time, average vehicle speed, and fuel consumption will be improved     

基于时空势场修正多处理器城市拥堵并行聚类分析

为提升城市城市道路拥堵检测和治理效率,提出一种基于势场修正多处理器并行聚类的城市道路拥堵时空分析方法。首先,利用GIS四维空间时态数据给出城市道路拥堵的时空模型,并通过设置虚拟数据参数实现时间的低密度采样处理,获得城市道路拥堵路段时空规律性的有效检测;其次,基于势场修正法构建多处理器并行聚类方法,分别设计了距离矩阵、邻域半径和密度函数的并行化多处理计算方法,并实现了并行聚类算法设计,同时给出上述并行计算过程的计算复杂度分析定理;最后,以北京市为试验区,对所提城市道路拥堵分析算法性能进行了验证,实验结果表明,所提方法可实现城市城市道路拥堵情况的快速有效检效检测分析,可为城市道路拥堵管理提供数据支撑。     

基于分段、聚类和时序关联分析的用户行为分析

分析用户行为对网络用户的管理控制有着重要意义。用户行为实质上是一系列的数据交换过程, 最终会体现为业务流, 且这些业务流在时间上表现出一定的规律性。通过研究业务流的时序关系来分析用户行为的规律, 提出一种用户行为的分析方法。该方法分为三个阶段, 分别基于分形模型、改进的最大距离聚类法和Apriori算法进行分段、聚类和时序分析, 最终从用户的数据交换中获知用户的行为规律。实验表明, 该方法在无法获知用户消息的具体内容的前提下, 仍能较为准确地区分各类报文序列, 并能有效发现用户信息发送行为的规律。     

划时区分段的动态时间规整算法

轨迹聚类是城市交通数据挖掘的重点之一,交通轨迹聚类算法是按照一定的相似度指标将轨迹划分成若干个类簇。在复杂的路网环境下,针对目前如DTW、SDTW等相似度计算方法准确性不高的问题进行了研究,提出了一种划时区分段的动态时间规整算法（SDTW+）进行相似度计算。该算法充分考虑了轨迹形状因素,能有效提高准确性。实验部分利用不同相似度算法,并结合层次聚类算法对实际车辆轨迹进行聚类,最终以平均轮廓系数和聚类成功率为评价指标,判断不同相似度算法的聚类效果。试验结果表明,采用所提算法相对于采用DTW、SDTW的平均轮廓系数分别提高33.86%,12.94%,同时聚类成功率也得到一定提高。     

数据驱动交通响应绿波协调信号控制

传统绿波协调信号控制是一种开环控制,无法根据交通需求的变化调整配时方案.为克服传统绿波协调控制的缺点,本文提出一种数据驱动交通响应绿波协调信号控制方法.首先,针对采用混合放行的路网,考虑到排队消散时间以及放行相序对优化结果的影响,给出一种适用于路网的混合放行最大绿波带优化模型;在此基础上,引进排队消散时间相符度指标、相序相符度指标和行驶速度相符度指标,实时评价、更新控制方案,实现非饱和情况下的数据驱动交通响应绿波协调信号控制.仿真研究表明,该控制方法能适应路网交通需求的变化,极大地提高了路网的通行能力.     

基于ε-支持向量回归理论的区域交通信号智能控制

城市交通信号控制是当前智能交通领域的研究热点之一.针对区域交通信号协同控制的实时性和准确性,提出一种基于ε-支持向量回归(SVR)非线性回归理论的智能控制方法(ICSRTS).该方法在无线传感网络结构的基础上结合已有的数据汇聚算法,并采用分簇策略将区域交通控制系统建模成一类集成信息调度与控制的离散切换系统.在离散切换系统中,不仅考虑了数据包传输的网络时延和丢包率,而且观测器利用改进的ε-SVR训练方法实现对多数据源融合的交通信号状态的在线预测并通过控制器进行总体协调控制.运用Lyapunov 函数方法验证了该系统的渐近稳定性及其可调度性. 仿真结果表明,ICSRTS方法相比普通模糊神经网络控制和普通ε-SVR预测算法在交叉口平均延误时间方面具有较好的性能.因此,该方法能实时、有效地对区域交通信号进行协调控制,从而减少了区域内的交通拥堵和能源消耗.     

基于HMM时间序列预测和混沌模型的DDoS攻击检测方法

分布式拒绝服务（DDoS）攻击是网络环境中最具破坏力的攻击方式之一,现有基于机器学习的攻击检测方法往往直接将某时刻的特征值代入分类器进行分类,没有考虑相邻时刻特征之间的联系,因而导致误报率和漏报率较高。提出一种基于隐马尔科夫模型HMM时间序列预测和混沌模型的DDoS攻击检测方法。针对大规模攻击网络流量的突发性,定义网络流量加权特征NTWF和网络流平均速率NFAR二元组来描述网络流量的特点;然后采用层次聚类算法对训练集进行分类,以获取隐层状态HLS序列,利用NTWF序列和HLS序列对HMM进行监督学习获得状态转移矩阵和混淆矩阵,以预测NTWF序列;最后通过混沌模型分析NTWF序列的预测误差,结合基于NFAR的规则来识别攻击行为。实验结果表明,与同类方法相比,所提方法具有较低的误报率和漏报率。     

考虑路网OD路径的交叉口群动态划分方法

交叉口群是关联性较强的若干交叉口的集合,是路网交通流协调控制的基本单元,其动态范围划分与路网协调控制效益直接相关。在对经典Whitson路段关联性模型进行改进的基础上,考虑路网上交通流OD路径分布建立了相邻交叉口之间的路径关联性模型;基于路段或路径关联性模型计算结果,应用层次聚类方法对信号控制交叉口群进行动态划分。最后对基于路段和路径关联性的交叉口群动态划分方法进行了仿真验证和对比分析。研究结果表明,考虑路网OD路径分布动态划分交叉口群可以减少对主要OD路径的分割,从而降低路网交通流的总停车延误和停车次数。     

基于免疫算法的高速公路协调优化控制研究

为解决高速公路交通日益拥挤的状况，文中提出了基于人工免疫算法的高速公路匝道协调控制方法；针对高速公路实际情况采用字符编码方式对所有匝道依次编码，以高速公路最大流量．全局最小行程时间和入口平均等待时间三者作为抗原；搜索求得当某段意外堵塞情况时多个匝道协调控制的全局最优控制序数；最后，结合首都机场高速公路实际数据分别用免疫算法和遗传算法进行了仿真，结果表明本算法的有效性以及实时性。