时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

基于通道注意力与条件生成对抗网络的图像去雾

针对当前去雾方法存在雾残留、颜色失真等问题, 结合生成对抗网络在图像超分辨率重建的优势, 提出基于通道注意力与条件生成对抗网络图像去雾算法(CGAN-ECA). 网络基于编码-解码结构, 生成器设计多尺度残差模块(multi-scale residual block, MRBlk)和高效通道注意力模块(efficient channel attention, ECA)扩大感受野, 提取多尺度特征, 动态调整不同通道权重, 提高特征利用率. 使用马尔可夫判别器分块评价图像, 提高图像判别准确率. 损失函数增加内容损失, 减少去雾图像的像素和特征级损失, 保留图像更多的细节信息, 实现高质量的图像去雾. 在公开数据集RESIDE实验结果表明, 提出的模型相比于DCP、AOD-Net、DehazeNet和GCANet方法峰值信噪比和结构相似性分别平均提高36.36%, 8.80%, 改善了颜色失真和去雾不彻底的现象, 是一种有效的图像去雾算法.     

基于Bi-LSTM的结构变形预测

伴随着社会经济的快速发展,地铁、隧道、桥梁等建筑在人们的生活中占据的地位越来越高,预测分析建筑的结构变形数据,及时发现存在的安全隐患,至关重要.结合长短时记忆网络(Long Short Time Memory,LSTM)的优点,本文提出了一种基于双向长短时记忆网络(Bidirectional Long Short Time Memory,Bi-LSTM)的结构变形预测模型.该模型通过记忆时间节点前后的规律,预测当前节点变形数据,充分挖掘变形数据内部的关联信息.与WNN、LSTM、GRU模型进行对比,结果表明,该模型RMSE、MAPE、MAE分别下降了66.0％、61.2％、66.2％,是一种有效预测结构形变的方法.     

基于图像增强和SKNet的交通标志识别

针对现有交通标志识别系统对图像特征提取不充分和复杂情况下难以识别的问题，设计基于图像增强和SKNet的交通标志识别模型HE-SKNet。首先，采用直方图均衡化，对过亮或过暗的交通标志图像进行增强；然后使用自适应调节感受野大小的SKNet网络进行特征提取和分类。GTSRB数据集的实验结果表明，提出的HE-SKNet模型识别准确率达到了98.95%，相比ResNet、ResNeXt、SENet和SKNet准确率平均提高了2.77个百分点，验证了HE-SKNet模型自适应提取不同尺度特征的能力，更适用于过亮或过暗的复杂实际应用场景。