基于Elman神经网络的交通数据融合模型

介绍了交通数据的概念、采集方法和特性,简单概括了的特点和作用,结合现代交通数据采集手段多样化的特点和交通数据的特性,选取融合参数并提出一种基于Elman神经网络的浮动车和WSN交通检测数据融合模型。详细介绍了模型的组成、功能和基于BP神经网络交通数据融合方法进行了对比分析,并以大连中山路星海街路段为对象,通过实际检测数据和VISSM模拟数据相结合的方法进行了实验分析。     

基于实时车速的交通控制与诱导协同

为了减小路网的总行程时间和提高路网运行效率,提出一种基于实时车速的交通控制与诱导协同模型。利用惩罚函数将有约束遗传算法转化为无约束遗传算法对所建立的协同模型进行求解,得到最佳的控制方案和诱导方案。在Vissim微观交通仿真软件中建立包含4个交叉口的小型路网进行仿真实验,仿真结果表明,此方法能够有效地减少路网总行程时间,提高路网运行效率。      

利于节能减排的交通诱导与控制时空融合算法

交通诱导与控制时空融合算法以车流量平衡为最终目标. 为使融合算法的调速过程利于节能减排, 调速应不突变, 提高低速, 保持高速, 避免拥堵. 为此, 建立了表征路网各路段车速的实时速度网, 以此为基础, 进行符合节能减排目标的交通诱导与控制的融合, 以及单时空流调速和多时空流调速. 与其他协同方法进行仿真比较的结果表明, 时空融合算法的能耗与排放明显降低.

     

基于数据融合的交通控制

为了更好地解决交通控制的相关问题,提出了一种基于数据融合的交通控制模式.针对交通控制系统的复杂性和多样性,采用数据融合技术来提高交通参数提取的准确性和有效性,并通过构造一个多级控制模型来解决不同路口之间的交通控制信号的区域协调问题.通过大量的仿真研究,初步实现了一个基于数据融合的交通控制仿真系统.仿真结果表明,所提出的数据融合方法和多级交通控制结构是合理、有效的.     

基于随机失活的循环神经网络交通事件预测

智能交通是现代交通发展的前沿领域,交通事件预测是其中的一个研究热点.传统BP神经网络模型是交通事件分析中常用的模型分析方法之一,但易陷入局部极值,不适合处理长期且连续的交通事件数据.为解决上述问题,提出使用循环神经网络处理交通事件数据,利用循环神经网络模型的有限时间长度记忆优势,构建序列数据分类模型来训练数据,采用随机失活方法去除模型的过拟合问题,通过达拉斯地区的实际流量数据验证,将预测结果与传统BP神经网络模型方法作对比.实验对比结果表明,该综合算法在预测精度和损失值方面均有较明显提升,验证了方法的有效性.     

基于协同方法的视频交通拥挤度判定

本文采用与传统模式识别不同的方法-协同模式识别对重要的交通控制参数之一交通拥挤度进行了研究,根据改进的协同模式识别模型对视频交通拥挤度进行识别,取得较好的实验效果.     

城市区域交通协调控制中的多Agent博弈研究

在进行城市区域交通协调控制过程中,管理者和出行者之间的决策过程是一种博弈行为。本文针对我国城市混合交通状态复杂多变、随机性大、具有分布式交通区域控制等特点,利用多Agent技术及博弈理论对其进行了研究,提出了一种基于博弈论的多Agent协作模型及交通Agent的基本结构,应用于解决城市区域交通控制与交通诱导的协调问题。仿真结果表明,该方法行之有效。     

基于BP网络的浮动车与线圈检测数据融合模型

浮动车技术和线圈检测技术在获取交通数据方面各有所长,为了得到更高质量的数据,需要对GPS浮动车数据与线圈检测数据进行融合。针对此问题,建立了基于BP网络的融合模型,该模型包括三个部分,即初始数据产生模块、BP神经网络数据融合模块和融合结果分析模块。模型的输入参数为线圈检测模块的行程时间、交通量和GPS浮动车检测模块的行程时间、浮动车数量,输出结果为融合后的行程时间。通过仿真试验对融合模型进行了评价,融合后的行程时间的准确度和稳定性都较高,表明数据融合模型是有效的。     

网联共享车路协同智能交通系统综述

网联车辆、交通大数据、共享出行等技术给智能交通系统的发展与应用革新带来了机遇和挑战.在全面总 结共享出行系统、网联车辆协同优化控制、交通大数据分析等领域最新研究成果的基础上,系统论述智能交通技术的研究进展,特别对智能交通系统中的交通流及出行需求预测、共享出行系统车辆调度、交通网及电网联合优化、网联车辆协调控制及车-路协同控制等方面进行全面综述.分析智能交通系统存在的问题及挑战,并对其未来发展方向进行展望.     

神经伺服控制器及其应用

提出一种新的神经网络伺服控制器,采用ＢＰ网络建立神经网络模型,依据梯度算法建立优化器,可以同时跟踪状态和控制设定变量。环城高速公路交通问题的仿真实验表明该控制器是有效的。     

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.     

并行广义神经网络的交通流预测

实时、准确的交通流预测是智能交通诱导实现的前提和关键。针对BP神经网络学习过程收敛速度慢、容易陷入局部极小的缺点,引入智能神经元组成的广义神经网络建立交通流预测模型,同时给出基于训练集分解和动态通信模式的并行学习算法来提高广义神经网络的收敛速度,并利用大连市的实际交通流数据进行预测分析。实验结果表明,并行广义神经网络能够满足交通流量预测实时性、精确性的要求,具有一定的应用价值。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

城市单路口两级加权神经网络控制系统设计

城市交通系统是一个非常复杂的非线性系统,很难建立精确的数学模型,而BP神经网络具有较强的自学习、自适应的特点,适合复杂的大系统。针对单交叉路口红绿灯控制问题,基于改进的BP神经网络算法,同时考虑关键车流和非关键车流信息,提出并设计了两级加权神经网络控制器来进行实时控制。仿真结果表明,本方法优于传统控制方法。     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上，但是由于复杂的拓扑结构和网络行为，网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据，建立一个时间相关的基于神经网络的流量模型，预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

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。     

一种新的智能变电站网络流量预测方法研究

随着智能变电站网络改造的逐步实施,智能变电站网络流程预测技术开始被业界重视起来,智能变电站网络流量一旦发生异常,将直接影响到继电保护装置动作的可靠性、快速性和灵敏性.论文首先将灰色理论和人工神经网络算法相结合,构建灰色神经网络模型并对其进行分析;然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进,提出一种基于改进的灰色神经网络智能变电站网络流量预测模型;最后以智能变电站的站控层交换机网络流量数据为例,以采集的原始频率数据为基础进行仿真验证,实验表明,该模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

基于GRU型循环神经网络的随机域名检测

随机域名是指由随机域名算法生成的域名,被针对计算机网络系统的恶意软件广泛使用,随机域名的检测任务是域名系统过滤攻击流量的基础性工作.传统方法对随机域名的检测效果不理想,精确率与召回率较低,导致过滤攻击流量时会出现较多的误判.本文提出和实现了一种基于GRU型循环神经网络的随机域名检测模型,该模型首先将域名转换成向量,然后借助GRU自动学习域名向量的特征,最后通过神经网络计算分类.相比于传统方法,该模型不再需要人工提取特征的过程,减少了特征提取的时间.且经过算法生成数据与真实场景数据的实验验证,该方法在随机域名检测任务中相比传统模型表现更加出色.     

基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。