基于长短期记忆网络的高速公路车辆变道轨迹预测模型

高速公路车辆车速、车距、行驶方向等因素都是动态变化的,受外界环境干扰,采集到的目标车辆状态特征数据可能存在噪声,导致车辆变道轨迹预测存在误差,为此提出基于长短期记忆网络的高速公路车辆变道轨迹预测模型,有效预测高速公路车辆变道轨迹,改善车辆行驶条件,保障其安全运行。通过激光雷达、GPS等装置采集目标车辆交通数据,将其合理组合成目标车辆状态观测特征向量,并构建相应的特征向量矩阵,将所构建目标车辆状态观测特征向量矩阵作为1层卷积神经网路输入,提取目标车辆状态观测特征向量潜在特征后,以1层卷积神经网络输出结果为双向长短期记忆网络有效输入,经过无数次模型训练后,输出目标车辆变道轨迹预测结果。实验结果表明:该模型可有效预测高速公路车辆变道轨迹,预测出的轨迹横纵坐标误差极低,能够得到较为理想的高速公路车辆变道轨迹预测结果。     

基于多项式的智能车辆换道轨迹规划

以智能车辆换道过程为研究对象,提出一种基于多项式理论的车辆换道轨迹规划算法。该算法采用矩形对换道车辆及障碍车辆进行包裹,结合换道车辆的边界条件由以时间为参数的多项式计算得到换道轨迹。由该算法生成的换道轨迹符合四段式车道变换模型,并适用于复杂道路环境。新算法将复杂道路环境中期望换道轨迹的求取问题转换为单一参数求取问题,简化了计算,同时考虑了车辆动力学限制对生成轨迹的影响。计算机仿真验证了算法的正确性及有效性,尤其是在复杂路面情况下体现了该换道轨迹规划算法的优势。     

融合变道意图识别的车辆轨迹预测GAN模型

车辆轨迹预测能够有效降低车辆轨迹突变造成的碰撞风险,是实现安全驾驶的关键技术之一.针对传统轨迹预测算法缺乏对驾驶员意图分析的问题,本文提出了一种融合生成对抗网络和驾驶意图识别的车辆轨迹预测模型.该模型基于生成对抗网络框架预测车辆轨迹,并引入基于深度神经网络的变道意图识别模块识别驾驶员的变道意图.通过在公开数据集NGSIM上与LSTM、S-LSTM、CS-LSTM和S-GAN模型进行对比试验,实验结果表明与其他轨迹预测模型相比,本文提出的CS-DNN-GAN模型具有较好的预测精确度.     

多模型融合的换道意图识别研究

快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别框架主要包括输入处理与换道意图识别两部分。输入处理部分对车辆轨迹数据进行清洗、贴标、切片以及one-hot编码。换道意图识别部分则具体提出BiLSTM-F(BiLSTM-fusion)模型,在该模型中将注意力机制（attention mechanism）引入双向长短期记忆网络（BiLSTM）,对输入处理部分的输出信息进行权重划分,使模型能将注意力更加集中于对换道意图影响较大的特征信息上,最后引入条件随机场（conditional random field）,充分学习输入数据的前后依赖性并快速找出全局最优的换道意图。实验中使用公开数据集NGSIM进行训练并评估,验证结果表明该模型的准确率最高能达到97.19%,并且可在车辆到达换道点前2 s识别车辆的换道意图,准确率为94.16%。与基线换道意图识别模型相比,所提出模型的准确率、损失、F1值和稳定性均优于基线模型。     

基于隐马尔可夫模型的攻击意图识别技术研究

攻击意图识别是海量报警数据处理的重要技术。隐马尔可夫模型HMM能够很好地对复杂攻击行为建模,但对含干扰因素报警序列的攻击意图识别效果不够理想。本文为此提出了改进方案,并根据攻击意图识别的特殊性定义了新的解码问题,设计了解码算法。     

面向消除通信时延的车辆轨迹多步预测方法

现阶段的车路协同测试环境下通常采用具有实时性特征的系统,为了解决车路协同测试的实时系统中容易出现通信时延问题,本文提出一种面向消除通信时延的车辆轨迹多步预测方法,通过构建LSTM神经网络模型,将高频采样序列进行拆分和重组后对其建立新的序列,并按照不同间隔的差分序列逐条输入,经过对各序列下轨迹点的单点预测,形成未来一段距离的车辆行驶轨迹,进而实现车辆轨迹的多步预测。实验结果表明,本文提出的多步轨迹预测方法能够消除93.94%的通信和系统时延,并且多步轨迹预测相比于单步轨迹预测在中远距离下的MSE增长率减少了7.47个百分点,具有很好的时延消除特性和误差控制能力。     

大数据环境下移动对象自适应轨迹预测模型

已有的轨迹预测算法针对移动对象运动模式,使用数学模型进行交通流模拟,难以对路网中的移动对象进行准确的描述.为了解决这一问题,提出基于隐马尔可夫模型(hidden Markov model,简称HMM)的自适应轨迹预测模型SATP(self-adaptive trajectory prediction model based on HMM),对大数据环境下移动对象海量轨迹利用基于密度的聚类方法进行位置密度分区和高效分段处理,减少HMM的状态数量.根据输入轨迹自动选取参数组合,避免HMM模型中隐状态不连续、状态停留等问题.实验结果表明,SATP模型在实验中表现出较高的预测准确性,并维持较低的时间开销.针对速度随机改变的移动对象,其平均预测准确率为84.1%;相同情况下,平均高出朴素预测算法46.7%.     

一种基于轨迹分布模式的网络机器人用户意图识别方法

在Internet移动机器人遥操作系统中,网络本身的不确定性是影响系统性能和用户操作效果的一个重要因素。提出了一种新的基于轨迹分布模式的方法,能对用户意图进行建模和识别,利用网络机器人的本身的自主性削弱网络不确定性给系统带来的不良影响。通过实验验证,发现这种方法能够较好地识别出用户的控制意图,并根据识别结果自主执行用户期望完成的任务,从而改善了用户的操作体验和机器人接受用户操作的表现,提高了遥操作系统的效率。     

E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解,得到若干固有模态函数（IMFs）和一个残差（Res）,降低了股票价格数据的非平稳性和非线性;使用样本熵（SampEn）对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。     

基于LSTM-RPA音乐流行趋势预测研究

大数据背景下的音乐历史数据蕴含丰富的时间信息和用户行为信息,通过分析音乐艺人和听众行为数据,可以较为精准地预测音乐播放量走势,进而预测音乐流行趋势。传统的时间序列预测模型可以准确预测短趋势,但在长趋势预测中受历史信息衰减的影响,难以获得较好的效果。针对LSTM在音乐长趋势预测中历史信息衰减的问题,提出改进的LSTM滚动预测模型,该模型在预测阶段将前一次输入与当前预测结果相结合,使得历史信息可以沿预测趋势方向流动,从而缓解模型在长趋势预测中的历史信息衰减。实验采用“2016中国高校计算机大赛——大数据挑战赛：阿里音乐流行趋势预测”的比赛数据集,并使用比赛主办方提供的F值进行评估。实验结果显示：在相同条件下预测艺人未来30天的每日音乐播放量,最优LSTM滚动预测模型与LSTM、BiLSTM、GRU、RNN相比F值提高13.03%、16.74%、11.91%、18.52%,平均误差减少39.02%、48.55%、36.02%、52.88%;与传统的时间序列预测模型差分整合滑动平均自回归模型相比F值提高10.67%,平均误差降低32.64%。     

A Recurrent Attention and Interaction Model for Pedestrian Trajectory Prediction

The movement of pedestrians involves temporal continuity, spatial interactivity, and random diversity. As a result, pedestrian trajectory prediction is rather challenging. Most existing trajectory prediction methods tend to focus on just one aspect of these challenges, ignoring the temporal information of the trajectory and making too many assumptions. In this paper, we propose a recurrent attention and interaction (RAI) model to predict pedestrian trajectories. The RAI model consists of a temporal attention module, spatial pooling module, and randomness modeling module. The temporal attention module is proposed to assign different weights to the input sequence of a target, and reduce the speed deviation of different pedestrians. The spatial pooling module is proposed to model not only the social information of neighbors in historical frames, but also the intention of neighbors in the current time. The randomness modeling module is proposed to model the uncertainty and diversity of trajectories by introducing random noise. We conduct extensive experiments on several public datasets. The results demonstrate that our method outperforms many that are state-of-the-art.      

融合多因素的短时交通流预测研究

交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型。通过长短时记忆网络（long short-term memory,LSTM）捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测。实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法。     

A Spatial-Temporal Attention Model for Human Trajectory Prediction

Human trajectory prediction is essential and promising in many related applications. This is challenging due to the uncertainty of human behaviors, which can be influenced not only by himself, but also by the surrounding environment. Recent works based on long-short term memory (LSTM) models have brought tremendous improvements on the task of trajectory prediction. However, most of them focus on the spatial influence of humans but ignore the temporal influence. In this paper, we propose a novel spatial-temporal attention (ST-Attention) model, which studies spatial and temporal affinities jointly. Specifically, we introduce an attention mechanism to extract temporal affinity, learning the importance for historical trajectory information at different time instants. To explore spatial affinity, a deep neural network is employed to measure different importance of the neighbors. Experimental results show that our method achieves competitive performance compared with state-of-the-art methods on publicly available datasets.      

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络...     

基于GS-LSTM模型的铁路货运量预测

铁路货运量预测的准确性对铁路运输企业制定营销计划和营销决策来说是必要的,尤其是短期铁路货运量的影响至关重要。为了提高铁路货运量的预测精度,提出一种优化长短期记忆网络(Long-Short Term Memory,LSTM)参数的预测模型——GS-LSTM模型,通过利用网格搜索算法(Grid Search)对LSTM模型训练网络中最主要的参数(批量大小、隐含层神经单元个数和学习率)进行优化。基于2005年1月—2021年7月的铁路货运量月度数据,首先建立BP和LSTM模型对预测结果进行比较,LSTM模型比BP模型的MAPE降低1.55个百分点,然后分别对BP和LSTM模型的网络参数进行优化后再进行比较,优化后的2种模型比基础模型的预测效果均有提高,而且优化后的LSTM模型比BP模型的MAPE又进一步降低0.18个百分点。实验结果显示,优化后的LSTM模型预测效果更佳,泛化能力更好,具有很好的研究和使用价值。     

基于改进双重深度Q网络的入侵检测模型

入侵检测技术作为网络安全有效的防御手段,是网络安全体系中的重要组成部分。随着互联网的快速发展,网络数据量快速增加,网络攻击更加趋于复杂化和多元化,目前主流的入侵检测技术无法有效识别各种攻击。针对实际网络环境中正常流量和攻击流量数据不平衡,且对攻击类流量检测率低的问题,基于深度强化学习提出一种基于改进双重深度Q网络的CBL_DDQN网络入侵检测模型。该模型将一维卷积神经网络和双向长短期记忆网络的混合网络模型引入深度强化学习的DDQN框架,并使用深度强化学习中的反馈学习和策略生成机制训练智能体来对不同类别的攻击样本进行分类,在一定程度上减弱了训练模型过程中对数据标签的依赖性。采用Borderline-SMOTE算法降低数据的不平衡度,从而提高稀有攻击的检测率。通过NSL_KDD和UNSW_NB15数据集对模型的性能进行评估,结果表明：该模型在准确率、精确率、召回率这三项指标上均取得了良好的结果,检测效果远优于Adam-BNDNN、KNN、SVM等检测方法,是一种高效的网络入侵检测模型。