基于特征融合图注意网络的高速公路交通流预测

基于交通网络的实际时空拓扑，提出一种特征融合图注意网络（FF-GAT）模型融合节点获取的多种交通状态信息，预测高速公路交通流。首先，分析节点的车速、交通流和占有率之间的关联特征，并基于多变量时间注意力机制，将车速、交通流和占有率之间的关系融入注意力机制，从而捕捉交通流的不同时间之间的动态时间相关性；其次，将节点划分为不同的邻域集，并通过特征融合图注意网络（GAT）捕获交通流的不同邻域之间的空间相关性；同时，通过特征交叉网络充分挖掘多个异构数据之间的耦合相关性，为预测目标序列提供有效的信息补充。在两个公开交通流数据集上的实验结果表明：在PeMSD8数据集上，与ASTGCN(Attention based Spatial-Temporal Graph Convolutional Network)模型相比，FF-GAT模型的均方根误差（RMSE）降低了3.4%；与GCN-GAN(Graph Convolutional Network and Generative Adversarial Network)模型相比，FF-GAT模型的RMSE降低了3.1%。可见，FF-GAT模型能够通过特征融合...     

基于自适应门控图神经网络的交通流预测

交通流预测是智能交通系统中的重要组成部分,由于交通数据的复杂性,长期而又准确的交通流预测一直是时间序列预测中最具挑战性的任务之一。近年来,研究人员将基于图神经网络的时空图建模方法应用于交通流预测任务,并取得了良好的预测性能。然而,现有的图建模方法仅通过预定义的邻接结构反映道路网络中的空间依赖关系,忽略了各节点之间的序列关联关系对预测的重要性。针对这一局限性,提出了一种自适应门控图神经网络（Ada-GGNN）,其核心为通过空间传递模块同时捕获道路网络的空间结构及自适应的时序相关性,并通过门控机制学习节点上的时间序列特征。在两个真实交通网络数据集PeMSD7和Los-loop上的实验结果证明了该模型具有更优越的性能。     

一种基于非参数贝叶斯估计的PHMM模型

传统时间序列模型很少从时间序列系统本身角度分析时间序列数据.目前,一种基于模式的隐马尔科夫模型(PHMM)实现了对时序数据系统的内部状态转换机制的建模,从而在时间序列的多步预测和相关性检测上提供了一种高效途径.然而,PHM M模型在考虑隐状态内部观测数据分布时,直接采用高斯分布进行估计的方法受训练数据影响较大.因此,提出一种利用非参数贝叶斯估计来计算模型隐状态内分布的方法.考虑到与固定状态集的隐马科夫模型不同,PHMM模型是一种无限状态隐马尔科夫模型,通过引入非参数HDP过程实现对PHMM模型两层随机过程的解释.实验结果证明,引入非参数估计后模型的预测效率显著提升.     

面向路网交通流态势预测的图神经网络模型

融合了路网结构的交通流态势预测是一个高度非线性化且复杂的时空动态相关性的时序数据预测问题.然而,传统交通流态势预测方法无法建模交通网络中长时间序列数据间的时空相关性.针对交通路网交通流态势预测问题,提出了一种基于图结构的交通流预测深度学习模型.首先,基于图小波变换定义图小波卷积算子,设计了面向路网交通流态势预测的图小波卷积神经网络模块;其次,结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型,以捕获交通网络的动态时空相关性;最后,采用叠加多层图小波神经网络模块的策略,构建了一种面向路网交通流态势预测的图小波卷积神经网络模型.实验结果表明,该网络模型在数据集上的性能优于现有的基线模型.通过图小波变换矩阵与傅里叶变换矩阵非零元素统计对比实验,发现基于图小波变换定义的卷积运算更具稀疏性.因此,基于图小波变换定义的卷积运算更有助于提升交通流态势预测模型的计算效率.     

基于证据理论融合的手势识别方法研究

针对证据理论能将多源数据有机合成为具有更高可信度结果的特点,提出基于证据理论融合的手势识别方法。方法先采用Leap Motion采集手势视频序列,提取手势运动轨迹的方向角作为特征;采用隐马尔科夫模型和支持向量机分别对手势进行训练,进而在识别中通过证据理论将两种方法所计算的手势基本概率分配进行决策融合,实现最终的手势识别;将该方法应用于医疗可视化系统中,实现了自然直观的手势交互。实验结果表明,该方法结合了隐马尔科夫模型和支持向量机的优点,可有效提高手势识别率和交互准确性。     

信息物理环境下不确定系统的随机分布式预测控制

针对信息物理系统环境下可能发生的信息丢包问题,提出一种随机分布式预测控制的分析与设计方法.考虑控制器端到执行器端的传输丢包,采用马尔科夫过程对这一丢包过程进行描述.通过对马尔科夫跳变的线性模型进行增广,研究一种具有随机丢包不确定系统的分布式预测控制方法;将系统分解成多个子系统进行描述,研究基于最小最大化优化的分布式预测控制器设计方法,并提出基于迭代交互的子控制器协调算法.将随机分布式预测控制算法在实际电机系统中进行仿真测试,以验证所提出方法的有效性.     

基于多残差马尔科夫模型的图像拼接检测

针对传统马尔科夫特征计算差值矩阵的方式单一、拼接检测鲁棒性不强的问题,提出彩色多残差马尔科夫特征拼接检测模型。该模型引入隐写检测模型(Rich Models for Steganalysis,SRM)中的多种残差类型来改进传统马尔科夫特征,从R,G,B 3个通道分别提取10种不同类型的马尔科夫特征,训练30个独立的SVM分类器,最后通过决策判断进行分类预测。该方法在哥伦比亚大学彩色拼接检测库上达到了95.40%的准确率。     

针对PM2.5单时间序列数据的动态调整预测模型

针对细颗粒物PM2.5的浓度预测,本文提出了基于单时间序列数据的动态调整模型.在动态指数平滑算法中,指数平滑次数与参数基于样本数据并借助二分查找进行调整.在动态马尔科夫模型中,马尔科夫链的残差状态数、隐马尔科夫模型的隐状态数、连续样本数和阈值参数都通过训练数据加以调整.动态调整模型将指数平滑法和马尔科夫模型有效结合起来,指数平滑法得到的预测值由马尔科夫模型进行校正,从而提高预测准确度.基于大量实际PM2.5数据进行测试,验证了算法的有效性.并与其他现有的灰色模型、人工神经网络、自回归滑动平均模型、支持向量机等方法进行了对比,表明所提模型能够得到精度更高的预测结果.本文模型不局限于PM2.5数据,还可应用于其他类型的数据预测.     

基于马尔科夫链理论的改进的最大Lyapunov指数混沌预测法

针对很多文献都一直规避的基于最大Lyapunov指数的混沌预测会出现两个预测值的问题,引入马尔科夫链改进最大Lyapunov指数的混沌预测方法。改进的方法将时间序列的斜率作为状态变量,并根据马尔科夫链建立状态转移矩阵,判定预测值演化方向,进而根据混沌动力学系统的演化规律选择最优的预测值。最后利用渝武高速公路的交通流数据进行验证,结果表明了改进算法的可行性和有效性。     

基于线性规划的城市交通流优化调度模型

对城市交通流的优化调度是保障交通网络畅通的关键。传统方法采用神经网络PID控制方法进行交通调度控制,当不同车道内的车辆增长模型出现非线性特征时,调度性能不好。提出一种基于线性规划的城市交通流优化调度模型,构建城市智能交通网络路网结构模型,采用Small-World模型模拟交通拥堵在复杂路网中的动态演进过程,进行交通流信息特征提取,信息特征提取之前,采用线性规划方案,对交通网络路网结构进行线性分割,考虑车流观测矢量时间尺度均衡特性,通过线性规划策略,得到交通流特征尺度向量空间和空闲时间片的长度,实现对车流密度信息特征的准确估计,实现交通流优化调度。仿真结果表明,该算法通过交通流优化调度,提高了路网的吞吐性能和通行能力,展示较好的应用价值。     

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。     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

面向交通流量预测的多头注意力时空卷积图网络模型

为了充分获取交通流量数据中隐藏的复杂动态时空相关性,提高交通流量预测精度,提出一种多头注意力时空卷积图网络模型MASCGN。首先,采用多头注意力机制为路网中的交通传感器节点自动分配注意力权重,实现对不同邻居节点的权值自适应匹配,充分获取空间相关性;其次,采用带有门控和注意力机制的时空卷积网络充分提取时间序列相关性,并使用残差块结构实现时空卷积层之间的连接,使得模型更具有泛化能力;最后,分别提取周相关、日相关、邻近时间的序列数据,输入三个并行的时空组件以挖掘周、日、邻近三个时间窗口间的时间周期相关性,并通过全连接层获取最终的交通流量预测结果。利用高速公路交通数据集PEMSO4、PEMSO8进行了15 min、30 min、45 min和60 min的交通流量预测实验。实验结果表明MASCGN模型与现有基线模型相比,在未来短期和长期的交通流量预测任务上都具有更优的建模能力。     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。     

非定向军事路网交通流隐蔽性测度及分配模型

为了解决原有军事路网隐蔽性测度模型中存在的不同运量在相同路况下隐蔽性测度值相等的悖论, 以及路网定向性导致分配非最优两方面缺陷, 本文在对隐蔽性测度方法进行修正以及对非定向军 事路网三方面性质(始点终点相连路段的定向性、路网的可转换性、中点相连路段的后定向性) 详细分析的基础上,提出了一个基于隐蔽性测度修正方法的非定向军事路网交通流分配模型, 并针对模型在计算过程中可能出现的循环流现象提出了逐步去环的解决方法.最后,通过算例证 实了非定向路网三方面性质及计算中可能存在的循环流现象,计算过程和结果充分说明新模型的可行性与实用性.     

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。     

基于改进eRCNN的局部路网交通流预测

针对误差反馈循环卷积神经网络在运用到短时交通流预测时存在仅仅能接收时序误差序列,忽略交通流误差数据中隐含的空间拓扑特征,且在模型初始化时其采用的通用卷积神经网络初始化方法降低了模型训练效率的问题,本文提出一种优化的误差反馈循环卷积神经网络模型,在误差反馈循环卷积神经网络模型基础上根据预测误差数据的时空特性对误差反馈层进行结构强化,能够处理包含简单空间关系的误差序列。同时通过在模型训练的过程中分离模型产生的历史预测误差和训练误差,使得模型构建过程更加高效,加速了模型收敛速度。通过北京市四环道路交通数据的实验表明,优化的误差反馈循环卷积神经网络预测模型在预测精度、构建效率及鲁棒性上均得到有效提高。     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

智慧城市路网交通流量均衡性优化调度方法

早高峰和晚高峰时段的路网交通混乱,极易发生拥堵情况,为缓解交通系统压力,设计节点元胞划分下智慧城市路网交通流量均衡性优化调度方法。获取不同交通路线间的流量分离函数,定义路径交通流量和可用路段费用,得到出行者在某段路径上的概率函数,计算智慧城市路网各路段交通流量;获取流量守恒和车辆传递函数,计算可变元胞的单独序列,建立交通节点元胞划分模型;设计交通流量均衡性优化调度算法,得到城市路网均衡性的优化调度结果。设置仿真参数,对比优化前后三个路网模型的路径流量,仿真结果显示：早高峰和晚高峰时段路段内的路径流量明显降低,在其他时段,优化后的路径流量也不同程度下降,且路网模型越复杂,该优化方法的调度效果越好。