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.     

基于跳转模型的路网交通流预测

针对城市道路交通流复杂的非线性特征,采用基于跳转的ARIMA模型研究交通流的变化规律,以获得城市道路短期交通流的精确预测.引入路口转弯比例矩阵来描述路网的交通流状态.考虑在路网畅通和路网拥堵情况下路口转弯比例矩阵的不同特征,对两种情况分别进行研究.结合路段交通流预测模型,对路网交通流进行预测.仿真算例表明,所提出的预测模型能较好地用于路网交通流预测.     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

基于生成对抗网络的大规模路网交通流预测算法

对大规模路网交通流进行准确预测,能够应用于区域交通协同控制与管理,提高路网运行效率.针对如何高精度地拟合大规模路网交通流时空分布并对其进行准确预测,提出基于梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)的大规模路网交通流预测算法.根据大规模路网交通流数据特点,为了增加模型对时间相关性和远距离空间相关性特征的抽象能力,采用残差U型网络作为生成器来增加网络深度;采用多重判别器分别从时间和空间特征来对生成数据进行判别,从而提高判别器的判别能力.所提算法能够解决判别型深度学习模型仅能针对路网整体误差最小化,而忽略各交通流观测点预测误差最小化原则的问题,能够更好地满足现实交通场景需求.实验结果表明,所提算法能够有效地学习路网交通流数据内部多因素耦合特性,具有更高的预测精度.     

路网交通流在时空分析背景下的预测研究

深度学习近年来被广泛应用于交通工程领域,针对大型路网中单个路段的交通流预测考虑因素单一、预测精度不高的问题,充分利用长短时记忆（LSTM）网络在时序数据处理方面的优势,结合路网交通流时空分析并运用LSTM模型进行预测。通过对路网中路段检测站点间交通流数据进行相关性计算,并设置不同阈值来选择出代表路段的编号构造原始数据矩阵,对矩阵进行压缩来增加运算效率,最后将压缩矩阵输入模型中进行预测。设置仿真对比实验,验证了提出的方法相较于其他几种模型预测准确率平均可提升11.84%,是一种高效率的交通流预测方法。     

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.     

基于交通路网的TASEP模型的扩展研究

完全非对称的简单排它过程(Totally Asymmetric Simple Exclusion Process,TASEP)模型是一种描述一维晶格上粒子运输的一种经典模型,其主要考虑了粒子之间的体积排斥效应,已被广泛应用到生物、交通等领域。文中主要对传统的TASEP模型进行了扩展研究,结合实际交通网络的结构和特性对TASEP模型进行了如下改进:1)粒子在各条边上的跳跃率是异质的,即设置各条边上的跳跃率不同且符合泊松分布;2)在交叉路口的粒子在选择下一个路段时是非随机的。具体地,设计了一种实时路径策略,结合各个时刻各条边上的流量值与粒子数得到对应边上粒子的平均移动“速度”;在此基础上引入“理性”参数α来控制粒子的路径选择:α的值越大,粒子越倾向于运动到平均速度越快的连边上。结果显示,随着参数α值的增大,网络中粒子的整体运动得到了优化,使得系统的流量有较大的提升,从而可以缓解网络拥塞。文中通过结合复杂网络的概念和方法,对传统TASEP模型做出了两点改进:1)设计出粒子在交叉口处的路径策略优化其行驶路径;2)为研究城市交通流模型提供了新的思路和方向。     

基于实测流量的局域路网随机分配模型

针对城市局域路网所能获取的出行需求条件通常是重要交叉口的流量数据,而不是完整的出行OD矩阵的特点,在分析城市道路转弯比例时变稳定性的基础上,采用交叉口转弯比例作为重要参数,建立基于蒙特卡罗随机系统模拟思想的局域路网交通分配模型,并给出局域路网仿真分配系数矩阵的计算方法。将该模型在实际路网中进行应用测试,分配流量与实测数据的比对结果验证了该方法的适用性。     

基于直线型反λ基本图的交通流分配模型及算法

针对现有交通流分配理论难以处理路段拥挤状态的问题,以直线型反λ交通流量、密度和速度基本关系图为基础,提出了给定路段交通状态下的静态交通流分配新方法。首先通过分析基本关系图,得到两阶段的路段行程时间函数;其次,通过引入路段交通状态指标量,构建节点流量守恒方程,建立了系统最优和用户均衡交通流分配模型;最后,针对非凸的用户均衡模型,通过线性化目标函数中的非凸项,设计了一种有效的分支定界求解算法。数值算例验证了新模型和算法的有效性;新理论扩展了现有路段行程时间函数过于片面的单调递增特征假设,可有效处理路段拥挤状态,提高现有理论的实用性。     

多车道交通流非线性优化控制模型及遗传算法

多车道高速公路交通流的递阶控制结构分为协调控制层、路段控制层和车辆控制层,文中提出了路段控制层的优化控制模型。该模型以路段上交通流量与平均速度最大化为控制目标,以该路段上车辆在各车道的分配比例为决策变量。决策变量的个数比传统线性模型大为减少。为避免一般优化算法可能得到局部最优解的缺点,采用遗传算法求解所提出的非线性规划模型。仿真算例验证了模型及求解算法的有效性。     

基于信息熵的网络流量信息结构特征研究

随着人们对网络流量特征研究的深入,网络异常检测技术得以不断发展,因此流量特征分析是网络异常检测的基础性重要工作。文章研究基于熵的流量信息结构特征,不同于已有的网络流量初级统计特征研究,它以提取的流量属性在单位时间内分布特征为研究对象。基于 DARPA 99数据集的实验表明,该方法相对于基于流量初级统计特征方流量异常表示方法具有更强的敏感性。     

基于信息增强传输的时空图神经网络交通流预测

交通问题不仅影响人们的出行,同时也会带来环境污染以及安全等问题,准确的交通流预测是构建智能交通系统、预防和缓解交通问题的关键.目前的预测方法大多没有考虑到交通流动态的时空相关性、周期性以及线性与非线性等特点.在充分考虑上述因素的基础上,提出一种基于信息增强传输的时空图神经网络模型,主要包含多特征注意力模块、信息增强传输模块、时间注意力模块以及线性与非线性融合模块.其中,多特征注意力模块捕获多种交通特征之间的内在联系,考虑交通流的周期性;信息增强传输模块充分利用了交通网络信息,以增强交通网络的信息传输能力,进而挖掘出复杂动态的空间依赖关系;时间注意力模块负责自适应地提取不同时间间隔之间的依赖关系;线性与非线性融合模块则同时考虑了数据的线性与非线性特征.论文在真实数据集上进行了大量对比实验,实验结果表明,对比目前较为先进的基线方法,提出的方法在交通流的预测性能方面,体现了较为明显的优势.     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

基于熵的网络异常流量检测研究综述

网络流量异常检测及分析作为一种重要的网络监管控制手段,是网络及安全管理领域的重要研究内容.本文探讨了网络异常流量的种类,简述了基于传统的异常检测方法在网络异常流量检测中的应用以及存在的问题.针对基于信息熵、相对熵、活跃熵等熵值理论在网络异常流量检测中的研究,阐述了基于熵值理论的异常检测在国内外的研究进展情况.总结了当前基于熵值理论的异常检测研究工作中存在的问题及改进方向.     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

面向动态交通流预测的双流图卷积网络

准确的交通流预测能够为管理部门提供合理的决策依据,为驾驶员提供实时的道路状况预警,是交通领域至关重要的问题.近年来,相关研究利用图卷积神经网络(GCN)处理非欧式空间结构的特点,对来自复杂路网的交通流数据进行空间相关性建模.然而,现有基于图卷积的交通流预测方法未能充分考虑空间相关性的有向性和动态性这两个重要特点.考虑到...     

一种基于网络业务流的流量监测分析算法

基于业务流的统计信息直接反映用户行为，最繁忙业务流获取与分析，对于网络流量分析和故障定位有指导作用。文章通过分析数据帧到来对哈希表的影响，借助一个记录表，对哈希表中的业务流进行排序，大大减少排序中的比较次数，提高监控系统处理性能．     

基于小波神经网络的流量混沌时间序列预测

在Takens提出的相空间重构模型基础上,应用小波变换对其进行改进,充分考虑噪声对重构结果的影响。将小波神经网络混沌时间序列预测方法引入网络流量预测中,介绍小波神经网络的基本构造和学习方法。实验表明,与RBF神经预测方法相比,小波神经网络预测方法的逼近效果更好、误差更小。     

最优动态配流问题的离散模型及其解

对一般路网建立了具有良好结构形式的离散动态配流模型，该模型在多起点单讫点路网中的最优解满足交通流守恒约束和动态平衡原则。在提出了完全不同路段概念的基础上，对最优解的奇异性进行了分析，得到稳态最优解为非奇异解的结论。给出的算例验证了结论的正确性。