基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题，基于超距雷达数据分析了高速公路车辆跟驰特性，建立起基于长短期记忆（long short term memory，LSTM）的跟驰速度预测模型。首先，根据数据特点建立了处理规则并筛选跟驰序列。其次，根据车身长度将跟驰车划为大型车与小型车，分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后，将前车速度、位置差、上一时刻车头时距作为模型输入，跟驰车速度作为模型输出，构建了基于LSTM的跟驰速度预测模型，模型预测精度达到99.75%。最后，以高速公路数据为例进行验证，传统机器学习支持向量回归（support vector regression，SVR）模型的预测性能低于深度学习模型，LSTM模型的R Square较SVR模型提升了4.37%；作为LSTM的结构简化变体，在相同的结构参数下，门控循环单元（gated recurrent unit，GRU）模型的预测性能并未提升，但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

基于自然驾驶数据的信号交叉口车辆跟驰行为特征分析

为明确城市信号交叉口的车辆跟驰行为特性,基于自然驾驶试验数据,对车辆在减速、加速跟驰状态的车头间距、车头时距和相对速度进行了分布特征分析以及与跟驰速度的相关性分析。结果表明：减速跟驰状态的相对速度主要集中于[-3m/s,1m/s],加速跟驰状态主要集中于[-1m/s,3m/s]；减速跟驰状态和加速跟驰状态的车头时距随后车跟驰速度变化趋势相同,确定了跟驰速度小于20km/h的车头时距阈值；去掉跟驰速度小于6km/h的数据后得到的减速跟驰、加速跟驰状态车头时距和车头间距均呈正偏态分布,车头间距集中于5-30m,车头时距集中于1.5s-3.5s；两种跟驰状态车头间距、车头时距的5th、50th、95th特征值与跟驰速度具有较强的相关性。     

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为，结合多速度差理论跟驰模型和深度学习方法，提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性，提出了双车道多速度差跟驰模型（FS-MAVD模型），并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型，利用卷积神经网络层（CNN）充分提取前向和侧向车辆交通特征，双向长短期记忆网络层（Bi-LSTM）考虑驾驶员记忆效应，注意力机制层（Attention）用于分配模型权重，并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点，采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据，建立跟驰行为样本集，对所建模型进行训练和测试，并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比，并分别比对不同模型对不同车辆的预测精度和误差。结果表明，本研究构建的组合模型在加速度预测精度达到9...     

基于高逼真驾驶模拟器雾霾天气下跟驰行为分析

为研究雾霾天气下车辆跟驰行为,基于8自由度高逼真驾驶模拟器,设置晴天和雾霾天两个实验场景,采集不同交通状态下跟驰驾驶行为数据,分析车头时距、车头间距、车头延迟时距、加速度、减速度等跟驰行为关键变量.实验结果表明,雾霾天气显著影响了跟驰行为,最大车头间距在自由流、拥挤流和阻塞流跟驰状态下分别增加了8.7%、19.4%和25.6%;自由流跟驰状态下最小车头间距减小了13.0%;阻塞流跟驰状态下最小车头时距减小了47.9%,但延迟时距及其离散性增加了15.5%和28.2%;雾霾天气下后车的加速行为更为谨慎.不同交通状态下的跟驰行为存在显著差异.随着跟驰车速增加,最大、最小车头间距及其离散性显著增加;最大、最小车头时距及其离散性则呈先增加后减小趋势,延迟时距显著增加.     

一种基于动态期望车头时距的跟驰模型

现有跟驰模型把期望车头时距视为常量,因实际交通流具有动态性,静态期望车头时距模型并不能确切地描述现实交通流.提出了一种动态期望车头时距的跟驰模型,将其车头时距用韦布尔分布拟合,使其成为随跟驰车辆性能差异和驾驶员自身差异而变化的动态变量.仿真结果表明,基于动态车头时距的跟驰模型能使后随车车速的平均绝对误差从1.715 9 m/s降至0.762 9 m/s,优于静态常量期望车头时距跟驰模型.     

考虑前后车速度关系的车辆跟驰模型

分析了传统车辆跟驰模型的局限性,建立了考虑前后车速度关系的车辆跟驰模型：前后车以相同速度匀速行驶时的跟驰模型;前后车以不同速度匀速行驶,后车速度小于前车速度时的跟驰模型;前后车以不同速度匀速行驶,后车速度大于前车速度,当前车速度不变时的跟驰模型和前车减速时的跟驰模型．以四种跟驰模型为基础,分别建立了相应的速度一间距关系和车辆追尾模型．追尾模型表明：最小车头距离是后车速度的二次函数,随后车速度急剧缩小;当实际车头距离小于该值时,则会发生追尾事件．     

冰雪路面城市快速路跟驰模型研究

针对冰雪路面城市快速路的跟驰模型进行了研究。首先对两种常见的冰雪路面进行了交通调查。根据调查结果对不同冰雪路面城市快速路交通流的自由流速度、平均速度、速度分布,相邻跟驰车辆的车头时距、车头时距与相对速度的相互关系等微观特性进行统计分析,定量地研究不同冰雪路面形态对城市快速路跟驰行为的影响。其次,对不同类型的优化速度函数特征进行对比分析,依据Greenshields速度-密度关系建立期望车速模型,依据车辆不同跟驰状态建立冰雪路面最小安全距离模型,并由此构建冰雪路面优化速度模型。基于现有跟驰理论研究成果,以线性跟驰模型建模思想对全速度差模型进行改造,结合冰雪路面优化速度模型构建适用于冰雪路面的新跟驰模型。最后,利用实测数据对模型参数进行标定,并通过设计实验分析模型的稳定性、加速度非对称性。同时,利用调查数据对新模型和全速度差模型进行模拟分析,结果证明该模型更贴近冰雪路面城市快速路实际交通流,可以为冰雪路面下交通管理措施的制定提供理论支持。     

改进Newell跟驰模型与实证研究

为了克服Newell跟驰模型单一考虑跟驰车与前导车之间的车间距进行速度优化描述车辆跟驰行为的不足,在同时考虑车间距和速度差对车辆跟驰行为影响的基础上,提出了一种改进Newell跟驰模型。通过对模型进行稳定性分析,得到了模型的稳定性条件。并通过在西安市二环南路西段实地拍摄视频采集得到的数据,对模型的参数进行了标定;最后分别采用上述模型对未来交通流趋势进行仿真预测,通过预测结果与实测数据的对比分析,证实了改进Newell模型的有效性。     

路段多车型混合车流通行能力

利用概率论方法,通过对由多种车型构成的混合车流不同跟驰序列,不同组合概率的研究,得到了跟驰车头时距路段多车型混合车流通行能力模型.基于经典车头间距模型,通过对混合车流不同跟驰序列下最小车头间距的研究,得到了多车型混合车流的组合车头间距,进而得到了跟驰车头间距路段多车型混合车流通行能力模型.推广了由大、小2种车型构成的混合车流的通行能力模型.研究表明,路段多车型混合车流通行能力不仅与反应时间、车辆速度、车辆长度、制动性能等有关,还与混合车流的车辆组成状况及跟驰序列相关.最后实例分析了不同小型车混入率情况下路段通行能力的变化状况.     

基于数据驱动的城市地下快速路跟驰行为模型构建

为了揭示地下快速路交通流的运行特性,利用驾驶模拟器获得的高精度车辆轨迹数据,针对地下快速路提出一种基于数据驱动方法的车辆跟驰模型,并对该模型进行了标定与验证。首先,根据上海市北横通道东段场景模型进行驾驶模拟实验以获取车辆跟驰数据;其次,选择了采用支持向量回归（SVR）方法建立车辆跟驰模型,对模型改进并引入了驾驶行为约束条件;最后,利用实验数据对改进过的SVR车辆跟驰模型进行了标定与验证。结果表明,考虑驾驶行为约束的支持向量回归车辆跟驰模型能很好地描述地下快速路中的车辆跟驰行为;该模型具有一定的可移植性,在其他地下快速路上也有较高的精度。建立的车辆跟驰模型可以量化地分析地下快速路中跟驰车辆间的相互作用,为进行交通仿真和风险研究提供基础。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

基于TSK的车辆跟驰模型

为解决基于模糊推理的车辆跟驰模型在参数校准方面存在的问题,提出了基于TSK模型的车辆跟驰模型。对TSK模型在现实驾驶行为中的意义进行了分析,解释了子系统的工作点和线性方程的物理意义,为TSK模型在车辆跟驰中的深入应用奠定了基础。采用改进的基于遗传算法的TSK模型辨识方法,对分组中数据点不足的情况作了特别处理,通过GPS采集跑车实验数据,从实测数据构建并验证TSK模型。实验结果和理论分析吻合较好,表明TSK模型用于车辆跟驰模型的可行性。     

复杂环境中一种基于深度学习的异常检测方法

为了解决复杂环境中异常检测的问题,提出一种基于深度学习的检测方法。首先,通过引入(you only look once,YOLO)检测,将卷积神经网络回归法提取的物体时空特征,输入到长短期记忆模型(LSTM),追踪复杂环境中个体的运动轨迹。然后,评估相邻个体间运动轨迹的依赖性。最后,采用编码-解码框架训练LSTM模型,预测物体未来的运动轨迹;根据物体未来运动轨迹的异常概率,最终完成异常检测。实验结果表明,解决了复杂环境中运动物体间的相互干扰问题;在时间和空间鲁棒性评估上,优于其他轨迹追踪的方法,从而证明了本方法的有效性和可行性。     

车距自控系统跟车模型稳定性仿真分析

用仿真分析方法,对可能用于车距自控系统的跟车模型的稳定性作了分析,主要内容包括：选定了３种可能用于车距自控系统的跟车模型,在以通行能力为约束的条件下,以前车突然制动与平稳降速２种典型驾驶行为和行驶车距与车速２种主要车辆行驶参数,对选定的３种跟车模型作了仿真,根据仿真结果给出了适用于车距自控系统的变速控制模型。     

基于深度确定性策略梯度的热力站一次侧优化控制

针对热力站供热量与需求量不匹配的现象,提出一种基于深度确定性策略梯度(DDPG)的热力站一次侧优化控制方法。采用LSTM(long short term memory)算法对热力站进行建模,然后结合集中供热系统运行机理,使用DDPG控制算法对热力站一次侧供水流量序列求解。运用包头某热力站的大量历史工况数据,进行仿真实验,结果表明该方法的有效性,一定程度上实现了热力站的按需供热,提高热量的利用率。     

基于 eBPF 与 LSTM 的 DDoS 攻击检测系统

针对网络异常流量检测中的 DDoS 攻击检测,以往的基于深度学习的解决方案都是在脱离系统实体的数据集上构建模型和优化参数,提出并实现一种使用 Linux 内核观测技术 eBPF(extended Berkeley Packet Filter)与深度学习技术结合的基于网络流量特征分析的网络异常流量检测系统。 系统采用 eBPF 直接从 Linux 内核网络栈最底层高效地采集网络流量特征数据,然后使用基于长短记忆网络 LSTM(Long Short Term Memory)构建的深度学习系统检测网络异常流量。 在具体实现中,系统首先通过 Linux 内核网络栈最底层 XDP(eXpress Data Path)中的 eBPF程序挂载点采集网络流量特征数据。 之后,使用 LSTM 构建神经网络模型和预测分类。 将系统应用于一个仿真实验网络环境得出的实验结果表明,系统的识别精确度达到 97. 9%,同时,在使用该系统的情况下,网络中的 TCP 与 UDP 通信的吞吐率仅平均下降 8. 53%。 结果表明:系统对网络通信影响较低,同时也实现了较好的检测效果,具有可用性,为网络异常流量检测提供了一种新的解决方法。     

基于改进鲸鱼优化算法的微网系统能量优化管理

针对包含多种可再生能源的冷热电联供型微网系统的能量优化问题,为了优化其运行过程的经济效益和环境效益,本文提出一种基于改进鲸鱼优化算法的多时间尺度下能量优化方法,首先根据长短期记忆网络(Long Short Term Memory,LSTM)预测得到的可再生能源出力和负荷需求预先制定调度规划,然后以此预测数据为基础,采用改进鲸鱼优化算法调整可控设备出力,优化微网系统的运行成本和固定成本。将该方法应用于某楼宇冷热电联供型微网,结果表明,在满足负荷需求的基础上使得经济成本平均降低4.03%且经济效益更优。