在线广义神经网络交通状态预测的网格并行算法

针对城市大规模路网交通状态在线预测问题,采集出租车上的全球定位系统数据作为浮动汽车数据(FCD),采用广义神经网络理论,应用网格并行算法,通过加速广义神经网络的收敛和学习速度,构建了在线交通状态预测新模型.实验结果表明,该算法实现了在线广义神经网络交通状态预测模型的并行计算,提高了预测模型的计算速度,满足大规模交通路网实时、高效的在线交通状态预测的实际需求.     

基于随机生存森林的交通事件持续时间预测

采用随机生存森林模型开展交通事件持续时间分析,克服了传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷.该研究基于上海城市快速路网交通事件数据,结合道路几何线形、交通运行、天气状况等数据.原始数据库分为训练数据(80%)和测试数据(20%).分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度.     

高速公路改扩建后区域路网交通分流模型

为量化分析高速公路改扩建分流后区域路网的拥挤程度和服务水平,充分考虑路网分流条件,以系统饱和度为约束条件,以区域路网内分流系统最优为目标,建立了具有实时反馈效用的高速公路改扩建交通分流机制和分配模型。以陕西潼关至宝鸡高速公路改扩建作业项目为例,应用新建模型对2种交通分流方案进行了对比。研究结果表明:该模型考虑分流路段的交通量分担能力,以分流后路段交通量和路段通行能力之比作为权重系数,来反映分流后区域路网的交通拥挤状况,能够实现区域路网内交通分流的系统最优,达到配流均衡。通过应用该方法对大型车分流和小汽车分流两套方案进行的对比分析,表明大型车辆分流方案的路段饱和度优于小汽车分流方案。     

路网与动态交通信息一体化的导航时空数据库研究

路网与动态交通信息一体化的导航时空数据库设计所面临的一个问题,就是如何建立有效的时空数据模型组织路网与动态交通信息一体化数据.在建立适合路网与动态交通信息数据库一体化时空数据模型的基础上,提出了应用这些模型并实现存储、显示、查询和管理路网与动态交通信息的一体化数据.     

基于随机生存森林的城市快速路交通事件持续时间预测研究

交通事故、抛锚等交通事件对城市快速路的运行影响极大;准确预测交通事件的持续时间可有助于主动交通管理措施的实施,提升通行效率与安全。本研究采用随机生存森林模型开展交通事件持续时间分析,以克服传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷。研究基于上海城市快速路网交通事件数据,并结合道路几何线形、交通运行、天气状况等数据。原始数据库分为训练数据(80%)和测试数据(20%)。分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度。     

基于模型预测的快速交通网络路由诱导方法

为了达到均衡城市快速路网交通负荷,提高交通运行效率的目的,提出了模型预测路由诱导控制方法,控制任务描述为一个动态的、离散时间、空间的、带有约束控制变量的最优控制问题.采用宏观、确定型的、离散时间、空间、适合基于模型预测交通控制的宏观动态交通模型来构建网络交通过程模型,通过在未来较长的时段内求解每一个控制周期的最优问题来实现反馈控制.仿真实例研究结果表明,模型预测路由诱导控制方法能够考虑时变的交通状态,取得良好的控制效果,可为先进的交通管理系统构建提供依据.     

动态路径诱导交通阻抗优化方法与实现

基于实时交通采集数据,获取合理动态规划最优路径,提出了考虑驾驶员出行行为因素的交通阻抗优化方法.研究了基于实时交通状态因素的动态路网优先等级指数的确定方法,重构了动态路径诱导交通网络模型,大大降低了路网的复杂度;基于多源实时数据,研究了动态路径诱导交通阻抗优化的计算方法,实现了路网的动态路径诱导,并通过GIS平台进行了仿真分析.该方法更符合驾驶员行为习惯,对于改进Dijkstra算法在动态路径诱导中的应用具有操作优势和显著意义.     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

基于遗传算法的高速公路网入口匝道优化控制

为了实施高速公路路网交通流的优化控制,采用MATANET模型进行路网交通流建模,应用非线性最优控制方法,构造了路网入口匝道的协调控制模型. 该模型应用全局实时交通数据,以缩短行程时间和减少入口匝道排队长度为控制目标,能够提高交通运行效率和有效处理偶发性拥挤. 针对模型的非线性,应用遗传算法对性能指标进行优化,探究不同性能指标的优化对路网交通运行状况的影响. 以南京市周边高速公路路网作为应用实例,验证了所研究模型与优化方法的可行性.     

大型并网光伏发电系统稳态模型与潮流分析

大型集中式并网光伏电站对区域电网稳态性能具有不可忽视的影响,该文研究了光伏并网发电系统的稳态模型和潮流分析方法。系统稳态模型基于电力电子变换原理和功率平衡原理建立,并考虑了最大功率跟踪(M PPT)控制策略。通过模型与光伏电站实测数据的对比,验证了模型准确性。利用该模型与电网潮流计算方法的交互,可评估光伏电站和电网在稳态性能方面的相互影响。在IEEE 30测试系统上分析了并网光伏电站的极限安装容量及对电网稳态性能的影响,结果表明现场太阳辐射条件是制约并网光伏电站极限容量的一个重要因素,大型集中式并网光伏电站对电网损耗和电压分布等稳态性能带来不同程度的影响。     

城市道路交通拥堵的模糊神经网络评析

以城市道路网络的拥堵状况为研究对象,运用模糊层次分析以及神经网络理论构建城市道路交通拥堵的模糊神经网络评价模型.以层次分析为准则,从微观层、中观层、宏观层等方面建立道路交通拥堵三层评价指标体系;利用模糊一致性判别矩阵界定道路交通拥堵评价因子综合权重,基于BP神经网络构建了道路交通拥堵的模糊神经网络评价模型,并对道路交通拥堵评价区间进行阈值确定,将道路交通拥堵评价集界定为严重拥堵、中度拥堵、轻度拥堵、较为畅通、畅通等5个等级.以2016年上海市20个交通小区的道路交通拥堵数据为样本进行实例分析,结果表明该方法的可行性以及有效性.      

智能健康住宅监护数据分析方法的研究

智能健康住宅为缓解人口老龄化的压力和优化医疗资源配置提供了重要手段。其特点是在家庭环境下提供各项生命体征参数监测,并对监护数据自动分析处理。本文提出了以时序建模为基础的分析方法。此方法由三个部分构成,包括模型辨识、模型更新、以及基于模型的预报区间确定。模型阶数基于最终预报准则确定,使得模型能更好的符合观测数据。基于自适应滤波器算法对模型参数进行在线更新,确保模型能更好的描述监护数据的动态特性。根据建模结果,作前向30步预报,确定预报区间。从而实现对监护数据中的平稳、异常值、以及状态变化三种特征模式的识别。通过应用PhysioNet中的三组数据集进行实验研究。实验结果表明此方法的预报结果准确,能实现对于智能健康住宅中连续监测获得的数据进行在线分析。     

基于神经网络的光伏电站气象-功率模型

基于双层前馈神经网络建立光伏电站输出功率与辐照等气象因素间的非机理模型。建立光伏电站输出功率与气象因素的神经网络模型;对功率模型的输入特征进行选择,分析不同气象因素的组合作为输入变量对模型准确度的影响,明确功率模型的输入变量;分析该模型网络的训练算法、隐含层神经元个数及训练次数对模型准确度的影响,据此确定功率模型的最优结构与参数;基于光伏电站的实际数据对功率模型进行验证。结果表明,基于双层前馈神经网络的光伏电站气象-功率模型具有较高的准确度。     

冰雪条件下信号交叉口上游拥堵识别方法

为解决冰雪条件下的信号交叉口上游拥堵识别问题,提出基于研究临界消散车队长度值的拥堵识别方法. 该方法根据汽车行驶理论与拥堵区间车辆行驶特点,将拥堵临界车辆的行车过程分为加速、匀速和减速过程,通过分析的拥堵排队车辆通过交叉口的过程,建立不同冰雪路面信号交叉口拥堵识别模型. 通过不同条件下相关参数标定,计算上游路段拥堵临界位置. 利用哈尔滨市区一个交叉口的实际调查数据进行验证,证明该模型能很好与实际相契合.     

IP拥塞控制及其仿真实现的研究

基于UDP业务数据在互联网的剧增导致了严重的网络拥塞.首先通过OPNET仿真平台建立起适当的仿真模型,通过仿真阐明了UDP协议不具备拥塞控制机制是网络拥塞产生的最根本原因,并且同一链路过多的UDP数据还可能导致对TCP数据流的不公平性;然后提出了在通信子网节点进行IP网络拥塞控制方法,并且通过仿真数据也证明了在通信子网...     

基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,就需要准确识别和判断交通状态。该文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更能表现出道路的拥堵状态。该文提出了一种改进的深度学习预测模型（CS-BiLSTM）,该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）,并结合Softmax函数增强CNN提取出的交通空间特征信息。深度学习预测模型（CS-BiLSTM）中的S代表的就是Softmax的缩写。使用成都市出租车GPS数据进行验证,结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比C-BiLSTM网络预测框架提升了13%。     

用最优潮流分析实时电价下的传输拥挤管理

研究了在电力市场联营交易模式下,采用节点实时电价机制时的传输拥挤管理问题．用基于最优潮流的节点实时电价算法及软件,分析了用户侧可中断供电管理和电网无功补偿设备对消除传输拥挤的作用,并与通过传输拥挤合同的管理方式进行了比较．对一个５ 节点简化系统的全面数值分析表明,所提模型和算法的实用性．     

基于GPS轨迹数据的拥堵路段预测

基于真实的GPS轨迹数据,对城市拥堵路段进行预测.在此过程中,摒弃传统的基于交通流预测和拥堵识别的方法,提出一种新的基于拥堵向量和拥堵转移矩阵的拥堵路段预测方法.该方法同时考虑路段拥堵的时间周期性和时空相关性,通过对出租车GPS轨迹数据进行挖掘和训练,建立拥堵向量和拥堵转移矩阵,实现对拥堵路段的预测.真实数据集上的实验验证了所提的拥堵路段预测方法的有效性.     

基于侦听机制的网络拥塞控制模型

针对局域网出口经常出现拥塞的现状，给出了一种基于侦听机制的网络拥塞控制模型．该模型将局域网出口状况划分成无拥塞、轻度拥塞、中度拥塞、严重拥塞四种不同的状态．在出现中度拥塞或严重拥塞时，根据所记录的TCP进出流及用户自定义的分类排队策略形成优先级队列，实施针对性拥塞控制，从而保证在实施拥塞控制的同时不降低重要流量的出口带宽．本模型所具有的随机接入特点使得能在不对网络结构和协议进行改造的情况下实现局域网出口拥塞控制．