基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

基于流形距离的高速公路短时交通流预测模型

准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离(MD)的K近邻-长短期记忆(K-nearest neighbor-long short-term memory,KNN-LSTM)高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.     

基于修正因子的雾天可变限速交通流模型

分析雾天可变限速控制作用下高速公路的特性,提出基于雾天修正因子的在线自调整可变限速交通流模型。雾天修正因子通过T-S模型根据高速公路实时能见度与曲面半径在线自我调整,进而实现雾天可变限速交通流模型自我调整。采用灰狼算法对交通流模型参数及T-S模型参数进行优化调整。采用速度与密度的平均绝对百分比误差对模型性能进行评价。使用VISSIM与MATLAB进行仿真研究,仿真结果表明：相比于一般可变限速交通流模型,本文提出的交通流模型在速度和密度的辨识精度方面分别提升了41. 5%和10.5%,可以更加准确反映出雾天可变限速作用下高速公路的特性。     

基于自监督学习的交通数据补全算法

区域高速公路网收费站数量众多,每日产生海量收费数据,但由于设备、网络等因素,部分站点数据传输存在延迟现象,在此情况下已传输的数据往往不能满足实时流量预测的要求。为了实现实时交通数据补全和动态交通流量预测,文中首先提出了一种基于自监督学习的用于高速公路交通流量数据缺失补全的方法,该方法采用了基于注意力机制的时间序列模型（Seq2Seq-Att）;然后使用自监督学习方式对模型进行训练;最后,以广东省高速公路网的80个收费站为例,验证方法的可靠性。结果表明：文中的数据补全方法能够灵活捕捉交通数据中的缺失情况,并根据数据自身的内在关联性,给出合理的补全值;该方法总体优于其他方法,且在不同缺失率下都有较好表现,总体MAPE约为17.7%、WMAPE为12.8%;在高缺失率情况下,该方法相比于其他补全方法有明显的优势。交通量预测结果表明,使用该方法补全的数据进行交通流预测的预测精度接近使用完整数据的情况。     

基于修正因子的雾天可变限速控制交通流模型

分析雾天可变限速控制作用下高速公路的特性,提出基于雾天修正因子的在线自调整可变限速交通流模型。雾天修正因子通过Takagi-Sugeno (T-S)模型根据高速公路实时能见度与曲面半径在线自我调整,进而实现雾天可变限速交通流模型自我调整。采用灰狼算法对交通流模型参数及T-S模型参数进行优化调整。采用速度与密度的平均绝对百分比误差对模型性能进行评价。使用VISSIM与MATLAB进行仿真研究,仿真结果表明:相比于一般可变限速交通流模型,本文提出的交通流模型在速度和密度的辨识精度方面分别提升了41.5%和10.5%,可以更加准确地反映雾天可变限速作用下高速公路的特性。     

考虑货车因素的高速公路短期交通流风险预测

基于G15上海段的交通流数据和交通事故数据,研究货车比例较高且货车事故率较高的高速公路短期交通流风险预测模型.分别选取整体交通流参数、货车交通流参数和综合参数作为特征变量,通过支持向量机进行建模,运用遗传算法对模型参数进行寻优,建立不同时间段、不同风险特征变量的分类模型并对比分析.结果表明事故发生前5~10min的模型预测精度最高.当加入货车因素时,总体的预测精度提高7.1%,事故预测精度提高6.1%,误报率降低4.7%.采用平均影响值法进行货车因素对预测结果的影响程度分析,表明货车因素对于预测模型有较大影响.该研究模型可用来开发交通安全预警系统,为高速公路货车安全管理提供理论依据.     

融合专家综合知识的贝叶斯网络参数学习方法

贝叶斯网络模型是经典概率图模型,目前已经广泛应用到各个领域中.在贝叶斯网络模型的参数获取方面,以往的方法往往仅依靠数据集或者专家知识.实际情况中,数据集往往存在缺失或者存在噪声,而单一专家指定的参数存在较大的主观因素,两类方法所得参数与实际存在较大偏差.提出基于D-S证据理论的专家综合知识结合小数据集的贝叶斯网络参数学习方法,克服了依靠数据集小的情况下造成的参数不准确或依靠单一专家知识主观性较强的问题.通过实验验证,提出的方法在小数据集的情况下,所获得的贝叶斯网络参数更为准确.并将提出的方法用于公安机关刑事案件线索研判,综合专家知识与小数据集获取模型参数,研判结果能够较好地反映实际情况,证明了方法的有效性.     

基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法

提出一种考虑交通流参数相关关系的卡尔曼滤波算法,实现阻塞流状态下道路网交通流短时预测.在交通流守恒方程的基础上,借鉴偏微分方程求解Lax-Wendroff格式离散的思想,结合阻塞流状态下交通流时间和空间特性及进出口匝道等因素的影响,建立阻塞流状态下交通流短时预测状态空间模型,并设计基于卡尔曼滤波方法的模型求解算法.最后以北京市某一区域路网为例,进行了实证性研究.研究结果表明:所建立的阻塞流状态下交通流短时预测卡尔曼滤波算法由于同时考虑了时间和空间因素,能够使预测平均绝对百分比误差(MAPE)控制在10%以内;平均MAPE仅为7.96%.相同条件下,ARIMA模型和Elman模型预测MAPE分别为19.88%和10.51%.     

基于决策技术和粗糙集理论的诊断知识库构建研究

针对目前诊断推理中知识库构建存在知识获取困难,提出了一种基于粗糙集和决策理论的诊断知识库构建模型.该模型引入决策技术和粗糙集理论,对源数据进行预处理,构建决策表,通过属性约简和属性值约简获取故障诊断的最小约简属性集和诊断规则,并建立诊断规则知识库.实例证明在保持故障诊断分类结果的情况下,该方法可以提取出最能反映故障的特征知识,并能有效地解决诊断知识库构建中规则获取的知识冗余或缺失问题,显著提高故障诊断的精度和效率.     

基于众源影像的三维重建方法

目前,众源影像存在获取数据难以筛选,进而导致从影像中生成的点云数据产生几何缺失和含有大量噪声等问题。针对此,论文实现了一种基于众源影像的三维重建方法。首先,采用基于网站Application Programming Interface（API）和基于网页解析的方法获取众源影像数据,然后借助深度学习对获取得到的众源影像进行筛选,获取高质量的众源影像数据,最后运用运动恢复结构（Structure from motion,SFM）算法完成三维重建。论文利用众源影像获取场景的三维结构,对生成的点云模型进行对比和分析,得到了经深度学习算法筛选的图片集更适用于三维重建的结论,以解决众源影像这一新兴数据源在三维建模应用时出现的弊端和不足。     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

基于GA-BP神经网络的软土路基运营期沉降预测

为了实现高速公路软土路基沉降的准确预测，采用遗传算法(GA)优化BP神经网络，研究3种输入对预测结果精度的影响.选取时间t以及其15 d前的沉降量S_t-15和平均沉降速率v_t-15为影响因素，在t、t-S_t-15、t-S_t-15-v_t-15三种输入下，分别取某高速公路软土路基运营期实测沉降数据的前50%、80%为训练集，余下原始数据为测试集，重复训练10次后取平均值作为输出值.采用决定系数(R²)来判别模型拟合度，均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为模型性能的评价指标.结果表明：3种输入的R²均大于0.99;训练集占原始数据的比例为50%时，t-S_t-15输入的预测误差最小，RMSE为1.31 mm, MAPE为4.71%;训练集占原始数据的比例为80%时，t-S_t-15-v_t-15输入的预测误差最小，RMSE为0.29 mm, MAPE为1.00...     

模型结构与参数化差异对蒸散发估算的影响

基于2012年黑河绿洲HiWATER高密度通量观测数据, 对比研究模型结构差异(单源Penman-Monteith/PM公式与双源PM公式、双源PM 公式与双源三温模型)以及PM公式中阻抗参数化差异对蒸散发估算的影响。结果表明: 1) 与模型结构相对复杂的双源PM公式相比, 单源PM公式计算的蒸散发平均相对误差(MAPE)为34%, 略优于双源PM公式的40%; 2) 对于两种模型结构差异显著的双源模型, 模型中不含阻抗参数的三温模型比模型中含阻抗参数的PM公式具有更高的估算精度, 前者的MAPE为18% (R²=0.85), 后者为40% (R²=0.34); 3) 两种单源和一种双源阻抗参数化方法导致PM公式计算的蒸散发出现不同程度的差异, MAPE可相差6%; 4) 使用先验知识/数据事前率定阻抗参数化方法, 可显著地提高单源PM公式的计算精度(MAPE可降低22%), 但随着模型结构与参数化复杂度增加, 事前率定双源PM公式的阻抗参数化方法难以提高计算精度(MAPE仅减小0.8%)。     

基于试车台数据的发动机部件特性图修正

为了建立准确的发动机仿真模型,航空发动机部件特性图的准确性至关重要。基于某型涡扇发动机试车台数据,在耦合法修正发动机通用部件特性图的基础上,采用牛顿迭代法对发动机部件特性图进行多点匹配修正,并利用基于MATLAB/Simulink仿真环境自主建立的发动机稳态模型,进行发动机设计点与非设计点的性能参数计算。利用发动机试车台数据与模型计算结果进行对比,结果表明：各站位主要测量参数平均建模误差由5.163 7%降低到多点匹配后的0.529 7%;最大误差满足稳态模型误差小于3%的模型精度要求。可见修正后的发动机部件特性图精度明显提高,满足工程应用需求。     

考虑网联汽车信息安全的交通流短时预测方法

针对智能网联汽车因网络攻击或干扰造成的信息安全及数据缺失问题,提出一种基于数据补全的交通流状态短时预测方法。首先,基于边缘计算任务卸载模型,对智能网联汽车V2X通信过程的异常数据动态辨识;其次,提出一种具有数据补全机制的图嵌入长短期神经网络模型,实现网联汽车缺失数据补全;再次,通过补全后的完整数据集构建神经网络模型,完成短时交通流状态预测;最后,选取北京市典型路段进行实验验证。结果表明,该模型应用后交通流状态短时预测效果显著提高,与其他方法相比预测误差最大降低87.4%,预测效果与实际交通流状态相比准确率达到95％,为智能网联环境下车辆信息安全与交通资源动态优化提供理论支持和技术方案。     

Deep Web数据源的发现和分类

为了最大限度地获取Deep Web数据源信息,并对获取到的数据源信息进行分类,方便后续的数据源集成工作以及用户的检索使用,提出了一种基于数据库的实时的Deep Web数据源搜索框架,该模型在本地服务器上设计安装"数据源发现应用程序"模块,通过各搜索网站下载安装的"客户端数据源应用程序"模块实现数据信息的对接和实时传送.为了保证检索效率,利用知网结合同义词词林对各大被检索网站进行分类.     

基于支持向量机的高速公路实时事故风险研判

采用G60高速公路(上海段)上布设的单组线圈检测器检测的车道级交通流数据对该路段上发生追尾事故可能性进行研究.通过配对案例对照的方法,分别对事故前5~10min,10~15min和15~20min的交通流数据建立了追尾事故实时预测支持向量机模型.结论表明基于事故前5~10min的交通流数据构建的支持向量机分类器能够有效的对事故进行实时预测,总体事故预测精度为84.85%,误报率为0.33%,该支持向量机分类器具有较高的实用价值,同时也表明了基于单流量检测器的交通流数据对事故进行实时预测的可靠性.     

基于风险更新理论的高速公路动态风险判别方法

为了进一步丰富高速公路交通安全保障理论体系,提出一种包括风险源、影响场、作用对象、测度空间以及时间尺度等风险要素的高速公路动态风险判别方法。首先,通过美国加州交通管理系统(PeMS)采集了I80-W高速公路上2019年1～6月的交通流数据和事故数据;其次,以时序为刻度将风险研究场景分为过去、现在与未来3类,并以判别分析法为测度空间,建立以5种交通流参数为自变量的风险判别函数,同时以风险更新理论作为时间尺度,利用判别函数计算风险值R,并应用于风险更新算法中的输入场,完成旧风险模型更新;最后,采用统一样本对旧判别函数R_(1-4)、新判别函数R_5、新旧混合判别函数R_(1-5)以及利用风险更新得到的判别函数R_u进行精度检验,其判别精度分别为67.5%、61%、66%、74%。结果表明:更新后的风险判别函数应用于高速公路动态风险判别具有更高的预测精度,基于判别分析法和风险更新算法的高速公路动态风险判别方法可以持续对动态风险评价模型进行更新,能够应用于未来各时间段的高速公路动态风险判别。