一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

城市中心路内停车与停车换乘的动态优化模型

城市中心区停车问题与交通拥堵问题密切相关,也与停车换乘(P+R)问题相关,交通流、路边停车和P+R需要统一模型研究。为此,建立考虑交通流的城市中心路内停车与P+R的动态优化模型。短期最优流率模型考虑到路内停车位会减少正常行驶车辆的道路空间,而且巡航停车会和其它车辆产生拥堵,为此,需要加快路内停车周转率,将路内停车资源与交通流协同管理。短期停车容量模型利用Stackelberg博弈：在政府追求社会总成本最小和私人运营商追求利润最大的基础上,出行者追求用户出行成本最小。研究表明,在需求固定的情况下,随着车辆停放时间的增加,路内停车费与P+R停车费都在不断下降,路内停车容量在不断减少,而P+R停车容量不断增加,说明如果选择短时停车或者临时停车,可以选择路内停车；而如果选择长时间停车,可以选择P+R停车。在需求远大于供给时,路内停车将演化为车道控制。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

基于有序Logistic回归的驾驶人危险辨识影响因素分析

针对驾驶人危险辨识影响因素,开展危险辨识试验数据与自我报告数据的采集,采用k-means聚类分析方法将危险辨识时间划分为3类,进而基于有序Logistic回归分析方法检验不同影响因素的显著性.试验分析结果表明,危险情境特征对驾驶人危险辨识时间有影响,交通情境越混乱,所需时间越长,且交通情境越危险,所需时间相对越短;同时,驾驶人特征及其经历对驾驶人危险辨识时间有影响,男性的危险辨识时间较女性更短;摩托、电动车驾驶经历越丰富,危险辨识能力相对越好;驾龄、驾驶里程与自行车驾驶经历对危险辨识时间并无显著影响.环境因素和人口社会学因素对驾驶人危险辨识能力的影响是多方面的.     

影响驾驶员心生理变化的高速公路路侧植物的选择原则

为了合理地选择高速公路路侧的绿化植物,通过心电仪和眼动仪对驾驶员在驾驶过程中的心生理数据进行采集.对驾驶员的视点区域进行灰度处理,得到不同视点区域的明暗程度等级,然后通过对比分析,选择有助于改善驾驶员心生理变化的植物.研究结果表明:当植物表现出的明暗程度等级为3~5时,可有效减缓驾驶员的紧张程度,提高行车的安全性.     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合，描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构，描述人们的认知过程，建立相应的路径选择算法。以长沙市中心城区路网为例，利用建立的路径选择方法，分别用静态路阻（距离）、动态路阻（速度）对路网进行解构，计算路径选择集；采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取，并将理论计算结果与实际调查结果进行对比分析，采用静态路阻的一致率为85%，采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程，对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

基于行车声音端点检测的交通量统计

基于传统特征的行车声音端点检测法存在重叠有车段识别率低、双门限阈值较难确定的问题,针对这两个问题,探索性地将梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)倒谱距离特征和短时能量特征进行了融合并应用于交通量检测。首先选取了周围环境较为安静的一个双车道路段,并采集了该路段上包含重叠有车段的行车声音;其次提取了行车声音的短时能量特征和MFCC倒谱距离特征,并对它们在端点检测中的优劣进行了分析对比;再次提出了一种融合短时能量特征和MFCC倒谱距离特征的新特征,并基于新特征将传统的双门限判决思路改进成了单门限判决思路;最后利用新特征对有车段进行端点检测并统计交通量。实验结果表明:基于融合特征的端点检测方法能有效解决重叠有车段识别率低和双门限阈值较难确定的问题。     

城市道路交通管控时间与区域长度控制方法

道路交通是时空问题,交通流在时间与空间上应具有相关性,为指导城市道路交通管理,使城市道路交通流管控时间与管控区域长度精确化。从交通流参数、道路长度、交通运行时间之间的关系、时间占有率与空间占有率的定义出发,定义累计时间占有率与累计空间占有率,得出交通流在时间与空间上的等效性。在此基础上,建立了道路交通流时空关系模型,并将该模型用于计算管控时长与管控区域长度,通过实例验证,得出其可精确计算管控时长与管控区域长度,避免了管控资源的浪费。     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.