基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于图自编码-生成对抗网络的路网数据修复

完整的交通路网数据是实现智能交通系统的前提，故本文提出一种基于图自编码-生成对 抗网络的方法对路网中缺失数据进行修复。首先，通过降噪图变分自编码器提取路网缺失数据 的时空特征，使其能最大程度捕获原始路网信息；其次，基于该时空特征利用生成对抗网络生成 路网数据，加入重建损失并优化生成对抗网络的目标函数，实现对缺失数据的有效插补；最后，采 用西雅图(Seattle)和加州(PEMS04)路网速度数据集，针对不同缺失类型和缺失率下的数据修复进 行对比实验。当随机缺失率在 10% ~70%时，Seattle 数据集的 MAE 指标在 2.38~3.25 之间， PEMS04 数据集的 MAE 指标在 1.46~2.38 之间；当聚集缺失率在 10%~70%时，Seattle 数据集的 MAE指标在2.51~2.82之间，PEMS04数据集的MAE指标在1.52~1.54之间。对比结果表明，本文 提出的路网数据修复方法均优于BP、DSAE、BGCP等模型。     

基于自注意力机制与图自编码器的路网交通流数据修复模型

针对城市交通流数据修复问题，提出一种基于图卷积网络和多头自注意力机制的自注意 力图自编码器模型。该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的 STGCN (Spatial-temporal Graph Convolutional Networks)网络。在该网络中使用 LSTM(Long Short-Term Memory)网络学习数据中时序规律，通过注意力网络计算道路自注意力及一阶临近道路注意力系 数，用图卷积网络对图信号重组，达到对缺失数据的精确修复。同时，采用多头自注意力网络计 算数据的注意力权值并对数据重组，捕获交通流数据中的二阶及高阶临近道路空间关联性，提取 已知数据与缺失数据的时间关系，以残差链的形式加入到模型中，作为对STGCN功能的补充。 基于真实数据的实验表明，在多种缺失模式和缺失率下，该模型能够学习路网拓扑关系，捕获数 据中的时间规律性和时空关联性，有效地修复缺失数据。     

基于生成式对抗网络的路网交通流数据补全方法

交通信息的完整性直接影响着城市交通管理的效率.针对城市道路交通中因路段检测器覆盖不全或设备损坏等造成的流量检测数据缺失问题,本文提出基于生成式对抗网络 (Generative Adversarial Network,GAN)算法的交通流量数据补全方法.首先,以路段实际流量为基础,进行图像化处理生成路网二维信息图;其次,计算考虑时空信息补偿的路网关联矩阵,利用GAN算法分析并实现路网二维信息图缺失部分的补全,进而得到路段交通流量的完整数据;最后,利用实际数据,对比分析了本文方法与相空间重构的卡尔曼滤波方法对缺失数据的补全情况.实例分析结果验证了本文方法的可行性和有效性.     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

雾霾情况下路网模型及雾霾对交通路网的影响

雾霾对城市交通路网的影响主要包括交通数据缺失、交通安全和污染物排放三大问题.首先,基于城市交通数据监测系统,增加路网模型中驾驶员对能见度因素的反应特性,建立雾霾情况下交通路网模型,包括车道模型和交叉口模型两部分.然后,建立雾霾情况下交通路网模型评价指标,包括路网交通数据缺失率、交通危险系数和路网车辆污染物排放指标.最后,通过雾霾对路网影响程度和影响区域的仿真,得出如下结果:雾霾程度越严重、影响区域范围越大,交通数据缺失率越高,越不利于交通安全,同时污染物排放越多.     

基于图正则化和Schatten-p范数最小化的交通数据恢复

为充分利用交通数据低秩特性与局部近邻关系，准确恢复交通数据采集系统中的缺失数据，首先，应用基于核范数的低秩矩阵补全模型对交通数据矩阵进行预插补，以获得缺失值的初始估计，基于此，构建表征数据局部近邻结构的图模型；然后，提出融合图正则化和Schatten-p范数最小化的交通数据缺失值恢复模型；进一步，提出基于交替方向乘子框架的优化算法，求解缺失值恢复的最优化问题，得到最终的数据恢复结果；最后，用实际的高速公路交通流量和速度数据比较多种方法的恢复误差，同时给出所提方法的参数敏感性分析. 实验结果表明:在完全随机缺失、随机缺失和混合缺失模式下，缺失率为10% ~ 50%时，相比于局部最小二乘、概率主成分分析和低秩矩阵补全等方法，基于图正则化和Schatten-p范数最小化的算法恢复误差降低了3.02% ~ 28.49%.      

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

基于日变交通配流的城市道路网络韧性评估

为有效评价重大扰动事件下的路网性能，提出以日变交通配流（day-to-day?traffic?assignment，DTA）为基础的城市道路网络韧性评估模型. 明确考虑重大扰动事件下交通流动态变化特性，构建了综合考虑出行者认知更新、行为惯性等因素影响的DTA模型，设计了启发式求解算法；定义了基于DTA的路网可达性指标，构建了可全面评价扰动事件生命周期内系统性能的韧性指标与评估模型，并在Nguyen & Dupuis网络上进行算例研究. 结果表明:在扰动事件后的前10天，路网韧性波动变化，此后随着交通流分布趋于稳定，路网韧性单调上升，从第10天的0.323上升到第50天的0.794，上升了145.77%；与传统随机用户均衡（?stochastic ?user ?equilibrium，SUE）模型相比，DTA模型获得的路网可达性与韧性指标存在显著差异，SUE模型下路网可达性随时间单调上升，而DTA模型下路网可达性在前15天剧烈波动，随后才单调增加，表明要获得准确的路网韧性指标，必须首先准确假定出行决策行为和相应配流模型；出行者行为惯性、路段通行能力退化程度与恢复速率以及路网拥挤程度等因素均对交通流量分布产生显著影响，进而影响路网可达性最终导致路网韧性指标发生显著变化，表明实际应用中应在充分调查的基础上合理标定相关参数.      

大规模道路交通数据网络轻量化可视化方法

为提高网络环境下大规模道路交通数据动态可视化效率,提出一种在网络环境下使用流光线表达交通态势的轻量化可视化方法. 首先,提出顾及道路属性的路网分层组织方法,并绘制在不同视角高度下的道路;然后,提出基于WebGL (Web graghics library)技术线段索引特点的多道路合并方法,并结合视域剔除以及多线程技术对场景进行优化,设计实现了支持道路拥堵状态实时变换的渐变、动态流光线等动画效果;最后,研发了原型系统,并以全国道路网数据为例进行案例实验与分析. 实验结果表明:在网络环境下进行大规模道路交通数据动态可视化,本文方法可视化帧率稳定在40帧/秒以上,相较于百度ECharts GL可视化方法提高了20～30帧/秒.      

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

基于改进低秩矩阵补全的交通量数据缺失值插补方法

提出了一种低秩矩阵补全的改进方法以研究道路交通量数据缺失值插补问题。应用基于核范数的低秩矩阵补全对交通量数据矩阵中的缺失值进行第1轮插补; 通过层次聚类算法将交通量数据划分为不同类别, 使得同类中的数据具有较强相关性, 异类中的数据具有较弱的相关性; 在每类样本上应用低秩矩阵补全得到缺失值的第2轮插补; 为了减少聚类数的影响, 提出最小二乘回归集成学习方法将不同聚类数下的插补结果进行融合, 得到最终的交通量数据插补结果; 用美国俄勒冈州波特兰市的交通量数据比较了5种方法的插补误差, 并分析了不同聚类数和距离度量方法的影响。研究结果表明: 在完全随机缺失模式下, 缺失率为10%~60%时, 其相对于传统的低秩矩阵补全模型的插补误差降低了5.93%~9.11%;在随机缺失和混合缺失模式下, 插补误差也分别降低了8.32%~9.55%和8.14%~9.20%;集成不同聚类数下的多个插补结果比单一聚类数下的插补误差降低2.62%~4.76%。可见, 在3种数据缺失模式下, 改进低秩矩阵补全方法降低了交通量数据的插补误差, 能有效提高插补后交通量数据的有效性。      

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源，需实时估计交通流参数。若要准确估计交通流参数，应详细考虑道路网交通流时空特征。本文基于生成对抗网络，提出一种能捕捉交通流时空特征的实时估计模型，即TSTGAN模型。该模型包括生成器和判别器两部分，生成器利用门控卷积神经网络 捕捉交通流的动态空间特征，使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征；采用门控卷积神经网络与长短期记忆神经网络构建判别器；通过对抗方式训练生成对抗网络的生成器与判别器，实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据，验证TSTGAN模型的可靠性。结果表 明，TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%，证明所提TSTGAN模型可以提高交通 流参数的估计精度。     

数据驱动的偶发拥堵时空建模及传播分析

为研究实际的道路交通路网中偶发拥堵的传播和演化特性,充分发挥海量交通流数据的潜在价值,克服现有基于模拟仿真的拥堵分析方法因理论假设和参数设置所导致的 “失真”问题,本文在交通流实测数据的基础上,建立改进的 PLS-STAR模型对偶发拥堵的时空传播结构进行描述,并提出偶发拥堵的直接和间接时空传播效应两种概念对拥堵的时空传播影响进行刻画,从而构造了一种数据驱动的偶发拥堵时空传播效应评估方法.通过北京路网的案例研究发现,路网服务水平的降低,更大程度来源于拥堵传播的间接影响而非直接取决于突发的交通量增加,因此,通过控制拥堵传播来提升城市路网的服务水平仍具有巨大潜力.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.